Fakultas Ilmu Komputer
Universitas Brawijaya
3538
Rekognisi Wajah Pada Sistem Smart Class Untuk Deteksi Kehadiran
Mahasiswa Menggunakan Metode Viola Jones dan Local Binary Patterns
Histograms (LBPH) Berbasis Raspberry Pi
Fitrahadi Surya Dharma1, Fitri Utaminingrum2, Rizal Maulana3 Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1adi.psd@hotmail.com, 2f3_ningrum@ub.ac.id, 3rizal_lana@ub.ac.id
Abstrak
Rekognisi wajah merupakan salah satu teknik di dalam computer vision yang mampu mengenali wajah seseorang dari sebuah gambar. Penerapan rekognisi wajah ke dalam sistem presensi menjadi begitu penting mengingat masih ditemukannya kasus manipulasi data kehadiran oleh para mahasiswa di dalam sistem presensi yang menggunakan cara manual – pengisian tanda tangan pada lembar presensi. Kurang ketatnya pengawasan di dalam pengisian lembar presensi menjadi peristiwa yang rentan terhadap kasus pemanipulasian data kehadiran. Oleh karenanya di dalam penelitian ini mencoba untuk menghadirkan sebuah sistem presensi yang memanfaatkan gambar untuk mengetahui kehadiran mahasiswa. Caranya adalah dengan mengambil gambar menggunakan kamera yang di letakan di depan kelas, tepat di atas papan tulis menghadap ke arah mahasiswa. Dari gambar yang di ambil, sistem kemudian akan mendeteksi wajah mahasiswa dengan menggunakan metode Viola Jones dari OpenCV library yang dipadukan dengan deteksi piksel warna kulit YCbCr untuk menghindari deteksi palsu. Dan untuk pengenalan wajah mahasiswa akan dilakukan menggunakan metode Local Binary Patterns Histograms dari OpenCV library. Hasil akurasi yang diperoleh sistem menunjukkan tingkat akurasi pendeteksian sebesar 82,33% dan akurasi pengenalan sebesar 50,83% di waktu pagi, 61,11% di waktu siang, dan 58,89% di waktu malam. Rata-rata total waktu komputasi untuk deteksi satu mahasiswa adalah 0,293 detik, dua mahasiswa 0,297 detik, tiga mahasiswa 0,317 detik, empat mahasiswa 0,313 detik, lima mahasiswa 0,31 detik dan enam mahasiswa 0,307 detik. Sedangkan rata-rata total waktu komputasi pengenalan wajah untuk satu mahasiswa sebesar 2,17 detik, dua mahasiswa 2,58 detik, tiga mahasiswa 3,01 detik, empat mahasiswa 3,38 detik, lima mahasiswa 3,78 detik, dan enam mahasiswa 4,12 detik.
Kata kunci: Rekognisi Wajah, Local Binary Patterns Histograms, Viola Jones, Smart Class, Sistem Presensi Abstract
Facial recognition is one of the techniques in computer vision that is able to recognize a person's face from an image. The application of face recognition into the presence system is very important considering that there are still cases of attendance data manipulation by students in the presence system using manual - filling signatures on the attendance sheet. Lack of tight supervision in filling attendance sheets is an event that is vulnerable to cases of manipulating attendance data. Therefore in this study try to present a presence system that uses images to find out the presence of students. The trick is to take pictures using a camera that is placed in front of the class, just above the blackboard facing the student. From the images taken, the system will then detect the faces of students using the Viola Jones method of the OpenCV library combined with YCbCr skin color pixel detection to avoid false detection. And for face recognition students will be using the local binary patterns histograms method from the OpenCV library. Accuracy results obtained by the system showed the level of detection accuracy of 82.33% and recognition accuracy of 50.83% in the morning, 61.11% during the day, and 58.89% at night. The average total computing time for the detection of one student is 0.293 seconds, two students 0.297 seconds, three students 0.317 seconds, four students 0.313 seconds, five students 0.31 seconds and six students 0.307 seconds. While the average total face recognition computing time for one student is 2.17 seconds, two students 2.58 seconds, three students 3.01 seconds, four students 3.38 seconds, five students 3.78 seconds, and six students 4 .12 seconds..
1. PENDAHULUAN
Rekognisi wajah adalah salah satu teknik pengenalan yang dilakukan secara biometrik. Teknik pengenalan ini dilakukan dengan memanfaatkan gambar dari wajah seseorang yang kemudian diukur menggunakan perhitungan matematis sehingga akhirnya dapat dikenali oleh sistem. Teknik pengenalan ini dianggap sebagai salah satu aplikasi analisis dan pemrosesan gambar yang paling sukses di dalam beberapa tahun belakangan ini (Choudhary et al., 2016).
Salah satu contoh penerapan teknologi rekognisi wajah yang ada saat ini adalah pada sistem presensi. Penerapan rekognisi wajah pada sistem presensi telah dibuktikan oleh Balcho et al. (2012) mampu mengotomasi kehadiran seseorang di dalam kelas tanpa campur tangan dari manusia. Dengan mengacu kepada penelitian tersebut, maka penerapan rekognisi wajah pada sistem presensi dapat dijadikan sebagai alternatif lain dalam mengidentifikasi kehadiran seseorang di dalam kelas.
Alasan perlunya diterapkan rekognisi wajah di dalam sistem presensi adalah karena di dalam sistem presensi yang masih diberlakukan oleh Fakultas Ilmu Komputer Universitas Brawijaya terhadap mahasiswanya masih menggunakan cara manual, dimana setiap mahasiswa diminta untuk mengisi lembar presensi untuk menandai kehadirannya pada jam perkuliahan yang diambilnya. Pengisian presensi dengan cara tersebut masih rentan terhadap kasus kecurangan/manipulasi data kehadiran karena tidak ada yang mengetahui secara pasti apakah tanda tangan di dalam lembar presensi tersebut otentik ditulis oleh mahasiswa yang bersangkutan ataukah ditulis oleh mahasisawa lain. Sehingga data di dalam presensi tersebut masih belum bisa dijadikan bukti yang kuat dalam membenarkan kehadiran seorang mahasiswa di dalam kelas.
Apalagi jika dosen pengajar pada saat itu tidak melakukan pengecekan kembali terhadap lembar presensi yang telah diisi oleh mahasiswa. Maka dapat dipastikan peluang mahasiswa dalam memanipulasi data kehadiran akan semakin besar. Jika hal ini terus dibiarkan, maka dikhawatirkan sewaktu-waktu mahasiswa dapat menjadi terbiasa dalam memanipulasi data kehadirannya, menjadi mudah untuk bolos
kuliah, tidak memanfaatkan waktu kuliahnya dengan baik, dan akhirnya menyia-nyiakan pengorbanan orang tua yang telah membiayainya kuliah. Sehingga kasus di dalam sistem presensi manual ini perlu diberikan solusi agar bisa mencegah kecurangan tanda tangan yang bisa saja terjadi sewaktu-waktu.
Berdasarkan teknologi rekognisi wajah yang ada di dalam computer vision, maka penerapan rekognisi wajah mahasiswa bisa dijadikan sebagai metode alternatif di dalam memantau kehadiran mahasiswa. Penerapan teknologi rekognisi wajah ini adalah salah satu wujud dari penerapan teknologi smart class, dimana sarana pembelajaran di dalam kelas tersebut akan diintegrasikan dengan teknologi-teknologi pembelajaran seperti komputer, perangkat lunak khusus, teknologi audience response system, networking, dan kemampuan audio/visual (Block et al., 2015).
Dalam menerapkan salah satu fitur dari fungsi sistem smart class ini, nantinya sistem dapat melakukan pendeteksian dan pengenalan wajah. Proses pendeteksian wajah dilakukan dengan menggunakan metode Viola Jones yang berfungsi untuk menemukan lokasi wajah mahasiswa dari gambar scene ruang kelas. Metode Viola Jones dipilih karena berdasarkan penelitan Balchoh et al. (2012) disebutkan bahwa metode Viola Jones adalah metode yang paling efisien di dalam melakukan pendeteksian wajah. Sedangkan di dalam proses pengenalan wajah akan dilakukan dengan menggunakan metode Local Binary Patterns Histograms (LBPH). Metode Local Binary Patterns Histograms dipilih karena menurut Huang et al. (2011) metode Local Binary Patterns Histograms ini adalah metode klasifikasi yang bisa memberikan toleransi terhadap perubahan cahaya monotonik di dalam piksel gambar. Dari proses pendeteksian dan pengklasifikasian wajah ini nantinya akan dihasilkan suatu label. Label tersebut akan digunakan untuk mengetahui nama mahasiswa. Dari label-label yang terkumpul nantinya akan diketahui nama-nama mahasiswa yang hadir di dalam jam perkuliahan tersebut. Sehingga dosen pengajar dapat mengetahui siapa saja yang hadir dan yang tidak hadir berdasarkan daftar nama mahasiswa yang terdeteksi.
2. PERANCANGAN DAN IMPLEMENTASI
Fakultas Ilmu Komputer, Universitas Brawijaya 2.1. PERANCANGAN SISTEM
2.1.1. Perancangan Perangkat Keras
Perancangan perangkat keras di dalam penelitian ini menggunakan Raspberry Pi 3 Model B sebagai perangkat pemrosesan, Logitech C310 sebagai webcamera, pushbutton sebagai pen-trigger pengambilan gambar, monitor sebagai perangkat keluaran dan beberapa komponen pelengkap lainnya (seperti power, mouse dan keyboard).
Gambar 1 menunjukkan perancangan perangkat keras di dalam penelitian ini.
Gambar 1. Perancangan perangkat keras
2.1.2. Perancangan Perangkat Lunak
Perancangan perangkat lunak di dalam penelitian ini ditunjukkan pada Gambar 2.
Gambar 2. Perancangan perangkat lunak
Pada Gambar 2, proses di awali dengan menekan tombol pushbutton, kemudian proses pengambilan gambar dapat dilakukan. Dari
gambar yang diambil kemudian diterapkanlah proses pendeteksian wajah menggunakan metode Viola Jones yang diambil dari OpenCV library – dalam penelitian ini proses pendeteksian wajah juga akan dilengkapi dengan pengklasifikasi warna piksel kulit YCbCr untuk mengurangi hasil deteksi wajah palsu. Wajah yang terdeteksi dari proses pendeteksian wajah kemudian akan dikenali oleh sistem melalui metode Local Binary Patterns Histograms (LBPH) yang diambil dari OpenCV library. Hasil akhir dari proses secara keseluruhan adalah ditampilkannya nama-nama mahasiswa berdasarkan hasil rekognisi oleh sistem, dan beberapa informasi seputar sistem presensi kelas, seperti nama dosen, tanggal perkuliahan, dan jam perkuliahan.
Bentuk proses pengambilan gambar di dalam penelitian ini ditunjukkan pada Gambar 3, dimana proses pertamanya adalah memasukkan OpenCV library ke dalam main program sistem. Setelah OpenCV library tersedia, pengambilan gambar dapat dilakukan, dimana hasil tangkapan gambar akan disimpan ke dalam sistem untuk proses berikutnya – deteksi dan rekognisi wajah. Di tengah proses pengambilan gambar, terdapat subproses ‘pengisian nama dosen’ yang akan mengembalikan nama dosen pengajar berdasarkan hasil input-an pengguna melalui keyboard.
Gambar 3. Alur pengambilan gambar
Proses pengisian nama dosen di dalam penelitian ini ditunjukkan pada Gambar 4. Di sana nama dosen akan dimasukkan ke dalam sistem menggunakan sebuah perangkat
keyboard – dalam penelitian ini menggunakan jenis keyboard wireless. Jika nama dosen terdaftar di dalam daftar nama dosen yang telah dibuat, maka nama dosen beserta titelnya akan ditampilkan pada informasi kehadiran sistem. Namun, apabilan nama dosen tidak terdaftar, maka nama input-an yang diberikan akan ditampilkan apa adanya pada informasi kehadiran.
Gambar 4. Alur pengisian nama dosen
Setelah melewati proses pengambilan gambar, maka proses berikutnya adalah melakukan pendeteksian wajah. Di dalam proses tersebut, gambar yang telah tersimpan sebelumnya akan diuji apakah terdapat gambar wajah atau tidak di dalamnya dengan menggunakan metode Viola Jones dari OpenCV library. Secara keseluruhan, proses pendeteksian wajah dalam penelitian ini ditunjukkan pada Gambar 5.
Gambar 5. Alur pendeteksian wajah
Pada Gambar 5, setidaknya terdapat 3 subproses di tengah alur pendeteksian wajah, pertama ‘cek_file_pengujian’, kedua ‘resize area deteksi’, dan ketiga ‘deteksi warna kulit’. ‘Cek_file_pengujian’ digunakan untuk memastikan bahwa tidak ada file di dalam folder pengujian ketika proses pendeteksian berlangsung. ‘Resize area deteksi’ digunakan untuk memperlebar ukuran deteksi wajah dari OpenCV library. Dan ‘deteksi warna kulit’ digunakan untuk memastikan bahwa wajah yang terdeteksi adalah wajah manusia, yaitu dengan ditemukannya piksel warna kulit manusia di dalamnya – dalam penelitian ini, itu sudah dianggap sebagai gambar wajah.
Alur subproses ‘cek_file_pengujian’ dalam penelitian ini ditunjukkan pada Gambar 6. Dimana dalam prosesnya memerlukan input berupa lokasi (path) folder pengujian yang digunakan sebagai tempat menyimpan gambar wajah mahasiswa yang berhasil melewati proses pendeteksian wajah di penelitian ini.
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 6. Alur pengecekan file pengujian
Kemudian alur subproses ‘resize area deteksi’ di dalam penelitian ini ditunjukkan pada Gambar 7. Dimana dalam prosesnya memerlukan input berupa lokasi area wajah (x,y,w,h) pada gambar yang didapatkan dari metode Viola Jones pada OpenCV library.
Gambar 7. Alur resize area deteksi
Dan subproses terakhir di dalam pendeteksian wajah adalah ‘deteksi warna piksel’. Alur proses ‘deteksi warna kulit’ di dalam penelitian ini ditunjukkan pada Gambar 8. Dimana dalam prosesnya memerlukan input berupa gambar wajah yang terdeteksi oleh metode Viola Jones dari OpenCV library. Kemudian memfilternya dengan batas warna kulit piksel manusia pada ruang warna YCbCr – nilai ambang batas minimal dan maksimal diperoleh dari penelitian Patravali, Waykule and Katre (2014). Jika terdapat piksel yang memenuhi kriteria tersebut, maka dianggap
sebagai gambar wajah. Namun, jika tidak memenuhi kriteria, maka dianggap sebagai bukan gambar wajah (false detection).
Gambar 8. Alur deteksi piksel warna kulit
Apabila proses pendeteksian telah selesai dijalankan, maka setiap wajah yang terdeteksi akan tersimpan di dalam folder pengujian. Wajah-wajah tersebut akan dikenali pada tahap pengenalan wajah.
Setelah melewati proses pendeteksian wajah, maka proses berikutnya adalah pengenalan wajah. Proses ini baru dimulai apabila jumlah wajah yang terdeteksi pada proses pendeteksian wajah tidak sama dengan nol. Artinya jika ada wajah yang terdeteksi, maka gambar wajah tersebut akan melewati proses pengenalan wajah di dalam penelitian ini. Jika tidak ada ditemukan wajah, maka
proses pengenalan tidak akan
diberlangsungkan.
Kemudian, setelah diketahui bahwa terdapat wajah yang ingin dikenali, maka sistem akan memulai memanggil subproses ‘pembacaan data sampel’ – proses membaca seluruh data sampel mahasiswa yang tersedia di dalam sistem. Dari proses pembacaan data sampel akan diperoleh lis gambar sampel mahasiswa dalam bentuk citra grayscale dan
label terkait subject sampel tersebut (contoh: label s1 untuk sampel yang dibaca dari subject mahasiswa ke-1, s2 untuk sampel yang dibaca dari subject mahasiswa ke-2, dst).
Apabila proses pembacaan data sampel telah selesai, barulah sistem memulai proses training data sampel dengan menggunakan metode Local Binary Patterns Histograms (LBPH) dari OpenCV library.
Setelah melatih data sampel ke dalam sistem, proses berikutnya adalah membaca gambar wajah yang telah tersimpan sebelumnya dari proses pendeteksian wajah, merubahnya ke dalam citra grayscale, kemudian memprediksi nama pemilik wajah menggunakan metode Local Binary Patterns Histograms (LBPH) dari OpenCV library. Jika gambar wajah mahasiswa telah berhasil diprediksi, maka sistem akan menampilkan lis nama-nama mahasiswa yang gambar wajahnya telah dikenali oleh sistem pada informasi kehadiran sistem presensi.
Secara kesuluruhan, proses pengenalan wajah di dalam penelitian ini ditunjukkan pada Gambar 9 dan 10.
Gambar 9. Alur pengenalan wajah
Gambar 10. Alur pengenalan wajah (lanj.)
Alur subproses ‘pembacaan data sampel’ dalam penelitian ini ditunjukkan pada Gambar 11. Dimana dalam prosesnya memerlukan input berupa lokasi (path) data sampel mahasiswa yang tersimpan pada sistem.
Fakultas Ilmu Komputer, Universitas Brawijaya 2.2. IMPLEMENTASI SISTEM
2.2.1. Implementasi Perangkat Keras
Hasil implementasi perancangan perangkat keras dapat dilihat pada Gambar 12.
Gambar 12.Implementasi perangkat keras
2.2.2. Implementasi Perangkat Lunak
Hasil implementasi perangkat lunak dapat dilihat pada terminal linux pada layar monitor. 3. PENGUJIAN DAN ANALISIS SISTEM
Pengujian sistem diterapkan untuk mengetahui performa sistem pada penelitian ini. 3.1. Pengujian Pengambilan Gambar
Pengujian ini berfungsi untuk menguji fungsionalitas sistem ketika melakukan pengambilan gambar.
Tabel 1. Hasil Pengambilan Gambar
percobaan gambar status
1 berhasil
2 berhasil
3 berhasil
Percobaan pengambilan gambar menggunakan pushbutton dan webcamera logitech HD Webcam C310 pada penelitian ini berhasil diterapkan. Berhasilnya pengujian ini ditandai dengan berubahnya gambar pada lokasi “home/pi/Geany/test-data” di setiap kali pengambilan.
3.2. Pengujian Pengisian Nama Dosen
Pengujian ini berfungsi untuk menguji fungsionalitas sistem ketika menerima masukkan berupa teks untuk mengisi nama dosen pengajar pada sistem presensi.
Tabel 2. Hasil Pengisian Nama Dosen
percobaan teks input hasil 1 rizal 2 fitri 3 syauqy 4 adi 5 maudaw
Percobaan pengisian nama dosen menggunakan keyboard pada penelitian ini berhasil diterapkan. Berhasilnya pengujian ini ditandai dengan munculnya nama dosen pada sistem informasi presensi di terminal linux. Teks input yang terdaftar di dalam daftar nama dosen ditampilkan dengan lengkap (nama dosen beserta titelnya), seperti yang ditunjukkan di dalam percobaan ke-1,2, dan 3, sedangkan teks input yang tidak terdaftar pada daftar nama dosen tersebut akan ditampilkan apa adanya, seperti yang ditunjukkan pada percobaan ke-4 dan ke-5.
3.3. Pengujian Akurasi Pendeteksian Wajah Pengujian ini berfungsi untuk menguji akurasi sistem ketika menerapkan pendeteksian wajah Viola Jones dari OpenCV library ke dalam gambar uji. Hasil pengujian dapat dilihat pada Tabel 3.
percoba an gambar jumlah wajah jumlah yg terdeteksi error (%) 1 1 1 0 2 2 2 0 3 2 2 0 4 3 1 66,67 5 3 3 0 6 4 4 60 7 5 2 0 8 5 5 0 9 6 4 33,33 10 6 5 16,67 rata-rata error 17,67
Hasil pengujian pada Tabel 3 menunjukkan rata-rata error pendeteksian wajah sebesar 17,67%. Dari nilai tersebut, akan diperoleh nilai akurasi deteksi wajah sebesar 82,33%.
3.4. Pengujian Akurasi Pengenalan Wajah Pengujian ini berfungsi untuk menguji akurasi sistem ketika menerapkan pengenalan wajah Local Binary Patterns Histograms dari OpencCV library ke dalam gambar uji yang diterapkan di waktu pagi, siang, dan malam hari. Untuk membandingkan hasil pengujian di setiap waktunya, maka disajikan hasil pengujian pengenalan wajah pada tiga waktu berbeda, yang masing-masing jumlah uji mahasiswanya diambil sebanyak tiga kali pengambilan gambar. Berikut hasil pengujian pengenalan wajah di waktu pagi dapat dilihat pada Tabel 4.
Tabel 4.Pengujian pengenalan wajah di pagi hari
jumlah mahasi swa jumlah error (%) rata-rata error (%) pengam bilan gambar ke-1 pengam bilan gambar ke-2 pengam bilan gambar ke-3 1 0 100 0 33,33 2 0 0 50 16,67 3 100 66,67 66,67 77,78 4 75 50 50 66,67 5 60 40 60 53,33 6 66,67 50 50 55,56
rata-rata error di waktu pagi 49,17
Sehingga dari hasil percobaan tersebut, didapatkan rata-rata persentase error pengenalan wajah di waktu pagi sebesar 49,17%.
Untuk pengujian pengenalan wajah di waktu siang dapat dilihat pada Tabel 5.
Tabel 5.Pengujian pengenalan wajah di siang hari
jumlah mahasi swa jumlah error (%) rata-rata error (%) pengam bilan gambar ke-1 pengam bilan gambar ke-2 pengam bilan gambar ke-3 1 100 100 0 66,67 2 0 50 50 33,33 3 33,33 33,33 0 22,22 4 50 25 25 33,33 5 40 0 60 33,33 6 33,33 50 50 44,44
rata-rata error di waktu siang 38,89
Dari hasil percobaan tersebut, didapatkan rata-rata persentase error pengenalan wajah di waktu siang sebesar 38,89%.
Dan untuk hasil pengujian di waktu malam dapat dilihat pada Tabel 6.
Fakultas Ilmu Komputer, Universitas Brawijaya
Tabel 6.Pengujian pengenalan wajah di malam hari
jumlah mahasi swa jumlah error (%) rata-rata error (%) pengam bilan gambar ke-1 pengam bilan gambar ke-2 pengam bilan gambar ke-3 1 0 100 0 33,33 2 0 0 100 33,33 3 33,33 66,67 33,33 44,44 4 50 75 25 50 5 40 40 60 46,67 6 16,67 50 50 38,89
rata-rata error di waktu malam 41,11
Dari hasil percobaan tersebut, didapatkan rata-rata persentase error pengenalan wajah di waktu malam sebesar 41,11%.
Sehingga dari hasil pengujian pada ketiga tabel tersebut diperolehlah tingkat persentasi kesalahan (error) tertinggi pada waktu pagi hari, yaitu sebesar 49,17%, kemudian di malam hari sebesar 41,11% dan di siang hari sebesar 38,89%.
Dari nilai error tersebut, maka akan diketahui nilai akurasi sistem pada waktu pagi, siang, dan malam hari. Untuk akurasi sistem di pagi hari adalah sebesar 50,83%, di siang hari sebesar 61,11%, dan di malam hari sebesar 58,89%.
3.5. Pengujian Waktu Pendeteksian dan Pengenalan
Pengujian waktu pendeteksian dan pengenalan wajah bertujuan untuk mengetahui rata-rata waktu yang dibutuhkan sistem untuk menjalankan fungsi pendeteksian dan pengenalan wajah selama proses presensi berlangsung. Dari hasil pengujian waktu pendeteksian di dalam sistem dapat dilihat pada Tabel 7.
Tabel 7.Pengujian Waktu Deteksi oleh Sistem
percoba an
waktu deteksi (detik)
1 oran g 2 oran g 3 oran g 4 oran g 5 oran g 6 oran g 1 0,29 0,3 0,32 0,31 0,31 0,3 2 0,29 0,29 0,32 0,31 0,32 0,31 3 0,3 0,3 0,31 0,32 0,3 0,31 rata-rata 0,29 3 0,29 7 0,31 7 0,31 3 0,31 0,30 7
Untuk mengilustrasikan hasil rata-rata perhitungan waktu deteksi, berikut grafik waktu pendeteksian oleh sistem ditunjukkan pada Gambar 16.
Gambar 16. Grafik rata-rata waktu pendeteksian wajah oleh sistem
Sedangkan hasil pengujian waktu rekognisi oleh sistem dapat dilihat pada Tabel 8.
Tabel 8.Pengujian Waktu Rekognisi oleh Sistem
percoba an
waktu rekognisi (detik)
1 oran g 2 oran g 3 oran g 4 oran g 5 oran g 6 oran g 1 2,18 2,59 3,01 3,36 3,75 4,13 2 2,17 2,59 3,01 3,37 3,85 4,12 3 2,16 2,56 3,0 3,4 3,75 4,11 rata-rata 2,17 2,58 3,01 3,38 3,78 4,12 0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4
1 orang 2 orang 3 orang 4 orang 5 orang 6 orang
W ak tu (d et ik ) Jumlah mahasiswa
Untuk mengilustrasikan hasil rata-rata perhitungan waktu rekognisi, berikut disajikan grafik rata-rata waktu pengenalan oleh sistem pada Gambar 17.
Gambar 17. Grafik rata-rata waktu pengenalan wajah oleh sistem
Setelah mendapatkan waktu pendeteksian dan pengenalan wajah di dalam sistem presensi tersebut maka dapat diketahui bahwa waktu pendeteksian tidak mengalami perubahan signifikan terhadap perubahan sampel uji, yaitu ketika pendeteksian untuk 1 orang sebesar 0,293 detik, ketika 2 orang sebesar 0,297 detik, ketika 3 orang sebesar 0,317 detik, ketika 4 orang sebesar 0,313 detik, ketika 5 orang sebesar 0,31 detik dan ketika 6 orang sebesar 0,307 detik. Sedangkan waktu pengenalan mengalami perubahan terhadap perubahan sampel uji, yaitu semakin bertambahnya jumlah uji maka semakin lama waktu yang dibutuhkan untuk mengenalinya, yaitu ketika pengenalan 1 orang dibutuhkan waktu sekitar 2,17 detik, ketika 2 orang sekitar 2,58 detik, ketika 3 orang sekitar 3,01 detik, ketika 4 orang sekitar 3,38 detik, ketika 5 orang sekitar 3,78 detik dan ketika 6 orang sekitar 4,12 detik.
4. KESIMPULAN
Nilai akurasi rekognisi wajah di dalam sistem presensi ini adalah sebesar 50,83% di waktu pagi, 61,11% di waktu siang, dan 58,89% di waktu malam. Dengan besar nilai akurasi pengenalan tersebut, maka metode Local Binary Patterns Histograms (LBPH)
masih belum bisa dijadikan pilihan dalam mengenali wajah-wajah mahasiswa dari dalam gambar untuk keperluan sistem presensi.
Saran untuk penelitian berikutnya untuk bisa menggunakan webcamera yang memiliki kerapatan piksel yang lebih tinggi daripada webcam Logitech C310 yang digunakan dalam penelitian ini. Jika ada metode pengenalan wajah yang lebih baik dari Local Binary Patterns Histograms (LBPH), maka bisa dicoba diaplikasikan pada penelitian ini.
5. DAFTAR PUSTAKA
Balcoh, N.K., Yousaf, M.H., Ahmad, W. and Baig, M.I., 2012. Algorithm for Efficient Attendance Management: Face Recognition based approach. IJCSI International Journal of Computer Science Issues, 9(4), pp.146– 150.
Block, G., Clearly, J., Fairfield, M., Henderson, A., Kuk, J., Perschall, Z. and Ramalingam, K., 2015. Smart Classroom Technology. Citizens Advisory Council, (5), pp.4–7.
Choudhary, A., Tripathi, A., Bajaj, A., Rathi, M. and Nandini, B.., 2016. Automatic Attendance Management System Using Face Recognition. International Journal of Modern Trends in Engineering and Research (IJMTER). Huang, D., Shan, C., Ardebilian, M., Wang, Y.
and Chen, L., 2011. Local Binary Patterns and Its Application to Facial Image Analysis : A Survey. pp.1–17. Patravali, S.D., Waykule, J. and Katre, A.D.,
2014. Skin Segmentation Using YCBCR and RGB Color Models International Journal of Advanced Research in Skin Segmentation Using YCBCR and RGB Color Models. International Journal of Advanced Research in Computer Science and Software Engineering, 4(August). 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
1 orang 2 orang 3 orang 4 orang 5 orang 6 orang
W ak tu (d et ik ) Jumlah mahasiswa
