Implementasi Metode Bidirectional Associative Memory Pada Absensi Berbasis Identifikasi Wajah (Studi Kasus : Mahasiswa Fasilkom-TI USU)

(1)

IMPLEMENTASI METODE

BIDIRECTIONAL ASSOCIATIVE MEMORY

PADA ABSENSI BERBASIS ID ENTIFIKASI WAJAH

(Studi Kasus Mahasiswa Fasilkom-TI USU)

SKRIPSI

YAYANG KURNIATI

101401069

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

(2)

IMPLEMENTASI METODE

PADA ABSENSI BERBASIS IDENTIFIKASI WAJAH

(Studi Kasus Mahasiswa Fasilkom- TI USU)

SKRIPSI

Diajukan untuk melengkapi tugas akhir dan memenuhi syarat mencapai gelar

Sarjana Komputer

YAYANG KURNIATI

101401069

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

(3)

PERSETUJUAN

Judul

: IMPLEMENTASI METODE

BIDIRECTIONAL

ASSOCIATIVE MEMORY PADA ABSENSI

BERBASIS IDENTIFIKASI WAJAH (Studi

Kasus : Mahasiswa Fasilkom-TI USU)

Kategori

: SKRIPSI

Nama

: YAYANG KURNIATI

Nomor Induk Mahasiswa

: 101401069

Program Studi

: SARJANA (S1) ILMU KOPUTER

Fakultas

: ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI

Diluluskan di

Medan, 28 Oktober 2014

Komisi Pembimbing

:

Pembimbing 2

Pembimbing 1

Amer Sharif, S.Si., M.Kom

Ade Candra, S.T., M.Kom

NIP. -

NIP. 1979 0904 2009 1210 02

Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer

Ketua,

(4)

PERN YATAAN

IMPLEMENTASI METODE

PADA ABSENSI BERBASIS IDENTIFIKASI WAJAH

(Studi Kasus Mahasiswa Fasilkom- TI USU)

SKRIPSI

Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali

beberapa kutipan dan ringkasan yang masing- masing disebutkan sumbernya.

Yayang Kurniati

(5)

PENGHARGAAN

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan

rahmat-Nya kepada penulis untuk menyelesaikan penyusunan skripsi ini sebagai

syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi S1 Ilmu

Komputer Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas

Sumatera Utara

Ucapan terima kasih penulis sampaikan kepada semua pihak yang

mendukung yang memotivasi penulis, baik secara langsung maupun tidak

langsung. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada :

1.

Ayahanda Suryadi dan Ibunda Ismawarni tercinta yang tak pernah bosan

mengingatkan penulis untuk menyelesaikakn skripsi ini, sehingga penulis

terus merasa termotivasi

2.

Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H, MSc(CTM). Sp.A(K) selaku

Rektor Universitas Sumatera Utara.

3.

Bapak Prof. Dr. Muhammad Zarlis selaku Dekan Fakultas Ilmu Komputer

dan Teknologi Informasi Universitas Sumatera Utara.

4.

Bapak Dr. Poltak Sihombing, M.Kom, selaku Ketua Program Studi S1 Ilmu

Komputer Universitas Sumatera Utara dan Dosen Pembanding II yang telah

memberikan saran untuk menyempurnakan skripsi ini

5.

Ibu Maya Silvi Lydia, B.Sc, M.Sc, selaku Sekretaris Program Studi S1 Ilmu

6.

Bapak Ade Candra, S.T., M.Kom, selaku Dosen Pembimbing I yang telah

memberikan banyak saran dan kritik yang sangat detil sehingga membuat

penulis mampu belajar dari kesalahan dan kekurangan yang ada dalam

skripsi ini.

7.

Bapak Amer Sharif, S.Si., M.Kom, selaku Dosen Pembimbing II yang tela h

memberikan banyak saran dan solusi-solusi dari masalah yang timbul dalam

proses pembuatan skripsi ini.

8.

Bapak Drs. Agus Salim Harahap, M.Si, selaku Dosen Pembanding II yang

telah memberikan saran dan kritik yang sangat bermanfaat untuk

(6)

9.

Semua dosen dan pegawai di S1 Ilmu Komputer yang telah membantu proses

pembuatan skripsi ini.

10.

Model dari skripsi ini (Zullfikri, Lily Aulia , Hayatun Nufus, S.Kom) yang

dengan setia terus membantu penulis untuk menguji coba aplikasi dari skripsi

ini.

11.

Temen-temen yang telah bersedia memberikan fotonya ke penulis, walaupun

tidak dijadikan sebagai model.

12.

Keluarga besar UKMI Al-Khuwarizmi (adik, abang, kakak dan teman-teman)

yang selalu mengingatkan penulis untuk tetap berjuang di jalan Allah walau

sesibuk apapun

13.

Saudara-saudara tercinta, FUNZY, (Fanny Fairina N, S.Kom, Hayatun Nufus,

S.Kom, Nurhennida Sitepu, S.Kom, Azizah Mei Sari Sebayang, S.Kom) yang

mebuat penulis meahami arti ukhuwah

14.

Teman-teman stambuk 2010 yang selalu kompak dan saling membantu dari

awal kuliah sampai penyusunan skripsi.

15.

Semua pihak yang tidak bisa disebutkan satu per satu dalam skripsi ini.

Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Untuk itu

penulis akan lebih banyak belajar untuk kedepannya lagi. Kiranya Semoga Allah

SWT memberikan rahmat-Nya kepada semua pihak yang telah banyak membantu,

memberi perhatian dan dukungan kepada penulis dalam menyelesaikan skripsi ini.

(7)

ABSTRAK

Absensi merupakan salah satu administrasi yang sangat penting bagi dunia

pendidikan, khususnya mahasiswa. Namun masih banyak mahasiswa yang

menganggap bahwa absensi hanya sebagai formalitas saja, sehingga sering terjadi

kecurangan dalam proses absensi. Pada skripsi ini, masalah yang diangkat adalah

pembuatan aplikasi absensi berbasis identifikasi wajah dengan menggunakan

metode

Bidirectional Associative Memory. Algoritma ini memiliki dua proses,

yaitu proses pelatihan dan pengujian. Proses pelatihan diawali dengan mengambil

nilai bipolar dari citra digital (foto) yang menjadi inputan dengan cara mengubah

citra tersebut menjadi citra

grayscale, lalu dengan menggunakan nilai

threshold,

citra grayscale

tersebut diubah menjadi citrra biner (1 dan 0), lalu nilai 0 diubah

menjadi nilai -1, sehingga didapatkan nilai bipolar dari citra inputan. Citra bipolar

akan dikalikan dengan target masing- masing inputan untuk menghasilkan nilai

matriks bobot (W ) yang dapat menampung semua citra inputan. Proses pengujian

dilakukan dengan mengambil inputan melalui kamera

webcam, lalu diubah

menjadi nilai bipolar dan dikalikan dengan matriks bobot (W) yang telah

dihasilkan pada proses pelatihan. Sehingga aplikasi ini dapat mengenali citra yang

diambil melalui kamera

webcam. Sistem absensi wajah ini sangat bergantung

pada intensitas cahaya yang ada pada foto. Apabila intensitas cahaya pada foto di

proses pelatihan hampir sama dengan foto di proses pengujian, maka foto akan

dapat dikenali. Namun jika perbedaan intensitas cahaya sangat signifikan, maka

foto tidak dapat dikenali. Dari 20 kali pengujian, hanya sekitar 62,5% yang dapat

dikenali. 37,5% lainnya tidak dapat dikenali karena memiliki intensitas cahaya

yang berbeda.

(8)

IMPLEMENTATION OF BIDIRECTIONAL ASSOCIATIVE MEMORY

METHOD FOR FACE IDENTIFICATION- BASED PRESENCE

RECORD (Case Study : Student of Faculty of Computer Science

and Information Technology USU)

ABSTRACT

Presence record is one of the most important administrative requirements in an

education system, especially for student. However, many students still consider

presence record as not important which often results in falsification of the

presence record. In this paper, the issues raised is creating a presence record

application of face identification-based by using Bidirectional Associative

Memory method. This algorithm has two processes, which are training and testing

process. Training process is started from converting the digital images input into

grayscale images and then converting these images into binary (0 or 1) values.

The zero values are converted to -1 to obtain bipolar values of the original

digital images input. The bipolar image will be multiplied with its own target to

produce the weight matrix (W). Testing process is done by capturing a photo by

webcam and converting it into bipolar values which will be multiplied by the

weight matrix obtained from the training pocess. So this system can recognize it.

This system is depending on light intensity. If the light intensity of photo in

training process is similiar with light intensity of photoes in testing process, so

this photo will be recognized. But, if the difference is very significant, this photo

won’t be recognized.

From 20 times experiments, there is 62,5% of photoescan be

recognized. And others can’t be recognized is caused by the light intensity of

photoes in training process is different in testing process.

(9)

DAFTAR ISI

Halaman

Persetujuan ... ii

Pernyataan ... iii

Penghargaan ... iv

Abstrak ... vi

Abstract ... vii

Daftar Isi ... viii

Daftar Tabel... x

Daftar Gambar ... xi

Bab I : Pendahuluan ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 2

1.3. Batasan Masalah ... 2

1.4. Tujuan Penelitian ... 2

1.5. Manfaat Penelitian ... 3

1.6. Metodologi Penulisan ... 3

1.7. Sistematika Penulisan ... 4

Bab II : Landasan Teori... 6

2.1. Pengolahan Citra ... 6

2.2. Jaringan Syaraf Tiruan ... 8

2.3. Komponen Jaringan Syaraf Tiruan ... 9

2.4. Arsitektur Jaringan ... 11

2.4.1. Jaringan dengan Lapisan Tunggal... 11

2.4.2. Jaringan dengan Lapisan Banyak ... 12

2.4.3. Jaringan dengan Lapisan Kompetitif... 13

2.5. Fungsi Aktivasi Bipolar dengan Threshold... 13

2.6. Fungsi Pembelajaran ... 14

2.6.1. Pembelajaran Terawasi (Supervised Learning)... 15

(10)

2.7. Bidirectional Associative Memory ... 16

2.7.1. BAM Diskret ... 16

2.7.2. BAM Kontinu ... 17

2.7.3. Kapasitas Memori BAM ... 22

Bab III : Analisis dan Perancangan Sistem ... 23

3.1. Analisis Masalah ... 23

3.2. Analisis Kebutuhan Sistem... 23

3.2.1. Kebutuhan fungsional sistem ... 23

3.2.1. Kebutuhan non- fungsional sistem ... 24

3.3. Pemodelan Sistem ... 24

3.4. Flowchart Sistem ... 33

3.4.1. Flowchart Sistem Secara Umum... 34

3.4.2. Flowchart Pelatihan Sistem ... 35

3.4.3. Flowchart Pengujian Sistem ... 36

3.4.4. Flowchart Algoritma BAM... 37

3.5. DFD dan ERD ... 37

3.5.1. DFD ... 37

3.5.2. ERD ... 38

3.6. Perancangan Antarmuka Sistem... 38

3.6.1. Form Utama ... 38

3.6.2. Form Mulai Absen ... 39

3.6.3. Form Admin... 40

3.6.4. Form Pelatihan ... 40

3.6.5. Form Rekaiptulasi Data Absensi ... 42

3.6.6. Form Data Mahasiswa ... 43

Bab IV : Implementasi dan Pengujian ... 44

4.1. Implementasi ... 44

4.2. Pengujian ... 52

(11)

Daftar Pustaka ... 70

Lampiran Angket Pengujian ... A1

Lampiran Listing Program ... B1

(12)

DAFTAR TABEL

Halaman

Tabel 3.1. Dokumentasi Naratif Use Case Pelatihan Inputan... 24

Tabel 3.2. Dokumentasi Naratif Use Case Pengujian Inputan... 27

Tabel 4.1. Hasil Pengujian Webcam

untuk sample „Lily‟

... 54

untuk sample „Zulfikri‟

... 57

untuk sample „Yayang‟

... 60

untuk sample „Aisyah‟

... 62

Tabel 4.5. Hasil Pengamatan untuk Pertanyaan Nomor 1 ... 67

(13)

DAFTAR GAMBAR

Halaman

Gambar 2.1. Susunan syaraf manusia ... 7

Gambar 2.2. Struktur neuron jaringan syaraf ... 8

Gambar 2.3. Jaringan syaraf dengan lapisan tunggal... 10

Gambar 2.4. Jaringan syaraf dengan banyak lapisan. ... 11

Gambar 2.5. Fungsi aktivasi: Bipolar (threshold)... 12

Gambar 2.6. Arsitektur BAM... 14

Gambar 2.7. Matriks 3x3 untuk BAM. ... 15

Gambar 3.1. Diagram Ishikawa Analisis Permasalahan ... 19

Gambar 3.2. Use case Diagram Sistem Absensi Wajah ... 21

Gambar 3.3. Activity Diagram untuk Proses Absensi Wajah ... 22

Gambar 3.4. Sequence Diagram untuk Absensi Wajah ... 23

Gambar 3.5. Activity Diagram untuk Proses Pelatihan Inputan... 25

Gambar 3.6. Sequence diagram untuk Proses Pelatihan Input ... 26

Gambar 3.7. Activity Diagram untuk Proses Pengujian Inputan... 28

Gambar 3.8. Sequence Diagram untuk Proses Pengujian Inputan... 28

Gambar 3.9. Flowchart sistem secara umum ... 29

Gambar 3.10. Flowchart Pelatihan Sistem... 30

Gambar 3.11 Flowchart Pengujian Sistem ... 31

Gambar 3.12. Fowchart Algoritma BAM ... 32

Gambar 3.13. DFD Level 0 ...

Gambar 3.14. DFD Level 1 ...

Gambar 3.15 DFD Levl 1 Proses 1 ...

Gambar 3.16 ERD ...

Gambar 3.17. Tampilan Rancangan Form Utama... 33

Gambar 3.18. Tampilan Form absensi ... 34

Gambar 3.19. Tampilan Antarmuka Admin Login ... 35

Gambar 3.20. Tampilan Antarmuka Admin... 35

Gambar 3.21. Tampilan Antarmuka Form Pelatihan ... 36

(14)

Gambar 3.23. Tampilan Form Data Mahasiswa ... 38

Gambar 4.1. Citra Asli Foto 100 x 100 piksel ... 44

Gambar 4.2. Nilai RGB dari Citra Asli ... 44

Gambar 4.3. Citra grayscale

... 45

Gambar 4.4. Nilai Grayscale dari Citra Asli ... 45

Gambar 4.5. Nilai Biner dari Citra Asli ... 46

Gambar 4.6. Citra Bipolar ... 46

Gambar 4.7. Nilai Bipolar dari Citra Asli ... 47

Gambar 4.8. Nilai W11 ... 48

Gambar 4.9. Nilai W_total ... 49

Gambar 4.10. Nilai x_in11 sebelum dibandingkan dengan threshold ... 50

Gambar 4.11. Nilai x_in11 setelah dibandingkan dengan threshold ... 50

Gambar 4.12 N ilai y_in11 ... 51

Gambar 4.13. Masukan Diambil dari Webcam ... 52

Gambar 4.14. Citra Grayscale Gambar Uji ... 52

Gambar 4.15. Nilai grayscale dari Gambar Uji ... 52

Gambar 4.16. Citra Hitam-Putih Gambar Uji ... 53

Gambar 4.17. Nilai Bipolar dari Gambar Uji ... 53

(15)

ABSTRAK

Absensi merupakan salah satu administrasi yang sangat penting bagi dunia

pendidikan, khususnya mahasiswa. Namun masih banyak mahasiswa yang

menganggap bahwa absensi hanya sebagai formalitas saja, sehingga sering terjadi

kecurangan dalam proses absensi. Pada skripsi ini, masalah yang diangkat adalah

pembuatan aplikasi absensi berbasis identifikasi wajah dengan menggunakan

metode

Bidirectional Associative Memory. Algoritma ini memiliki dua proses,

yaitu proses pelatihan dan pengujian. Proses pelatihan diawali dengan mengambil

nilai bipolar dari citra digital (foto) yang menjadi inputan dengan cara mengubah

citra tersebut menjadi citra

grayscale, lalu dengan menggunakan nilai

threshold,

citra grayscale

tersebut diubah menjadi citrra biner (1 dan 0), lalu nilai 0 diubah

menjadi nilai -1, sehingga didapatkan nilai bipolar dari citra inputan. Citra bipolar

akan dikalikan dengan target masing- masing inputan untuk menghasilkan nilai

matriks bobot (W ) yang dapat menampung semua citra inputan. Proses pengujian

dilakukan dengan mengambil inputan melalui kamera

webcam, lalu diubah

menjadi nilai bipolar dan dikalikan dengan matriks bobot (W) yang telah

dihasilkan pada proses pelatihan. Sehingga aplikasi ini dapat mengenali citra yang

diambil melalui kamera

webcam. Sistem absensi wajah ini sangat bergantung

pada intensitas cahaya yang ada pada foto. Apabila intensitas cahaya pada foto di

proses pelatihan hampir sama dengan foto di proses pengujian, maka foto akan

dapat dikenali. Namun jika perbedaan intensitas cahaya sangat signifikan, maka

foto tidak dapat dikenali. Dari 20 kali pengujian, hanya sekitar 62,5% yang dapat

dikenali. 37,5% lainnya tidak dapat dikenali karena memiliki intensitas cahaya

yang berbeda.

(16)

IMPLEMENTATION OF BIDIRECTIONAL ASSOCIATIVE MEMORY

METHOD FOR FACE IDENTIFICATION- BASED PRESENCE

RECORD (Case Study : Student of Faculty of Computer Science

and Information Technology USU)

ABSTRACT

Presence record is one of the most important administrative requirements in an

education system, especially for student. However, many students still consider

presence record as not important which often results in falsification of the

presence record. In this paper, the issues raised is creating a presence record

application of face identification-based by using Bidirectional Associative

Memory method. This algorithm has two processes, which are training and testing

process. Training process is started from converting the digital images input into

grayscale images and then converting these images into binary (0 or 1) values.

The zero values are converted to -1 to obtain bipolar values of the original

digital images input. The bipolar image will be multiplied with its own target to

produce the weight matrix (W). Testing process is done by capturing a photo by

webcam and converting it into bipolar values which will be multiplied by the

weight matrix obtained from the training pocess. So this system can recognize it.

This system is depending on light intensity. If the light intensity of photo in

training process is similiar with light intensity of photoes in testing process, so

this photo will be recognized. But, if the difference is very significant, this photo

won’t be recognized.

From 20 times experiments, there is 62,5% of photoescan be

recognized. And others can’t be recognized is caused by the light intensity of

photoes in training process is different in testing process.

(17)

BAB I

PENDAHULUAN

1.1.

Latar Belakang

Absensi merupakan data yang sangat penting dalam setiap kegiatan, baik itu

kegiatan perkuliahan maupun kegiatan perkantoran. Namun sering kali data-data

absensi ini kurang terlalu diperhatikan. Buktinya, masih banyak perguruan tinggi

yang masih menggunakan absensi konvensional (masih menggunakan kertas)

dalam kegiatan belajar-mengajarnya. Kondisi yang seperti ini tentu saja sangat

rentan terjadi kecurangan.

Absensi bukan merupakan administrasi pelengkap saja. Namun dari

absensi, terdapat informasi yang dibutuhkan, seperti tingkat kehadiran mahasiswa

yang akan mempengaruhi nilai mahasiswa nantinya. Namun karena absensi masih

rentan terhadap kecurangan, sehingga informasi yang dihasilkan masih diragukan

kebenarannya.

Salah satu instansi yang masih menggunakan absensi manual ini adalah

Tata Usaha S1 Ilmu Komputer Fasilkom-TI USU. Proses absensi dilakukan

dengan menandatangani kertas absensi. Beberapa mahasiswa pun menilai proses

absensi tersebut kurang sesuai dengan standar S1 Ilmu Komputer yang merupakan

program studi yang terakreditasi A yang selalu membahas tentang kemajuan

teknologi kepada para mahasiswanya.

Di Program Studi S1 Ilmu Komputer Fasilkom-TI USU sangat sering

terjadi kecurangan dalam mengisi absensi. Sehingga istilah „titip absen‟

merupakan hal yang biasa dilakukan oleh mahasiswa.

Oleh karena itu, Program Studi S1 Ilmu Komputer membutuhkan suatu

sistem yang dapat membuat proses absensi dapat menghasilkan informasi yang

lebih akurat dan sesuai dengan standarnya. Sistem yang dimaksud adalah absensi

(18)

Banyak algoritma yang dapat digunakan dalam proses pengenalan wajah.

Salah satunya adalah algoritma Jaringan Syaraf Tiruan

Bidirectional Associative

Memory (BAM).

Bidiretional Associative Memory adalah model

heteroassociative yang

terdiri dari dua lapis memori (A dan B) yang dapat diakses, kedua lapis neuron

sama-sama menyimpan pasangan kelompok pola vektor dan menggunakan aliran

perambatan informasi arah umpan maju dan arah umpan balik untuk mencari pola

yang tersimpan dalam memori. [4]. Metode ini memungkinkan untuk mengenali

pola wajah melalui sebagian dari keseluruhan wajah.

Dengan demikian, absensi yang berbasiskan identifikasi wajah ini dapat

diimplementasikan denngan menggunakan algoritma Jaringan Syara f Tiruan

Bidirectional Associative Memory.

1.2.

Rumusan Masalah

Rumusan masalah dalam penelitian ini adalah bagaimana mengurangi tingkat

kecurangan dalam absensi dengan mengimplementasikan sistem absensi yang

berbasiskan identifikasi wajah dengan algoritma

Memory.

1.3.

Batasan Masalah

Batasan masalah dalam penelitian ini adalah sebagai berikut :

1.

Wajah yang akan dideteksi adalah wajah yang menghadap tegak ke depan

(seperti pas foto) yang diambil langsung melalui kamera laptop

2.

Latar pengambilan foto berwarna putih polos

3.

Satu orang memiliki 6 sample foto untuk proses pelatihan dalam JST

4.

Bahasa pemrograman yang digunakan adalah C#

5.

Menggunakan BAM Diskret

6.

Fungsi aktivasi yang digunakan adalah fungsi aktivasi bipolar (dengan

(19)

1.4.

Tujuan Penelitian

Tujuan dari penelitian ini adalah mengurangi tingkat kecurangan pada absensi

dengan menerapkan algoritma

Bidirectional Associative Memory

pada sistem

absensi berbasiskan identifikasi wajah

1.5.

Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah mengurangi tingkat

kecurangan pada absensi sehingga dapat membantu dosen di Program Studi S1

Ilmu Komputer Fasilkom- TI USU untuk melihat tingkat kehadiran mahasiswa

melalui sistem absensi yang berbasis identifikasi wajah denga n metode

Bidirectional Associative Memory.

1.6.

Metodologi Penelitian

Metodologi yang digunakan dalam penelitian tugas akhir ini adalah sebagai

berikut :

1.

Studi Literatur

Pada tahap ini dilakukan pencarian dan pengumpulan referensi yang

berhubungan dengan jaringan syaraf tiruan dan algoritma

Bidirectional

Associative Memory dalam bentuk buku, jurnal ataupun skripsi yang telah

dilakukan oleh mahasiswa lain.

2.

Wawancara

Karena studi kasus penelitian ini adalah mahasiswa di Program Studi S1

Ilmu Komputer Fasilkom- TI USU, maka dilakukan wawancara dengan

salah satu mahasiswa terkait dengan sistem absensi yang ada.

3.

Analisis masalah

Data yang diperoleh dari hasil studi litera tur dan wawancara dianalisis

untuk merencanakan pembuatan sistem yang sesuai dengan kebutuhan.

4.

Perancangan Sistem

Pada tahap ini dilakukan perancangan flowchart dan interface dari sistem

(20)

5.

Implementasi Sistem

Pada tahap ini, sistem akan diimplementasikan dengan bahasa

pemrograman C# untuk menerapkan algoritma

Memory.

6.

Pengujian Sistem

Sistem akan diuji dengan diberi berbagai inputan yang sedikit berbeda

dengan pola sebelumnya untuk melihat seberapa akurat sistem yang dibuat

dengan algoritma ini.

7.

Dokumentasi

Pada tahap ini dilakukan penyusunan laporan dari hasil analisis dan

perancangan sistem dalam format penulisan penelitian.

1.7.

Sistematika Penulisan

Agar pembahasan lebih sistematis, maka tulisan ini dibuat dalam lima bab, yaitu :

Bab I

Pendahuluan

Berisi latar belakang, perumusan masalah, batasan masalah, tujuan,

manfaat penelitian, metodologi penelitian dan sistematika penulisan.

Bab II

Landasan Teori

Bab ini menjelaskan tentang dasar teori yang digunakan sebagai

sumber referensi untuk

pemahaman

algoritma

Bidirectional

Associative Memory

Bab III

Analisis dan Perancangan

Bab ini menjelaskan tentang analisis mengenai proses kerja algoritma

serta perancangan tampilan form

sistem.

Bab IV

Algoritma dan Implementasi

(21)

Bab V

Kesimpulan dan Saran

Bab ini menjelaskan tentang kesimpulan yang dapat diperoleh setelah

menyelesaikan tugas akhir ini dan saran-saran untuk pengembangan

(22)

BAB II

LANDASAN TEORI

2.1.

Pengolahan Citra

Citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Dan

pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan

komputer, menjadi citra yang kualitasnya lebih baik [8].

Agar dapat diproses di komputer, maka foto inputan harus mengalami

proses digitalisasi citra. Hasil dari prosesdigitalisasi inilah yang disebut sebagai

citra digital. Proses digitalisasi citra daat menggunakan teknik

sampling,

yaitu

teknik penerokan dimana citr asli diterok pada grid-grid yang berbentuk bujur

sangkar dengan koordinat (x,y).Lalu dilanjutkan dengan proses kuantisasi.

Proses kuantisasi membagi citra dengan skala keabuan (0,

L) menjadi

G

buah level yang dinyatakan dalam satu buah bilangan bulat integer. Biasanya nilai

G diambil dari perpangkatan dua

G = 2

m

Dimana G adalah derajat keabuan, sedangkan m adalah bilangan bulai positif

Tabel 2.1 Tabel Skala Keabuan

Skala Keabuan

Rentang Nilai

Keabuan

Pixel Depth

2

1

(2 nilai)

0 dan 1

1 bit

2

(4 nilai)

0 sampai 7

2 bit

2

3

(16 nilai)

0 sampai 15

3 bit

2

8

(256 nilai)

0 sampai 255

8 bit

Hitam dinyatakan dengan nilai derajat keabuan terendah, yaitu 0,

sedangkan putih dinyatakan dengan nilai derajat keabuan tertinggi, misalnya 15

(23)

keabuan piksel disebut kedalaman piksel (pixel depth). Citra sering diasosiasikan

dengan kedalaman pikselnya. Jadi, citra dengan kedalaman 8 bit disebut juga citra

8-bit (atau citra 256 warna)

Setiap citra memiliki tiga kombinasi warna terbesar, yaitu warna merah

(Red), warna hijau (Green), dan warna biru (Blue). Masing- masing warna

memiliki nilai derajat keabuan sebesar 2

7

dengan rentang nilai antara 0

–

255.

Setelah mendapat nilai derajat keabuan pada s etiap warna

RGB,

maka

harus dilakukan proses

grayscale

lalu diubah lagi ke citra biner berdasarkan

threshold

lalu matriks gambar dalam citra biner diubah lagi dalam bentuk bipolar

agar dapat diproses di dalam komputer.

Untuk mengubah citra berwarna yang mempunyai nilai matriks

masing- masing

r, g

dan b menjadi citra

grayscale dengan nilai s, maka

konversi

dapat

dilakukan dengan mengambil rata-rata dari nilai r, g dan b

sehingga dapat dituliskan menjadi: [8]

3

b

g

r

s





dengan :

s

: nilai piksel pada citra grayscale

r

: nilai bit red pada piksel citra RGB

g : nilai bit green pada piksel citra RGB

b : nilai bit blue pada piksel citra RGB

Thresholding

digunakan untuk mengatur jumlah derajat keabuan yang

ada

pada

citra.

Dengan menggunakan thresholding,

derajat

keabuan bisa diubah sesuai keinginan. [7]

Mengubah gambar ke biner prosesnya hampir sama dengan mengubah

gambar ke grayscale, bedanya, warna rata-rata akan dikelompokkan menjadi dua,

(24)

tengahnya, yaitu 128. Jika di bawah 128 maka warna akan cenderung hitam dan

jika di atas 128 warna akan cenderung putih.[ 7]

2.2.

Jaringan Syaraf Tiruan

Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak

manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada

otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini

diimplementasikan dengan menggunakan program komputer yang mampu

menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. [5]

Jaringan syaraf tiruan digunakan untuk menyelesaikan masalah-masalah

kompleks dan sulit dipahami. Dimana sejumlah besar data mengenai masalah

tersebut telah dikumpulkan. Jaringan syaraf tiruan mencar i pola dan hubungan

dalam data yang sangat besar yang terlalu rumit dan sulit untuk dianalisis

manusia. Jaringan syaraf tiruan menemukan pengetahuan ini dengan

menggunakan perangkat keras dan piranti lunak yang menyerupai pola-pola

pemrosesan dalam otak manusia. Jaringan syaraf tiruan mempelajari pola-pola

dan jumlah data yang banyak dengan menyaring data, mencari hubungan,

membangun model, dan mengoreksi kesalahan model itu sendiri berkali-kali.[6]

Proses pembelajaran Jaringan Syaraf Tiruan ini serupa dengan syaraf

manusia.

Gambar 2.1. Susunan syaraf manusia

Sel-1

(Neuron-1)

Sel-2

(Neuron-2)

Inti Sel

(Neucleus)

Axon Dendrit

(25)

Gambar 1 menunjukkan susunan syaraf pada manusia. Setiap sel syaraf

(neuron) akan memiliki satu inti sel, inti sel ini nanti yang akan bertukar untuk

melakukan pemrosesan informasi. Informasi yang datang akan diterima oleh

dendrit. Selain menerima informasi, dendrit juga menyertai axon sebagai ke luaran

dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi

masukan bagi neuron lain yang mana antar dendrit kedua sel tersebut

dipertemukan dengan synapsis. Informasi yang dikirimkan antar neuron ini berupa

rangsangan yang dilewatkan melalui dendrit. Informasi yang datang dan diterima

oleh dendrit akan dijumlahkan dan dikirim melalui axon ke dendrit akhir yang

bersentuhan dengan dendrit dari neuron yang lain. Informasi ini akan diterima

oleh neuron lain jika memenuhi batasan tertentu, yang sering dikenal dengan

nama nilai ambang (threshold

). Pada kasus ini, neuron tersebut dikatakan

teraktivasi. Hubungan antar neuron terjadi secara adaptif, artinya struktur

hubungan tersebut terjadi secara dinamis. Otak manusia selalu memiliki

kemampuan untuk belajar dengan melakukan adaptasi.

2.3.

Komponen Jaringan Syaraf Tiruan

Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki

komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf

juga terdiri-dari beberapa neuron, dan ada hubungan antara neuron-neuron

tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang

diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada

jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut

disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 2.2 menunjukkan

(26)

Gambar 2.2. Struktur neuron jaringan syaraf

Jika kita lihat, neuron buatan ini sebenarnya mirip dengan sel neuron

biologis. Neuron- neuron buatan tersebut bekerja dengan cara yang sama pula

dengan neuron-neuron biologis. Informasi (disebut dengan: input) akan dikirim ke

neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu

fungsi perambatan yang akan menjumlahkan nilai- nilai semua bobot yang datang

yang dinotasikan seperti persamaan 2 dan persamaan 3. [1]









n

i

b

i

w

i

x

net

1

)

(

net

f

y



Keterangan :

y

: output yang dihasilkan

net

: jaringan yang dibentuk

f(net) : fungsi aktivasi

x

i

: inputan ke-i (i = 1,2,3,...,n)

w

i

: bobot untuk inputan ke-i

b

: bias

Fungsi

b

(bias) pada persamaan 2 memiliki peran sebagai penentu hasil

akhir. Misalnya, jika kita menginginkan hasil akhirnya bernilai -1, maka bobot

bias bisa kita berikan nilai negatif. Fungsi kerja bias hampir sama dengan fungsi

threshold.

Ada beberapa algoritma dalam JST yang menggunakan bias saja,

dengan nilai perbandingan 1 atau -1. Dan ada agoritma yang menggunakan

threshold saja, sehingga tidak menggunakan bias lagi.

... (2)

... (3)

f

x

1

x

2

x

3

x

i

y

w

1

w

2

w

3

(27)

Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai

ambang (threshold

) tertentu melalui fungsi aktivasi setiap neuron. Apabila input

tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan

diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila

neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output

melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya.

Demikian seterusnya.

Pada jaringan syaraf, neuron- neuron akan dikumpulkan dalam

lapisan-lapisan (layer

) yang disebut dengan lapisan neuron (neuron layers). Biasanya

neuron- neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan

sebelum dan sesudahnya (kecuali lapisan input dan lapisan output). Informasi

yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai

dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang

sering dikenal dengan nama lapisan tersembunyi (hidden layer). Tergantung pada

algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara

mundur pada jaringan.

2.4.

Arsitektur Jaringan

Seperti telah dijelaskan sebelumnya bahwa neuron- neuron dikelompokkan dalam

lapisan- lapisan. Umumnya, neuron- neuron yang terletak pada lapisan yang sama

akan memiliki keadaan yang sama. Faktor terpenting dalam menentukan kelakuan

suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang

sama, neuron akan memiliki fungsi aktivasi yang sama. Apabila

neuron-neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkan

dengan neuron-neuron pada lapisan yang lain (misalk an lapisan output), maka

setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi) juga harus

dihubungkan dengan setiap lapisan pada lapisan lainnya (misalkan lapisan

(28)

2.4.1.

Jaringan dengan lapisan tunggal (single layer net)

Jaringan yang semua inputnya terkoneksi secara langsung disebut jaringan dengan

lapis tunggal (single layer net).[

6] Jaringan ini hanya menerima input kemudian

secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan

tersembunyi (Gambar 2.3). Pada Gambar 8.4 tersebut, lapisan input memiliki 3

neuron, yaitu

X

1

, X

2

dan

X

3

. Sedangkan pada lapisan output memiliki 2 neuron

yaitu

Y

1

dan

Y

2

. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa

besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua

unit input akan dihubungkan dengan setiap unit output.

Gambar 2.3. Jaringan syaraf dengan lapisan tunggal

2.4.2.

Jaringan dengan banyak lapisan (multilayer net)

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak

diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan

tersembunyi), seperti terlihat pada Gambar 5. Umumnya, ada lapisan bobot-bobot

yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan

ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan

lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit. Namun

demikian, pada banyak kasus, pembelajaran pada jaringan dengan banyak lapisan

ini lebih sukses dalam menyelesaikan masalah.

N ilai input

L apis an I nput

Matriks bobot

L apis an

N ilai

w11

X1 X2 X3

(29)

Gambar 2.4. Jaringan syaraf dengan banyak lapisan.

2.4.3.

Jaringan dengan lapisan kompetitif (competitive layer net)

Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan

pada diagram arsitektur. Prinsip pada jaringan ini adalah “

winner takes all

” yang

artinya, hanya ada 1 neuron yang boleh aktif, yaitu neuron yang menghasilkan

output > 0, sementara neuron yang lain tidak aktif.

2.5.

Fungsi Aktivasi Bipolar (dengan

threshold

)

Fungsi bipolar memiliki output yang dihasilkan berupa 1, 0 atau

–

1 (Gambar 7).

Fungsi bipolar (dengan nilai ambang



) dirumuskan sebagai: [2]

















x

jika

x

jika

y

,

1

,

1

Gambar 2.5. Fungsi aktivasi: Bipolar (threshold

).

Nilai input

Lapisan Input

Matriks bobot pertama

Lapisan

Nilai output v11

X1 X2 X3

Z1 Z2

v12

v21 v22 _v 31 v32

Matriks bobot

Lapisan Output Y

w1 w2

0 1 y

x

(30)

2.6.

Proses Pembelajaran

Pada otak manusia, informasi yang dilewatkan dari satu neuron ke neuron yang

lainnya berbentuk rangsangan listrik melalui dendrit. Jika rangsangan tersebut

diterima oleh suatu neuron, maka neuron tersebut akan membangkitkan output ke

semua neuron yang berhubungan dengannya sampai informasi tersebut sampai ke

tujuannya yaitu terjadinya suatu reaksi. Jika rangsangan yang diterima terlalu

halus, maka output yang dibangkitkan oleh neuron tersebut tidak akan direspon.

Tentu saja sangatlah sulit untuk memahami bagaimana otak manusia bisa belajar.

Selama proses pembelajaran, terjadi perubahan yang cukup berarti pada

bobot-bobot yang menghubungkan antar neuron. Apabila ada rangsangan yang sama

dengan rangsangan yang telah diterima oleh neuron, maka neuron akan

memberikan reaksi dengan cepat. Namun apabila kelak ada rangsangan yang

berbeda dengan apa yang telah diterima oleh neuron, maka neuron akan segera

beradaptasi untuk memberikan reaksi yang sesuai. [5]

Jaringan syaraf akan mencoba untuk mensimulasikan kemampuan otak

manusia untuk belajar. Jaringan syaraf tiruan juga tersusun atas neuron-neuron

dan dendrit. Tidak seperti model biologis, jaringan syaraf memiliki struktur yang

tidak dapat diubah, dibangun oleh sejumlah neuron, dan memiliki nilai tertentu

yang menunjukkan seberapa besar koneksi antara neuron (yang dikenal dengan

nama bobot). Perubahan yang terjadi selama proses pembelajaran adalah

perubahan nilai bobot. Nilai bobot akan bertambah, jika informasi yang diberikan

oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi tidak

disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot yang

menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakuka n

pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga

mencapai suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai

mengindikasikan bahwa tiap-tiap input telah berhubungan dengan output yang

(31)

2.6.1.

Pembelajaran terawasi (supervised learning)

Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang

diharapkan telah diketahui sebelumnya.

Contoh: andaikan kita memiliki jaringan syaraf yang akan digunakan

untuk mengenali pasangan pola, misalkan pada operasi AND:

Input

target

0

1

0

1

0

1

Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron

pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan syaraf hingga

sampai ke neuron pada lapisan output. Lap isan output ini akan membangkitkan

pola output yang nantinya akan dicocokkan dengan pola output targetnya. Apabila

terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka

disini akan muncul error. Apabila nilai error ini masih cukup besar,

mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi.

2.6.2.

Pembelajaran tak terawasi (unsupervised learning)

Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output.

Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan

selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun

dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan

pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam

suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokan

(klasifikasi) pola.

2.7.

Bidirectional associative memory merupakan model heteroassociative yang terdiri

dari dua lapis memori (A dan

B) yang dapat diakses, kedua lapis neuron

(32)

perambatan informasi arah umpan maju dan arah umpan balik untuk mencari pola

yang tersimpan dalam memori.

Pada

bidirectional associative memory dimungkinkan adanya hubungan

timbal balik antara lapisan input dan lapisan output. Namun demikian bobot yang

menghubungkan satu neuron (A) di satu lapisan dengan neuron (B) di satu lapisan

lainnya akan sama dengan bobot yang menghubungkan neuron

(B) ke neuron (A).

Dengan kata lain, matrik bobot yang menghubungkan neuron- neuron pada lapisan

output ke lapisan input sama dengan tranpose matriks bobot neuron- neuron yang

menghubungkan lapisan input ke lapisan output. [5]

[image:32.596.210.404.331.485.2]

Secara umum, arsitektur BAM ditunjukkan seperti pada Gambar 8 [4]

Gambar 2.6. Arsitektur BAM

Ada 2 jenis jaringan syaraf tiruan BAM, yaitu : [2]

2.7.1.

BAM diskret

Pada BAM diskret, ada 2 kemungkinan tipe inputan, yaitu biner dan bipolar.

Matriks bobot dibuat sedemikian rupa sehingga dapat menyimpan pasangan

vektor input dan vektor ouput.

2.7.2.

BAM kontinu

BAM kontinyu akan mentransformasikan input secara lebih halus dan kontinu ke

(33)

digunakan adalah fungsi sigmoid. Penerapam BAM kontinu akan memiliki hasil

akhir seperti berikut.

-0.1401 (bias on the output unit)

0.4919 (weight from the first hidden unit)

-0.2913 (weight from the second hidden unit)

-0.3979 (weight from the third hidden unit)

0.3581 (weight from the fourth hidden unit)

Algoritma jaringan syaraf tiruan BAM adalah sebagai berikut :

1.

Set pola input dan pola output (pola input = x, pola output = y)

2.

Hitung matriks bobot dari lapisan X ke lapisan Y





j

T i

ij

x

y

W

*

3.

Recall pola input

ij i

i

x

W

in

y

_



*

4.

Tentukan nilai y

i

dengan membandingkan nilai y_in

i

dengan threshold

Jika y_in

i

>=



maka y

i

= 1

Jika y_in

i

<



maka y

i

= -1

5.

Balik arah, cari nilai x_in

i

T ij j

j

y

W

in

x

_



*

6.

Tentukan nilai x

i

dengan membandingkan nilai x_in

j

dengan threshold

Jika x_in

j

>= 

maka x

j

= 1

Jika x_in

j

< 

maka x

j

= -1

7.

Jika niai x

i

dan y

j

masih belum stabil, maka ulangi langkah 2-6

Keterangan :

W

ij

: Matriks bobot hubungan ke- i dan ke-j

x

i

: sinyal masukan ke-i

y

j

: sinyal keluaran ke-j

... (4)

... (5)

(34)

x_in

i

: masukan hasil olahan ke- i

y_in

j

: keluaran hasil olahan ke-j



: nilai ambang

Contoh :

Misalkan kita memiliki 2 matriks 3x3 yang mewakili bilangan huruf O dan

X. Tiap matriks berhubungan dengan kode bipolar seperti terlihat pada Gambar 9.

Gambar 2.7. Matriks 3x3 untuk BAM.

Contoh penerapan algoritma BAM :

1.

Atur pola input dan pola output

Kita bisa membawa tiap-tiap matriks menjadi satu bentuk vektor dengan

elemen-elemennya berupa bilangan biner -1 atau 1, sebagai berikut:

Pola 1 : Pola O

x

1

: 1 1 1 1

–

1 1 1 1

y

1

---> -1

1

Pola 2 : Pola X

x

2

: 1

–

1 1

–

1 1

–

1 1 -1

y

2

---> 1

1

2.

Hitung matriks bobot dari pola X ke pola Y

Matriks bobot untuk pola 1:

w

1

= x

1t

*

y

1

(35)







































1

*

1

w

Matriks bobot untuk pola 2 :

w

2

= x

2t

*

y

2

 

































1

*

1

2

w

total

= w

1

+ w

2

(36)

Matriks bobot tersebut menghubungkan antara neuron-neuron di lapisan

input ke neuron-neuron yang ada di lapisan output. Sedangkan matriks bobot yang

menghubungkan antara neuron-neuron di lapisan output ke neuron- neuron yang

ada di lapisan input adalan W

T

.

3.

Recall pola input

ij i

i

x

W

in

y

_



*

Tentukan nilai y

i

dengan membandingkan nilai y_in

i

dengan threshold

Jika y_in

i

>=



maka y

i

= 1

Jika y_in

i

<



maka y

i

= -1

















2

0

2

0

2

0

2

0

2

0

2

0

2

0

)

(

w

_total T

Kita bisa menguji bobot tersebut. Misalkan kita cobakan vektor input

pertama yang mewakili Huruf O, maka output yang diperoleh adalah:







10

8



2

0

2

0

2

0

2

0

2

0

2

0

*

1

)

(

*

_

1 1





















T total

w

x

in

y

Karena (y_in

1

(1) =

–

10 < 0, maka y

1

(1) = -1) dan (y_in

1

(2) = 8 > 0, maka

y

1

(2) = 1), maka nilai y

1

= [-1 1], sama dengan target yang diharapkan.

Untuk vektor input kedua yang mewakili Huruf X, maka output yang

(37)







10

8



2

0

2

0

2

0

2

0

2

0

2

0

*

1

)

(

*

_

₂ ₂



















T total

w

x

in

y

Karena (y_in

2

(1) = 10 > 0, maka

y

2

(1) = 1) dan (y_in

2

(2) = 8 > 0, maka

y

2

(2) = 1), maka nilai y

2

= [1 1], sama dengan target yang diharapkan.

4.

Balik arah, cari nilai x_in

i

Sekarang apabila dibalik, y digunakan sebagai input untuk mendapatkan x.

Misalkan kita cobakan vektor input pertama

y

1

= [-1 1], maka output yang

diperoleh adalah:

















2

0

2

0

2

0

2

0

2

0

2

0

2

0

*

]

1

[

)

(

*

_

in

₁

y

₁

w

_total T

x

]

1

[

]

2

[









Outputnya sama dengan target, yaitu Huruf O.

Untuk vektor input kedua yaitu y

2

= [1 1], maka output yang diperoleh adalah:

















2

0

2

0

2

0

2

0

2

0

2

0

2

0

*

]

1

[

)

(

*

_

in

₂

y

₂

w

_total T

x

]

1

[

]

2

[









(38)

2.7.3.

Kapasitas memori BAM

Salah satu kelemahan yang dimiliki oleh algoritma BAM adalah memiliki

kapasitas memori yang sangat rendah. Kapasitas memori maksimal yang dapat

ditampung oleh algoritma BAM adalah : [7]

)

,

min(

m

n

Keterangan :

m

: jumlah vektor input

(39)

BAB III

ANALISIS DAN PERANCANGAN SISTEM

3.1.

Analisis Masalah

Absensi merupakan administrasi yang sangat penting bagi setiap lembaga, baik

lembaga pemerintahan maupun non-pemerintahan. Namun terkadang, absensi

menjadi hal yang tidak terlalu diperhatikan. Sehingga menyebabkan absensi

menjadi rentan terhadap kecurangan. Hal ini mengakibatkan informasi dari data

absensi tersebut masih diragukan validitasnya.

Penyebab dan dampak dari permasalahan tersebut diperlihatkan pada

diagram Ishikawa pada Gambar 3.1.

Sistem Absensi

Wajah Staf

Material

Metode

Teknologi

Admin dan mahasiswa Bertindak sebagai user

Sering titip absen

Foto 100 x 100 piksel Kamera webcam

Absensi mengidentifikasi wajah

Bahasa c#

Gambar 3.1. Diagram Ishikawa Analisis Permasalahan

3.2.

Analisis Kebutuhan Sistem

Analisis kebutuhan sistem meliputi analisis kebutuhan fungsional sistem dan

analisis kebutuhan non-fungsional sistem.

3.2.1. Kebutuhan fungsional sistem

Kebutuhan fungsional yang harus dimiliki oleh sistem absensi berbasis

pengenalan wajah adalah :

(40)

2.

Sistem dapat melakukan proses

training

untuk setiap masukan sehingga

dapat menghasilkan suatu bobot matriks untuk semua masukan

3.

Sistem dapat mengenali wajah seseorang (masukan yang diuji) yang

diambil melalui kamera webcam

4.

Sistem menghasilkan keluaran berupa rekapitulasi data absensi pegawai

dan dosen per bulan

3.2.2. Kebutuhan non-fungsional sistem

Kebutuhan non-fungsional yang dimiliki oleh sistem adalah :

1.

Interface sistem mudah dipahami oleh user (pengguna)

2.

Sistem melakukan proses login untuk keamanan data

3.3.

Pemodelan Sistem

Secara umum, sistem absensi berbasis identifikasi wajah ini terdir i dari 2 proses,

yaitu proses pelatihan inputan dan proses pengujian inputan. Pemodelan kedua

proses tersebut akan digambarkan melalui UML (Unified Modelling Language)

yang mencakup

use case diagram, activity diagran, dan sequence diagram.

UML

merupakan satu kumpulan konvensi pemodelan yang digunakan untuk

menentukan atau menggambarkan sebuah sistem software yang terkait dengan

objek. [10]

Usecase diagram

adalah diagram yang menggambarkan aktor,

use case

dan relasinya sebagai suatu urutan tindakan yang memberikan nilai terukur untuk

aktor.

Activity diagram

menggambarkan aktifitas-aktifitas, objek, state, transisi

state dan event. Dengan kata lain, diagram ini menggambarkan alur aktivitas dari

(41)

Sequence diagram

menjelaskan interaksi objek yang disusun berdasarkan

urutan waktu. Secara mudahnya

sequence diagram adalah gambaran tahap demi

tahap, termasuk kronologi (urutan) perubahan secara logis dari sistem. [3]

Pembuatan

use case diagram dapat dimulai dengan menjawab pertanyaan berikut

:

1.

Siapa yang menggunakan sistem?

Jawaban

: user

2.

Siapa yang diperlukan untuk melaksanakan fungsi pada sistem?

Jawaban

: Admin dan pegawai/dosen

3.

Apa saja yang dapat dilakukan user pada sistem?

Jawaban

: melakukan pelatihan inputan dengan metode BAM,

[image:41.596.91.548.372.617.2]

pengujian inputan melalui kamera webcam, dan absensi

Gambar 3.2. Use case Diagram Sistem Absensi Wajah

Sistem Absensi berbasis Identifiksi Wajah

Absensi

wajah

Pelatihan inputan Pengujian inputan <<extends>>

<<extends>>

user

(42)

Admin Sistem Mahasiswa

Memasukan inputan Mengubah citra asli -> Grayscale

Grayscale -> bipolar

Pelatihan BAM Mengahasilkan bobot

Pengujian Menampilkan hasil pengujian

[image:42.596.89.506.130.476.2]

Mengambil foto melalui webcam

(43)

Top Package::Admin

:pelatihan :pengujian

Top Package::Mahasiswa

pelatiihan inputan

Menghasilkan bobot

bobot untuk proses pengujian

[image:43.596.131.491.163.417.2]

Hasil pengujian

Gambar 3.4. Sequence Diagram untuk Absensi Wajah

Tabel 3.1. Dokumentasi Naratif Use Case Pelatihan Inputan

Nama Use case

Pelatihan Inputan

Aktor

Admin

Deskripsi

Use case ini mendeskripsikan tentang proses

pelatihan inputan

Prakondisi

Telah memiliki inputan berupa foto yang akan diuji

Bidang Khas

Kegiatan User

Respon Sistem

1.

User login

2.

Sistem

memeriksa

username dan

password

3.

User mengklik

combo box

4.

Sistem

menampilkan

semua foto yang

akan diuji

5.

User mengklik

button

”

grayscale”

6.

Sistem

(44)

grayscale

7.

User mengklik

button “

biner”

8.

Sistem

mengubah citra

grayscale

menjadi citra

biner dan

menjadi citra

bipolar

9.

User mengklik

button

“training”

10. Sistem

men-training semua

inputan dan

menampilkan

Message Box

“Pelatihan

selesai”

Bidang Alternatif

Alt- Langkah 2 : jika username dan password salah,

sistem menampilkan Message Box

“username/password salah”

Post-Kondisi

Sistem menghasilkan matriks bobot

Admin

Sistem

Memasukan inputan Mengubah citra asli -> Grayscale

[image:44.596.108.504.82.350.2]

Pelatihan BAM Mengahasilkan bobot

(45)

Admin

:training_window :konversi_grayscale :konversi_biner :algoritma_BAM

input foto yang diuji

menampilkan citra asli foto

mengklik button grayscale

konversi_grayscale()

Citra_grayscale

menampilkan citra grayscale

mengklik button biner

konversi_biner()

Citra_biner

menampilkan citra biner

mengklik button "training"

training()

menyimpan nilai bobot

[image:45.596.129.495.112.576.2]

Pesan "Pelatihan selesai"

(46)

Tabel 3.2. Dokumentasi Naratif Use Case Pengujian Inputan

Nama Use case

Pengujian Inputan

Aktor

Mahasiswa

Deskripsi

Use case ini mendeskripsikan tentang proses

pengujian inputan

Prakondisi

Telah memiliki bobot matiks

Bidang Khas

Kegiatan User

Respon Sistem

1.

User mengambil

foto melalui

kamera webcam

dengan mengklik

“ambil gambar”

2.

Sistem

menyimpan

gambar dan

mengubah foto

warna menjadi

citra bipolar

3.

User mengklik

button

“absen”

4.

Sistem menguji

foto dengan

matriks bobot,

jika foto dikenali

akan

menampilkan

data pegawai

5.

User mengklik

button ”

tutup”

6.

Sistem

menampilkan

menu utama

(47)

Mahasiswa

Sistem

Mengambil inputan melalui webcam Mengubah citra asli -> Grayscale

[image:47.596.137.478.66.347.2]

Melakukan pengujian Menampilkan hasil pengajiian

Gambar 3.7. Activity Diagram untuk Proses Pengujian Inputan

Mahasiswa

:testing_window

Ambil foto melalui webcam

:konversi_grayscale()

Menampikan hasil foto

klik button "absen"

Konversi_grayscale()

:konversi_biner() :pengujian()

Konversi_biner()

Input dikali bobot total

Hasil pngujian

Menampilkan hasil pengujian

[image:47.596.125.506.378.669.2]

(48)

3.4.

Flowchart Sistem

3.4.1. Flowchart sistem secara umum

START

Pelatihan

Pengujian Set input dan target

Foto dikenali

Informasi

“Data dikenali”

Informasi

“Data tidak dikenali”

STOP Yes

[image:48.596.199.425.133.505.2]

No

(49)

3.4.2. Flowchart pelatihan sistem

START

Input data pelatihan

(foto)

grayscale

Biner è Bipolar

BAM

Bobot (W)

[image:49.596.263.356.93.486.2]

STOP

(50)

3.4.3. Flowchart pengujian sistem

START

Input data (dari webcam)

Grayscale

Biner è Bipolar

Matriks bipolar * bobot (W)

Foto dikenali

Informasi

“Data dikenali”

Informasi

“Data tidak dikenali”

STOP Yes

[image:50.596.188.428.99.557.2]

No

(51)

3.4.4. Flowchart algoritma BAM

START

Set matriks input (x), target (y)

Hitung bobot W W = x_iT.y_j

Recall Pola input y_ini = xi . W

y_in_i >= ɵ y_in_i < ɵ

y_i = 1 y_i = -1

Balik arah : Hitung

T i i y W

in

x_  *

x_in_i >= ɵ x_in_i < ɵ

STOP

Yes

No

Yes

No

Yes _No

x_i = 1 x_i = -1

[image:51.596.162.443.95.660.2]

Yes

(52)

3.5.

DFD dan ERD

3.5.1 DFD

Mahasiswa Sistem

Absensi Admin

Absen Reoprt ABsensi

Training pelatihan

Informasi Hasil training Info Absen berhasi

Gambar 3.13 DFD Level 0

1 BAM Mahasiswa

Absensi

Admin 1a. foto pelatihan 2a.foto pengujian Mahasiswa

2b. Data Absensi 1b. Data Mahasiswa

1c. Data Mahasiswa

2c. Data absensi

Gambar 3.14. DFD Level 1

Pelatihan

Penguijan Admin

Mahasiswa Absensi

Mahasiswa

Foto pelatihan Data mahasiswa

Data mahasiswa

Foto pengujian Data Absensi

[image:52.596.121.498.107.720.2]

Data Absensi

(53)

3.5.2. ERD

Gambar 3.16. ERD

3.5.3. Tabel yang digunakan pada database

Admin

NIP Varchar[30]

Password Varchar[20