IV-2
Pengumpulan data untuk pengujian pendeteksian multi wajah menggunakan tiga buah citra wajah yang telah melalui proses latih, kemudian ketiga buah citra wajah tersebut melaksanakan proses pengenalan wajah secara bersamaan.
Setelah pengujian akurasi deteksi dan pengenalan wajah dilaksanakan, Aplikasi absensi berbasis pengenalan wajah kemudian dibuat yang untuk selanjutnya diimplementasikan di CV. Karya Mitra Utama dimana, lima karyawan akan melaksanakan absensi menggunakan aplikasi absensi berbasis pengenalan wajah selama satu minggu kerja (6 hari).
4.2 Pengolahan Data
Pengolahan data secara garis besar terbagi dua yaitu pengolahan data hasil dari uji akurasi aplikasi. Dimana hasil dari uji akurasi akan menentukan dan bagaimana implementasi dari pengolahan data yang selanjutnya yaitu pengolahan aplikasi absensi berbasis pengenalan wajah.
4.2.1 Pengolahan Data Uji Akurasi Aplikasi
Pengolahan data untuk uji akurasi aplikasi secara garis besar terbagi menjadi dua bagian yaitu pengenalan wajah dan latih wajah. \
Pada proses pengenalan wajah citra diunggah dan kemudian diproses dengan keluaran hasil sukses berupa terdeteksi dan dikenali serta hasil salah berupa tidak terdeteksi (tidak ada citra wajah pada gambar). Seluruh bentuk keluaran masih berupa skrip, namun terdapat indikator pada bagian-bagian tertentu untuk mengetahui hasilnya.
Untuk terdeteksi artinya ada wajah pada citra namun sistem tidak mengenali wajah tersebut. Keluaran dari proses aplikasi dapat dilihat pada gambar 4.1.
IV-3
Gambar 4.1. Terdeteksi
Dapat dilihat pada gambar 4.1 Indikator yang menunjukan terdeteksi wajah pada citra terdapat pada bagian “status”,”failure”
yang artinya pengenalan proses gagal dan “message”,“no match found” yang tidak ada wajah yang cocok.
Sedangkan dikenali berarti ada wajah dalam aplikasi dan pemilik wajah dikenali oleh sistem. Indikator yang menunjukan wajah dikenali ada bagian “status”,”succes” yang artinya proses pengenalan wajah sukses. Keluaran dari proses aplikasi dapat dilihat pada gambar 4.2.
Gambar 4.2. Dikenali
Dapat dilihat gambar 4.2. pada bagian “subject_id”, “faisal2”
artinya wajah dikenali sebagai subject_id faisal2. Subject_id
merupakan nomor unik yang diberikan pada setiap wajah sebagai pembeda dengan wajah lainnya. Singkatnya subject_id pada aplikasi sama fungsinya dengan plat nomor pada mobil atau nomor KTP pada KTP.
Bagian candidates merupakan kanditat subject_id lainnya yang mungkin cocok dengan citra wajah dan bagian confidence merupakan
IV-4
nilai keyakinan sistem terhadap wajah yang dikenali, semakin besar nilai maka sistem semakin yakin dengan rentang dari 0 hingga 1.
Tidak terdeteksi artinya tidak ada wajah pada citra. Indikator yang menunjukan citra wajah tidak terdeteksi ada pada bagian no faces found in the image yang artinya tidak ada wajah pada gambar. Keluaran dari proses aplikasi dapat dilihat pada gambar 4.3.
Gambar 4.3. Tidak Terdeteksi
Setelah citra diuji, hasil pengujian tersebut dicatat dalam format tabel seperti digambarkan pada gambar 4.4.
Citra
Tipe Kamera Deteksi Waktu Hasil
Chicony 2.0
CMET-W002
C270
Gambar 4.4. Gambar Format Tabel Hasil Pengujian
Pada proses latih wajah citra diunggah bersama dengan subject_id
dari wajah kemudian diproses dengan keluaran hasil benar berupa terdeteksi dan citra akan langsung dimasukan ke database serta hasil salah berupa tidak terdeteksi (tidak ada citra wajah pada gambar) dan terlalu banyak citra wajah pada gambar. Seluruh bentuk keluaran masih berupa skrip, namun terdapat indikator pada bagian-bagian tertentu untuk mengetahui hasilnya.
Citra wajah yang terdeteksi pada proses latih wajah dimasukan ke database bersama dengan subject_id yang mewakilinya. Indikator yang menunjukan wajah terdeteksi dan proses latih wajah berhasil ada pada bagian “status”,”succes” yang artinya proses pelatihan wajah sukses. Keluaran dari proses aplikasi dapat dilihat pada gambar 4.5.
IV-5
Gambar 4.5. Terdeteksi
Dapat dilihat pada gambar 4.5 pada proses latih wajah pada bagian
subject_id terdapat “hamdan4” yang artinya wajah pada gambar 4.5 diberi subject_id hamdan4.
Tidak terdeteksi pada latih wajah sama dengan proses pengenalan wajah. Sehingga Indikator yang meunjukan juga sama yaitu pada bagian “message”, “no faces found in the image” yang artinya tidak ada wajah pada gambar. Keluaran dari proses aplikasi dapat dilihat pada gambar 4.6.
Gambar 4.6. Tidak Terdeteksi
Pelatihan wajah hanya dapat dilakukan untuk satu orang perproses. Sehingga jika terdeteksi lebih dari satu citra wajah, seluruh citra wajah tersebut tidak dimasukan ke database. Indikator yang menunjukan terlalu banyak wajah pada gambar ada pada bagian “message”,”to many face found in the image” yang artinya terlalu banyak wajah pada gambar. Keluaran dari proses aplikasi dapat dilihat pada gambar 4.7.
IV-6
Gambar 4.7. Terlalu Banyak Wajah
Setelah citra diuji, hasil pengujian tersebut dicatat dalam format tabel. Seperti yang telah dijelaskan pada bab 3 bahwa citra latih yang digunakan adalah enam buah, yang artinya dua untuk setiap kamera seperti digambarkan pada gambar 4.8.
Foto
Tipe Kamera Latih Waktu Latih Waktu
Chicony 2.0
CMET-W002
C270
Gambar 4.8. Gambar Format Tabel Hasil Pengujian
Wajah tidak temukan dan terlalu banyak wajah pada satu gambar merupakan error message atau pesan kesalahan yang berarti proses pengenalan, deteksi atau latih mengalami kendala sehingga tidak dapat memberikan hasil yang diinginkan.
Dapat dilihat pada gambar 4.3, gambar 4.6 dan gambar 4.7 bahwa setiap pesan kesalahan diawali dengan “errors” dilanjutkan dengan pesan kesalahan dan kode kesalahannya. Selain dari pesan kesalahan yang telah isebukan ada beberapa pesan kesalahan lain yang terdapat pada aplikasi. Kesalahan tersebut merupakan kesalahan yang jarang terjadi seperti pemeliharan server (maintenance server), terdapat karakter khusus pada id, nama id terlalu panjang, dan lain-lain. Selengkapnya dapat dilihat pada tabel 4.1
Tabel 4.1 Kairos Error Message
No Kode
Kesalahan Pesan Kesalahan Keterangan
1 1000 invalid characters found
in parameters
Terdapat karakter yang
dilarang pada subject_id
(contoh : /.,!@#$%^&, dll)
IV-7
subject_id terlalu panjang
3 3001 API temporarily
unavailable
API sedang mengalami
pemeliharan server
(maintenance server)
4 5000
an invalid image was sent must be jpg or png format
Gambar yang dikirim harus berformat PNG atau JPG
5 5002 no faces found in the
image
Tidak terdapat wajah pada gambar
6 5005
face that was detected is corrupt and cannot be processed
Wajah yang terdeteksi setelah diteliti kembali ternyata bukan wajah
7 5010 too many faces in image Terlalu banyak wajah pada
gambar (latih wajah)
Sumber : https://www.kairos.com/docs/api/error-codes, selengkapnya dapat dilihat pada lampiran
Lain halnya dengan masalah koneksi internet, pada kasus tidak ada koneksi internet atau koneksi internet terlalu kecil aplikasi tidak akan memberikan hasil apapun (sukses maupun pesan kesalahan). Sehingga indikator yang menunjukan koneksi internet tidak ada atau koneksi internet terlalu kecil adalah kosong. seperti diperlihatkan gambar 4.9.
Gambar 4.9. Tidak Ada Koneksi Internet
4.2.2 Pengolahan Data Implementasi Aplikasi Sistem Absensi Berbasis Pengenalan Wajah
Sama seperti uji akurasi pengolahan data pada implementasi aplikasi sistem absensi berbasis pengenalan wajah secara garis besar terbagi menjadi dua bagian yaitu pengenalan wajah dan latih wajah.
Pengolahan data pada bagian ini tidak serumit pada uji akurasi, karena keluaran tidak lagi berupa skrip, melainkan sudah berupa pesan yang mewakili hasil proses dari pengenalan maupun latih wajah aplikasi.
Pada proses pengenalan wajah terdapat frame pengambilan citra wajah yang secara otomatis akan mengambil citra, jika pada frame terdeteksi sebuah wajah. Citra tersebut diunggah dan
IV-8
diproses dengan hasil keluaran berupa hasil sukses dan hasil gagal. Lebih jelasnya dapat dilihat pada gambar 4.10
Gambar 4.10. Pengenalan Wajah Pada Implementasi Sistem
Dapat dilihat pada gambar 4.10 bahwa keluaran yang diberikan yaitu “terjadi kesalahan koneksi internet bermasalah silakan coba kembali”. Keluaran selengkapnya dapat dilihat pada tabel 4.2.
Tabel 4.2 Keluaran Pada Proses Pengenalan Wajah
No Keluaran Hasil Sukses Keluaran Hasil Gagal
1 Selamat datang (nama) Tidak ada Koneksi Internet
2 Selamat pulang (nama) Wajah Tidak ditemukan
3 Anda sudah melaksanakan absen hari ini Wajah Tidak Terdaftar
Pada gambar 4.10 juga terdapat “status” yang merupakan status proses penganalan wajah, dimana “ok” berarti aplikasi sudah siap presensi wajah bisa dilaksanakan, dan “harap tunggu” berarti aplikasi sedang memproses presensi wajah dan presenti tidak dapat dilakukan.
Untuk pesan kesalahan (error message) selain dari yang terdapat pada tabel seperti maintenance server aplikasi memiliki pesan default
yaitu “terjadi kesalahan silahkan coba kembali”.
Proses latih tidak terlalu berbeda dengan proses pengenalan wajah, perbedaannya terletak pada pengambilan citra. Setelah ID dan nama karyawan dimasukan, wajah yang akan dilatih kemudian dihadapkan pada webcam dengan posisi yang pas terlebih dahulu selanjutnya tekan tombol ikon kamera pada frame untuk mengambil citra. Citra tersebut diunggah dan diproses dengan keluaran berupa hasil benar dan hasil. Lebih jelasnya dapat dilihat pada gambar 4.11
IV-9
Gambar 4.11. Latih Wajah Pada Implementasi Sistem
Dapat dilihat pada gambar 4.10 bahwa keluaran yang diberikan yaitu “terjadi kesalahan koneksi internet bermasalah silakan coba kembali”. Keluaran selengkapnya dapat dilihat pada tabel 4.3.
Tabel 4.3 Keluaran Pada Proses Latih Wajah No Keluaran Hasil Sukses Keluaran Hasil Gagal
1 Data karyawan berhasil
ditambahkan Tidak ada Koneksi Internet
2 Data latih berhasil
ditambahkan Wajah Tidak ditemukan
3 Terlalu Banyak Wajah dalam
satu gambar
Untuk pesan kesalahan (error message) selain dari yang terdapat pada tabel seperti maintenance server aplikasi memiliki pesan default
yaitu “terjadi kesalahan silahkan coba kembali”.
Hasil implementasi tersebut kemudian dicatat dalam format tabel seperti digambarkan pada gambar 4.12.
Foto Latih (Waktu) Pengenalan (Masuk) Pengenalan (Pulang) Tanggal Waktu (Masuk) Waktu (Pulang) Gaji
Gambar 4.12. Gambar Format Tabel Hasil Pengujian
Dengan penjelasan sebagai berikut: 1. Foto diisi dengan foto karyawan
IV-10
3. pengenalan (masuk), lama waktu absen masuk kerja 4. pengenalan (pulang), lama waktu absen pulang kerja 5. tanggal, tanggal dilaksanaknnya absensi
6. waktu (masuk), waktu/jam dilaksanakannya absensi masuk kerja 7. waktu (pulang), waktu/jam dilaksanakannya absensi pulang kerja 8. Gaji, gaji karyawan per tanggal ini
V-1
BAB V
ANALISIS DAN PEMBAHASAN
5.1 Pengujian Akurasi Aplikasi
Pada pengujian ini akan menjelaskan bagaimana proses pengujain akurasi aplikasi pengenalan wajah mulai dari proses latih sampai dengan proses pengenalan wajah. Pengujian akan dilakukan dengan berbagai percobaan untuk membuktikan sistem ini bekerja sesuai dengan tujuan perancangan dan sesuai dengan yang diharapkan. Berikut adalah beberapa pengujian yang akan dilakukan untuk mendapatkan data-data hasil pengujiannya antara lain:
1. Citra wajah dan bukan wajah.
2. Citra wajah terdaftar dan tidak terdaftar. 3. Citra wajah identik sama.
4. Citra wajah menggunakan aksesoris. 5. Pengenalan multi citra wajah.
5.1.1 Citra Wajah Dan Bukan Wajah
Pengujian ini menggunakan tiga buah citra wajah dan tiga buah citra bukan wajah, kesemua citra tidak melalui proses latih. Sampel dari pengujian dapat dilihat pada tabel 5.1
Tabel 5.1 Sampel Citra Wajah dan Bukan Wajah
No Citra wajah Citra bukan wajah
1
V-2
No Citra wajah Citra bukan wajah
2
Hamdan Meja
3
Ian Rerumputan
Sedangkan hasil dari pengujian dapat dilihat pada tabel 5.2. Tabel 5.2 Hasil Pengujian Citra Wajah dan Bukan Wajah
No Nama Tipe Kamera Deteksi Waktu Hasil
1 Faisal
Chicony 2.0 8 detik Terdeteksi
CMET-W002 22 detik Terdeteksi
C270 5 detik Terdeteksi
2 Hamdan
Chicony 2.0 14 detik Terdeteksi
CMET-W002 12 detik Terdeteksi
C270 6 detik Terdeteksi
3 Ian
Chicony 2.0 12 detik Terdeteksi
CMET-W002 13 detik Terdeteksi
C270 7 detik Terdeteksi
4 Jalan
Chicony 2.0 10 detik Tidak terdeteksi
CMET-W002 9 detik Tidak terdeteksi
C270 7 detik Tidak terdeteksi
5 Meja
Chicony 2.0 10 detik Tidak terdeteksi
CMET-W002 11 detik Tidak terdeteksi
C270 8 detik Tidak terdeteksi
6 Rerumputan
Chicony 2.0 11 detik Tidak terdeteksi
CMET-W002 8 detik Tidak terdeteksi
V-3
Dari hasil pengujian pengenalan citra wajah dan citra bukan wajah dapat dilihat hasilnya bahwa seluruh citra wajah (9 citra ) terdeteksi dan seluruh citra bukan wajah (9 citra) tidak terdeteksi. Waktu total yang digunakan selama pengujian untuk pengenalan wajah (18 citra) adalah 182 detik.
5.1.2 Citra Wajah Terdaftar Dan Tidak Terdaftar
Pengujian ini menggunakan tiga buah citra wajah terdaftar atau sudah melalui proses latih wajah dan tiga buah citra wajah tidak terdaftar atau tidak melalui proses latih wajah. Sampel dari pengujian dapat dilihat pada tabel 5.3.
Tabel 5.3 Sampel Citra Wajah Terdaftar dan Tidak Terdaftar No Citra wajah terdaftar Citra wajah tidak terdaftar
1 Faisal Umar 2 Hamdan Suryo 3 Ian Vega
V-4
Hasil dari pengujian (latih wajah) dapat dilihat pada tabel 5.4. Tabel 5.4 Hasil Latih Citra Wajah Terdaftar
No Nama Tipe Kamera Latih Waktu Latih Waktu
1 Faisal
Chicony 2.0 9 detik 12 detik
CMET-W002 9 detik 13 detik
C270 4 detik 3 detik
2 Hamdan
Chicony 2.0 10 detik 12 detik
CMET-W002 9 detik 13 detik
C270 4 detik 3 detik
3 Ian
Chicony 2.0 15 detik 14 detik
CMET-W002 10 detik 9 detik
C270 4 detik 6 detik
Total waktu pengujian 159 detik
Sedangkan hasil dari pengujian (pengenalan wajah) dapat dilihat pada tabel 5.5.
Tabel 5.5 Hasil Pengenalan Citra Wajah Terdaftar dan Tidak Terdaftar No Nama Tipe Kamera Deteksi Waktu Hasil
1 Faisal
Chicony 2.0 9 detik Dikenali
CMET-W002 10 detik Dikenali
C270 3 detik Dikenali
2 Hamdan
Chicony 2.0 10 detik Dikenali
CMET-W002 10 detik Dikenali
C270 4 detik Dikenali
3 Ian
Chicony 2.0 14 detik Dikenali
CMET-W002 13 detik Dikenali
C270 5 detik Dikenali
4 Umar
Chicony 2.0 13 detik Terdeteksi
CMET-W002 11 detik Terdeteksi
C270 4 detik Terdeteksi
5 Suryo
Chicony 2.0 13 detik Tidak Terdeteksi
CMET-W002 10 detik Terdeteksi
C270 4 detik Terdeteksi
6 Vega
Chicony 2.0 14 detik Terdeteksi
CMET-W002 12 detik Terdeteksi
C270 5 detik Terdeteksi
V-5
Dari hasil pengujian pengenalan citra wajah terdaftar dan citra wajah tidak terdaftar dapat dilihat hasilnya bahwa semua citra wajah terdaftar (9 citra) dikenali sedangkan untuk citra tidak terdaftar, 8 citra terdeteksi dan 1 citra tidak terdeteksi. Waktu total yang digunakan selama pengujian (32 citra) adalah 323 detik (latih wajah 18 citra 159 detik, pengenalan wajah 18 citra 164 detik).
5.1.3 Citra Wajah Identik Sama
Pengujian ini menggunakan dua buah citra wajah yang telah melalui proses latih dan dua buah citra wajah yang tidak melalui proses latih. Sampel dari pengujian dapat dilihat pada tabel 5.6.
Tabel 5.6 Sampel Citra Wajah Identik Sama
No Citra wajah terdaftar Citra wajah tidak terdaftar
1
Fazila Fatya
Hasil dari pengujian (latih wajah) dapat dilihat pada tabel 5.7. Tabel 5.7 Hasil Latih Citra Wajah Identik Sama
No Nama Tipe Kamera Latih Waktu Latih Waktu
1 Fazila
Chicony 2.0 16 detik 17 detik
CMET-W002 10 detik 11 detik
C270 2 detik 3 detik
2 Fatya
Chicony 2.0 15 detik 16 detik
CMET-W002 13 detik 12 detik
C270 2 detik 2 detik
Sedangkan hasil dari pengujian (pengenalan wajah) dapat dilihat pada tabel 5.8.
V-6
Tabel 5.8 Hasil Pengenalan Citra Wajah Identik Sama
No Nama Tipe Kamera Deteksi Waktu Hasil
1 Fatya
Chicony 2.0 12 detik Dikenali
CMET-W002 13 detik Dikenali sebagai orang lain
C270 2 detik Dikenali
2 Fazila
Chicony 2.0 13 detik Dikenali
CMET-W002 12 detik Tidak Terdeteksi
C270 3 detik Dikenali
Dari hasil pengujian pengenalan citra wajah identik sama dapat dilihat hasilnya bahwa 4 citra wajah dikenali, 1 citra wajah dikenali sebagai orang lain dan 1 citra tidak terdeteksi. Waktu total yang digunakan selama pengujian (18 citra) adalah 174 detik (latih wajah 12 citra 119 detik, pengenalan wajah 6 citra 55 detik).
5.1.4 Citra Wajah Menggunakan Aksesoris
Pengujian ini menggunakan citra yang telah melalui proses latih, kemudian pada proses pengenalan wajah, citra menggunakan aksesoris berupa masker, helm, topi dan kacamata. Sampel dari pengujian dapat dilihat pada tabel 5.9.
Tabel 5.9 Sampel Citra Menggunakan Aksesoris
No Citra latih wajah Citra pengenalan wajah Citra pengenalan wajah
1
Ahmad Ahmad (Masker) Ahmad (Topi)
2
V-7
Hasil dari pengujian (latih wajah) dapat dilihat pada tabel 5.10. Tabel 5.10 Hasil Latih Wajah Menggunakan Aksesoris
No Nama Tipe Kamera Latih Waktu Latih Waktu
1 Ahmad
Chicony 2.0 14 detik 10 detik
CMET-W002 13 detik 11 detik
C270 5 detik 6 detik
Sedangkan hasil dari pengujian (pengenalan wajah) dapat dilihat pada tabel 5.11.
Tabel 5.11 Hasil Pengenalan Wajah Menggunakan Aksesoris
No Nama Aksesoris Tipe Kamera Latih Waktu Hasil
1 Helm
Chicony 2.0 7 detik Terdeteksi
CMET-W002 6 detik Tidak terdeteksi
C270 3 detik Dikenali
2 Topi
Chicony 2.0 8 detik Dikenali
CMET-W002 6 detik Tidak terdeteksi
C270 3 detik Dikenali
3 Kacamata
Chicony 2.0 8 detik Dikenali
CMET-W002 6 detik Dikenali
C270 3 detik Dikenali
4 Masker
Chicony 2.0 13 detik Tidak terdeteksi CMET-W002 8 detik Tidak terdeteksi
C270 7 detik Tidak terdeteksi
Dari hasil pengujian pengenalan citra wajah menggunakan aksesoris dapat dilihat hasilnya bahwa 6 citra wajah dikenali, 1 citra wajah terdeteksi dan 5 citra wajah tidak terdeteksi. Waktu total yang digunakan selama pengujian (18 citra) adalah 137 detik (latih wajah 6 citra 59 detik, pengenalan wajah 12 citra 78 detik).
5.1.5 Pengenalan Multi Citra Wajah
Pengujian ini menggunakan tiga buah citra wajah yang telah melalui proses latih, kemudian ketiga buah citra wajah tersebut melaksanakan proses pengenalan wajah secara bersamaan. Sampel dari pengujian dapat dilihat pada tabel 5.12.
V-8
Tabel 5.12 Sampel Pengenalan Multi Citra Wajah No Citra wajah terdaftar
1
Ahmad Riandi, Indra
Citra yang akan diuji
2
Riandi, Ahmad dan Indra
Hasil dari pengujian (latih wajah) dapat dilihat pada tabel 5.13. Tabel 5.13 Hasil Latih Multi Citra Wajah
No Nama Tipe Kamera Latih Waktu Latih Waktu
1 Riandi
Chicony 2.0 22 detik 20 detik
CMET-W002 16 detik 13 detik
C270 7 detik 5 detik
2 Ahmad
Chicony 2.0 14 detik 16 detik
CMET-W002 13 detik 12 detik
C270 5 detik 5 detik
3 Indra
Chicony 2.0 13 detik 17 detik
CMET-W002 15 detik 16 detik
C270 5 detik 5 detik
Sedangkan hasil dari pengujian (pengenalan wajah) dapat dilihat pada tabel 5.14.
V-9
Tabel 5.14 Hasil Pengenalan Multi Citra Wajah No Nama Tipe Kamera Pengenalan
Waktu Hasil 1 Riandi, Ahmad, Indra dalam 1 citra
Chicony 2.0 7 detik Riandi, Indra, Ahmad Terdeteksi
CMET-W002 11 detik
Riandi, Indra, Ahmad Tidak Terdeteksi
C270 12 detik Riandi, Ahmad,
Indra Dikenali
Dari hasil pengujian pengenalan multi citra wajah dapat dilihat hasilnya bahwa pada 2 citra seluruh wajah pada citra dikenali (Riandi, Ahmad dan Indra) dan 1 citra 2 wajah dikenali (Riandi, Indra), 1 wajah terdeteksi (Ahmad). Waktu total yang digunakan selama pengujian (21 citra) adalah 249 detik (latih wajah 18 citra 219 detik, pengenalan wajah 3 citra 30 detik).
5.2 Implementasi Aplikasi Sistem Absensi Berbasis Pengenalan Wajah
Pengujian ini akan menjelaskan bagaimana proses implementasi aplikasi sistem absensi berbasis pengenalan wajah mulai dari proses latih hingga proses pengenalan wajah. Pengujian dilakukan untuk membuktikan sistem absensi bekerja sesuai dengan tujuan perancangan dan sesuai dengan yang diharapkan.
Lima karyawan akan melaksanakan presensi menggunakan aplikasi absensi berbasis pengenalan wajah selama seminggu (6 hari). Sampel citra wajah karyawan dapat dilihat pada tabel 5.15
Tabel 5.15 Sampel Citra Wajah Karyawan No Citra wajah Citra wajah
1
V-10
No Citra wajah Citra wajah
2
Zamzam Fajar
3
Dadi
Kelima karyawan tersebut kemudian melaksanakan pelatihan hingga terdapat 6 citra latih pada database untuk setiap orang. Waktu yang digunakan selama proses latih wajah dapat dilihat pada tabel 5.16.
Tabel 5.16 Hasil Latih Karyawan
Nama Latih Waktu (Detik)
1 2 3 4 5 6 Iman 10 9 14 3 22 13 Ahmad 9 12 8 4 8 10 Zamzam 7 9 12 5 15 12 Fajar 9 11 6 6 11 13 Dadi 12 6 14 10 9 9
Pengujian dilaksanakan dimulai tanggal 21 - 26 agustus 2017 dengan pengaturan jam kantor sesuai dengan jam kantor CV. Karya Mitra Utama yaitu pukul 08.00 – 16.00. Selengkapnya pengaturan dapat dilihat pada gambar 5.1.
V-11
Gambar 5.1 Pengaturan
Data hasil presensi langsung dapat dilihat dalam format tabel pada data presensi karyawan. Untuk lebih jelasnya dapat dilihat pada gambar 5.2
Gambar 5.2 Data Karyawan Dalam Format Tabel
Data kemudian diunduh melalui unduh data presensi karyawan dengan rentang waktu 21 – 26 Agustus 2017. Untuk lebih jelasnya dapat dilihat pada gambar 5.3.
V-12
Setelah tombol unduh di klik akan muncul verfifikasi pengunduhan, kemudian data presensi karyawan dengan rentang waktu 21 – 26 Agustus 2017 akan terunduh. Verifikasi pengunduhan dapat dilihat pada gambar 5.4.
Gambar 5.4 Verifikasi Pengunduhan
Untuk membuka file secara langsung pilih open with, sedangkan untuk menyimpan file pilih save file. Untuk hasil data absensi karyawan dalam format microsoft excel (xlsx) dapat dilihat paga gambar 5.5.
Gambar 5.5 Data Karyawan Dalam Format File Xlsx
Dapat dilihat pada gambar 5.5 data karyawan yang diberikan oleh sistem sudah berupa id karyawan, nama karyawan, jam masuk, jam keluar dan gaji karyawan.
Untuk hasil dari implementasi aplikasi sistem absensi berbasis pengenalan wajah berupa tanggal presensi, waktu pengenalan masuk, waktu pengenalan pulang, waktu atau jam masuk dan waktu atau jam pulang dapat dilihat pada tabel 5.17.
V-13
Tabel 5.17 Hasil Presensi Karyawan Nama Pengenalan (Masuk) Pengenalan (Pulang) Tanggal Waktu (Masuk) Waktu (Pulang) Gaji Iman 9 9 21/08/2017 7:59:57 16:56:54 40500 9 9 22/08/2017 7:41:39 17:06:03 43100 9 9 23/08/2017 7:31:29 17:11:08 44500 8 8 24/08/2017 7:25:23 17:14:11 45500 14 14 25/08/2017 7:13:11 17:12:09 45900 9 9 26/08/2017 7:07:05 17:15:12 46800 Ahmad 9 9 21/08/2017 7:51:49 17:00:58 41700 24 9 22/08/2017 7:43:41 17:05:02 71000 9 9 23/08/2017 7:35:33 20:09:06 82600 24 8 24/08/2017 7:27:25 17:13:10 45200 9 14 25/08/2017 7:17:15 21:18:15 42800 7 9 26/08/2017 7:05:03 17:16:13 47100 Zamzam 6 9 21/08/2017 7:55:53 16:58:56 47300 7 9 22/08/2017 7:47:45 20:03:00 69300 6 9 23/08/2017 7:33:31 17:10:07 100100 8 8 24/08/2017 7:21:19 23:16:13 44200 9 14 25/08/2017 7:15:13 22:19:16 91900 7 9 26/08/2017 7:03:01 17:17:14 41100 Fajar 7 9 21/08/2017 7:57:55 16:57:55 43700 8 9 22/08/2017 7:49:47 17:01:59 81800 9 9 23/08/2017 7:37:35 17:08:05 40800 8 8 24/08/2017 7:23:21 21:15:12 42000 8 14 25/08/2017 7:11:09 17:13:10 46200 7 9 26/08/2017 7:09:07 17:14:11 46500 Dadi 7 9 21/08/2017 7:53:51 16:59:57 41400 9 9 22/08/2017 7:45:43 17:04:01 42500 9 9 23/08/2017 7:39:37 17:07:04 43400 9 8 24/08/2017 7:29:27 17:12:09 44800 8 14 25/08/2017 7:19:17 22:17:14 91300 9 9 26/08/2017 7:00:59 17:18:15 47700
Dapat dilihat pada tabel 5.17 pada kolom gaji merupakan gaji per hari. Gaji perhari tersebut kemudian dijumlahkan. Hasil akhir berupa gaji mingguan (21 – 26 Agustus 2017) untuk karyawan yang melaksanakan absensi dapat dilihat pada tabel 5.18
V-14
Tabel 5.18 Gaji Mingguan 21 – 26 Agustus 2017 No Nama Gaji 1 Iman Santina Rp. 266.300,00,- 2 Ahmad Khairul Rp. 330.400,00,- 3 Zamzam Anshori Rp. 393.900,00,- 4 Fajar Buana Rp. 301.000,00,- 5 Dadi Rp. 311.100,00,-
Dapat dilihat pada tabel 5.16 untuk hasil latih dan tabel 5.17 untuk hasil presensi waktu total yang digunakan selama pengujian (90 citra) adalah 869 detik (latih wajah 30 citra 298 detik, presensi 60 citra 571 detik).
5.3 Rekapitulasi Pengujian Aplikasi
Setelah melaksanakan pengujian uji akurasi dan implementasi dilakukan rekapitulasi untuk mengetahui persentase akurasi dan rata-rata waktu pengujian dari aplikasi deteksi dan pengenalan wajah maupun aplikasi absensi. Selengkapnya dapat dilihat pada tabel 5.19.
Tabel 5.19 Rekapitulasi Pengujian
N o Pengujian Proses Hasil Citra Total (detik) Waktu Total (detik) Keterangan T T T D 1
Citra wajah dan citra bukan wajah.
Latih
- -
9 citra wajah terdeteksi, 9 citra bukan wajah terdeteksi. Sukses : citra wajah terdeteksi, citra bukan wajah tidak terdeteksi Pengen alan 9 9 0 18 182 2 Citra wajah terdaftar dan tidak terdaftar. Latih 18 159
1 citra wajah tidak terdaftar tidak terdeteksi, 8 citra wajah tidak terdaftar terdeteksi dan 9 citra wajah terdaftar dikenali. Sukses : terdaftar dikenali, tidak terdaftar terdeteksi Pengen alan 1 8 9 18 164 3 Citra wajah identik sama. Latih 12 119
1 citra wajah tidak terdeteksi, 1