PENERAPAN ALGORITMA EIGENFACE PADA SISTEM
ABSENSI KARYAWAN BERBASIS WEBCAM
SKRIPSI
MAULINA SARI
060823011
PROGRAM STUDI SARJANA MATEMATIKA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PENERAPAN ALGORITMA EIGENFACE PADA SISTEM
ABSENSI KARYAWAN BERBASIS WEBCAM
SKRIPSI
Diajukan utuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
MAULINA SARI
060823011
PROGRAM STUDI SARJANA MATEMATIKA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PENERAPAN ALGORITMA EIGENFACE PADA
SISTEM ABSENSI KARYAWAN BERBASIS WEBCAM
Kategori : SKRIPSI
Nama : MAULINA SARI
Nomor Induk Mahasiswa : 060823011
Program Studi : SARJANA (S1) MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, Juli 2010 Komisi Pembimbing :
Pembimbing II Pembimbing I
Drs. Marwan Harahap, M.Eng Drs. Bambang Irawan, M.Sc NIP. 19461225 197403 1 001 NIP. 19470421 197603 1 001
Diketahui oleh:
Departemen Matematika FMIPA USU Ketua,
PERNYATAAN
PENERAPAN ALGORITMA EIGENFACE PADA SISTEM ABSENSI
KARYAWAN BERBASIS WEBCAM
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2010
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Allah SWT, dengan limpahan dan karunia-Nya kertas kajian ini berhasil diselesaikan dalam waktu yang telah ditetapkan.
ABSTRAK
ABSTRACT
DAFTAR ISI
3.1 Sistem Absensi Berbasis Webcam 24
3.2.4 Rancangan Database 36 3.2.5 Rancangan Entity Relationship (ER) 38
3.3 Implementasi Sistem 38
3.3.1 Tampilan Login 39
3.3.2 Tampilan Menu Utama 39
3.3.3 Tampilan Data Admin 40
3.3.4 Tampilan Data Karyawan 40
3.3.5 Tampilan Absensi 42
3.3.6 Tampilan Laporan Absensi 42
3.3.7 Tampilan About 43
3.3.8 Tampilan Help 44
3.4 Pengujian Sistem 44
Bab 4. Kesimpulan dan Saran 45
4.1 Kesimpulan 45
4.2 Saran 46
Daftar Pustaka 47
DAFTAR TABEL
Halaman Tabel 2.1 Hubungan Antara Bit Per Pixel dengan Jumlah
Warna Maksimum pada Bitmap 10
Tabel 3.1 tAdmin 38
Tabel 3.2 tKaryawan 38
DAFTAR GAMBAR
Halaman
Gambar 2.1 Citra Fungsi Dua Variabel 8
Gambar 2.2 Citra Wajah 13
Gambar 2.3 Citra Pelatihan 15
Gambar 2.4 Citra Mean 15
Gambar 2.5 Citra Hasil Proses Eigenface 16
Gambar 2.6 Proses Perhitungan Eigenface 17
Gambar 2.7 Webcam 23
Gambar 3.1 Model Analisa Komponen Sistem 26
Gambar 3.2 Langkah Untuk Proses Pengenalan Wajah 28
Gambar 3.3 Citra Wajah yang Paling Mirip dengan Citra Testface 34
Gambar 3.4 Konfigurasi Perangkat Keras 35
Gambar 3.5 Diagram Konteks 36
Gambar 3.6 DAD Level-1 37
Gambar 3.7 Rancangan Entity Relationship 40
Gambar 3.8 Tampilan Login 41
Gambar 3.9 Tampilan Menu Utama 42
Gambar 3.10 Tampilan Data Admin 42
Gambar 3.11 Tampilan Data Karyawan 43
Gambar 3.12 Tampilan Absensi 44
Gambar 3.13 Tampilan Laporan Absensi 45
Gambar 3.14 Tampilan About 45
Gambar 3.15 Tampilan Help 46
Gambar 3.16 Pengujian Pemasukan Data Karyawan 46
ABSTRAK
ABSTRACT
BAB 1
PENDAHULUAN
1.1Latar Belakang
Perkembangan teknologi komputer sekarang sangat pesat, ini ditandai dengan hampir semua pengolahan data dan informasi telah dilakukan dengan komputer. Hal ini diakibatkan semakin beraneka ragam permasalahan informasi yang harus ditangani, salah satu adalah dalam hal pengenalan pola.
Pengenalan wajah manusia adalah salah satu dari pengenalan pola yang penting dalam dunia usaha. Pengenalan wajah dalam sistem absensi karyawan pada sebuah perusahaan adalah untuk mengontrol sumber daya manusia (SDM). Salah satu fungsi mengontrol SDM bertujuan meningkatkan potensi sumber daya manusia dan dalam rangka efisiensi perusahaan.
Umumnya sistem absensi karyawan pada kantor dilakukan dengan mengisi buku absen atau yang lebih maju lagi dengan menggunakan mesin absensi. Mesin absensi tersebut menggunakan kartu tempat mencetak tanggal, jam masuk serta jam pulang. Dilihat dari segi keamanan, sistem ini mempunyai banyak kelemahan, antara lain adalah absen karyawan bisa dititipkan oleh karyawan lainnya (absen fiktif). Hal ini tentu berakibat kerugian bagi perusahaan, karena karyawan tersebut tidak masuk kerja tetapi tetap diberi gaji.
Untuk menggunakannya, karyawan memasukkan nomor identitas karyawan (NIK) ke dalam sistem, selanjutnya sistem mengambil foto karyawan dan mencocokkan dengan database wajah pada sistem. Jika wajahnya cocok dengan data NIK, maka absensi karyawan disimpan dan dianggap sah. Jika wajah karyawan tidak cocok dengan database sistem, maka pengisian absen batal dan karyawan tersebut dianggap tidak hadir.
Pencocokan wajah karyawan dilakukan dengan algoritma pengenalan wajah Eigenface. Eigenface adalah kumpulan dari eigenvector yang digunakan untuk
masalah computer vision pada pengenalan wajah manusia. Teknik ini telah lama digunakan dalam pengenalan tulisan tangan, pembacaan bibir, pengenalan suara dan pencitraan medis. Menurut Lyman (2007), eigenface adalah sekumpulan standardized face ingredient yang diambil dari analisis statistik dari banyak gambar wajah. Satu
wajah manusia dapat dipandang sebagai kombinasi dari wajah-wajah standar ini. Wajah seseorang bisa saja terdiri dari 10 % dari wajah 1, 20 % dari wajah 2, dan seterusnya sehingga jika ingin merekam wajah seseorang untuk pengenalan wajah, maka bisa digunakan jauh lebih sedikit fitur daripada yang ditangkap oleh foto digital.
Untuk menghasilkan eigenface, sekumpulan besar citra digital dari wajah manusia diambil pada kondisi pencahayaan yang sama dan kemudian dinormalisasi selanjutnya diolah pada resolusi yang sama (misalnya 80 x 80 pixel). Lalu citra tersebut diperlakukan sebagai vector dimensi 80 x 80 pixel di mana komponennya diambil dari nilai pixel-nya. Untuk menentukan eigenface dari sekumpulan citra wajah, digunakan algoritma eigenface berdasarkan Principle Component Analysis (PCA).
1.2Perumusan Masalah
1.3Batasan Masalah
Agar pembahasan tidak menyimpang, perlu dibuat suatu batasan masalah sebagai berikut:
1. Komputer yang digunakan memakai sistem operasi Windows XP. 2. Webcam yang digunakan ber resolusi minimal 2 Mega Pixel.
3. Foto asli karyawan disimpan dalam format JPG sebagai pembanding. 4. Ukuran foto karyawan adalah 80 x 80 pixel.
5. Sebelum dilakukan proses pencocokan, foto hasil capture webcam harus dinormalisasi agar sesuai dengan ukuran foto asli.
6. Algoritma pengenalan wajah yang digunakan adalah algoritma Eigenface. 7. Waktu pelaksanaan absensi masuk dilakukan sampai jam 9 pagi, selanjutnya
dilakukan pemasukan absensi secara manual oleh Admin.
8. Waktu pelaksanaan absensi keluar dilakukan mulai dari jam 16 sampai jam 18 WIB.
1.4Tinjauan Pustaka
Untuk maksud dan tujuan penelitian ini, penulis memanfaatkan buku sebagai referensi di antaranya:
1. Buat MakeFlatVectors(ImageList, N, M): ImageList adalah kumpulan dari N training image, di mana setiap image adalah W x H piksel. M adalah ukuran vektor flat yang harus dibuat.
2. Gabungkan setiap image dalam WH elemen vektor dengan menggabungkan semua baris. Buat ImageMatrix sebagai matriks N x WH berisi semua gambar yang digabung.
3. Jumlahkan semua baris pada ImageMatrix dan bagi dengan N untuk mendapatkan rataan gambar gabungan. Lalu namakan vektor elemen WH ini dengan R.
4. Kurangi ImageMatrix dengan average image R. Namakan matriks baru ukuran N x WH sebagai R’.
5. Jika pada elemen-elemen dari matriks R’ ditemukan nilai negatif, maka ganti nilainya dengan nilai 0.
1.5Tujuan Penelitian
Adapun tujuan penelitian pada tugas akhir ini adalah untuk merancang suatu sistem pengontrolan absensi karyawan dengan menggunakan webcam untuk meningkatkan keamanan absensi agar tidak bisa dimanipulasi seperti menitipkan absen pada karyawan lain.
1.6Kontribusi Penelitian
1.7Metode Penelitian
Metode penelitian yang digunakan dalam tulisan ini adalah sebagai berikut:
1. Membahas teori tentang pengenalan wajah
2. Membahas teori tentang algoritma Eigenface, yaitu:
a. Metode Principal Component Analysis (PCA) atau yang biasa disebut sebagai metode eigenface di mana citra wajah dalam bentuk matriks dua dimensi (2-D) terlebih dahulu ditransformasikan ke dalam bentuk vektor satu dimensi (1-D) untuk mendapatkan fitur ekstraksinya. Metode 2 Dimensi Principal Component Analysis (2DPCA) di mana pada metode ini sebuah citra wajah dalam matriks 2-D tidak perlu lagi ditransformasikan ke dalam bentuk vektor 1-D untuk mendapatkan fitur ekstraksi yang baik dalam suatu citra, tetapi dari matriks citra aslinya secara langsung didapatkan matriks kovariannya yang nantinya didapatkan pula eigenvektor untuk fitur ekstraksi dari sebuah citra wajah.
b. Uji coba dilakukan dalam beberapa tahap, pertama dengan memilih 3 citra wajah dari tiap person yang ada sebagai data pelatihan, jika program sdh berjalan dgn baik, maka lanjutkan dengan 5 citra wajah dari person yang ada, dan seterusnya.
BAB 2
LANDASAN TEORI
2.1 Pengertian Citra
Citra merupakan hasil keseluruhan dari suatu sistem perekaman data. secara teoritis citra dapat dikelompokkan menjadi 2 (dua) macam, yaitu citra kontinu dan citra diskrit (citra digital). Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog. Contoh: mata manusia, kamera analog. Sedangkan citra digital dihasilkan melalui proses digitalisasi terhadap citra kontinu. Contoh: kamera digital, scanner.
2.1.1 Citra Optik
Citra bersifat optik biasanya disebut citra fotografik yang berbentuk foto. Citra bersifat optik ini secara teoritis merupakan citra kontinu (merekam data secara langsung dalam suatu bidang). Kontinu dalam pengertian nilai keabuan dinyatakan dengan presisi angka tak terhingga.
2.1.2 Citra Analog
2.1.3 Citra Digital
Citra digital adalah citra yang dinyatakan secara diskrit (tidak kontinu), baik untuk posisi koordinatnya maupun warnanya. Dengan demikian, citra digital dapat digambarkan sebagai suatu matriks, di mana indeks baris dan indeks kolom dari matriks menyatakan posisi suatu titik di dalam citra dan harga dari elemen matriks menyatakan warna citra pada titik tersebut. Dalam citra digital yang dinyatakan sebagai susunan matriks seperti ini, elemen–elemen matriks tadi disebut juga dengan istilah piksel yang berasal dari kata picture element.
Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), di mana x dan y adalah koordinat spasial sedangkan nilai f(x,y) adalah intensitas citra pada koordinat tersebut, hal tersebut diilustrasikan pada gambar berikut:
Citra digital tersusun atas titik-titik yang biasanya berbentuk persegi panjang yang secara beraturan membentuk baris-baris dan kolom-kolom. Setiap titik memiliki koordinat dan biasanya dinyatakan dalam bilangan bulat positif, yaitu 0 atau 1 bergantung pada sistem yang digunakan. Format nilai pixel sama dengan format citra keseluruhan. Pada kebanyakan sistem pencitraan, nilai ini biasanya berupa bilangan bulat positif juga. Format citra digital yang banyak digunakan, yaitu:
1. Citra Biner (Monokrom)
Citra monokrom atau citra hitam-putih merupakan citra satu kanal di mana citra f(x,y) merupakan fungsi tingkat keabuan dari hitam ke putih.
2. Citra Skala Keabuan (Gray Scale)
Dikatakan format citra skala keabuan karena pada umumnya warna yang dipakai adalah warna hitam sebagai warna minimum dan warna putih sebagai warna maksimalnya, sehingga warna antara ke dua warna tersebut adalah abu-abu.
3. Citra Berwarna
Citra warna terdiri atas 3 layer matriks, yaitu R-layer, G-layer, B-layer. sistem warna RGB (Red Green Blue) menggunakan sistem tampilan grafik kualitas tinggi (High Quality Raster Graphic) yaitu mode 24 bit. setiap komponen warna merah, hijau, biru masing-masing mendapatkan alokasi 8 bit untuk menampilkan warna. Pada sistem warna RGB, tiap pixel akan dinyatakan dalam 3 parameter dan bukan nomor warna. setiap warna mempunyai range nilai 00 (angka desimalnya adalah 0) dan f (angka desimalnya 255) atau mempunyai nilai derajat keabuan 256 = 28. Dengan demikian, range warna yang digunakan adalah (28)(28)(28) = 224 (atau dikenal dengan istilah True Color pada Windows). Nilai warna yang digunakan merupakan gabungan warna cahaya merah, hijau dan biru.
2.2 Format File Citra
ukuran file menjadi lebih besar dari aslinya dan kualitas citra dapat menurun. Oleh karena itu, untuk menyimpan suatu citra harus diperhatikan citra dan format file citra apa yang sesuai. Misalnya format citra GIF sangat tidak cocok untuk citra fotografi karena biasanya citra fotografi kaya akan warna, sedangkan format GIF hanya mendukung sejumlah warna sebanyak 256 (8 bit) saja. Format JPEG merupakan pilihan yang tepat untuk citra–citra fotografi karena JPEG sangat cocok untuk citra dengan perubahan warna yang halus.
Pada format bitmap, citra disimpan sebagai suatu matriks di mana masing– masing elemennya digunakan untuk menyimpan informasi warna untuk setiap pixel. Jumlah warna yang dapat disimpan ditentukan dengan satuan bit-per-pixel. Semakin besar ukuran bit-per-pixel dari suatu bitmap, semakin banyak pula jumlah warna yang dapat disimpan. Format bitmap ini cocok digunakan untuk menyimpan citra digital yang memiliki banyak variasi dalam bentuknya maupun warnanya, seperti foto, lukisan, dan frame video.
Tabel 2.1 Hubungan Antara Bit Per Pixel dengan Jumlah Warna Maksimum Pada Bitmap
No Jumlah bit per pixel Jumlah warna maksimum
1 1 2
2 4 16
3 8 256
4 16 65536
5 24 16777216
2.3 Metode Pengenalan Wajah
direpresentasikan dalam suatu pola yang berisi informasi unik yang membedakan dengan wajah yang lain.
Metode-metode yang umum digunakan pada teknik pengenalan wajah antara lain:
1. Pengenalan Wajah Menggunakan Embedded Hidden Markov Model
Pelacakan dan pengenalan wajah dapat dibuat sistem yang dapat digunakan secara sekaligus untuk melacak posisi wajah seseorang (tracking) dan mengenali wajah tersebut berdasarkan database wajah yang telah dibuat dan ditraining sebelumnya. Algoritma yang digunakan untuk melakukan tracking posisi wajah adalah algoritma CamShift yang menggunakan faktor warna sebagai dasar pelacakannya.
2. Wavelet dan Neural Network
Pengenalan ini menggunakan analisa multiresolusi dan sistem jaringan saraf buatan dalam proses pengenalan.
3. Template Matching
Template Matching menggunakan sebuah average face (wajah dengan nilai rata-rata) dari satu set citra yang ditraining. Average face ini kemudian disilangkan terhadap segmentasi citra menggunakan sebuah detektor threshold dapat ditentukan klasifikasi dari citra tersebut. Template matching diuji pada beberapa level antara lain:
4. Eigenfaces (Principal Component Analysis)
Eigenfaces adalah pendekatan eigenvalue dan eigenvector. Dengan menggunakan pendekatan tersebut dilakukan klasifikasi untuk mengenali objek yang di-training dengan objek yang telah tersimpan di database.
Dibalik kemudahan mengenali wajah, ada beberapa masalah yang mungkin timbul pada proses pengenalan wajah disebut dengan robust, yaitu:
a. Perubahan Skala
Citra seseorang dapat direpresentasikan berbeda diakibatkan perbedaan jarak antara wajah dengan kamera. Semakin dekat jarak citra akan semakin besar. Contoh Gambar 2.11 (b).
b. Perubahan Posisi
Citra seseorang dapat direpresentasikan berbeda diakibatkan perubahan posisi seseorang ataupun perubahan sudut pengambilan wajah. Contoh Gambar 2.11 (c).
c. Perubahan Cahaya
Citra seseorang dapat direpresentasikan berbeda diakibatkan perubahan intensitas cahaya yang terjadi ketika pengambilan citra. Contoh Gambar 2.11 (d).
d. Perubahan detail dan ekspresi
Gambar (a) Citra asli, (b) Citra akibat perubahan skala, (c) Citra akibat perubahan posisi, (d) Citra akibat perubahan cahaya, (e) Citra akibat penambahan detail atau atribut dalam hal ini adalah kaca mata, topi dan lainnya.
http://www.pages.drexel.edu/~sis26/Eigenface%20Tutorial.htm.
2.3.1 Proses Umum Pengenalan Wajah
Proses pengenalan wajah secara umum adalah terdiri dari:
a. Acquisition module, merupakan blok input dari proses pengenalan wajah, sumbernya dapat berasal dari kamera ataupun file citra.
b. Pre-processing module, merupakan proses penyesuaian citra input yang meliputi, normalisasi ukuran citra, histogram equalization untuk memperbaiki kualitas citra input agar memudahkan proses pengenalan tanpa menghilangkan informasi utamanya, median filtering untuk menghilangkan noise akibat kamera atau pergeseran frame, high pass filtering untuk menunjukkan bagian tepi dari citra, background removal untuk menghilangkan background sehingga hanya bagian wajah saja yang diproses dan normalisasi pencahayaan ketika mengambil citra input. Bagian pre-processing ini untuk menghilangkan masalah yang akan timbul pada proses pengenalan wajah seperti yang dijelaskan sebelumnya.
c. Feature Extraction module, digunakan untuk mengutip bagian terpenting sebagai suatu vektor yang merepresentasikan wajah dan bersifat unik.
d. Classification module, pada modul ini, dengan bantuan pemisahan pola, fitur wajah yang dibandingkan dengan fitur yang telah tersimpan di database sehingga dapat diketahui apakah citra wajah tersebut dikenali.
e. Training set, modul ini digunakan selama proses pembelajaran proses pengenalan, semakin kompleks dan sering, proses pengenalan wajah akan semakin baik.
f. Database, berisi kumpulan citra wajah.
2.3.2 Konsep Eigenface
Prinsip dasar dari pengenalan wajah adalah dengan mengutip informasi unik wajah tersebut kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan. 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. Setiap wajah direpresentasikan dalam kombinasi linear eigenface. Kirbi dan Sirovich (1987), mengembangkan suatu teknik yang
Dalam perhitungan eigenvector citra diubah menjadi bentuk mean seperti yang ditunjukkan pada Gambar 2.4. Citra hasil proses eigenface sendiri ditunjukkan pada Gambar 2.5.
Gambar 2.3 Citra Pelatihan
2.3.3 Perhitungan Eigenface
Perhitungan eigenface citra adalah sebagai berikut:
a. Mengisi variabel S dengan seluruh citra wajah input ( ?i – ?M ) b. Setiap citra ditranformasikan ke dalam vektor dengan ukuran N c. Tentukan nilai tengah atau mean
d. Kemudian tentukan selisih antara citra input dengan citra mean
e. Selanjutnya vektor orthonormal M, un, yang menunjukkan distribusi data. Vektor ke-k, uk: bernilai maksimum terhadap uk dan ul adalah eigenvector dan eigenvalue
f. Nilai matriks C akan diperoleh
g. Kemudian tentukan eigenvector, v1, u1.
Proses Perhitungan eigenfacenya adalah:
a. Citra wajah baru yang akan ditransformasikan menjadi komponen eigenface, dibandingkan dengan citra input yang telah diubah manjadi bentuk mean kemudian dikalikan dengan eigenvector.
b. Kemudian tentukan euclidean distance yang merepresentasikan citra wajah tersebut.
1. Start
2. Ambil citra input X (*.jpg) yang akan dikenali dari database 3. Tentukan nilai mean berikut eigenvalue dari setiap citra
Gambar 2.6 Citra hasil proses eigenface
Start
Citra Pelatihan
Citra Input
E1=Eigenface(X)
Citra Input Xn (Training)
E2=Eigenface(Xn)
N=0, E1=E2
Tampilkan W1 dan W2
Start
No
4. Ambil sebuah citra (*.jpg) yang akan dicocokkan dengan citra input dari database
5. Tentukan nilai mean dan eigenvaluenya
6. Apakah eigenvalue dari citra random sama dengan citra input 7. Jika belum sama, maka ulangi lagi langkah ke-4
8. Jika sama, maka tampilkan ke dua citra. 9. Proses selesai.
2.4 Principal Component Analysis (PCA)
Metode Principal Component Analysis (PCA) dibuat pertama kali oleh para ahli statistik dan ditemukan oleh Karl Pearson pada tahun l90l yang memakainya pada bidang biologi. Kemudian tidak ada perkembangan baru pada teknik ini, dan. perkembangannya baru mulai pesat pada akhir tahun l930 dan awal 1940. Setelah itu perkembangannya berkurang sebentar sampai komputer telah berhasil didesain sehingga dapat mengaplikasikan teknik ini pada masalah-masalah yang masuk akal. Pada tahun 1947 teori ini muncul lagi dan cukup independen sebagai teori probabilitas yang ditemukan oleh Karhunen, dan kemudian dikembangkan oleh Loeve pada tahun l963, sehingga teori ini juga dinamakan Karhunen-Loeve transform pada bidang ilmu telekomunikasi.
PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. PCA adalah sebuah teknik statistika yang berguna pada bidang pengenalan, klasifikasi dan kompresi data citra. PCA juga merupakan teknik yang umum digunakan untuk menarik fitur-fitur dari data pada sebuah skala berdimensi tinggi. Dengan cara mentransformasikan citra ke dalam eigenfaces secara linier, proyeksikan citra ke dalam bentuk skala berdimensi n, yang menampakkan properti dari sampel yang paling jelas sepanjang koordinat.
eigenvector dan nilai-nilai yang disebut dengan eigenvalue untuk mendapatkan fitur yang paling signifikan pada dataset. Principal component dicari dengan hubungan:
AC = λC
di mana A adalah matriks yang akan dicari principal componentnya, C adalah principal component atau disebut dengan eigenvector dan λ adalah eigenvalue. Andaikan A adalah sebuah matriks berdimensi n x n, eigenvalue dari matriks A diperoleh dengan hubungan:
det(A-λI) = 0
di mana I adalah matriks identitas dari A dan λ adalah eigenvalue dari matriks A.
Mencari nilai Eigenvector dapat dicari dengan memecahkan (A- λI) v = 0, dalam beberapa kasus dapat dijumpai suatu matriks tanpa eigenvalues, misalnya:
A=
di mana karakteristik polinomial-nya adalah λ2 + 1 sehingga eigenvalue-nya adalah bilangan bilangan kompleks i, -i. Eigenvalue juga tidak riil. Sebagai contoh diberi
, polinomial karakteristiknya dapat dicari sebagai berikut:
Y0 =
0 0
Y X
Substitusikan Y0 dengan v pada persamaan:
(A –λI)v = 0, diperoleh
dapat disederhanakan lagi menjadi Y0 = -X0
Sehingga Eigenvector untuk Eigenvalue = 3 adalah Y0 =
0
Secara informal suatu matriks adalah kumpulan bilangan-bilangan yang berbentuk persegi panjang. Kumpulan bilangan yang disusun berdasarkan baris dan kolom yang didefinisikan dengan jelas. Secara formal suatu matriks A adalah kumpulan suatu objek yang disusun berdasarkan baris dan kolom yang didefinisikan dengan jelas, yakni dapat dituliskan sebagai berikut:
banyaknya baris dan kolomnya, matriks A di atas mempunyai ordo m dan n, ditulis m x n.
Matriks bujur sangkar adalah matriks yang jumlah baris dan kolomnya sama atau m = n dan dikatakan berordo n. Elemen-elemen dari matriks bujursangkar mulai dari ujung kiri atas sampai ujung kanan bawah secara diagonal yaitu elemen-elemen a11, a12, ..., amn disebut diagonal utama matriks. Elemen-elemen dari kiri bawah sampai kanan atas an1, ..., a1n dinamakan diagonal ke dua.
Perkalian Matriks
Ada banyak cara untuk mengalikan dua buah matriks antara lain misalnya hanya mengalikan elemen-elemen yang bersesuaian. Untuk menunjukkan hubungan antara perkalian matriks dengan penggunaan tersebut, perkalian dua buah persamaan berikut:
a11x1 + a12x2 = d1 a21x1 + a22x2 = d2
di mana x1 dan x2 adalah harga-harga yang belum diketahui sedang a11, a12, a21, a22, d1 dan d2 adalah konstanta-konstanta. Persamaan tersebut dapat dituliskan dalam perkalian matriks sebagai berikut:
=
Contoh perkalian matriks, Hasil kali AB untuk matriks A dan B yang diberikan berikut ini:
AB = sama dengan banyak baris A.
2.6 Webcam
Webcam (singkatan dari web camera) adalah sebuah kamera video digital kecil yang
dihubungkan ke komputer melalui (biasanya) port USB ataupun port COM. Ada berbagai macam merek webcam, di antaranya LogiTech, Itech, SunFlowwer dan sebagainya. Webca m biasanya ber-resolusi sebesar 352 x 288 / 640 x 480 piksel, namun ada yang kualitasnya hingga 1 megapiksel. Sekarang hampir semua kamera digital dan telepon genggam bisa dijadikan sebagai kamera web (webca m).
Istilah webcam merujuk pada teknologi secara umumnya, sehingga kata web terkadang diganti dengan kata lain yang mendeskripsikan pemandangan yang ditampilkan di kamera, misalnya StreetCam yang memperlihatkan pemandangan jalan, Metrocam yang memperlihatkan pemandangan panorama kota dan pedesaan, TraffiCam yang digunakan untuk memonitor keadaan jalan raya, cuaca dengan
WeatherCam, bahkan keadaan gunung berapi dengan VolcanoCam.
Kabel support yang dibuat dari bahan yang fleksibel, salah satu ujungnya dihubungkan dengan papan sirkuit (PCB) dan ujung satu lagi memiliki konektor. Kabel ini dikontrol untuk menyesuaikan ketinggian, arah dan sudut pandang web camera. Sebuah webcam 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 dan yang paling umum adalah software mengubah gambar ke dalam bentuk file JPEG dan meng-upload-nya ke web server menggunakan File Transfer Protocol (FTP).
Frame rate mengindikasikan jumlah gambar sebuah software dapat ambil dan
transfer dalam satu detik. Untuk streaming video, dibutuhkan minimal 15 frame per second (fps) atau idealnya 30 fps. Untuk mendapatkan frame rate yang tinggi,
dibutuhkan koneksi internet yang tinggi kecepatannya. Sebuah webcam tidak harus selalu terhubung dengan komputer, ada webcam yang memiliki software webcam dan web server bulit-in, sehingga yang diperlukan hanyalah koneksi internet, webcam ini
dinamakan “network camera”.
Penggunaan webcam mencakup video conferencing, internet dating, video messaging, home monitoring, images sharing, video interview, video phone-call, dan
banyak hal lain. Kamera untuk video conference biasanya berbentuk kamera kecil yang terhubung langsung dengan komputer. Kamera analog juga terkadang digunakan, kamera ini terhubung dengan video capture ca rd dan tersambung dengan internet (baik langsung maupun tidak langsung). Saat ini kamera untuk video conference sudah makin maju, sudah ada webcam yang di dalamnya terdapat microphone maupun noise cancellation untuk memfokuskan audio ke speaker yang terletak di depan kamera
sehingga noise yang ada tidak mengganggu jalannya konferensi.
Webcam memiliki fitur-fitur dan setting yang bermacam-macam, di antaranya
adalah:
1. Motion sensing, webcam akan mengambil gambar ketika kamera mendeteksi gerakan.
2. Image archiving, pengguna dapat membuat sebuah archive yang menyimpan semua gambar dari webcam atau hanya gambar-gambar tertentu saat interval pre-set.
4. Advanced connections, menyambungkan perangkat home theater ke webcam dengan kabel maupun nirkabel.
5. Automotion, kamera robotik yang memungkinkan pengambilan gambar secara pan atau tilt dan setting program pengambilan frame berdasarkan posisi
kamera.
6. Streaming media, aplikasi profesional, setup webcam dapat menggunakan kompresi MPEG4 untuk mendapatkan streaming audio dan video yang sesungguhnya.
7. Custom coding, mengimpor kode komputer pengguna untuk memberitahu webcam apa yang harus dilakukan (misalnya automatically refresh).
8. AutoCam, memungkinkan pengguna membuat webpage untuk webcam-nya secara gratis di server perusahaan pembuat webca m.
BAB 3
PEMBAHASAN
3.1 Sistem Absensi Berbasis Webcam
Sistem absensi berbasis webcam adalah sistem yang melakukan absensi karyawan berdasarkan input citra hasil capture webcam. Sistem akan melakukan posting absen karyawan perhari dan membandingkan hasil capture wajah karyawan dengan database wajah yang telah di-input terlebih dahulu oleh seorang administrator (Admin).
Proses-proses yang dilakukan dalam sistem absensi karyawan ini adalah: a. Proses pemasukan biodata karyawan dengan file wajah hasil capture webcam. b. Proses absensi harian karyawan dengan capture webcam dan hasil capture
dibandingkan dengan file wajah karyawan.
3.1.1 Model Analisa Komponen Sistem
Sistem Absensi berbasis pengenalan wajah ini terdiri dari beberapa komponen yang dapat digambarkan dalam suatu model seperti pada Gambar 3.1.
Webcam
Citra Capture
Wajah
Antar Muka Pengguna
Komponen Sub Sistem Pengenalan
Wajah
File Wajah
Keterangan:
a. Komponen Webcam, adalah perangkat keras masukan yang digunakan dalam sistem pengenalan wajah yang berfungsi:
1. Untuk melengkapi data karyawan dengan foto, dimana foto ini akan disimpan ke dalam database untuk dicocokkan dengan citra wajah yang di-capture saat proses absensi.
2. Untuk meng-capture citra wajah karyawan pada saat absensi.
b. Komponen Citra Capture Wajah, adalah berfungsi untuk melakukan mekanisme pengambilan citra wajah dengan media webcam, baik untuk disimpan sebagai file citra wajah maupun untuk citra wajah yang digunakan sebagai input pada saat absensi.
c. Komponen Antar Muka Pengguna, adalah berfungsi sebagai perantara komunikasi antar pengguna dengan sistem, baik untuk proses input data karyawan maupun untuk proses absensi.
d. Subsistem Pengenalan Wajah, adalah berfungsi untuk proses pengenalan wajah yang mencocokkan citra wajah yang di-capture pada saat absensi dengan citra wajah yang ada pada database.
e. File Wajah, adalah citra wajah karyawan yang digunakan untuk melengkapi data karyawan (training) disimpan dalam file tersendiri dan terpisah dari database data karyawan dan dapat direferensikan dengan menggunakan nama file yang ada.
3.1.2 Langkah Pengenalan Wajah
Keterangan:
1. Citra wajah di-capture dengan menggunakan webcam dan hasilnya adalah sebuah file citra dengan format .bmp.
2. Citra wajah kemudian dinormalisasi dengan beberapa tahap: a. Kualitas warna citra diturunkan menjadi grayscale. b. Mengubah ukuran citra menjadi 80 x 80 piksel. 3. Menghitung eigenvalue dari citra wajah.
4. Menghitung eigenvalue dari citra database menjadi eigenvector.
5. Mencocokkan eigenvalue citra wajah dengan nilai eigenvector citra database dan mencari nilai yang paling mendekati.
6. Cari data karyawan yang sesuai dengan nilai yang paling mendekati.
3.1.3 Perhitungan Eigenface
Algoritma pengenalan wajah dimulai dengan membuat matriks kolom dari wajah yang diinput ke dalam database. Rata-rata vector citra (mean) dari matriks kolom dihitung dengan cara membaginya dengan jumlah banyaknya citra yang disimpan di dalam
Langkah pertama adalah dengan mengisi variabel S dengan seluruh citra wajah input:
a. Setiap citra ditranformasikan ke dalam vektor dengan ukuran N. b. Tentukan nilai tengah atau mean.
c. Kemudian tentukan selisih antara citra input dengan citra mean. d. Selanjutnya vektor orthonomal M, yang menunjukkan distribusi data.
Contoh perhitungan eigenvalue 2 (dua) citra:
a. Penyusunan Flatvector matriks citra
Seperti pada pembahasan sebelumnya telah dijelaskan langkah-langkah pengenalan wajah dengan pendekatan eigenvalue dan eigenvector, representasikan semua matriks training menjadi matriks dengan bentuk n × 1 atau matriks linier seperti
Citra Wajah-1 MatriksWajah-1 Citra Wajah-2 MatriksWajah-2
A = B =
C = D =
Dari ke empat matriks training tersebut, diperoleh matriks n × 1 dari matriks A, matriks B, matriks C dan matriks D sebagai berikut:
A + B + C + D =
b. Perhitungan rataan flatvector (mean) matriks citra
Dari flatvector yang diperoleh, jumlahkan seluruh barisnya sehingga diperoleh matriks berukuran 1 x (H x W). Setelah itu bagi matriks dengan jumlah citra (N) yang dalam contoh adalah dua untuk mendapatkan rataan flatvector (mean) sebagai berikut:
Jadi mean flatvector adalah =
Nilai flatvector citra akan digunakan untuk menghitung nilai eigenface citra wajah untuk training (pembelajaran).
=
c. Perhitungan Nilai Eigenface
Dengan memakai nilai mean citra di atas nilai eigenface untuk matriks flatvector yang sudah disusun tersebut dapat dihitung dengan mengurangi baris-baris pada matriks flatvector dengan nilai mean flatvector. Jika diperoleh nilai negatif, maka ganti nilainya dengan nol. Perhitungan nilai eigenface adalah sebagai berikut:
Matriks x-1 sampai matriks x-4 digabung untuk mendapatkan matriks eigenface untuk pembelajaran (training) dalam proses pengenalan.
d. Proses Identifikasi
Untuk mengenali citra tes (testface), langkah identifikasinya adalah hitung nilai eigenface untuk matriks testface dengan cara sebelumnya untuk penentuan nilai
eigenface dan flatvector citranya.
Selanjutnya flatvector yang diperoleh testface dikurangi dengan mean flatvector:
Jadi nilai eigen dari testface adalah 111101111
Perhitungan jarak antara Citra Wajah-1 dengan testface:
Perhitungan jarak antara Citra wajah-2 dengan testface:
Perhitungan jarak antara Citra Wajah-3 dengan testface: 0 0 0 0 0 0 0 0 0
1 1 1 1 0 1 1 1 1
= -1 -1 -1 -1 0 -1 -1 -1 -1
1 1 1 1 0 1 1 1 1
ABS (nilai positif) 8
0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1
= -1 -1 -1 -1 1 -1 -1 -1 -1
1 1 1 1 0 1 1 1 1
ABS (nilai positif)
8 -
-
0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1
= -1 -1 -1 -1 0 -1 -1 -1 -1
1 1 1 1 0 1 1 1 1
ABS (nilai positif)
Perhitungan jarak antara Citra wajah-4 dengan testface:
Dari perhitungan tersebut diperoleh: a. jarak citra-1 dengan testface = 8 b. Jarak citra-2 dengan testface = 8 c. jarak citra-3 dengan testface = 8 d. Jarak citra-4 dengan testface = 19
Dari hasil perhitungan, diperoleh jarak citra wajah-1, wajah-2 dan wajah-3 memiliki nilai yang terkecil (8). Citra yang paling mirip dengan testface adalah citra wajah wajah-1, wajah-2 dan wajah-3. Karena ada tiga wajah yang mirip, ambil citra yang pertama sebagai citra wajah yang paling mirip dengan citra testface seperti pada Gambar 3.3.
3.1.4 Konfigurasi Perangkat Keras
Konfigurasi Perangkat keras Sistem Absensi Karyawan dengan Algoritma Eigenface Berbasis Webcam adalah sebuah personal komputer (micro computer) jenis notebook dengan prosesor Intel Dual Core dengan memori 1024 MB dan sebuah webcam merk Itech dengan resolusi image 2 mega piksel dengan kabel data jenis USB (universal system bus) yang terhubung dengan PC seperti terlihat pada Gambar 3.4.
Gambar 3.3 Citra Wajah Yang Paling Mirip Dengan Citra Testface 3 3 3 3 3 3 3 3 3
1 1 1 1 0 1 1 1 1
= 2 2 2 2 3 2 2 2 2 19
Karakteristik Webcam
Karakteristik webcam yang digunakan sangat berpengaruh terhadap hasil yang diperoleh dalam proses perhitungan eigenvalue dari citra yang hendak dikenali. Salah satu syarat yang harus diperhatikan adalah resolusi image hasil capture wajah. Webcam yang digunakan adalah merk Itech dengan resolusi 2 mega pixel.
Karakteristik webcam yang digunakan adalah sebagai berikut: a. Ukuran window capture : 640 x 480 piksel.
b. Video mode : 24 Bit true color.
c. Interface : Port USB.
d. Transmission rate : 320 x 240 30 F/s dan 640 x 480 30 F/s e. Rasio Noise signal : > 48 dB (30 F/s 220 LUX)
f. Dynamic range : > 72 dB
g. Image vocus : 5 cm to ∞
3.2 Perancangan Sistem
Rancangan sistem yang diusulkan pada tugas akhir ini adalah diagram konteks, data flow diagram (DFD), rancangan antar muka serta rancangan database.
Gambar 3.4 Konfigurasi Perangkat Keras
Komputer
WebCam
3.2.1 Diagram Konteks
Rancangan diagram konteks sistem absensi berbasis webcam digambarkan dengan diagram konteks yang menggambarkan Admin mengaktifkan webcam untuk melakukan capture wajah dalam proses pemasukan data master karyawan serta dalam proses absensi. Diagram konteks dapat dilihat pada Gambar 3.5.
Proses awal adalah webcam melakukan capture untuk menghasilkan file citra wajah berformat bmp. Citra hasil capture diproses untuk mendapatkan nilai eigenvector dan dibandingkan dengan eigenvector wajah pada database.
Diagram konteks di atas dapat dipecah lagi menjadi 3 proses yang terjadi sampai proses absensi selesai dengan proses Inisialisasi yaitu Admin mengisi data awal berupa data karyawan dan data wajah karyawan, Proses Absensi yaitu karyawan melakukan capture wajah dan proses Hitung Nilai Eigenvalue yaitu mencari nilai eigenvalue setiap wajah hasil capture.
3.2.2 Data Flow Diagram
Data Flow Diagram Level 1 (DFD Level 1) berguna untuk mengetahui kebutuhan sistem secara lebih detil lagi. DFD Level 1 dapat dilihat seperti pada Gambar 3.6.
3.2.3 Rancangan Antarmuka Pemakai (User Interface)
Dalam membangun sistem absensi karyawan berbasis webca m perlu adanya perancangan antar muka yang berfungsi sebagai perantara sistem dengan pengguna (User). Dalam perancangan interface diharapkan dapat tercipta kemudahan bagi pengguna (user friendly) dalam mengoperasikan sistem ini. Rancangan antarmuka sebagai berikut:
a. Merancang tampilan login yang berfungsi sebagai otorisasi Admin.
b. Merancang tampilan Menu Utama yang berfungsi sebagai tempat untuk menampilkan judul tugas akhir, nama penulis, gambar latar, help dan about.
c. Merancang tampilan edit data Admin. d. Merancang tampilan edit data karyawan. e. Merancang tampilan absensi karyawan. f. Merancang tampilan About, yang terdiri dari:
1. Label untuk menampilkan atau menunjuk judul aplikasi dan profil penulis. 2. Picture box yang berfungsi untuk menampilkan foto penulis.
3. Command yang berfungsi sebagai tombol untuk keluar. g. Merancang tampilan Help, yang terdiri dari:
1. Label berfungsi untuk menampilkan: a. Judul tugas akhir
b. Penjelasan sistem serta tata cara mengoperasikan sistem. c. Petunjuk penanganan error (error handling).
2. Command yang berfungsi sebagai tombol untuk keluar.
3.2.4. Rancangan Database
Database merupakan salah satu kebutuhan dari aplikasi yang berguna untuk menyimpan data-data. Database editor yang digunakan adalah Microsoft Access dengan nama dbAbsensi. Jumlah tabel yang digunakan dalam aplikasi ini adalah 3 (tiga) tabel.
Adapun rancangan tabel pada database dbAbsensi dapat dilihat sebagai berikut:
1. Tabel Data Admin
Tabel ini merupakan tabel yang berguna untuk menyimpan data nama administrator dan password. Tabel Data Admin tersebut adalah seperti terlihat pada Tabel 3.1.
Nama Field Jenis Field Ukuran Keterangan
AdmID * Teks 10 Nama Administrator
Passwd Teks 10 Password pengguna
*Primary Key= AdmID
2. Tabel Data Karyawan
Tabel ini merupakan tabel yang berguna untuk menyimpan biodata karyawan. Tabel Data Karyawan tersebut adalah seperti terlihat pada Tabel 3.2.
Nama Field Jenis Field Ukuran Keterangan
NIK* Teks 10 Nomor Induk Karyawan
Nama Teks 30 Nama Karyawan
JK Teks 1 Jenis Kelamin Karyawan
ST Teks 1 Status Karyawan
Alamat Teks 30 Alamat Karyawan
AdmID** Teks 10 Nama Administrator
Primary Key= NIK Foreign key = AdmID
3. Tabel Data Absensi
Tabel ini merupakan tabel yang berguna untuk menyimpan data absensi karyawan. Tabel Data Absensi tersebut adalah seperti terlihat pada Tabel 3.3.
Nama Field Jenis Field Ukuran Keterangan
IdAbsen* Integer 5 Nomor Urut Absen
TglAbsen Date - Tanggal Absen
JamMasuk Time 5 Jam Masuk
JamPulang Time 5 Jam Pulang
NIK** Teks 10 Nomor Induk Karyawan
StAbsen Teks 1 Status Absen Karyawan
Primary Key= IdAbsen Foreign key = NIK
Tabel 3.2 tKaryawan
3.2.5 Rancangan Entity Relationship (ER)
Struktur database pada sistem absensi karyawan ini dirancang dengan menggunakan ER. Rancangan ER dapat dilihat pada Gambar 3.7.
Dari hasil rancangan ER diatas, dapat diketahui struktur database sistem absensi karyawan berbasid webcam yang terdiri dari 3 tabel yang saling berelasi dengan notasi one-to-many.
3.3 Implementasi Sistem
Setelah perangkat lunak Penerapan Algoritma Eigenface Pada Sistem Absensi Karyawan Berbasis Webcam selesai dibangun, tahap selanjutnya adalah tahap uji coba
tampilan. Tahap uji coba tampilan adalah tahap pengujian pemasukan data karyawan, data User serta menjalankan program absensi untuk mendapatkan hasil capture wajah karyawan.
ADMIN KARYAWAN
ABSENSI
AdmID Passwd
Memasukkan Data
AdmID NIK
Nama
NIK IDAbsen
N M
M
3.3.1 Tampilan Login
Tampilan Login merupakan tampilan yang pertama kali muncul dan berfungsi untuk proses otorisasi administrator. Pada tampilan login terdapat tanggal dan jam melakukan proses login yang muncul secara otomatis mengikuti tanggan dan jam sistem. Setelah pemasukan nama administrator dan password, sistem akan melakukan pembacaan database wajah dan database User. Tampilan Login dapat dilihat seperti ditunjukkan pada Gambar 3.8.
Pada proses login ini terdapat dua proses yang berjalan antara lain:
a. Proses otorisasi pengguna, yang berfungsi untuk menentukan hak akses pengguna.
b. Proses membaca database citra wajah untuk mendapatkan nilai mean wajah yang akan digunakan pada proses identifikasi wajah pada proses absensi.
3.3.2 Tampilan Menu Utama
Tampilan Menu Utama merupakan tampilan yang muncul setelah proses otorisasi. Tampilan ini berisi gambar konfigurasi perangkat keras Sistem Absensi Karyawan Berbasis Webcam serta tampilan menu yang berisi tombol absensi untuk
mengaktifkan webcam, tombol Data Admin, Data Karyawan, Bantuan, Penulis serta
tombol Tutup untuk keluar dan kembali ke sistem Windows. Tampilan Menu Utama dapat dilihat pada Gambar 3.9.
3.3.3 Tampilan Data Admin
Tampilan Data Admin merupakan tampilan berguna untuk memasukkan data password user yang mengoperasikan sistem. Tampilan data Admin ini dapat dilihat seperti pada Gambar 3.10.
3.3.4 Tampilan Data Karyawan
Tampilan Data Karyawan merupakan tampilan berguna untuk memasukkan data Karyawan yang akan diabsensi. Pada tampilan ini terdapat tampilan karyawan yang
Gambar 3.9 Tampilan Menu Utama
telah ada pada database, tampilan hasil capture webcam, tombol Update/Save, Tambah, Hapus, Cari untuk melakukan pencarian data, tombol Open File untuk melakukan pembukaan file wajah karyawan, tombol Capture untuk mengambil citra wajah melalui webcam, Setting kamera serta tombol Tutp untuk menutup tampilan dan kembli ke halaman menu utama dari sistem. Tampilan data Karyawan ini dapat dilihat pada Gambar 3.11.
Pada tampilan data karyawan terdapat pemasukan biodata karyawan dan data wajah karyawan sebagai pembanding yang akan digunakan pada proses absensi. Pada tampilan ini pemasukan foto karyawan dapat dilakukan dengan dua cara yaitu dengan cara capture webcam dan cara mencari file citra wajah yang sudah di-capture sebelumnya.
3.3.5 Tampilan Absensi
Tampilan Absensi merupakan tampilan berguna untuk memasukkan data absensi karyawan setiap hari berupa hasil capture webca m serta mencocokkan hasil capture dengan data wajah pada database karyawan. Tampilan Absensi ini dapat dilihat pada Gambar 3.12.
Untuk melakukan absensi, terlebih dahulu webcam harus diaktifkan dan melakukan capture wajah karyawan yang akan melakukan proses absensi. Hasil ca pture akan
digunakan untuk dilakukan proses pengenalan wajah yang ada pada database wajah. Jika hasil capture cocok dengan data wajah pada database, maka proses absensi berhasil dan dinyatakan valid dan jika sebaliknya, maka akan dinyatakan gagal.
3.3.6 Tampilan Laporan Absensi
Tampilan Laporan Absensi berguna untuk menampilkan data absensi karyawan berupa hasil pada layar maupun dicetak ke kertas. Data absensi yang ditampilkan
hanya data karyawan yang melakukan proses absensi pada hari tertentu sesuai dengan kriterian tanggal pencetakan. Tampilan Laporan Absensi ini dapat dilihat pada Gambar 3.13.
3.3.7 Tampilan About
Tampilan About berfungsi untuk menampilkan data judul dan penulis tugas akhir. Pada tampilan ini terdapat tempat untuk menampilkan judul perangkat lunak serta gambaran singkat tentang profil penulis. Tampilan About dapat dilihat seperti pada Gambar 3.14.
3.3.8 Tampilan Help
Pada Tampilan Help terdapat tempat untuk menampilkan tampilan bantuan untuk menjalankan aplikasi. Pada Tampilan Help terdapat tombol Exit untuk keluar dari tampilan . Tampilan Help dapat dilihat pada Gambar 3.15.
3.4 Pengujian Sistem
Perangkat lunak yang telah dirancang memerlukan pengujian melakukan proses pengenalan data karyawan dalam proses absensi seperti pada Gambar 3.16.
A.Pengujian Pemasukan Data Karyawan
B.Pengujian Pemasukan data Absensi
Pengujian pemasukan data absensi adalah pengujian dalam melakukan proses pemasukan data basen harian karyawan. Pengujian pemasukan data absensi dapat dilihat pada Gambar 3.17.
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil pengujian dan pembahasan sebelumnya, dapat diambil kesimpulan bahwa:
1. Proses pengenalan wajah dengan menggunakan pendekatan metode Eigenface dapat dilakukan dengan cara input data karyawan baik biodata maupun data wajah dalam format bmp. Jika hasil capture cocok dengan data wajah pada database karyawan, maka proses absensi berhasil dan dinyatakan valid. Tetapi, jika hasil capture tidak cocok, maka akan dinyatakan gagal.
4.2 Saran
Untuk penelitian selanjutnya penulis menyarankan:
1. Agar pengembangan sistem dilakukan dengan cara membandingkan dengan metode pengenalan wajah lainnya, misalnya metode Quickprop pada jaringan syaraf tiruan.
DAFTAR PUSTAKA
Agushinta R, Dewi. Karmilasari. 2006. Mosaik Citra Wajah Panoramik Untuk Sistem Pengenalan Wajah. Depok: Universitas Gunadarma.
Al Fatta, Hanif. 2009. Rekayasa Sistem P engenalan Wajah. Yogyakarta: Penerbit ANDI.
Andoyo Y. Sobari, Juliasari R.Y., Maulana N.. 2005. Pengamanan Data Sistem Billing Warnet dengan menggunakan RC4 Stream Cipher. Tesis Magister
Teknologi Informasi, UI.
Basuki, Achmad. Jozua F Palandi. Fatchurrochman. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Jakarta: Penerbit Graha Ilmu.
Hadi, Rahadian. 2001. P emrograman Windows API dengan Microsoft Visual Basic. Jakarta: PT. Elex Media Komputindo.
Gonzalez, Rafael. 1987. Digital Image Processing. USA: Addison-Wesley Publishing Co, University of Tennessee.
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Penerbit Informatika.
Yuswanto. 2000. Panduan Belajar Microsoft Visual Basic 5.0, Kawan Pustaka.
http://upload.wikimedia.org/wikipedia/en/a/ab/Hmm temporal bayesian net.png.
Diakses tanggal 16 April, 2010
http://id.wikipedia.org/w/index.php?title=Pemrograman_dinamik&action=
edit&redlink =1. Diakses tanggal 16 April 2010
