ALGORITMA EIGENFACE
SKRIPSI
Oleh :
RAMANDIKA PERDANA WOLANG
0834010174
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
ALGORITMA EIGENFACE
SKRIPSI
Diajukan Untuk Memenuhi Sebagai Per syar atan Dalam Memperoleh Gelar Sar jana Komputer
Pr ogr am Studi Teknik Infor matika
Oleh :
RAMANDIKA PERDANA WOLANG
0834010174
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
Nama : Ramandika Perdana Wolang NPM : 0834010174
Pembimbing 1 : I Gede Susr ama M.D., ST., MT Pembimbing 2 : Chr ystia Aji Putra, S.Kom
J udul : PENGGUNAAN SISTEM PENGENALAN WAJ AH PADA SISTEM PRESENSI KARYAWAN MENGGUNAKAN ALGORITMA EIGENFACE
Dewasa ini, era computing kian maju, salah satu contohnya adalah absensi dengan sidik jari bahkan sampai dengan absen dengan kornea mata bisa dilakukan dengan mudah tanpa orang tersebut membawa kartu identitas pekerjaan mereka atau absen tulis tangan yang kurang efektif dan menyebabkan banyaknya kertas yang dipakai. Jadi dengan berkurangnya kita memakai kertas maka dapat memperlambat dampak pemanasan global, karena kertas didapat dari olahan kayu pulp.
Dalam Skripsi ini, aplikasi dirancang dengan pendekatan Trial and Error dimana algoritma ini mempunyai akurasi yang tidak akurat dibanding dengan algoritma Fisherface sehingga perlu dilakukan uji coba dengan berbagai kondisi dan banyaknya variabel peubah seperti cahaya matahari maupun latar belakang dari sebuah citra. Algoritma yang dipakai adalah algoritma Eigenface. Sistem yang dipakai merupakan segmentasi komputasi level rendah dan perangkat lunak ini merupakan program sederhana yaitu Sistem Presensi yang dimana akan ditambahkan sub-sistem pengenalan wajah. Jadi sistem dapat mengenal wajah seseorang dalam melakukan absensi, tetapi aplikasi ini juga harus dijalankan oleh operator juga dikarenakan akurasinya yang kurang memuaskan sehingga operator bisa mencocokkan wajah yang melakukan absensi. Aplikasi pencocokan wajah ini merupakan perbaikan program dan bukan coding dari awal, karena sebelumnya aplikasi ini pernah dibuat sebelumnya.
Dilakukan uji coba terhadap aplikasi ini dengan 22 absensi dengan wajah berbeda dan hasilnya menakjubkan, aplikasi ini dapat membedakan permukaan wajah satu sama lain. Sedangkan untuk wajah kembar, ada sedikit masalah dikarenakan pola wajah yang sama. Pada sistem ini hanya wajah saja yang valid untuk absensi.
Terima kasih kepada Tuhan Yang Maha Esa, yang memberi inspirasi dan solusi sehingga penulis dapat menyelesaikan tugas akhir ini dengan judul “PENGGUNAAN SISTEM PENGENALAN WAJAH PADA SISTEM PRESENSI KARYAWAN MENGGUNAKAN ALGORITMA EIGENFACE” yang merupakan persyaratan dalam memperoleh gelar Sarjana Komputer di Universitas Pembangunan Nasional “VETERAN” Jatim.
Penulis mengucapkan terima kasih yang sebesar-besarnya kepada pihak-pihak yang telah membantu baik materiil maupun dorongan spirituil untuk menyelesaikan penulisan tugas akhir ini, terutama kepada:
1. Bapak Prof. Dr. Ir. Teguh Soedarto, MP, selaku Rektor UPN “Veteran” Jatim. 2. Bapak Ir. Sutiyono, MT selaku DEKAN FTI UPN “VETERAN” Jatim. 3. Dr. Ir. Ni Ketut Sari, MT. selaku Kepala Jurusan Teknik Informatika, FTI
UPN “VETERAN” Jatim.
4. Bapak I Gede Susrama, ST. M.Kom, selaku Dosen Pembimbing pertama yang telah meluangkan waktu untuk memberikan bimbingan selama proses pelaksanaan Tugas Akhir penulis.
5. Bapak Chrystia Aji Putra, S.Kom, selaku Dosen Pembimbing kedua yang telah meluangkan waktu untuk memberikan bimbingan selama proses pelaksanaan Tugas Akhir penulis.
M.Kom. yang membantu tugas akhir ini
8. Dosen-dosen Teknik Informatika dan Sistem Informasi, staff dan segenap civitas akademika UPN “VETERAN” Jatim.
9. Special thank’s to: Laptop yang bekerja tanpa mati serta kawan-kawan Selamet Soendoro, Rury Asprianto, Rizky Firmansyah, Wawan Uchiha, Qiqi Oktariani, Alfiah, Rozzy, Esdrass, Hardika, Nugroho yang menjadi relawan percobaan aplikasi ini.
10.My best Friends: Seluruh teman-teman saya yang sudah mendukung saya dalam mengerjakan tugas akhir ini.
Penulis menyadari sepenuhnya masih banyak terdapat kekurangan dalam penulisan Tugas Akhir ini. Oleh sebab itu kritik serta saran yang membangun dari pembaca sangat membantu guna perbaikan dan pengembangan di masa yang akan datang.
Akhirnya dengan rahmat Tuhan Yang Maha Esa, penulis berharap semoga Tugas Akhir ini dapat memberikan manfaat bagi pembaca sekalian terutama mahasiswa di bidang komputer grafika dan komputer visi.
Surabaya, 24 Februari 2012
2.3 Pengenalan Wajah (Face Recognition) ... 18
2.3.1 Eigenface ……….. 19
2.3.2 Transformasi Karhunen-Loeve ……… 20
2.3.3 Eigenvalue dan Eigenvector ………. 22
2.3.4 Mencari Eigenvector ………. 22
2.4.1 Pengertian Microsoft Visual Basic 6.0 ... 31
2.4.2 Data Report ... 33
2.4.3 Database dan Data Kontrol ... 34
2.4.4 Aplikasi Database ... 34
2.4.5 Pengertian Sistem Informasi ... 36
2.4.6 Microsoft Access 2003 ... 38
4.1.13 Sub-Menu Petugas Presensi ……….……… 65
4.2 Cara Kerja Sistem Informasi ……….. 67
4.3 Kebutuhan Perangkat Keras ………... 68
4.4 Kebutuhan Perangkat Lunak ……….. 68
4.5 Input Data Karyawan ………. 69
4.6 Cara Kerja Algoritma Eigenface ……… 71
BAB V PENGUJIAN DAN ANALISIS ... 78
5.1 Lingkungan Pengujian ... 78
5.2 Uji Coba ... 78
BAB VI PENUTUP ... 84
6.1 Kesimpulan ... 84
Halaman
Gambar 2.1 Citra Digital ... 8
Gambar 2.2 Komposisi Warna RGB ... 9
Gambar 2.3 Tiga bidang studi yang berkaitan dengan citra ... 10
Gambar 2.4 Contoh Grafika Komputer ………... 11
Gambar 2.5 Penghitungan noise pada Pengolahan Citra ... 11
Gambar 2.6 Contoh Pengenalan Pola Tanda Tangan ... 12
Gambar 2.7 Alur proses identifikasi image dengan eigenface ... 25
Gambar 2.8 Penyusunan Flat Vector ... 28
Gambar 2.9 Penentuan Rataan Flat Vector ……… 28
Gambar 2.10 Perhitungan Eigenface ………... 29
Gambar 2.11 Perhitungan Nilai Eigenface untuk Testface ……….. 29
Gambar 2.12 Proses identifikasi dengan input image testface …………. 30
Gambar 3.1 Hubungan Antarsub Sistem ... 45
Gambar 3.2 Langkah-langkah proses identifikasi citra wajah ... 46
Gambar 3.3 Diagram Alir Normalisasi ... 48
Gambar 3.4 Flowchart Sub-Sistem Simplifikasi Pengenalan Wajah ... 49
Gambar 3.3 Context Diagram untuk Sistem Presensi ... 51
Gambar 3.4 DFD Level 1 untuk Sistem Presensi ... 52
Gambar 3.5 DFD Level 2 untuk proses input data karyawan ... 53
Gambar 3.6 DFD Level 2 untuk proses presensi ... 54
Gambar 4.1 Tampilan splash screen ... 56
Gambar 4.2 Halaman utama admin ... 58
Gambar 4.3 Halaman utama user standard ... 59
Gambar 4.4 Submenu File ……… 60
Gambar 4.5 Submenu Master Data ……….. 60
Gambar 4.6 Submenu Presensi ... 61
Gambar 4.7 Submenu Laporan ... 62
Gambar 4.8 Menu Help ………... 62
Gambar 4.9 Menu About ……….. 63
Gambar 4.10 Sub Menu Bagian Pekerjaan ... 63
Gambar 4.11 Sub Menu Jabatan ... 64
Gambar 4.12 Sub Menu Karyawan ... 64
Gambar 4.13 Sub Menu Petugas Presensi ... 65
Gambar 4.14 Sub Menu Ganti Password ... 65
Gambar 4.15 Sub Menu Akurasi Kamera ... 66
Gambar 4.16 Sub Menu Absensi ... 66
Gambar 4.17 Sub Menu Laporan Absensi ... 67
Gambar 4.18 Input Data Karyawan ... 69
Gambar 4.19 Data Grid Karyawan ... 70
Gambar 4.20 Jendela hasil tangkapan kamera ... 70
Gambar 4.21 Jendela tempat menyimpan foto sementara ... 71
Gambar 4.25 Capture image dengan webcam ………. 73
Gambar 4.26 Proses pencocokan citra ………. 74
Gambar 4.27 Proses cetakan citra hasil olah ……… 75
Gambar 4.28 Proses ekstraksi nilai eigenface ……….. 75
Gambar 4.29 Proses penghitungan nilai eigenface ………... 76
Gambar 4.30 Proses pengambilan data sesuai dengan nilai eigen ……… 77
Gambar 4.31 Penentuan jenis absensi ……….. 77
Gambar 5.1 Uji coba subjek pertama dengan normalisasi …... 79
Gambar 5.2 Uji coba subjek kedua dengan normalisasi ... 79
Gambar 5.3 Uji coba subjek ketiga dengan normalisasi ... 80
Gambar 5.4 Uji coba subjek keempat dengan normalisasi ... 80
Gambar 5.5 Grafik pie Akurasi dengan Normalisasi ... 82
Persamaan 2.3 Proyeksi x searah ... 21
Persamaan 2.4 Determinan ... 22
Persamaan 2.5 Pencarian Eigenvector ... 22
Persamaan 2.6 Matriks 2 x 2 ... 23
Persamaan 2.7 Polynomial ... 23
Persamaan 2.8 Matriks Y0 ... 23
Persamaan 2.9 Subtitusi Y0 dengan v ... 23
Persamaan 2.10 Hasil Subtitusi ... 23
Persamaan 2.11 Penyederhanaan ... 23
Persamaan 2.12 Eigenvalue ... 23
Persamaan 2.13 Persamaan Eigenvector ... 24
Persamaan 2.14 Himpunan S ... 25
Persamaan 2.15 Mean ... 26
Persamaan 2.16 Selisih nilai citra ... 26
Persamaan 2.17 Matriks Kovarian C dan L ... 26
Persamaan 2.18 Eigenvalue dan Eigenvector ... 26
Persamaan 2.19 Nilai Eigenface ... 26
Persamaan 2.20 Nilai kumpulan Eigenface ... 27
PENDAHULUAN
1.1Latar belakang
Dewasa ini, era computing semakin maju, tidak sedikit yang memakai teknologi neuro ataupun teknologi fuzzy untuk menambah sistem yang terkesan manual menjadi terasa termudahkan dengan sistem cerdas. Adanya sistem ini dapat mempermudah pengguna dalam melakukan suatu pekerjaan dengan cepat serta dapat mempersingkat jeda waktu pengerjaan. Kesadaran bisa dijadikan tanda hadirnya kecerdasan. Jika suatu mesin bisa menampilkan kualitas kecerdasan seperti manusia maka mesin itu dikatakan memiliki conscious.
Pendapat ini dikemukakan oleh Alan Turing yang pada tahun 1950 melakukan percobaan yang hasilnya bisa dipakai untuk menentukan apakah dalam praktiknya suatu mesin bisa dikatakan cerdas. Percobaan yang dilakukannya cukup sederhana. Jika seseorang memasuki ruangan dan menemukan 2 terminal: 1 terminal terkoneksi dengan Software AI dan 1 terminal terhubung dengan seseorang yang menuliskan respons.
Bidang penelitian Artificial Intelligence (AI) modern dibentuk pada konferensi di kampus Dartmouth College pada musim panas 1956, yang kemudian akan menjadi pemimpin penelitian-penelitian tentang AI selama beberapa dekade, terutama John McCarthy, Marvin Minsky, Allen Newel dan Herbert Simon yang mendirikan laboratorium AI di MIT, CMU dan Stanford. Mereka dan para mahasiswanya menulis program-program komputer yang menurut beberapa orang sangat mengagumkan. Komputer menjadi punya kemampuan dalam menyelesaikan masalah kata pada aljabar, membuktikan teori logika dan bahkan berbicara dalam bahasa Inggris. Pada tahun 60-an penelitian mereka sebagian besar didanai oleh Departemen Pertahanan Amerika Serikat.
Dengan perkembangan AI saat ini, ada berbagai macam AI, salah satunya adalah pengenalan pola, dimana salah satu dari algoritma pengenalan pola adalah pengenalan pola wajah yang populer saat ini adalah algoritma Eigenface. Dengan algoritma ini kita bisa mengenali wajah sesuai dengan pola
wajah lalu disesuaikan dengan pola wajah yang ada di dalam basis data dan mencocokannya dengan mencari nilai Eigen Value-nya. Jika sesuai maka wajah teridentifikasi. Dengan alogritma ini banyak sekali yang bisa diaplikasikan semisal pengaman rumah ataupu absensi pegawai.
1.2Rumusan Masalah
Adapun beberapa permasalahan yang ada sebagai berikut:
a) Bagaimana membangun sebuah sistem presensi yang menggunakan sub-sistem pengenalan wajah pada operasi absensi ?
b) Bagaimana membuat sub-sistem pengenalan wajah yang terintegrasi dengan sistem presensi ?
c) Bagaimana proses mencocokan citra dari seorang yang melakukan operasi absensi dengan data citra orang yang telah terdaftar sebelumnya ?
1.3Batasan Masalah
Dalam penyusunan tugas akhir ini, untuk mengatasi permasalahan yang ada maka penulis membatasi permasalahan sebagai berikut.
a) Sistem presensi ini hanya untuk absensi kedatangan pegawai/karyawan saja
b) Sistem ini hanya menangkap citra wajah saja dengan latar belakang ternormalisasi berwarna putih atau orange chiffon.
c) Citra yang dipakai untuk absensi tidak boleh kembar (wajah kembar). d) Ekspresif wajah yang valid yaitu ekspresif wajah normal.
e) Resolusi citra yang dipakai di bawah 160 x 120, supaya pemrosesan nilai Eigen value lebih cepat.
f) Sistem tetap menggunakan operator untuk memantau jalannya absensi ketika terdapat wajah yang tidak sesuai.
h) Hardware masukan yang dipakai adalah webcamera dengan resolusi minimal VGA ( 640 x 480 ).
i) Citra yang dikenali untuk pengenalan pola wajah adalah citra greyscale dengan rentang intensitas 0 – 255 atau setara 8 bit.
j) Pengguna harus menentukan posisi wajah sekarang dengan membandingkan dengan data posisi wajah sebelumnya.
k) Citra masukan tidak boleh sebuah foto fisik dari karyawan.
l) Sistem harus diimplementasikan pada ruangan dengan intensitas cahaya yang cukup serta latar belakang dengan satu warna cerah saja. m) Proses presensi mencatat kehadiran pegawai / karyawan dengan aturan
jika kedatangan kurang dari sama dengan jam 08.00, maka pegawai dianggap tidak terlambat. Dan terdapat 4 kondisi lagi seperti yang dijelaskan di bawah ini.
1) Jika kedatangan antara jam 08.00 s.d jam 08.15 maka akan dianggap terlambat dengan potongan kategori I (0,5% dari gaji pokok).
2) Jika kedatangan antara jam 08.15 s.d jam 08.30 maka akan dianggap terlambat dengan potongan kategori II (1% dari gaji pokok).
3) Jika kedatangan antara jam 08.30 s.d 08.45 maka akan dianggap terlambat dengan potongan kategori II (1,5% dari gaji pokok). 4) Jika kedatangan melebihi jam 08.45 atau tidak masuk tanpa alasan
yang jelas maka akan masuk ke kategori II (2% dari gaji pokok).
1.4Tujuan Penelitian
pengenalan wajah sebagai operasi absensi. Serta sebagai syarat pelengkap untuk memenuhi Tugas Akhir di Universitas Pembangunan Nasional “Veteran” Jatim.
1.5Manfaat Penelitian
Adapun manfaat dibuatnya Sistem presensi dengan pengenalan wajah ini adalah :
a) Membantu keamanan prosedur absensi dan citra bersifat unik karena setiap wajah memiliki karakteristik tersendiri.
b) Membantu ketertiban absensi dengan tidak titip absen ataupun menghilangkan hal kartu identitas pekerjaan yang ketinggalan dan sebagainya.
c) Membantu absensi agar lebih cepat dan sistem terlihat sederhana dan tidak membutuhkan buku absensi yang banyak.
d) Memberi keakurasian data yang tepat sesuai dengan wajah orang yang melakukan operasi absensi.
1.6Metode Penelitian
Metode yang dilaksanakan dalam penelitian ini adalah. a) Studi Literatur
b) Pengumpulan dan Analisa Data
Pengumpulan data-data yang berhubungan dengan masalah yang dihadapi dengan cara observasi, identifikasi, klasifikasi serta data analisa masalah sesuai dengan fakta-fakta yang ada. Maka dari pengumpulan data tersebut dapat dilakukan analisa data yaitu dalam proses pembuatan Sistem Presensi yang menggunakan sistem pengenalan wajah.
c) Perancangan Program
Melakukan analisa awal tentang sistem presensi yang akan dibuat yaitu suatu pemecahan masalah yang dilakukan melalui sistem pengenalan wajah dan bisa mencocokkan wajah yang diabsen dengan data yang ada di database .
d) Pengujian dan Analisa
Pengujian dan analisa dimaksudkan untuk mengetahui sejauh mana sistem yang dibuat pada proyek akhir ini dapat berfungsi sesuai dengan proses sistem yang diharapkan dan yang pasti sistem ini menggunakan metode Trial and Error guna untuk mengetahui suatu yang tidak berjalan pada saat sistem berjalan.
e) Kesimpulan
TINJ AUAN PUSTAKA
2.1Citr a
Menurut arti secara harafiah, citra (image) adalah gambar pada bidang dua dimensi. Ditinjau darin sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek, kemudian objek memantulkan kembali sebagian dari berkas cahaya. Pantulan cahaya ini ditangkap oleh alat-alat optic, seperti mata pada manusia, kamera, pemindai (scanner), dan lain-lain sehingga bayangan objek dalam bentuk citra dapat terekam. (Sitorus, Syahriol dkk, 2006).
Citra didefinisikan sebagai fungsi intensitas cahaya dua-dimensi f (x,y) dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik (x,y) sebanding dengan tingkat kecerahan (gray level) dari citra di titik tersebut (Gonzalez dalam Purwanto,Ari).
Citra sebagai output dari suatu sistem perekaman data dapat bersifat (Sitorus,Syahriol dkk, 2006):
1) Optik berupa foto.
2) Analog berupa sinyal Video seperti gambar pada monitor televise. 3) Digital yang dapat langsung disimpan pada media penyimpanan
magnetic.
Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam (still images) dan citra bergerak (moving images). Citra diam adalah citra tunggal
ditampilkan secara beruntun (sequential), sehingga member kesan pada mata sebagai gambar yang bergerak. Setiap citra didalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televise pada
hakekatnya terdiri dari ratusan sampai ribuan frame (Sitorus,Syahriol dkk, 2006).
Citra juga dapat dikelompokkan menjadi dua yaitu citra tampak seperti foto, gambar, lukisan, apa yang Nampak di layar monitor/televise, hologram, dan lain sebagainya. Sedangkan citra tidak Nampak seperti data foto/gambar dalam file, citra yang direpresentasikan dalam fungsi matematis (Hestiningsih, Idhawati).
Citra digital adalah citra dengan f (x,y) yang nilainya didigitalisasikan baik dalam koordinat spasial maupun dalam gray level. Digitalisasi dari koordinat spasial citra disebut dengan image sampling. Sedangkan digitalisasi dari gray level citra disebut dengan gray-level quantization. Citra digital dapat
dibayangkan sebagai suatu matriks dimana baris dan kolomnya merepresentasikan suatu titik di dalam citra, dan nilai elemen matriks tersebut menunjukkan gray level di titik tersebut (Gonzalez dalam Purwanto, Ari). Hal tersebut diilustrasikan oleh Gambar 2.1.
Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah,hijau, dan biru (Red, Green, Blue - RGB). Komposisi warna RGB tersebut dapat dilihat pada Gambar 2.2.
Gambar 2.2 Komposisi Warna RGB
Beberapa kegiatan yang berhubungan dengan citra (Idhawati Hestiningsih) : 1) Pencitraan (imaging)
Pencitraan merupakan kegiatan mengubah informasi dari citra tampak/citra non digital menjadi citra digital. Beberapa alat yang dapat digunakan untuk pencitraan antara lain seperti scanner, kamera digital, dan kamera sinar-x/sinar infra merah.
2) Pengolahan Citra
(blurring), mengandung noise (misal bintik-bintik putih), dan lain-lain sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang.
3) Analisis Citra
Analisis citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang.
Tiga bidang studi yang berkaitan dengan data citra dalam ilmu computer (Sitorus, Syahriol dkk, 2006):
1) Grafika Komputer (Computer Graphic). 2) Pengolahan Citra (Image Processing).
3) Pengenalan Pola (Pattern Recognition/Image Interpretation).
Hubungan dari ketiga bidang ilmu tersebut dapat dilihat pada Gambar 2.3.
Gambar 2.3 Tiga bidang studi yang berkaitan dengan citra
untuk melukis elemen-elemen gambar. Contoh dari data deskripstif adalah koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna dan lain-lain, Grafika komputer memainkan peranan penting dalam visualization dan virtual reality. Untuk lebih jelas, perhatikan Gambar 2.4.
Ga mbar 2.4 Contoh Grafika Komputer
Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin dalam hal ini computer. Teknik-teknik pengolahan citra yaitu mentransformasikan citra menjadi citra yang lain, tetapi citra keluaran mempunyai kualitas lebih baik daripada citra masukan. Termasuk dalam bidang ini juga adalah pemampatan citra. Proses pengolahan citra antara lain penghilangan derau (noise) dan penapisan (filtering) citra. Untuk lebih jelas, perhatikan Gambar 2.5.
Pengenalan pola adalah suatu aktivitas untuk mengelompokkan data numeric dan simbolik termasuk citra secara otomatis oleh mesin dalam hal ini computer. Tujuan dari pengelompokan adalah untuk mengenali suatu objek di dalam citra. Manusia dapat mengenali objek yang dilihatnya karena otak manusia telah belajar mengklasifikasi objek yang terdapat di alam, sehingga mampu membedakan suatu objek dengan objek lainnya. Kemampuan sistem visual manusia inilah yang dicoba untuk ditiru oleh mesin. Komputer menerima masukan berupa citra objek yang diidentifikasi, memproses citra dan memberikan keluaran berupa deskripsi objek di dalam citra. Untuk lebih jelas, perhatikan Gambar 2.6.
Ga mbar 2.6 Contoh Pengenalan Pola Tanda Tangan
Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akusisi citra, pengolahan citra, pengenalan dan membuat keputusan. Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks. Manusia melihat objek dengan indera penglihatan (mata), lalu citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan mata. Hasil interpretasi ini digunakan untuk pengambilan keputusan (Hestiningsih, Idhawati).
2.2 Pengenalan Pola
Pola adalah entitas yang terdefinisi atau didefinisikan melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi (Sitorus, Syahriol dkk, 2006). Pola adalah komposit/gabungan dari ciri yang merupakan sifat dari sebuah objek (Al Fatta, Hanif, 2009).
Beberapa contoh pola (Sitorus, Syahriol dkk, 2006):
1) Huruf, memiliki ciri-ciri seperti tinggi, tebal, titik sudut, dan lengkungan garis.
2) Suara, memiliki ciri-ciri seperti amplitude, frekuensi, nada, dan intonasi.
4) Sidik jari, memiliki ciri-ciri seperti lingkungan, dan jumlah garis. Ciri-ciri pada suatu pola diperoleh dari hasil pengukuran pada titik objek uji. Khusus pada pola yang terdapat didalam citra, ciri-ciri yang dapat diperoleh berasal dari informasi (Sitorus, Syahriol dkk, 2006):
1) Spasial, seperti intensitas piksel dan histogram. 2) Tepi, seperti arah dan kekuatan.
3) Kontur, seperti garis, ellips dan lingkaran.
4) Wilayah/bentuk, seperti keliling, luas dan pusat massa. 5) Hasil transformasi Fourier, seperti frekuensi.
Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan suatu obejk dengan objek yang lain (Sitorus, Syahriol dkk, 2006):
Pengenalan pola sendiri merupakan cabang dari kecerdasan buatan (Artificial Intelligence). Beberapa definisi tentang pengenalan pola, di antaranya:
1) Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau beberapa kategori. (Duda dan Hart dalam Al Fatta, Hanif, 2009). 2) Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi
(pengenalan) dari suatu pengukuran. (Schalkoff dalam Al Fatta, Hanif, 2009).
pengklasifikasian objek ke dalam kelas-kelas tertentu untuk menyelesaikan masalah tertentu.
Pengenalan pola merupakan cabang dari kecerdasan buatan yang saat ini berkembang pesat untuk mendukung aspek keamanan suatu sistem. Saat ini, aplikasi-aplikasi pengenalan pola juga sudah sangat beragam, di antaranya:
1) Voice recognition yang menggunakan pengenalan suara sebagai kunci bagi pengguna sistem.
2) Fingerprint identification yang menggunakan pengenalan sidik jari sebagai kunci telah terpakai secara luas sebagai pengganti password atau pin untuk mengakses sistem tertentu.
3) Face identification yang menggunakan pengenalan wajah sebagai kunci bagi pengguna sistem, bahkan saat ini badan penegak hokum sedang mengembangkan sistem untuk mengidentifikasi para buronan dengan melakukan scanning pada wajah para pelaku kejahatan yang sudah di-database-kan berdasarkan foto pelaku kejahatan tersebut. 4) Handwriting identification yang menggunakan pengenalan tulisan
yang telah secara luas digunakan oleh sistem perbankan untuk membuktikan pelaku transaksi adalah orang yang benar-benar berhak. 5) Optical Character Recognition (OCR) yang secara luas digunakan
pada counter pengecekan barang.
2.2.1 Komponen Sistem Pengenalan Pola
Sistem pengenalan pola dasar terdiri dari (Al Fatta, Hanif, 2009) : 1) Sensor
Sensor digunakan untuk menangkap objek yang ciri atau feature-nya akan diekstraksi.
2) Mekanisme Pre-processing
Mekanisme pengolahan objek yang ditangkap oleh sensor, bagian ini biasanya digunakan untuk mengurangi kompleksitas ciri yang akan dipakai untuk proses klasifikasi.
3) Mekanisme Pencari Feature
Bagian ini digunakan untuk mengekstraksi ciri yang telah melalui tahapan pre-processing untuk memisahkannya dari kumpulan ciri-ciri yang tidak
diperlukan dalam proses klasifikasi dari suatu objek. 4) Algoritma Pemilah
Pada tahapan ini klasifikasi dilakukan dengan menggunakan algoritma klasifikasi tertentu. Hasil dari tahapan ini adalah klasifikasi dari objek yang ditangkap ke dalam kriteria-kriteria yang telah ditentukan.
2.2.2 Pendekatan Pengenalan Pola
dengan membangun dan melatih suatu arsitektur yang secara akurat mengasosiasikan input pola tertentu dengan respon yang diharapkan.
1) Pendekatan Pengenalan Pola Statistikal
Pengenalan pola statistical memiliki asumsi suatu basis statistic untuk algoritma klasifikasi. Sekelompok karakteristik pengukuran yang menunjukkan ciri diekstraksi dari data input dan digunakan untuk menentukan setiap vector feature ke dalam suatu kelas. Ciri (feature) diasumsikan dihasilkan secara natural, sehingga model yang bersangkutan merupakan kelas-kelas probabilitas atau fungsi kepadatan probabilitas (Probability Density Function) yang telah dikondisikan.
a) Pola dipilah berdasarkan model statistic dari ciri.
b) Model statistic didefinisikan sebagai sebuah fungsi kerapatan ruang bersyarat kelas.
Pr (x|ci) dengan i=1, 2, 3, …,N.
2) Pendekatan Pengenalan Pola Sintaktik
Suatu pendekatan terhadap suatu pola citra dilakukan dengan menganalisis struktur pola dari citra.
a) Pola dipilah berdasarkan keserupaan ukuran structural.
b) “Pengetahuan” direpresentasikan secara formal grammar atau deskripsi relasional yang menghasilkan deskripsi hierarki dari pola kompleks yang tersusun dari pola bagian yang lebih sederhana.
3) Pendekatan Pengenalan Pola Neural
sintaktik, itu artinya pendekatan dengan cara ini akan menyimpan semua fakta dari objek. Sehingga semakin sering sistem dilatih maka semakin cerdas pula sistem yang dihasilkan. Pendekatan ini merupakan bagian dari jaringan saraf tiruan untuk mengidentifikasi pola.
a) Pemilahan dilakukan berdasarkan tanggapan suatu jaringan pengolah sinyal (neuron) terhadap stimulus masukan (pola).
b) “Pengetahuan” disimpan dalam sambungan antar neuron dan pembobot sinaptik.
2.3 Pengenalan Wajah (Face Recognition)
Secara umum sistem pengenalan citra wajah dibagi menjadi dua jenis, yaitu sistem feature-based dan sistem image-based. Pada sistem pertama digunakan cirri yang diekstraksi dari komponen citra wajah seperti mata, hidung, mulut, dan lain-lain yang kemudian dimodelkan secara geometris hubungan antara ciri-ciri tersebut. Sedangkan pada sistem ke dua menggunakan informasi mentah dari piksel citra yang kemudia direpresentasikan dalam metode tertentu, misalnya seperti Principal Compenent Analysis (PCA) atau transformasi wavelet yang digunakan untuk
klasifikasi indentitas citra (Al Fatta, Hanif, 2009).
proses latihan selesai, diberikan sebuah masukan image yang sebenarnya sama dengan salah satu image wajah pada fase latihan tetapi dengan pose yang berbeda. Sistem juga diharapkan punya sensitifitas minimal terhadap pencahayaan. Sistem dikembangkan dengan dua algoritma yaitu Eigenface dan Fisherface, dan dibandingkan hasilnya. Kedua teknik menghasilkan hasil yang memuaskan tetapi ada beberapa perbedaan. Pada Eigenface kompleksitas komputasi lebih sederhana daripada Fisherface. Dari segi efektifitas karena perubahan pose Fisherface memberikan hasil yang lebih baik, bahkan dengan data yang lebih terbatas. Teknik Eigenface juga lebih sensitif terhadap pencahayaan dibandingkan dengan Fisherface (Purwanto, Ari).
2.3.1 Eigenface
Kata eigenface sebenarnya berasal dari bahasa Jerman “eigenwert” dimana “eigen” artinya karakteristik dan “wert” artinya nilai. Eigenface adalah salah satu algoritma pengenalan pola wajah yang berdasarkan pada Principle
Component Analysis (PCA) yang dikembangkan di MIT. Eigenface
merupakan kumpulan dari eigenvector yang digunakan untuk masalah computer vision pada pengenalan wajah manusia (Prasetyo, Eri dan Isna
Rahmatun).
Eigenface adalah sekumpulan standardize face ingredient yang diambil
dari analisis statistik dari banyak gambar wajah (Layman dalam Al Fatta, Hanif, 2009).
dinormalisasikan dan diproses pada resolusi yang sama (misal m x n), kemudian citra tadi diperlukan sebagai vector dimensi m x n dimana komponennya diambil dari nilai piksel citra.
2.3.2 Tr ansfor masi Karhunen-Loeve
Di tahun 1933 Hotelling mengajukan sebuah teknik untuk mengurangi dimensi sebuah ruang yang direpresentasikan oleh variabel statistik (x1,x2,…,xk), dimana variabel tersebut biasanya saling berkorelasi satu dengan
yang lain. Pertanyaan kemudian timbul akibat konsekuensi di atas, apakah terdapat sebuah himpunan variabel baru yang memiliki sifat yang releatif sama dengan variabel sebelumnya dimana dikehendaki himpunan variabel baru tersebut memiliki jumlah variabel (dimensi) yang lebih sedikit dari variabel sebelumnya. Selanjutnya Hotteling menyebut metode tersebut sebagai Principal Component Analysis (PCA) atau kadang juga disebut Transformasi Hotelling dan Transformasi Karhunen Loeve.
Transformasi Karhunen-Loeve banyak digunakan untuk memproyekkan atau mengubah suatu kumpulan data berukuran besar menjadi bentuk representasi data lain dengan ukuran yang lebih kecil. Transformasi Karhunen-Loeve terhadap sebuah ruang data yang besar akan menghasilkan
Bentuk umum dari Principal Component Analysis dapat dilihat berikut ini:
( 2.1 Matriks Kovarian )
Dimana C merupakan matriks kovarian, x merupakan image (x1,x2,…,xk) dan
Ψ adalah rata-rata image yang dihasilkan dari merata-rata x (x1,x2,…,xk).
Dengan dekomposisi eigen, matriks kovarian ini dapat didekomposisi menjadi :
( 2.2 Dekomposisi Eigen )
Dimana Φ adalah selisih antara image (x) dengan nilai tengah (Ψ). Pilih sejumlah m kolom dari matriks Φ yang berasosiasi dengan eigenvalue terbesar. Pemilihan sejumlah m kolom dari matriks Φ ini menghasilkan matriks transformasi atau matriks proyeksi Φm. Berikutnya sebuah image x
(berdimensi n) dapat diekstraksi kedalam feature baru y (berdimensi m < n) dengan memproyeksikan x searah dengan Φm sebagai berikut:
( 2.3 Proyeksi x searah )
2.3.3 Eigenvalue dan Eigenvector
Nilai eigenvalue dari suatu matriks bujursangkar merupakan polynomial karakteristik dari matriks tersebut; jika λ adalah eigenvalue dari A maka akan equivalent dengan persamaan linier (A - λI) v = 0 (dimana I adalah matriks
identitas) yang memiliki pemecahan non-zero v (suatu eigenvector), sehingga akan equivalent dengan determinant
( 2.4 Deteminan )
Fungsi p(λ) = det (A - λI) adalah sebuah polynomial dalam λ karena determinant dihitung dengan sum of product. Semua eigenvalue dari suatu
matriks A dapat dihitung dengan menyelesaikan persamaan pA(λ) = 0. Jika A adalah matriks ukuran n x n, maka pA memiliki derajat n dan A akan memiliki panjang banyak n buah eigenvalue.
2.3.4 Mencar i Eigenvector
Jika eigenvalue λ diketahui, eigenvector dapat dicari dengan memecahkan:
( 2.5 Pencarian Eigenvector )
Dalam beberapa kasus dapat dijumpai suatu matriks tanpa eigenvalue, misalnya:
Jika diberikan matriks:
( 2.6 Matriks 2 x 2 ) Maka polynomial karakteristiknya dapat dicari sebagai berikut:
( 2.7 Polynomial ) ini adalah persamaan kuadrat dengan akar-akarnya adalah λ = 2 dan λ = 3. Adapun eigenvector yang didapat ada dua buah. Eigenvector pertama dicari dengan mensubtitusikan λ = 3 ke dalam persamaan. Misalnya Y0 adalah
eigenvector yang berasosiasi dengan eigenvalue λ = 3. Set Y0 dengan nilai:
( 2.8 Matriks Y0 )
Kemudian subtitusikan Y0 dengan v pada persamaan:
( 2.9 Subtitusi Y0 dengan v )
sehingga diperoleh:
( 2.10 Hasil Subtitusi ) dapat disederhanakan menjadi:
( 2.11 Penyederhanaan ) sehingga eigenvector untuk eigenvalue λ = 3 adalah:
Hubungan antara eigenvalue dan eigenvector dari suatu matriks digambarkan oleh persamaan
( 2.13 Persamaan Eigenvector )
dimana v adalah eigenvector dari matriks M dan λ adalah eigenvalue. Terdapat n buah eigenvector dan eigenvalue dalam sebuah n x n matriks.
2.3.5 Algor itma 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.
Algoritma Eigenface secara keseluruhan cukup sederhana. Image Matrix (Γ) direpresentasikan ke dalam sebuah himpunan matriks (Γ1, Γ2,…, Γ M). Cari
nilai rata-rata (Ψ) dan gunakan untuk mengekstraksi eigenvector (v) dan eigenvalue (λ) dari himpunan matriks. Gunakan nilai eigenvector untuk mendapat nilai eigenface dari image. Apabila ada sebuah image baru atau test face (Γnew) yang ingin dikenali, proses yang sama juga diberlakukan untuk
image (Γnew), untuk mengektraksi eigenvector (v) dan eigenvalue (λ),
kemudian cari nilai eigenface dari image test face (Γnew). Setelah itu barulah
image baru (Γnew) memasuki tahapan pengenalan dengan menggunakan
Gambar 2.7 Alur proses identifikasi image dengan eigenface Algoritma selengkapnya adalah:
Tahapan Perhitungan Eigenface:
1) Langkah pertama adalah menyiapkan data dengan membuat suatu himpunan S yang terdiri dari seluruh training image (Γ1, Γ2,…, ΓM).
2) Langkah kedua adalah ambil nilai tengah atau mean (Ψ)
( 2.15 Mean )
3) Langkah ketiga kemudian cari selisih (Φ) antara training image (Γi)
dengan nilai tengah (Ψ)
( 2.16 Selisih nilai citra ) 4) Langkah keempat adalah menghitung nilai matriks kovarian (C)
( 2.17 Matriks Kovarian C dan L )
5) Langkah kelima menghitung eigenvalue (λ) dan eigenvector (v) dari matriks kovarian (C)
( 2.18 Eigenvalue dan Eigenvector )
6) Langkah keenam, setelah eigenvector (v) diperoleh, maka eigenface (μ) dapat dicari dengan:
( 2.19 Nilai Eigenface ) Tahapan Pengenalan :
1) Sebuah image wajah baru atau test face (Γnew) akan dicoba untuk dikenali,
( 2.20 Nilai kumpulan Eigenface )
2) Gunakan metode Euclidian Distance untuk mencari jarak (distance) terpendek antara nilai eigenface dari training image dalam database dengan eigenface dari image test face.
( 2.21 Jarak terpendek dari basis data )
2.3.6 Car a Ker ja Algor itma Eigenface
Cara kerjanya sama seperti pengenalan pola lainnya, pada algoritma ini dijelaskan untuk mencari nilai tertentu pada suatu image yang memiliki eigenvalue yang sesuai dan bernilai kecil karena lebih tepat pada proses
matching-nya. Berikut merupakan langkah prosedural untuk menjelaskan cara
kerja algoritma eigenface:
a) Langkah pertama adalah penyusunan flat vector yang berarti menyusun seluruh training image menjadi 1 matriks tunggal. Misalnya image yang kita simpan berukuran H x W piksel dan jumlahnya N
buah, maka kita memiliki flat vector dengan dimensi N x (H x W). Perhatikan contoh berikut ini.
Image Wajah A Image Wajah B
Gambar 2.8 Penyusunan Flat Vector
b) Langkah kedua adalah melakukan penghitungan rataan flat vector, dimana flat vector yang diperoleh sebelumnya dijumlahkan barisnya sehingga diperoleh matriks berukuran 1 x (H x W). Setelah itu bagi matriks tadi dengan jumlah image N untuk mendapatkan rataan Flat Vector.
Gambar 2.9 Penentuan Rataan Flat Vector
c) Langkah ketiga yaitu tentukan nilai eigenface yaitu dengan menggunakan rataan flatvector yang tadi kita susun. Caranya dengan mengurangi baris-baris pada matriks flatvector dengan rataan flatvector. Jika didapatkan nilai di bawah nol, ganti nilainya dengan
nol (Nilai absolut 0 jika hasil pengurangan adalah minus dan 1 jika hasil penjumlahan adalah lebih dari 0 maka hasilnya adalah plus).
Gambar 2.10 Perhitungan Eigenface
d) Langkah keempat atau langkah terakhir adalah proses identifikasi, semisal diberikan citra yang akan diidentifikasi (testface), maka langkah identifikasinya adalah sebagai berikut:
Kalkulasi nilai eigenface untuk matriks testface, dengan cara yang sama dengan penentuan eigenface untuk flatvector.
Gambar 2.11 Perhitungan Nilai Eigenface untuk Testface
Setelah nilai eigenface untuk testface diperoleh maka kita bisa melakukan identifikasi dengan menentukan jarak (distance) terpendek dengan eigenface dari eigenvector training image. Caranya, tentukan nilai absolute dari pengurangan baris i pada matriks eigenface training
image dengan eigenface dari testface, kemudian jumlahkan elemen-elemen penyusun vektor yang dihasilkan dari pengurangan tadi dan ditemukan jarak d indeks i. Lakukan untuk semua baris. Cari nilai d yang paling kecil.
Gambar 2.12 Proses identifikasi dengan input image testface Kesimpulan terlihat dari gambar di atas, jarak wajah B dengan testface yang paling kecil, maka hasil identifikasi menyimpulkan bahwa testface lebih mirip dengan wajah B daripada wajah A.
2.4 Dasa r Teor i Aplikasi
Pada bahasan berikut akan dijelaskan tentang Microsoft Visual Basic 6.0, Data Report, Microsoft Access 2003 dan sistem informasi
.
Perhitungan distance antara wajah A dengan testface
1 1 1 1 1 1 1 1 1
1 1 1 1 0 1 1 1 1
0 0 0 0 1 0 0 0 0
0 + 0 + 0 + 0 + 1 + 0 + 0 + 0 + 0 = 1
Perhitungan distance antara wajah B dengan testface
Eigenface untuk wajah A 0 0 0 0 0 0 0 0 0
2.4.1 Penger tian Microsoft Visual Basic 6.0
Visual Basic (atau yang biasa disebut dengan VB) selain sebagai sebuah
bahasa pemrograman, juga sering disebut sebagai sarana (tools) untuk menghasilkan program-program aplikasi berbasiskan Windows. Beberapa kemampuan atau manfaat dari Visual Basic diantarannya yaitu:
a) Untuk membuat program aplikasi berbasis Windows.
b) Untuk membuat objek-objek pembantu program seperti misalnya control ActiveX, file help, aplikasi internet dan sebagainya.
c) Menguji program (debugging) dan menghasilkan program akhir berakhiran *.EXE yang bersifat executable atau dapat langsung dijalankan (Jika menggunakan sistem operasi Windows).
Selain itu, Visual Basic 6.0 juga memiliki beberapa keistimewaan utama diantarannya seperti :
a) Menggunakan platform pembuatan program yang diberi nama Developer Studio, yang memiliki tampilan dan sarana yang sama
dengan visual C++ dan visual J++. Dengan begitu kita dapat bermigrasi atau belajar bahasa pemrograman lainnya dengan mudah dan cepat, tanpa harus belajar dari nol lagi.
b) Memiliki compiler handal yang dapat menghasilkan file executeable yang lebih cepat dan lebih efisien dari sebelumnya.
d) Tambahan kontrol-kontrol baru yang lebih canggih serta peningkatan kaidah struktur bahasa Visual Basic.
e) Kemampuan membuat ActiveX dan fasilitas internet yang lebih banyak.
f) Sarana akses data yang lebih cepat dan handal untuk membuat aplikasi database yang berkemampuan tinggi.
g) Visual Basic 6.0 memiliki beberapa versi atau edisi yang disesuaikan dengan kebutuhan pemakainya.
Adapun jendela-jendela yang perlu diperhatikan pada Visual Basic 6.0 adalah sebagai berikut :
a) Menu Bar, digunakan untuk memilih tugas-tugas tertentu seperti menyimpan project, membuka project dan lain-lain.
b) Main Toolbar, digunakan untuk melakukan tugas-tugas tertentu dengan cepat.
c) Jendela Project, jendela ini berisi gambaran dari semua modul yang terdapat dalam aplikasi.
d) Jendela Form Designer, jendela ini merupakan tempat untuk merancang user interface dari aplikasi yang akan dibuat.
e) Jendela Toolbox, jendela ini berisi komponen-komponen yang dapat digunakan untuk mengembangkan user interface.
i) Jendela Form Layout, akan menunjukkan bagaimana form bersangkutan ditampilkan ketika runtime.
Pada aplikasi ini, form utama yang menangani jalannua aplikasi adalah MDI Form. Ada beberapa hal yang harus diperhatikan dalam penggunaan MDI
Form adalah:
a) Di dalam satu project hanya dapat terdiri dari satu MDI Form.
b) Kontrol-kontrol tidak dapat ditempatkan secara langsung pada MDI Form, kecuali kontrol yang memiliki properti Alignment atau menempatkannya diatas container seperti Picture Box.
c) Metode penggambaran (Print, Line, Circle dan Pset) tidak dapat digunakan seperti pada form pada umumnya.
2.4.2 Data Report
2.4.3 Database dan Data Kontr ol
Suatu database merupakan koleksi dari informasi yang berhubungan dengan subjek atau fungsi tertentu, seperti menangani nilai-nilai ujian mahasiswa atau menangani suatu daftar koleksi music. Jika database tidak tersimpan dalam komputer, maka harus menangani informasi tersebut dari berbagai sumber dan mengkoordinir serta mengorganisasinya sendiri.
Dengan menggunakan suatu sistem manajemen database (DBMS) kita dapat menempatkan database dalam suatu file dan mengorganisasikannya menjadi tabel-tabel dan mengkoordinir data tersebut menjadi laporan dengan berbagai fasilitas seperti form, query dan report.
2.4.4 Aplikasi Database
Pada pengaplikasian database dengan Visual Basic 6.0 terdapat arsitektur database yang khas. Terdapat berbagai tipe pengaksesan database yang dapat
ditinjau dari jumlah pengaksesnya, yang dapat dikategorikan menjadi:
a) Single User DBMS : dimana hanya terdapat satu pengguna dapat melihat atau mengubah data.
b) Multi User DBMS : lebih dari satu pengguna dan dapat melihat atau mengubah data pada suatu waktu.
c) Client Server DBMS : Database Engine dan meyimpan data terpusat pada server.
a) Data Akses Objek (DAO)
Antarmuka pemrograman untuk digunakan pada aplikasi yang membutuhkan akses basis data. Antarmuka ini sudah banyak digantikan dengan ActiveX Data Objects (ADO).
b) Open Database Connectivity (ODBC) : Koneksi database. c) VBSQL : Koneksi antara program VB dengan database SQL. d) Remote Data Objects (RDO) : suatu akses database dengan SQL.
e) ActiveX Data Objects (ADO) : ADO (ActiveX Data Objects) adalah teknologi keluaran Microsoft yang menyediakan cara untuk mengakses berbagai macam, sumber data yang berbeda dengan model data tunggal. Dengan model data tunggal ini, ADO memungkinkan akses data dengan cara yang sama dan tidak tergantung pada jenis data tersebut disimpan, baik yang pada basis data Spreadsheet dan bahkan text file.
Model database terakhir dan terbaru saat ini dari Microsoft yang memiliki fungsi sebagai alat untuk menjalankan UDA (Universal Data Clients) atau cara untuk mengakses data dari banyak provider, serta bertujuan agar para pemrogram Visual Basic mengikuti standar OLEDB (Standar yang digunakan sebagai alat penghubung untuk menghubungkan data dari berbagai sumber data) dalam membuat suatu objek database.
b) Dengan menggunakan metode ADO (Activate Data Object) untuk menampilkan datanya menggunakan datagrid (Microsoft datagrid control 6.0 (oledb)).
2.4.5 Penger tian Sistem Infor masi
Tidak semua data yang mengalir dapat digunakan sebagai bahan pertimbangan pengambilan keputusan dalam perusahaan. Oleh karena itu, dibutuhkan sebuah sistem yang dapat mengelola data yang sedang mengalir baik di dalam maupun di luar lingkungan pengguna sistem. Sistem harus dirancang sedemikian rupa agar dapat menentukan validitas data yang berasal dari berbagai sumber.
informasi adalah data. Data itu sendiri merupakan bentuk jamak dari bentuk tunggal datum atau data item.
Sehingga dapat disimpulkan bahwa pengertian dari sistem informasi adalah suatu sistem yang diolah untuk menjadi lebih bermanfaat bagi yang menggunakannya. Dengan kata lain, sistem informasi adalah suatu sistem organisasi yang mempertemukan kebutuhan pengolahan transaksi harian, mendukung operasi, bersifat manajerial dan kegiatan strategi dari suatu organisasi dan menyediakan pihak luar tertentu dengan laporan-laporan yang diperlukan.
Informasi merupakan hasil dari pengolahan data atau fakta yang dikumpulkan dengan cara tertentu. Informasi disajikan dalam bentuk yang mudah dipahami dan merupakan pengetahuan yang relevan dimana dibutuhkan untuk menambah wawasan bagi pemakainya guna mencapai suatu tujuan.
Pengelolaan data menjadi informasi merupakan suatu siklus yang terdiri dari tahapan-tahapa sebagai berikut:
a) Pengumpulan Data : Pada tahap ini dilakukan suatu proses pengumpulan data yang asli dengan cara tertentu seperti sampling, data transaksi, data warehouse, dan lain sebagainya yang biasanya merupakan proses pencatatan kedalam suatu file.
data yang ditulis dalam suatu bahasa pemrograman yang disebut program.
c) Pengolahan Data : Tahap ini merupakan tahap dimana data diolah sesuai dengan prosedur yang telah dimasukkan. Kegiatan pengolahan data ini meliputi pengumpulan data, klasifikasi, kalkulasi, pengurutan, penggabungan, peringkasan baik dalam bentuk table maupun grafik, penyimpanan dan pembacaan data dari tempat penyimpanan data. d) Output : Hasil pengolahan data akan ditampilkan melalui alat output
seperti monitor dan printer sebagai informasi.
e) Distribusi : Tahapan akhir dari pengolahan data yaitu penyampaian data kepada pengguna. Proses distribusi ini tidak boleh terlambat dan harus disampaikan kepada yang berkepentingan, sebab hasil pengolahan tersebut akan menjadi bahan pertimbangan dalam pengambilan keputusan atau menjadi data dalam pengelolaan data selanjutnya.
2.4.6 Micr osoft Access 2003
Microsoft Access adalah suatu aplikasi yang dapat membantu kita membuat sebuah aplikasi database dalam waktu yang relative singkat. Biasanya digunakan utnuk pembuatan aplikasi-aplikasi yang kecil. Misalnya Program untuk Kasir di koperasi, penjualan untuk toko. Bagian-bagian yang terdapat pada Microsoft Access:
c) Form digunakan untuk frontend aplikasi. Biasanya untuk menampilkan data, menambah data dll.
d) Report digunakan untuk membuat laporan.
e) Macro digunakan untuk melakukan satu atau beberapa fungsi. f) Switchboard
Microsoft Access 2003 merupakan perangkat lunak Relational Database
Management System (DBMS) yang handal. Didukung untuk mendesain proses
transaksi yang besar. Microsoft Access 2003 bukanlah bahasa pemrograman tetapi sub-language yang terdiri dari 30 pernyataan khusus dengan tuas mengelola database. Pernyataan pada Access diintegrasikan pada bahasa pemrograman yang sebenarnya seperti Visual Basic 6.0.
Ada banyak sintak yang disediakan Microsoft Access 2003 untuk mempermudah pengolahan data, contoh sintak dalam Microsoft Access 2003 adalah sebagai berikut :
a) Select (mengakses data)
Pernyataan select digunakan untuk mengakses dan mengambil data dari server atau database, contoh sintak penggunaan select:
SELECT [ ALLDISTINCT ] pilih_kolom [ INTO ( table_baru) ]
[ FROM { nama_tabel./ nama_view} ]
b) Where (memilih baris)
Pernyataan Where digunakan untuk memilih baris mana yang akan digunakan dalam database dari suatu table, contoh sintak penggunaan where :
SELECT list_kolom FROM nama_tabel WHERE kondisi
c) Delete (menghapus data)
Baris-baris yang tidak terpakai dapat dihapus dengan pernyataan delete, contoh sintak penggunaan delete:
DELETE FROM nama_tabel WHERE syarat
d) Menciptakan Tabel
Tabel diciptakan melalui pernyataan create table, sebagai contoh :
CREATE TABEL el (nama_tab
ID_Baran
g (tipe_data),
Nama_Barang (tipe_data) ) e) Mengubah Struktur Tabel
Setelah suatu tabel tercipta, kadangkala perlu dilakukan perubahan struktur tabel, hal ini dapat dilakukan dengan pernyataan alter table, sebagai contoh:
ALTER TABLE nama_tabel
ADD nama_kolom (tipe_data)
f) Menambah Data
Bila data telah tercipta, pemasukkan data pada Microsoft Access 2003 dapat dilakukan dengan perintah insert table untuk memasukkan data dalam suatu tabel, sebagai contoh:
INSERT_I
g) Mengubah Data
Data yang telah tersimpan pada tabel dapat diubah dengan menggunakan pernyataan update, sebagai contoh:
UPDATE nama_tabel
SET kolom = ‘ nama_data’
WHERE syarat = ‘ syarat’
1. SET untuk menentukan kolom yang akan diubah dan nilai penggantinya.
2. WHERE menentukan kondisi dari baris-baris yang akan diganti.
h) Fungsi Agregate
Merupakan fungsi-fungsi yang hasilnya diambil dari proses tiap baris pada tabel. Fungsi-fungsi tersebut adalah :
PERANCANGAN
3.1Dasar Analisis Sistem
Sebelum sistem dikembangkan perlu dilakukan analisis sistem untuk menjamin bahwa sistem yang dibuat sesuai dengan kebutuhan pemakai dan layak untuk dikembangkan. Tahapan analisis sistem dapat dirinci menjadi beberapa tahap guna mempermudah proses analisis secara keseluruhan. Tahapan-tahapan ini sangat penting untuk menjamin keberhasilan pengembangan sistem secara keseluruhan. Studi kasus yang dipakai untuk sistem ini adalah perusahaan software house dimana jumlah karyawan yang sedikit menjadi uji coba sistem ini. Dimana terdapat beberapa job dish seperti Ketua Tim, Wakil Tim, Staff Jaringan, Staff Software, Staff Hardware, Bagian gaji dan HRD. Sistem ini sebelumnya sudah dirancang oleh Hanif Al Fatta, tetapi ada beberapa perbaikan pada sistem yang sudah ada dan akan diperbaiki nantinya pada ranacangan saat ini, jadi program yang dibuat ini hanya untuk memperbaiki program yang sudah ada (tidak murni coding sendiri dari awal).
3.2Analisis Sistem
a) Sistem presensi yang digunakan saat ini menggunakan barcode sebagai media input yang dibaca dengan barcode reader yang terpasang pada computer mesin presensi. Barcode dicetak pada kartu pegawai dan pegawai tinggal melakukan scanning pada kartu pegawai tersebut ketika melakukan presensi.
b) Jika pegawai lupa membawa kartu pegawai maka pegawai tidak bisa melakukan presensi walaupun pegawai itu hadir.
c) Kartu pegawai bisa dititipkan kepada pegawai lain sehingga jika pegawai yang bersangkutan tidak hadir maka kehadirannya tetap bisa dicatat pada mesin presensi.
d) Pegawai bisa menitipkan kartunya pada pegawai yang hadir tepat waktu sehingga walaupun pegawai yang bersangkutan terlambat datang, pada presensi dapat tercatat tepat waktu.
Adapun aturan presensi yang diberlakukan untuk proses presensi pegawai pada perusahaan swasta pada umumnya adalah sebagai berikut :
a) Presensi yang disimpan hanya presensi kedatangan pegawai saja. b) Proses presensi mencatat kehadiran pegawai dengan aturan jika
kedatangan kurang dari jam 08.00, maka pegawai dianggap tidak terlambat (potongan 0% dari gaji pegawai).
- Jika kedatangan antara jam 08.15 s.d jam 08.30 maka akan dianggap terlambat dengan potongan kategori II (1% dari gaji pegawai).
- Jika kedatangan antara jam 08.30 s.d jam 08.45 maka akan dianggap terlambat dengan potongan kategori III (1,5% dari gaji pegawai).
- Jika kedatangan di atas jam 08.45 maka akan dianggap terlambat dengan potongan kategori IV (2% dari gaji pegawai).
- Jika pegawai tidak masuk tanpa alasan yang jelas maka akan mendapatkan potongan 2%.
Untuk mengakomodasikan masalah tadi maka disusun sistem presensi yang menggunakan masukkan berupa citra wajah pegawai sehingga diharapkan dapat dihasilkan sistem presensi dengan kemampuan sebagai berikut :
a) Masukkan dari sistem presensi adalah citra wajah pegawai yang dihasilkan dari penangkapan wajah menggunakan webcam pada saat presensi dilakukan.
b) Karena masukkan yang digunakan adalah wajah maka tidak mungkin presensi dilakukan oleh pegawai lain. Kasus pegawai yang masuk tetapi tidak bisa presensi karena kartu pegawai tertinggal bisa dicegah.
d) Sistem menyediakan rekapitulasi rincian persentase potongan per bulan yang digunakan pihak keuangan untuk menentukan besaran potongan gaji karena keterlambatan.
3.3Analisis Komponen Sistem
Sistem presensi berbasis pengenalan wajah ini terdiri dari beberapa komponen yang dapat digambarkan dalam suatu model seperti tampak pada Gambar 3.1.
Gambar 3.1 Hubungan Antarsub Sistem
Keterangan :
Komponen Webcam : Peranti masukan yang digunakan dalam sistem presensi ini adalah webcam. Webcam digunakan untuk 2 kegunaan :
a) Digunakan untuk melengkapi data pegawai dengan foto, di mana foto ini akan disimpan ke dalam database, yang nantinya akan dicocokkan dengan citra wajah yang di-capture saat proses presensi dilakukan.
Komponen Image Capturing : Komponen ini 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 presensi dilakukan.
Komponen Antarmuka : Komponen ini berfungsi untuk menjembatani komunikasi antara pengguna dengan sistem presensi wajah, baik untuk proses input data pegawai, proses presensi dan melihat rekapitulasi presensi per bulan.
Subsistem Pengenalan Wajah : Pengenalan wajah dilakukan dengan mencocokkan citra wajah yang di-capture pada saat presensi dengan citra wajah yang ada pada database pegawai. Langkah-langkah pencocokkan wajah dapat dilihat pada Gambar 3.2 berikut ini.
Ga mbar 3.2 Langkah-langkah Proses Identifikasi Citra Wajah
Keterangan :
b) Citra wajah ini kenudian dinormalisasi dengan beberapa tahapan. Pertama, citra diturunkan kualitas warnanya menjadi grayscale. Ukuran dari citra wajah juga diseragamkan, menjadi beukuran 80 x 80 piksel.
c) Setelah didapatkan citra wajah yang ternormalisasi, hitung nilai eigen dari citra wajah tersebut, misalnya diperoleh nilai x.
d) Pada data pegawai, terdapat beberapa koleksi citra wajah. Dari koleksi ini masing-masing citra dikalkulasi nilai eigen-nya dan dikumpulkan dalam vector yang kita namakan eigenvector. Misalkan terdapat nilai (x1,x2,x3,…xn).
e) Proses matching dilakukan dengan mencocokkan nilai x dengan nilai-nilai pada eigenvector dan mencari nilai yang paling mendekati.
f) Jika nilai yang paling mendekati sudah ditemukan, cari data pegawai yang berkorespondensi dengan nilai tadi.
File wajah : Citra wajah pegawai yang digunakan untuk melengkapi data
pegawai (training faces) disimpan dalam file tersendiri, terpisah dari database data pegawai, tetapi file wajah ini bisa direferensi dengan menggunakan nama file wajah yang ada.
Start
Input Foto Wajah
Ubah Foto Menjadi grayscale 80 x 80
Komparasi Foto ? Data foto sementara
Keluar Nama Karyawan yang sesuai
End Y
Keluar Data Absen Karyawan sebelumnya T
Gambar 3.3 Diagram Alir Normalisasi
Gambar 3.4 Flowchart Sub-Sistem Simplifikasi Pengenalan Wajah Gambar di atas menerangkan bahwa sistem harus memproses citra dengan sedemikian rupa yang nantinya berguna untuk melakukan proses komparasi citra wajah saat ini dengan citra yang ada di basis data.
3.4Desain Data
Desain data adalah aktivitas pertama (dan beberapa sering mengatakan yang terpenting) dari empat aktivitas desain yang dilakukan selama rekayasa perangkat lunak.
persyaratan dan spesifikasi. Proses pemilihan dapat melibatkan analisis algoritmik terhadap struktur alternative untuk menentukan desain yang paling efisien atau hanya menggunakan serangkaian modul (sebuah “paket”) yang memberikan operasi yang diperlukan pada beberapa representasi suatu objek.
Salah satu cara mempermudah pendesainan data adalah dengan membuat model data. Data modelling (pemodelan data) adalah tehnik untuk mendefinisikan persyaratan bisnis untuk sebuah database. Pemodelan data sering disebut sebagai pemodelan database karena model data kadang-kadang diimplementasikan dengan database. Dalam naskah ini model data yang digunakan adalah CDM (Conceptual Data Modelling) dan PDM (Physical Data Modelling). Sebelum pembuatan CDM dan PDM, pertama kali yang dibuat adalah DFD (Data Flow Diagram).
3.5Data Flow Diagram
DFD (Data Flow Diagram) adalah suatu diagram yang menggunakan notasi-notasi untuk menggambarkan arus dari data sistem, yang pengguanaanya sangat membantu untuk memahami sistem secara logika, terstruktur dan jelas.
Adapun data flow diagram dari sistem presensi pegawai berbasis pengenalan wajah dapat disajikan sebagai berikut:
a) Context Diagram
Laporan_Presensi Laporan_Presensi
Data_Presensi Data_Karyawan
Karyawan
SDM 1
Sistem_Prese nsi_Karyawan
Gambar 3.5 Context Diagram untuk Sistem Presensi Keterangan gambar :
Karyawan : entitas luar karyawan yang diwajibkan melakukan presensi. SDM : entitas luar bagian personalia
Data Karyawan : meliputi No.Induk, Nama, Bagian, Jabatan, Gaji. Data Presensi : meliputi wajah karyawan yang melakukan presensi.
Laporan presensi : Laporan presensi karyawan per bulan, berisi No. Induk, nama, bulan, tahun dan total potongan.
b) DFD Level 1
Data_Karyawan_Olah
Gambar 3.6 DFD Level 1 untuk Sistem Presensi
Karyawan : Entitas luar karyawan yang diwajibkan melakukan presensi. SDM : Entitas luar bagian personalia.
Data Karyawan : Meliputi No. Induk, Nama, Bagian,Jabatan,Gaji.
Data Karyawan Olah : Meliputi ID Karyawan, No. Induk, Nama, Bagian, Jabatan, Gaji.
Data Presensi : Meliputi wajah karyawan yang melakukan presensi
Data Presensi Olah :Meliputi ID Presensi, citra wajah karyawan, tanggal dan waktu presensi dilakukan.
Database Karyawan : Database karyawan, untuk menyimpan data karyawan.
Database Presensi : Database presensi untuk meyimpan data presensi.
c) DFD Level 2
Pada DFD Level 2, proses input data karyawan diperinci menjadi 2, yaitu proes input data yang digunakan untuk menginputkan data karyawan dan proses input citra, yaitu proses menangkap wajah karyawan sehingga didapatkan citra wajah. Pada level ini didapatkan juga beberapa penyimpanan data, yaitu Database Karyawan untuk menyimpan data-data karyawan dan file citra wajah karyawan utnuk menyimpan citra wajah karyawan.
Gambar 3.7 DFD Level 2 untuk proses input data karyawan
Untuk proses presensi dapat diperinci menjadi proses input citra yang menerima input wajah dari karyawan yang di-capture dengan webcam, Image Matching yang bertugas mencari citra wajah yang sesuai pada database dan
Gambar 3.8 DFD Level 2 untuk proses presensi d) DFD Level 3
Untuk proses input citra, baik pada proses input data karyawan maupun proses presensi, terdapat rincian proses yang sama sehingga untuk penyusunan DFD Level 3 akan diambil proses presensi saja, yaitu sebagai berikut:
Gambar 3.9 DFD Level 3 untuk proses input citra
a) Admin : Berhak mengakses semua modul yang disediakan. b) User Biasa : Hanya bisa melakukan proses presensi.
3.6Hubungan Antar Entitas Ber upa CDM dan PDM
CDM (Conceptual Data Modelling) adalah penggambaran secara detail struktur basis data dalam bentuk logis. Struktur ini independen terhadap semua software maupun struktur data storage tertentu yang digunakan dalam aplikasi ini. CDM terdiri dari objek yang tidak diimplementasikan secara langsung ke dalam basis data yang sesungguhnya.
PDM (Physical Data Modelling) adalah penggambaran secara detail basis data dalam bentuk fisik. Penggambaran rancangan PDM memperlihatkan struktur penyimpanan data yang benar pada basis data yang digunakan sesungguhnya.
CDM dan PDM tidak menyatakan bagaimana memanfaatkan data, membuat data, mengubah data, dan menghapus data.
Entitas yang digunakan dalam perancangan sistem ini adalah entitas jabatan, pegawai, presensi dan gaji. Adapun aturan bisnis untuk entitas-entitas tersebut adalah :
a) 1 (satu) pegawai dapat melakukan beberapa kali presensi, dan 1 (satu) proses presensi hanya bisa dilakukan oleh 1 pegawai.
b) 1 (satu) pegawai akan menerima beberapa kali gaji (pada bulan yang berbeda), dan 1 gaji hanya bisa diterima oleh 1 orang pegawai saja. c) 1 pegawai hanya bisa ditempatkan pada 1 bagian, dan 1 bagian bisa
d) 1 pegawai hanya bisa memiliki 1 jabatan, tetapi 1 jabatan bisa dipegang oleh beberapa pegawai (untuk beberapa jabatan).
Adapun atribut untuk entitas-entitas di atas dapat dituliskan sebagai berikut :
a) Karyawan/Pegawai terdiri dari entitas karyawan_id, karyawan_no_induk, karyawan_nama, bagian_id, jabatan_id.
b) Absensi terdiri dari entitas absensi_id, karyawan_id, absensi_waktu, absensi_tanggal, absensi_tipe.
c) Bagian terdiri dari entitas bagian_id, bagian_nama, bagian_deskripsi. d) Jabatan terdiri dari entitas jabatan_id, jabatan_nama,
jabatan_deskripsi.
e) Gaji terdiri dari entitas gaji_id, karyawan_id, gaji_jumlah.
Penugasan
Ga mbar 3.10 Conceptual Data Modelling Sistem Presensi
Berikut merupakan model data yang bersifat fisik, dengan kata lain model data yang bisa diaplikasikan langsung ke database, karena sudah terdapat foreign key, dimana hubungan antar tabel terlihat jelas karena sudah di-joint. Atribut
Absensi_Tipe digunakan untuk jenis masuk keluar absensi dan untuk gaji sudah termasuk pada bulan setiap absensi secara keseluruhan.
FK_TABEL_KA_PENUGASAN_TABEL_BA
4.1 IMPLEMENTASI SISTEM
Dari desain sistem yang telah dibuat sebelumnya, maka dapat di implementasikan seperti beberapa contoh tampilan berikut :
4.1.1 Tampilan splash screen
Gambar di bawah ini merupakan tampilan awal pada saat aplikasi di panggil :
Gambar 4.1 Tampilan splash screen
Pada tampilan splash screen ini, terdapat 2 masukkan yaitu username dan password, di sini terdapat 2 macam login yaitu admin dan
standard user. Tombol login untuk masuk ke aplikasi dan tombol Keluar
4.1.2 Halaman utama admin
Halaman ini berfungsi untuk mengakses semua sub-menu dalam program ini, dimana semua menu dapat diakses oleh admin saja.
Gambar 4.2 Halaman utama admin 4.1.3 Halaman utama user standard
Halaman ini berfungsi untuk mengakses semua sub-menu dalam program ini, dimana semua menu terbatas bagi standard user.
4.1.4 Sub-Menu File
Pada pilihan menu File terdapat sub-menu seperti pada gambar berikut :
Gambar 4.4 Submenu File Terdapat 2 pilihan yaitu :
a) Logout : Digunakan untuk logout akun yang aktif. b) Exit : Digunakan untuk menutup program.
4.1.5 Sub-Menu Master Data
Pada pilihan menu Master Data adalah sub-menu seperti pada gambar berikut ini :
