Implementasi Metode PCA (Principal Component Analysis) Dalam Sistem Keamanan Rumah Berbasis Face Recognition dan SMS Gateway

BIODATA PENULIS

1. Data Pribadi

Nama : Toni Hartono Jenis Kelamin : Laki – Laki

Tempat, Tanggal Lahir : Bekasi, 20 Januari 1992 Kewarganegaraan : Indonesia

Agama : Islam

Alamat Lengkap : Kp. Pulo Tanjung No. 12 RT. 001 RW. 001 Ds. Sindangsari Kec. Cabang Bungin Kab. Bekasi 17720

Telepon, HP : 085695301032

Email : tonihartono47@gmail.com

2. Riwayat Pendidikan

1998 – 2004 : SD Negeri Sindangsari 03 2004 – 2007 : SMP Negeri 2 Sukatani 2007 – 2010 : SMA Negeri 1 Sukatani

IMPLEMENTASI METODE PCA(

PRINCIPAL COMPONENT

ANALYSIS)

DALAM SISTEM KEAMANAN RUMAH BERBASIS

FACE RECOGNITION

DAN

SMS GATEWAY

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

TONI HARTONO

10110577

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

iii

KATA PENGANTAR

Assalamu’alaikum Wr. Wb.

Alhamdulillahi Rabbil‘alamin, segala puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, yang telah melimpahkan rahmat dan karunia-Nya, sehingga skripsi dengan judul “Implementasi Metode PCA(Principal

Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face

Recognition dan Sms Gateway” dapat terselesaikan dengan baik, untuk

melengkapi persyaratan guna memperoleh gelar Sarjana S1 Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer di Universitas Komputer Indonesia. Dalam penyusunan skripsi ini, tentunya tidak lepas dari bantuan dan dukungan dari berbagai pihak. Untuk itu, pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:

1. Allah SWT yang telah memberikan rahmat, kasih, hidayah, petunjuk dan kemudahan yang Engkau berikan dalam menyelesaikan skripsi ini,

2. Keluarga tercinta terutama untuk Bapak Ifan Hartono dan Ibu Siti Rahayu, terima kasih yang tak terhingga atas segala kasih sayang, segala dukungan moril dan materil serta doa restu yang tidak henti-hentinya bagi penulis, 3. Bapak Iskandar Ikbal, S.T., M.Kom, selaku dosen pembimbing yang telah

sabar dalam memberikan bimbingan dan saran demi kelancaran penyusunan skripsi ini, dan penulis sangat berterima kasih untuk setiap ilmu yang telah bapak berikan,

4. Bapak Eko Budi Setiawan, S.Kom., M.T, selaku dosen reviewer yang telah memberikan masukan dan saran dalam penyempurnaan skripsi ini,

5. Bapak Andri Heryandi, S.T., selaku dosen penguji 3 yang telah memberikan

iv

6. Bapak Irawan Afrianto, S.T., M.T., selaku Ketua Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia,

7. Ibu Kania Evita Dewi, S.Pd, M.Si., selaku dosen wali kelas IF-13 angkatan 2010 atas ilmu, bimbingan, arahan serta saran selama penulis menuntut ilmu di Jurusan Teknik Informatika, Universitas Komputer Indonesia,

8. Seluruh dosen dan karyawan Program Studi Teknik Informatika, Universitas Komputer Indonesia, atas ilmu, bimbingan dan bantuannya hingga penulis

selesai menyusun skripsi ini,

9. Tommy Saputra, Agung Prayoga, Anzas Kusuma, Donny Nugraha, Putra dan masih banyak lagi yang tidak bisa disebutkan satu persatu yang selalu memberikan dukungan baik dalam suka dan duka, serta selalu memberikan bantuan dalam penyusunan Tugas Akhir Ini,

10. Kawan-kawan seperjuangan penulis dalam penyusunan skripsi semester genap TA 2015/2016 atas bantuan, masukan, serta diskusinya selama penyusunan skripsi,

11. Teman-teman seperjuangan keluarga besar IF-13 angkatan 2010 yang telah berbagi ilmu, tawa dan cerita dengan penulis, dan

12. Semua pihak yang terlibat membantu dalam penulisan penelitian skripsi ini baik secara langsung maupun tidak langsung.

Penulis menyadari sepenuhnya bahwa penyusunan skripsi ini masih jauh dari sempurna, baik dari segi materi, penyajian, maupun bahasa. Oleh karena itu penulis mengharapkan segala saran dan kritik yang bersifat membangun bagi kesempurnaan skripsi ini. Terakhir penulis berharap, semoga skripsi ini dapat memberikan hal yang bermanfaat dan menambah wawasan bagi pembaca dan

khususnya bagi penulis juga.

Bandung, September 2016

v

1.1 Latar Belakang Masalah ... 1

1.2 Identifikasi Masalah ... 2

1.6 Sistematika Penulisan ... 7

BAB 2 LANDASAN TEORI ... 9

2.1 Sistem Pengendalian ... 9

2.2 Pengolahan Citra Digital ... 9

2.3 Principal Component Analysis (PCA) ... 9

2.4 Face Recognition ... 11

2.5 Metode Eigenface ... 12

2.6 Microsoft Visual C# ... 15

2.7 Open CV Library ... 16

2.8 Object Oriented Analysis and Design ... 19

2.8.1 OOA (Object Oriented Analysis) ... 19

vi

BAB 3 ANALISIS DAN PERANCANGAN ... 33

3.1 Analisis Sistem ... 33

3.1.1 Analisis Masalah ... 33

3.1.2 Analisis Sistem yang Sedang Berjalan ... 34

3.1.2.1 Prosedur yang Terlibat... 34

3.1.3 Analisis Perancangan Sistem ... 34

3.1.3.1 Analisis Pre – Processing ... 35

3.1.6.1 Analisis Kebutuhan Perangkat Keras (Hardware) ... 58

3.1.6.2 Analisis Kebutuhan Perangkat Lunak (Software) ... 59

3.1.6.3 Analisis Pengguna (User) ... 59

3.1.7 Analisis Kebutuhan Fungsional ... 60

3.1.7.1 Use Case Diagram ... 60

3.1.7.2. Definisi Aktor ... 60

3.1.7.3 Definisi Use Case diagram ... 61

3.1.7.4 Use Case Scenario ... 62

3.1.7.4.1 Use Case Scenario Login Admin ... 62

vii

3.1.7.4.3 Use Case Scenario Tambah Data Pengguna ... 63

3.1.7.4.4 Use Case Scenario Ubah Data Pengguna ... 64

3.1.7.4.5 Use Case Scenario Hapus Data Pengguna ... 65

3.1.7.4.6 Use Case Scenario Mengecek Log Data Wajah ... 66

3.1.7.5 Activity Diagram ... 67

3.1.7.5.1 Activity Diagram Login Pengguna ... 67

3.1.7.5.2 Activity Diagram Melihat Data Pengguna ... 68

3.1.7.5.3 Activity Diagram Tambah Data Pengguna ... 68

3.1.7.5.4 Activity Diagram Ubah Data Pengguna ... 70

3.1.7.5.5 Activity Diagram Hapus Data Pengguna .………..71

3.1.7.5.6 Activity Diagram Mengecek Log Data Wajah .……… 72

3.1.7.6 Class Diagram ... 73

3.1.7.7. Sequence Diagram ... 74

3.1.7.7.1 Sequence Diagram Login ... 74

3.1.7.7.2 Sequence Diagram Melihat Data Pengguna ... 74

3.1.7.7.3 Sequence Diagram Tambah Data Pengguna ... 75

3.1.7.7.4 Sequence Diagram Ubah Data Pengguna ... 76

3.1.7.7.5 Sequence Diagram Hapus Data Pengguna ... 77

3.1.7.7.6 Sequence Diagram Mengecek Log Data Wajah ... 78

3.1.7.7.7 Sequence Diagram Tahapan Sms Gateway…………...……… 79

3.1.8 Perancangan Sistem ... 80

BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 91

4.1. Implementasi ... 91

viii

4.1.2. Perangkat Lunak yang digunakan ... 92

4.1.3. Implementasi Basis Data ... 92

4.1.3.1. Implementasi Pembuatan Database... 92

4.1.3.2. Tabel Admin... 92

4.1.3.3. Tabel Orang yang dikenal ... 93

4.1.3.4. Tabel Pengecekan Pendeteksian Wajah ... 93

4.1.4. Implementasi Antar Muka ... 94

4.2. Pengujian Sistem ... 94

4.2.1. Pengujian Black Box ... 94

4.2.1.1. Skenario Pengujian Black Box ... 95

4.2.1.2. Kasus dan Hasil Pengujian Black Box ... 95

4.2.1.3. Kesimpulan Pengujian Black Box ... 99

4.2.2 Pengujian Beta ... 99

4.2.2.1. Kuesioner Pengujian Beta ... 99

4.2.2.2. Cara Pengujian ... 100

4.2.2.3. Kesimpulan Hasil Pengujian Beta ... 103

4.2.3 Pengujian Confusion Matrix ... 103

4.2.3.1 Kesimpulan Pengujian Confusion Matrix ... 106

BAB 5 KESIMPULAN DAN SARAN ... 107

5.1. Kesimpulan ... 107

5.2. Saran ... 107

109

DAFTAR PUSTAKA

[1] Sugiyono.(2010). "Metode Penelitian Kuantitatif Kualitatif dan R&D" Bandung : Alfabeta.

[2] Pressman. R. S. (2012).“Rekayasa Perangkat Lunak”, Yogyakarta: Andi.

[3] Munir. R. (2004). “Pengolahan Citra Digital Dengan Pendekatan Algoritmik”. Informatika. Bandung

[4] Ismawan, F. (Maret, 2015). “Hasil Ekstraksi Algoritma Principal Component Analysis(PCA) untuk Pengenalan Wajah dengan Bahasa Pemrograman Java Eclipse IDE”. Jurnal Sisfotek Global. Vol 5 No. 1

[5] Al Fatta, H. (2009). “Rekayasa Sistem Pengenalan Wajah”, Yogyakarta : Andi

[6] Turk, M. & Pentland, A.(1991). ”Eigenfaces for Recognition”. Journal of Cognitive Neuroscience. Vol 3, No. 1. 71-86

[7] AS, Sadewa.(2010). “Microsoft Visual C#”,Yogyakarta : Andi.

1

BAB 1

PENDAHULUAN

1.1. Latar Belakang Masalah

Sistem keamanan rumah pada saat ini lebih banyak memanfaatkan tenaga manusia daripada menggunakan sistem otomatis. Sistem keamanan rumah dengan menggunakan alarm sudah banyak diterapkan untuk mendeteksi adanya pencuri. Tetapi, sistem tersebut tidak bisa membedakan pemilik rumah atau pencuri, sehingga keamananya sangat rendah. Penggunaan face recognition adalah untuk mengenali wajah pemilik rumah atau orang yang sudah dikenal dan orang yang tidak dikenal, seperti pencuri.

Pengenalan wajah merupakan salah satu teknologi biometrik yang telah banyak diterapkan dalam sistem keamanan selain pengenalan retina, pengenalan sidik jari dan iris mata. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera (webcam) untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah sebelumnya yang telah disimpan di dalam database tertentu. Ada beberapa macam metode pengenalan wajah, salah satunya itu menggunakan metode eigenface dan menggunakan webcam untuk menangkap gambar secara real time. Metode ini

mempunyai komputasi yang sederhana dan cepat dibandingkan dengan metode menggunakan jaringan syaraf tiruan. Secara garis besar proses dari aplikasi ini adalah

kamera melakukan capture pada wajah. Kemudian didapatkan sebuah nilai R,G,B. dengan melakukan pemrosesan awal dilakukan resize , RGB ke Gray dan histogram equalisasi untuk perataan cahaya.

2

berupa sebuah aplikasi yang berjudul “Implementasi Metode PCA(Principal

Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face

Recognition dan Sms Gateway”.

1.2. Identifikasi Masalah

Berdasarkan uraian latar belakang masalah yang telah diuraikan diatas, maka identifikasi masalah yang mendasari penyusunan tugas akhir ini adalah bagaimana mengimplementasikan Metode PCA(Principal Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face Recognition dan Sms Gateway.

1.3. Maksud dan Tujuan

Berdasarkan permasalahan yang diteliti, maka maksud dari penulisan tugas akhir ini adalah untuk mengimplementasikan Metode PCA(Principal Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face Recognition dan Sms Gateway.

Sedangkan tujuan yang akan dicapai adalah :

1. Sistem Keamanan Rumah berbasis Face Recognition dan Sms Gateway dapat

membantu pengguna dalam memonitoring keadaan rumah dari jarak jauh. 2. Sistem Keamanan Rumah berbasis Face Recognition dan Sms Gateway dapat

membantu pengguna dalam mendapatkan informasi mengenai siapa saja yang mencoba masuk kedalam rumah tersebut.

3. Metode PCA(Principacl Component Analysis) merupakan saah satu metode untuk pengenalan wajah dengan memperhitungkan matriks setiap wajah yang dicapture dengan mengkalkulasikan nilai eigenface untuk didapatkan nilai eigenface yang mendekati.

3

1.4. Batasan Masalah

Batasan masalah bertujuan untuk memudahkan perancangan dan menghindari meluasnya permasalahan, adapun batasan masalah pada penulisan tugas akhir ini yaitu :

1. Bahasa pemrograman yang digunakan adalah bahasa C Sharp (C#) dengan IDE Microsoft Visual Studio 2012.

2. Menggunakan webcam sebagai kamera digital.

3. Proses pengenalan wajah hanya dilakukan satu persatu orang.

4. Jumlah orang yang dikenal sebanyak 5 orang dengan database orang pembanding sebanyak 5, 10, dan 20 orang.

5. Sms gateway tersinkronisasi langsung dengan Microsoft Visual Studio 2012 Express Edition. Jadi jika ada orang yang tidak dikenal, maka akan ada pesan langsung ke pemilik rumah bahwa ada orang yang tidak dikenal ingin memasuki rumah pemilik.

6. Untuk server SMS menggunakan modem dan menggunakan kartu sim prabayar.

7. File data wajah/capture yang disimpan dengan format jpg. 8. Posisi wajah yang akan dikenali harus lurus menghadap kamera. 9. Citra yang diambil ke dalam database sebanyak 10 citra per orang.

10.Masukan citra digital dengan tingkat keabuan (gray level) 256 level intensitas (batas normal mata manusia).

11.Tidak memerlukan kaset video sebagai alat perekamnya.

12.Masukan citra digital dalam kategori dua dimensi, untuk citra berwarna maupun citra hitam putih.

13.Posisi citra wajah menghadap kamera (frontal face images), posisi tegak, dan tidak terhalangi bagian objek lain, misalnya topi, kaca mata hitam dan lain

sebagainya.

4

15.Target utama sistem keamanan rumah ini adalah pemilik rumah.

16.Jika proses pengenalan wajah tidak cocok, maka aplikasi tersebut akan mengirim pesan berupa sms gateway kepada pemilik rumah bahwa ada yang mencoba memasuki rumah tersebut.

17.Analisis perancangan perangkat lunak ini menggunakan analisis pemograman berorientasi objek dengan menggunakan tools UML(Unified Modeling Language).

18.Menggunakan Metode Eigenface untuk membantu proses pengenalan wajah.

1.5. Metodologi Penelitian

Metodologi penelitian adalah kesatuan metode-metode untuk memecahkan masalah penelitian yang logis secara sistematis dan memerlukan data-data untuk mendukung terlaksananya penelitian.

Metode penelitian yang digunakan adalah metode deskriptif. Metode deskriptif adalah suatu metode dalam penelitian untuk membuat gambaran dengan cara

mengumpulkan data, menganalisa data, membuat suatu pemecahan masalah, dan kemudian disusun untuk menarik kesimpulan mengenai masalah tesebut [1]. Teknik yang digunakan pada saat pengumpulan data dan pembangunan aplikasi adalah sebagai berikut:

1.5.1. Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut :

a. Studi Literatur

5

b. Kuesioner

Teknik pengumpulan data dengan mengadakan penelitian dan peninjauan langsung terhadap permasalahan yang diambil. Kuesioner dilakukan secara acak disetiap rumah..

c. Observasi

Observasi merupakan pengamatan yang langsung secara terstruktur dan memerlukan hasil pencatatan sebagai hasilnya, dengan metode observasi ini akan di lakukan pengamatan terhadap kegiatan sehari-hari dalam aktifitas di rumah.

1.5.2. Metode Pembangunan Perangkat Lunak

Metode yang digunakan dalam pembangunan perangkat lunak menggunakan model waterfall seperti pada gambar 1.1. Model ini melakukan pendekatan secara sistematis dan terurut, dimana tahap demi tahap yang akan dilalui harus menunggu selesainya tahap sebelumnya dan berjalan berurutan. Tahap dari model waterfall adalah sebagai berikut:

a. Komunikasi

Tahap komunikasi merupakan tahap memahami masalah dan mengadakan pengumpulan data dengan melakukan kuesioner dengan pemilik rumah, serta mengumpulkan data tambahan baik yang ada di jurnal, artikel, maupun internet yang berkaitan dengan implementasi metode PCA(Principal Component Analysis) pada sistem keamanan rumah berbasis face recognition dan sms gateway.

b. Perencanaan

Tahap perencanaan merupakan tahap perancangan yang dilakukan adalah dengan pemodelan menggunakan metode pemograman berbasis objek dengan Unified Modeling Language (UML), dan menerapkan metode eignface pada sistem keamanan rumah berbasis face recognition dan sms gateway.

c. Pemodelan

6

dibuat untuk identifikasi dan mengatur class-class di konsep Object Oriented Programming (OOP)

d. Konsturksi

Setelah perancangan sistem selanjutnya dilakukan konversi rancangan sistem ke dalam kode-kode bahasa pemograman yang dilakukan yaitu telah dirancang kedalam bahasa pemrograman C# (C Sharp). setelah lolos tahap testing, maka dilakukan refactoring, yaitu meninjau lagi kembali semua kode program, dilihat keefektifanya, jika ada kode yang tidak efektif akan dilakukan penulisan kode

program ulang tanpa mengubah kerja dari modul. e. Penyerahan Sistem/Perangkat Lunak

Tahap penyerahan sistem bisa dikatakan akhir dari pembuatan software atau sistem. Setelah melakukan analisis, desain dan pengkodean, maka sistem yang sudah jadi akan digunakan oleh pelanggan atau pengguna

7

1.6. Sistematika Penulisan

Sistematika penulisan proposal penelitian ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :

BAB 1 PENDAHULUAN

Menguraikan tentang latar belakang permasalahan, mencoba mengidentifikasi permasalahan yang dihadapi, menentukan tujuan dan kegunaan penelitian, yang kemudian diikuti dengan pembatasan masalah, asumsi, serta sistematika penulisan.

BAB 2 LANDASAN TEORI

Bab ini membahas mengenai semua landasan teori yang berhubungan dengan sistem yang akan dibuat.

BAB 3 ANALISIS DAN PERANCANGAN

Bab ini berisi analisis dalam perancangan berisi mengenai perancangan sistem, peembuatan program, perancangan antarmuka program, proses training image dan

cara menggunakan/menjalankan sistem.

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi pembahasan mengenai implementasi dan pengujian sistem yang telah dikerjakan yang terdiri dari penerapan rencana implementasi, melakukan kegiatan implementasi, dan tindak lanjut implementasi. Selain itu juga berisi pengujian program yang dikerjakan, sehingga diketahui apakah aplikasi yang dibangun dapat bermanfaat bagi pemilik rumah dengan sistem keamanan rumah ini.

BAB 5 KESIMPULAN DAN SARAN

9

BAB 2

LANDASAN TEORI

2.1 Sistem Pengendalian

Sistem pengendalian adalah susunan suatu komponen yang dihubungkan sedemikian rupa untuk mengatur suatu kondisi agar mencapai kondisi yang diharapkan. Sistem pengendalian ini secara umum terdiri dari tiga elemen pokok, yaitu input, proses dan output. Output merupakan hal yang dihasilkan oleh kendalian, artinya yang dikendalikan. Sedangkan input adalah yang mempengaruhi kendalian yang mengatur output.

2.2 Pengolahan Citra Digital

Menurut Munir . R. [3], menjelaskan pengolahan citra adalah pemrosesan citra, khususnya menggunakan komputer, menjadi citra yang kualitasnya lebih baik . Meskipun sebuah citra kaya akan informasi, namun sering kali mengalami penurunan mutu, misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur dan sebagainya. Citra semacam ini sulit untuk diinterpretasikankarena informasi yang disampaikan oleh citra tersebut berkurang. Dengan pengolahan citra, citra yang mengalami gangguan tersebut dimanipulasi menjadi citra lain yang kualitasnya lebih baik sehingga mudah diinterpretasikan oleh manusia maupun mesin.

2.3 Principal Component Analysis (PCA)

10

Perhitungan PCA dimulai dengan pembentukan matriks kovarians dari sekumpulan citra latih dalam basis-data. Untuk membuat matriks kovarians dapat dilakukan dengan mengurangkan setiap kolom dari matriks ruang citra dengan reratanya masing-masing sehingga didapatkan suatu matriks transformasi, kemudian mengalikan matriks hasilnya dengan transpos matriks tersebut sendiri. Jika dimisalkan matriks transformasinya adalah X, maka matriks kovariansnya

adalah ΣX = XXT . Ide utama PCA adalah menemukan vektor dengan nilai terbaik untuk distribusi citra wajah dalam seluruh ruang citra. Vektor-vektor ini

mendefinisikan subruang citra wajah atau biasa disebut dengan nama ruang wajah. Vektor ini mendefinisikan subruang dari citra-citra wajah dan subruang tersebut dinamakan ruang wajah. Identifikasi suatu citra uji, membutuhkan proyeksi suatu citra ke dalam ruang wajah untuk menentukan korespondensi kumpulan bobot-bobot. Dengan membandingkan kumpulan bobot-bobot wajah dalam training set, pengujian citra dapat diidentifikasi.

Principal Component Analysis (PCA) dikenal juga dengan metode

Karhunen-Loeve Transformation (KLT). Dimana metode PCA merupakan teknik standar yang digunakan dalam pengenalan pola statistikal dan pemrosesan sinyal untuk data reduction dan ekstraksi fitur. Sebagai pola statistical sering mengandung informasi yang berlebihan, pada pemetaan sebuah vector dapat menyingkirkan redudansi namun sebagian memperbesar instrinsik pola Sebuah gambar wajah dalam 2D dengan ukuran N x N dapet dianggap sebagai vector dimensi . Gambar wajah yang mirip secara keseluruhan konfigurasi tidak akan secara acak didistribusikan dalam ruang gambar yang besar dengan demikian dapat dijelaskan oleh subruang dimensi yang relative lebih rendah. Pemikiran utama dari prinsip komponen untuk menentukan vektor yang paling cocok untuk distriusi citra wajah dalam keseluruhan ruang gambar vector.subruang dari citra

wajah, yang kita sebut "face space". Masing-masing vektor tersebut adalah panjang , menjelaskanN × N gambar,dan merupakan kombinasilinear dari gambar wajah aslinya. Karena vektor ini adalah vektor eigen dari matriks

11

PCA memberikan transformasi ortogonal yang disebut juga dengan eigenimage yang di mana sebuah citra akan direpresentasikan ke dalam bentuk proyeksi linier searah dengan eigenimage yang bersesuaian dengan nilai Eigen terbesar dari matriks kovarian. Dalam prakteknya, matriks kovarianini dibangun dari sekumpulan image training yang diambil dari berbagai objek.Sebuah citra 2D dengan dimensi kolom dan baris dapat direpresentasikan ke dalam bentuk citra 1D. Dalam penelitianini ukuran jumlah kolom dan baris pixel citra adalah sama, sehingga nantinya akanterbentuk dimensi .

Bentuk umum dari Principal Component Analysis (PCA) adalah sebagai berikut :

Tujuan yang ingin dicapai adalah membangun sebuah ruang wajah, dengan setiap komponennya tidak saling berkorelasi. Ini berarti bahwa matriks kovarians dari komponen yang baru haruslah berbentuk diagonal.

2.4 Face Recognition

Prinsip dasar pengenalan wajah adalah mengutip informasi unik wajah, kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan. Pada metode eigenface, decoding dilakukan dengan menghitung eigen vector kemudian direpresentasikan dalam sebuah matriks. Eigen vector juga dinyatakan sebagai karakteristik wajah oleh karena itu metode ini disebut dengan

eigenface. Setiap wajah direpresentasikan dalam kombinasi linear eigenface. Metode eigenface adalah bagaimana cara meguraikan informasi yang relevan dari sebuah citra wajah, kemudian mengubahnya ke dalam satu set kode yang paling efisien dan membandingkan kode wajah tersebut dengan database berisi beragam wajah yang telah dikodekan secara serupa.

12

Model yang diinginkan merupakan sekumpulan wajah yang dilatihkan. Fitur yang baru tersebut akan dibentuk melalui kombinasi linear. Komponen fitur ruang karakter ini tidak akan saling berkolerasi dan akan memaksimalkan perbedaan yang ada pada variabel aslinya.

2.5 Metode Eigenface

Kata Eigenface sebenarnya berasal dar bahasa Jerman “eigenvert” dimana

“eigen” yang artinya karakteristik dan “wert” artinya nilai. Eigenface adalah salah satu algoritma pengenalan pola wajah yang berdasarkan pada Principal Component Analysis (PCA).

Eigenface merupakan sekumpulan standardize dace ingredient yang diambil dari analisis statistik dari banyak gambar wajah. Dalam menghasilkan Eigenface, sekumpulan citra digital dari wajah manusia diambil pada kondisi pencahayaan yang sama kemudian dinormalisasikan dan diproses pada resolusi yang sama (misal m x n), kemudian citra tadi diperlakukan sebagai vektor dimensi m x n dimana komponennya diambil dari nilai piksel citra [5].

Algoritma Eigenface secara keseluruhan cukup sederhana. Image matriks (). Cari nilai rata-rata (Ѱ) dan gunakan untuk mengekstraksi eigenvector(v) dan eigenvalue(λ) dari himpunan matriks. Gunakan nilai eigenvector untuk

mendapatkan nilai Eigenface dari image. Apabila ada sebuah image baru atau test face () yang ingin dikenali, proses yang sama juga diberlakukan untuk image (), untuk mengektraksi eigenvector (v) dan eigenvalue (λ), kemudian cari nilai Eigenface dari image test face (). Setelah itu barulah image baru () memasuki tahapan pengenalan dengan menggunakan metode euclidean distance. Metode euclidean distance digunakan untuk mencari jarak dengan data fitur yang telah didapat, dan jarak terkecil adalah hasilnya.

13

transformasi wavelet, dll) yang selanjutnya digunakan untuk pelatihan dan klasifikasi indentitas citra. Ide dari metode ini adalah memproyeksikan sebuah wajah yang merupakan sebuah citra dapat dilihat sebagai sebuah vektor.

Metode PCA yang juga dikenal dengan nama Karhunen-Loeve transformation (KLT), sudah dikenal sejak 30 tahun lalu dalam dunia pengenalan pola. PCA memberikan transformasi ortogonal yang disebut dengan

“eigenimage” yang mana sebuah image direpresentasikan kedalam bentuk proyeksi linier searah dengan eigenimage yang bersesuaian dengan nilai eigen terbesar dari matrix kovarian. Secara praktis matrix kovarian ini dibangun dari sekumpulan image training yang diambil dari berbagai obyek/kelas.

Pada metode ini setiap citra wajah dianggap sebagai vektor yang panjang, nantinya akan di representasikan sebagai satu titik pada dimensi tinggi. Karena fitur yang akan dihasilkan terletak dalam dimensi tinggi maka perlu dilakukan reduksi dimensi-dimensi fitur yaitu, Principal Component Analysis (PCA) [6]. Selain itu model wajah dipelajari melalui proses training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh wajah. Kemudian hasil training ini digunakan untuk pengenalan wajah.

Proses identifikasi image wajah adalah sebagai berikut:

1. Pengambilan Citra Wajah

Pengambilan citra wajah adalah proses pengambilan wajah yang akan digunakan sebagai sistem keamanan rumah. Pengambilan citra wajah menggunakan Web Camera atau yang sebagaimana biasa disingkat sebagai webcam. Webcam merupakan kamera kecil yang terdapat di komputer. Alat ini digunakan untuk mengambil gambar untuk digunakan sebagai sistem keamanan rumah dalam aplikasi ini.

14

atau tidak dikenali (unkwon), dimana setelah dibandingkan kemudian disimpan secara tersendiri.

Pada sistem dibagi menjadi dua, yaitu sistem feature based dan image based. Sistem yang pertama digunakan fitur yang diekstraksi dari komponen citra wajah (mata, hidung, mulut, dll) kemudian hubungan antara fitur-fitur tersebut dimodelkan secara geometris. Sedangkan sistem kedua menggunakan informasi mentah dari piksel citra (webcam) kemudian dipresentasikan dalam metode

tertentu seperti Principal Component Analysis (PCA), transformasi wavelet yang kemudian digunakan untuk klasifikasi identitas citra.

Pada metode ini, model wajah dipelajari melalui proses training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh wajah. Kemudian hasil training ini digunakan untuk pengenalan wajah. Yang termasuk dengan metode Eigenface.

Algoritma Eigenface memanfaatkan Principal Component Analysis (PCA) untuk mereduksi dimensinya guna menemukan vektor-vektor yang mempunyai nilai terbaik untuk distribusi citra wajah didalam ruang citra masukan.

PCA menemukan vektor dengan nilai terbaik untuk distribusi citra wajah dalam seluruh ruang citra. Vektor-vektor ini mendefenisikan subruang citra wajah atau biasa disebut dengan ruang wajah.

2. Input Citra

Input citra merupakan proses memasukkan gambar yang diambil dari webcam. Aplikasi ini membutuhkan input pengambilan gambar wajah sebanyak 10 kali. Jika gambar pemilik rumah atau orang yang sudah dikenal sudah terdapat didatabase, maka gambar wajah yang diinput akan disesuaikan dengan gambar yang sudah ada didatabase, dan jika sesuai maka tidak akan ada pemberitahuan kepada pemilik rumah. Jika tidak sesuai, maka sistem akan memberitahukan kepada pemilik rumah melalui sms gateway bahwa ada orang tidak dikenal

15

3. Dilation

Jika gambar wajah belum terdapat didatabase, maka proses akan berlanjut ke Dilation. Proses ini merupakan proses normalisasi image (gambar). Pada proses ini ukuran dari gambar wajah yang diinput akan diseragamkan dengan menggunakan ukuran 90 x 120 piksel.

4. Grayscale

Tahapan berikutnya adalah pengubahan warna gambar menjadi grayscale. Tahapan ini termasuk ke dalam tahapan normalisasi image juga.Pada tahapan ini,

gambar yang telah diseragamkan ukurannnya akan diturunkan kualitas warnanya menjadi tipe grayscale. Tujuan dari penurunan kualitas warna menjadi tipe grayscale adalah untuk memudahkan pengenalan pola wajah.

5. Eigenface Feature Extraction

Pada metode ini setiap citra wajah dianggap sebagai vektor yang panjang, nantinya akan di representasikan sebagai satu titik pada dimensi tinggi. Karena fitur yang akan dihasilkan terletak dalam dimensi tinggi maka perlu dilakukan reduksi dimensi-dimensi fitur yaitu, Principal Component Analysis (PCA) [6],

a. Kalkulasi Eigenface

Tujuan kalkulasi Eigenface adalah untuk menentukan nilai Eigenface dari image wajah.

b. Hitung Euclidean Distance

Setelah nilai dari kalkulasi Eigenface diperoleh, maka tahapan selanjutnya adalah menghitung Euclidean Distance untuk mencari selisih terkecil antara titik yang satu dengantitik lain. Setelah proses eigenface selesai, maka pola gambar wajah akan tersimpan di database. 6. Matching

Pada tahapan ini, aplikasi akan menyesuaikan pola wajah untuk

memonitoring sistem keamanan rumah.

2.6 Microsoft Visual C#

16

aplikasi berbasis .NET Framework, dimana C# bebas dari masalah kompabilitas dilengkapi dengan berbagai fitur yang sebagian besar merupakan fitur baru, menarik, dan tentu saja menjanjikan.

Visual C# dibuat berdasarkan pemrograman C# yang merupakan bahasa pemrograman berorientasi objek dan mempunyai banyak kesamaan dengan C++, Java, dan VB. C# pada faktanya merupakan kombinasi antara efisiensi pemrograman C++, kesederhanaan pemrograman Java, dan penyederhanaan dari

pemrograman Visual Basic [7].

Seperti pemrograman Java, C# juga tidak memperbolehkan multiple inheritance atau pengunaan pointer (pada safe/managed code), tetapi C# menyediakan garbage memory colletion pada saat runtime dan pada saat pengecekan akses memori. Meskipun bertentangan dengan pemrograman Java, C# tetap mempertahankan operasi unik yang terdapat pada bahasa pemrograman C++ seperti overloading, enumerations, pre-processor directive, pointer (pada unmanaged/unsafe code), dan fungsi pointer. Seperti halnya Visual Basic, bahasa pemrograman C# juga dilengkapi dengan properties.

Sebagai tambahan, bahasa pemrograman C# juga datang dengan beberapa fitur baru dan sangat menarik seperti reflections, attributes, marshalling, remote, threads, streams data acces dengan ADO.NET, dan masih banyak lagi.

2.7 Open CV Library

17

untuk aplikasi real-time, memiliki fungsi-fungsi akuisisi yang baik untuk image/video [8].

OpenCV juga menyediakan interface ke Integrated Performance

Primitives (IPP) Intel sehingga jika anda bisa mengoptimasi aplikasi Vision anda jika menggunakan prosesor Intel.

Feature yang dimiliki OpenCV antara lain :

 Manipulation data citra (alokasi, copying, setting, konversi).

 Citra dan video I/O (file dan kamera based input, image/video file output).  Manipulasi Matriks dan Vektor beserta rutin-rutin aljabar linear (products,

solvers, eigenvalues, SVD).

 Data struktur dinamis (lists, queues, sets, trees, graphs).

 Pemroses Citra fundamental (filtering, edge detection, corner detection,

sampling and interpolation, color conversion, morphological operations,

histograms, image pyramids).

 Analisis struktur(connected components, contour processing, distance

transform, various moments, template matching, Hough transform,

polygonal approximation, line fitting, ellipse fitting, Delaunay

triangulation).

 Kalibrasi kamera (calibration patterns, estimasi fundamental matrix,

estimasi homography, stereo correspondence).

 Analisis gerakan (optical flow, segmentation, tracking).  Pengenalan obyek (eigen-methods, HMM).

 Graphical User Interface (display image/video, penanganan keyboard dan

mouse handling, scroll-bars).

 Pelabelan citra (line, conic, polygon, text drawing)

Selain itu OpenCV juga dilengkapi dengan Machine Learning library yang

memiliki algoritma berikut :  Naive Bayes classifier

 k-nearest neighbor algorithm

18

 Decision Trees

 Boosting

 Random forest

 Expectation Maximization

 Neural Networks

Library ini bisa di-compile dengan Visual C++ 6.0, Visual C++.Net 2003/2005/2008 baik Standard, Professional maupun express edition.

OpenCV sendiri terdiri dari 5 library, yaitu :

1. CV : untuk algoritma Image processing dan Vision. 2. ML : untuk machine learning library

3. Highgui : untuk GUI, Image dan Video I/O.

4. CXCORE : untuk struktur data, support XML dan fungsi-fungsi grafis. Struktur dan Konten OpenCV :

19

2.8 Object Oriented Analysis and Design

Analisis dan Desain Berorientasi Objek (Object Oriented Analysis and Design) adalah cara baru dalam memikirkan suatu masalah dengan menggunakan model yang dibuat menurut konsep sekitar dunia nyata. Dasar pembuatan adalah objek, yang merupakan kombinasi antara struktur data dan perilaku dalam satu entitas.

Pengertian “berorientasi objek” berarti bahwa kita mengorganisasi perangkat lunak sebagai kumpulan dari objek tertentu yang memiliki struktur data dan perilakunya.

Konsep OOAD mencakup analisis dan desain sebuah sistem dengan pendekatan objek, yaiut analisis berorientasi objek (OOA) dan desain berorientasi objek (OOD). OOA adalah metode analisis yang memerika requirement (syarat/keperluan) yang harus dipenuhi sebuah sistem) dari sudut pandang kelas-kelas dan objek-objek yang ditemui dalam ruang lingkup perusahaan. Sedangkan OOD adalah metode untuk mengarahkan arsitektur software yang didasarkan pada

manipulasi objek-objek sistem atau subsistem.

2.8.1

OOA

(Object Oriented Analysis)

OOA mempelajari permasalahan dengan menspesifikasikannya atau mengobservasi permasalahn tersebut dengan menggunakan metode berorientasi objek. Biasanya analisa sistem dimulai dengan adanya dokumen permintaan (requirement) yang diperoleh dari semua pihak yang berkepentingan. (Misal: klien,developer, pakar, dan lain-lain).

20

harus dibangun. Kendala pelaksanaan ditangani selama desain berorientasi objek (OOD).

Sumber-sumber untuk analisis dapat persyaratan tertulis pernyataan, dokumen visi yang formal, wawancara dengan stakeholder atau pihak yang berkepentingan lainnya. Sebuah sistem dapat dibagi menjadi beberapa domain, yang mewakili bisnis yang berbeda, teknologi, atau bidang yang diminati, masing-masing dianalisis secara terpisah.

Hasil analisis berorientasi objek adalah deskripsi dari apa sistem secara fungsional diperlukan untuk melakukan, dalam bentuk sebuah model konseptual. Itu biasanya akan disajikan sebagai seperangkat menggunakan kasus, satu atau lebih UML diagram kelas, dan sejumlah diagram interaksi. Tujuan dari analisis berorientasi objek adalah untuk mengembangkan model yang menggambarkan perangkat lunak komputer karena bekerja untuk memenuhi seperangkat persyaratan yang ditentukan pelanggan.

UML (Unified Modeling Language) adalah sebuah bahasa yang berdasarkan grafik/gambar untuk memvisualisasi, menspesifikasikan, membangun, dan pendokumentasian dari sebuah sistem pengembangan software berbasis OO (Object-Oriented). UML sendiri juga memberikan standar penulisan sebuah sistem blue print, yang meliputi konsep bisnis proses, penulisan kelas-kelas dalam bahasa program yang spesifik, skema database, dan komponen-komponen yang diperlukan dalam sistem software. Unified Model Language (UML) adalah bahasa universal untuk :

 memvisualisasikan grafis model yang tepat.

 menetapkan model yang tepat, lengkap, dan tidak ambigu untuk

mengampil semua keputusan penting dalam analisis, desain dan implementasi.

 membangun model yang dapat dihubungkan langsung dengan bahasa

21

 mendokumentasikan semua informasi yang dikumpulkan oleh tim

sehingga memungkinkan untuk berbagi informasi.

2.8.2 OOD (Object Oriented Design)

OOD mengubah model konseptual yang dihasilkan dalam analisis berorientasi objek memperhitungkan kendala yang dipaksakan oleh arsitektur yang dipilih dan setiap non-fungsional – teknologi atau lingkungan – kendala, seperti transaksi throughput, response time, run – waktu platform, lingkungan

pengembangan, atau bahasa pemrograman. Jenis-jenis diagram UML :

2.8.2.1 Use Case Diagram

Use case diagram menggambarkan kebutuhan sistem dari sudut pandang user. Digunakan untuk menggambarkan hubungan antara internal sistem dan

eksternal sistem atau hubungan antara use case dan aktor. 1. Actor

Actor adalah sesuatu (entitas) yang berhubungan dengan sistem dan berpartisipasi dalam use case. Actor menggambarkan orang, sistem atau entitas eksternal yang secara khusus membangkitkan sistem dengan input atau masukan kejadian-kejadian, atau menerima sesuatu dari sistem. Actor dilukiskan dengan peran yang mereka mainkan dalam use case, seperti Staff, Kurir dan lain-lain. Lambang actor dapat dilihat pada gambar 2.2.

Gambar 2.2. Bentuk Actor dalam UML

Dalam use case diagram terdapat satu aktor pemulai atau initiator actor yang membangkitkan rangsangan awal terhadap sistem, dan mungkin sejumlah aktor lain yang berpartisipasi atau participating actor. Akan sangat berguna untuk mengetahui siapa aktor pemulai tersebut.

22

2. Use case

Use case yang dibuat berdasar keperluan aktor merupakan gambaran dari

“apa” yang dikerjakan oleh sistem, bukan “bagaimana” sistem mengerjakannya.

Use case diberi nama yang menyatakan apa hal yang dicapai dari interaksinya dengan aktor. Use case dinotasikan seperti pada gambar 2.3.

Gambar 2.3. Bentuk Use Case dalam UML

3. Relationship

Relasi (relationship) digambarkan sebagai bentuk garis antara dua simbol dalam use case diagram. Relasi antara actor dan use case disebut juga dengan asosiasi (association). Asosiasi ini digunakan untuk menggambarkan bagaimana hubungan antara keduanya.

Relasi-relasi yang terjadi pada use case diagram bisa antara actor dengan use case atau use case dengan use case. Relationship dinotasikan seperti pada gambar 2.4.

Gambar 2.4. Bentuk Relationship dalam UML

Relasi antara use case dengan use case :

a. Include, pemanggilan use case oleh use case lain atau untuk menggambarkan suatu use case termasuk di dalam use case lain (diharuskan). Contohnya adalah pemanggilan sebuah fungsi program. Digambarkan dengan garis lurus berpanah dengan tulisan <<include>>.

<nama use case>

<nama actor>

23

b. Extend, digunakan ketika hendak menggambarkan variasi pada kondisi perilaku normal dan menggunakan lebih banyak kontrol form dan mendeklarasikan ekstension pada use case utama. Atau dengan kata lain adalah perluasan dari use case lain jika syarat atau kondisi terpenuhi. Digambarkan dengan garis berpanah dengan tulisan <<extend>>.

c. Generalization/Inheritance, dibuat ketika ada sebuah kejadian yang lain sendiri atau perlakuan khusus dan merupakan pola berhubungan base -parentuse case. Digambarkan dengan garis berpanah tertutup dari base use case ke parent use case.

2.8.2.2 Activity Diagram

Diagram aktivitas menggambarkan proses bisnis dan urutan aktivitas-aktivitas yang mendukung penggambaran tindakan sistem baik yang bersifat kondisional maupun paralel. Tindakan kondisional dilukiskan dengan cabang (branch) dan penyatuan (merge).

Sebuah branch memiliki sebuah transition masuk atau yang disebut dengan incoming transition dan beberapa transition keluar atau yang disebut dengan outgoing transition dari branch yang berupa keputusan-keputusan. Hanya satu dari outgoing transition yang dapat diambil, maka keputusan-keputusan tersebut harus bersifat mutually exclusive. [else] digunakan sebagai keterangan singkat yang menunjukkan bahwa transition “else” tersebut harus digunakan jika semua keputusan yang ada pada branch salah.

1. Initial, merupakan titik awal untuk memulai aktivitas. Dapat dilihat pada gambar 2.5.

Gambar 2.5. Simbol Initial

24

Gambar 2.6. Simbol Final

3. Activity, menandakan aktivitas. Dapat dilihat pada gambar 2.7.

Gambar 2.7. Simbol Activity

4. Decision, merupakan pilihan untuk mengambil keputusan/kondisi if-else. Dapat dilihat pada gambar 2.8.

Gambar 2.8. Simbol Decision

5. Fork/Join, digunakan untuk menunjukan kegiatan yang dilakukan secara paralel atau untuk menggabungkan dua kegiatan menjadi satu. Dapat dilihat pada gambar 2.9.

Gambar 2.9. Simbol Fork/Join

2.8.2.3 Class Diagram

Class diagram merupakan bagian yang paling penting dalam analisa dan perancangan berorientasi obyek. Dalam UML diagram kelas digunakan untuk memodelkan static structure dari sistem informasi.

25

perilaku atau operasi yang dikenakan oleh suatu kelas. Pada gambar kelas terdapat tiga bagiannya.

1. Class

Class adalah blok - blok pembangun pada pemrograman berorientasi objek. Sebuah class digambarkan sebagai sebuah kotak yang terbagi atas 3 bagian. Bagian atas adalah bagian nama dari class. Bagian tengah mendefinisikan property/atribut class. Bagian akhir mendefinisikan method-method dari sebuah class. Dapat dilihat pada gambar 2.10.

Gambar 2.10. Bentuk Class

2. Assosiation

Sebuah asosiasi merupakan sebuah relationship paling umum antara 2 class, dan dilambangkan oleh sebuah garis yang menghubungkan antara 2 class. Garis ini bisa melambangkan tipe-tipe relationship dan juga dapat

menampilkan hukum-hukum Compositionmultiplisitas pada sebuah relationship (Contoh: One-to-one, one-to-many, many-to-many). Dapat dilihat pada gambar 2.11.

Gambar 2.11. Bentuk Associasion

3. Dependency

26

Gambar 2.12. Simbol Dependency

4. Aggregation

Aggregation mengindikasikan keseluruhan bagian relationship dan biasanya

disebut sebagai relasi “mempunyai sebuah” atau “bagian dari”. Sebuah

aggregation digambarkan sebagai sebuah garis dengan sebuah jajaran genjang yang tidak berisi/tidak solid. Dapat dilihat pada gambar 2.13.

Gambar 2.13. Simbol Aggregation

5. Generalization

Sebuah relasi generalization sepadan dengan sebuah relasi inheritance pada konsep berorientasi objek. Sebuah generalization dilambangkan dengan sebuah panah dengan kepala panah yang tidak solid yang mengarah ke kelas

“parent”- nya/induknya. Dapat dilihat pada gambar 2.14.

Gambar 2.14. Simbol Generalization

2.8.2.4 Sequence Diagram

Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar (termasuk pengguna, display, dan sebagainya) berupa message yang disusun dalam suatu urutan waktu.

Secara khusus, diagram ini berasosiasi dengan use case. Sequence diagram menggambarkan behavior internal sebuah sistem. Dan lebih menekankan pada penyampaian message dengan parameter waktu.

1. Object

Object atau biasa juga disebut partisipan merupakan instance dari sebuah

27

sebuah class (kotak) dengan nama objek didalamnya yang diawali dengan sebuah titik koma. Dapat dilihat pada gambar 2.15.

Gambar 2.15. Simbol Object

2. Actor

Actor juga dapat berkomunikasi dengan object, maka actor juga dapat diurutkan sebagai kolom. Dapat dilihat pada gambar 2.16.

Gambar 2.16. Simbol Actor

3. Lifeline

Lifeline mengindikasikan keberadaan sebuah object dalam basis waktu. Notasi untuk Lifeline adalah garis putus-putus vertikal yang ditarik dari sebuah objek sepeti pada gambar 2.17.

Gambar 2.17. Simbol Lifeline

4. Activation

28

Gambar 2.18. Simbol Activation

5. Message

Message digambarkan dengan anak panah horizontal antara Activation. Message mengindikasikan komunikasi antara object-object. Dapat dilihat pada gambar 2.19.

Gambar 2.19. Simbol Message

2.9 Modem Wavecom Fastrack M1306B

Modem adalah sebuah alat yang dapat membuat komputer terkoneksi

dengan internet melalui line telepon standar. Modem banyak digunakan komputer rumah dan jaringan sederhana untuk dapat berkomunikasi dengan jutaan komputer lain dalam lalu lintas internet. Kata Modem itu sendiri merupakan kependekan dari Modulator Demodulator. Ini berarti Modem bekerja dengan cara mengubah informasi digital dari komputer pengirim ke dalam bentuk sinyal analog yang ditransmisikan melaluli line telepon. Selanjutnya Modem pada komputer penerima akan mengubah ulang sinyal analog ke sinyal digital. GSM Modul atau Modem GSM adalah jenis khusus dari modem yang menerima kartu SIM, dan mengoperasikan selama berlangganan ke operator mobile, seperti ponsel. Modem GSM dihubungkan dengan suatu interface yang memungkinkan aplikasi seperti SMS untuk mengirim dan menerima pesan melalui Modem Beberapa fungsi kegunaan modem ini di masyarakat adalah antara lain:

29

 SMS Quis application.

 SMS Polling.

 SMS auto-reply.

 Aplikasi Server Pulsa.

 Telemetri.

 Payment Point Data.

Pada penelitian tugas akhir ini, digunakan Modem GSM Serial Wavecom Fastrack M1306B. Untuk Modem seri ini memiliki dua type konektor yaitu serial dan USB.

Gambar 2.20. Modem GSM Fastrack M1306B

Gambar 2.21. Port Modem GSM Fastrack M1306B

2.10 Webcam (Web Kamera)

30

jenis kamera yang digunakan untuk kebutuhan layanan berbasis web. Defenisi lain tentang WebCam adalah sebuah periferal berupa kamera sebagai pengambil citra/gambar dan mikropon (optional) sebagai pengambil suara/audio yang dikendalikan oleh sebuah komputer atau oleh jaringan komputer.

Gambar 2.22 Webcam

Webcam bekerja seperti halnya sebuah kamera digital hanya saja webcam ini di desain untuk computer jadi tidak bisa dibawa ke mana-mana dan jauh lebih simple di banding kamera-kamera pada umumnya. Sebuah web camera biasanya dilengkapi dengan software, software ini mengambil gambar-gambar dari kamera digital secara terus menerus ataupun dalam interval waktu tertentu dan menyiarkannya melalui koneksi internet. Ada beberapa metode penyiaran, metode yang paling umum adalah software mengubah gambar ke dalam bentuk file JPG.

2.11 Pengujian Black Box

Pengujian black box merupakan pendekatan komplementer dari teknik white box, karena pengujian black box diharapkan mampu mengungkap kelas kesalahan yang lebih luas dibandingkan teknik white box. Pengujian black box berfokus pada pengujian persyaratan fungsional perangkat lunak, untuk mendapatkan serangkaian kondisi input yang sesuai dengan persyaratan

fungsional suatu program.

Pengujian black box adalah pengujian aspek fundamental sistem tanpa

31

spesifikasi perangkat lunak. Data uji dibangkitkan, dieksekusi pada perangkat lunak dan kemudian keluaran dari perangkat lunak dicek apakah telah sesuai dengan yang diharapkan. Pengujian black box berusaha menemukan kesalahan dalam kategori:

1. fungsi-fungsi yang tidak benar atau hilang 2. kesalahan interface

3. kesalahan dalam struktur data atau akses database eksternal

4. kesalahan kinerja

107

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil implementasi dan pengujian yang telah dilakukan, maka kesimpulkan dari tugas akhir yang berjudul “Implementasi Metode PCA(Principacl Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face Recognition dan Sms Gateway” yaitu sebagai berikut :

1. Sistem Keamanan Rumah berbasis Face Recognition dan Sms Gateway dapat membantu pengguna dalam memonitoring keadaan rumah dari jarak jauh.

2. Sistem Keamanan Rumah berbasis Face Recognition dan Sms Gateway dapat membantu pengguna dalam mendapatkan informasi mengenai siapa saja yang mencoba masuk kedalam rumah tersebut.

3. Metode PCA(Principacl Component Analysis) merupakan saah satu metode untuk pengenalan wajah dengan memperhitungkan matriks setiap wajah yang dicapture dengan mengkalkulasikan nilai eigenface untuk didapatkan nilai eigenface yang mendekati.

4. Metode PCA(Principacl Component Analysis) memiliki kelebihan yaitu pada proses kecepatan mengambil keputusan untuk mengenali wajah dalam kondisi real time dan memiliki keakuratan wajah 80% yang menyatakan bahwa metode ini bekerja sangat baik.

5.2 Saran

Dalam pembangunan Implementasi Metode PCA(Principacl Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face Recognition dan Sms Gateway ini masih jauh dari sempurna dan masih banyak kekurangan. Oleh karena itu, perlu dilakukan pengembangan dan penyempurnaan untuk memenuhi kebutuhan pengguna yang semakin bertambah. Adapun saran-saran terhadap pengembangan aplikasi ini adalah sebagai berikut :

108

tidak hanya berupa pesan teks, supaya lebih akurat lagi mengenai sistem keamanan rumah tersebut.

2. Perlu dilakukan penelitian lanjut untuk membuat sistem pendeteksian yang mampu mengcapture wajah dengan posisi menoleh sekitar 45 derajat.