BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem
Analisis sistem adalah penguraian dari suatu sistem yang utuh ke dalam bagian-bagian komponennya dengan tujuan mengidentifikasikan dan mengevaluasi permasalahan, kesempatan, hambatan yang terjadi dan kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan.
3.1.1 Analisis Masalah
Sistem absensi memiliki peran penting dalam kehidupan sehari-hari terutama di lingkup kerja seperti perkantoran, pabrik, rumah sakit, sekolah, universitas, dan tempat lain yang membutuhkan absensi. Dalam kegiatan belajar mengajar di dalam suatu perguruan tinggi, tentu saja memiliki mahasiswa/i yang harus dicatat kehadirannya setiap hari. Namun terkadang, absensi memiliki beberapa kekurangan sehingga menjadi rentan terhadap kecurangan. Hal ini mengakibatkan informasi dari data absensi tidak akurat dan diragukan validitasnya.
Gambar 3.1 Diagram Ishikawa.
3.1.2 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem meliputi analisis kebutuhan fungsional sistem dan analisis kebutuhan non-fungsional sistem.
1. Kebutuhan funsional sistem
Kebutuhan fungsional yang harus dimiliki oleh sistem absensi berbasis pengenalan wajah adalah :
1. Sistem dapat mendeteksi masukan berupa foto yang berformat *.bmp. 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 mahasiswa.
2. Kebutuhan non-fungsional sistem
Kebutuhan non-fungsional yang dimiliki oleh sistem adalah : 1. Interface sistem mudah dipahami oleh user (pengguna).
2. Tampilan hanya satu form untuk memudahkan user dalam mendata absen.
User Teknologi
Sistem Absensi
Wajah
Material Metode
Dosen dan mahasiswa bertindak sebagai user
waktu dan tenaga Wajah diidentifikasi dan dicari validasi
namanya Sering terjadi kecurangan
3.1.3 Analisis Pemodelan Sistem
Secara umum, sistem absensi berbasis identifikasi wajah ini terdiri 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 pemodelan yang digunakan untuk menentukan atau menggambarkan sebuah sistem software yang terkait dengan objek.
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 sebuah sistem.
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.
Naratif Use Case menguraikan use case yang terdapat pada diagram use case. Didalam Naratif use case ini akan diberikan uraian nama, aktor yang berhubungan dengan use case tersebut, tujuan use case, deskripsi global tentang use case, pra-kondisi yang harus
terpenuhi dan pasca kondisi yang diharapkan setelah berjalannya fungsional use case. 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 : Mahasiswa dan Dosen
3. Apa saja yang dapat dilakukan user pada sistem?
Gambar 3.2. Use case Diagram Sistem Absensi Wajah
3.1.4 Naratif Use Case Sistem
Berikut ini merupakan tabel dokumen naratif use case yang dapat dilihat pada tabel 3.1, tabel 3.2, tabel 3.3, tabel 3.4, tabel 3.5, tabel 3.6, table 3.7 dan tabel 3.8.
Tabel 3.1 Dokumentasi Naratif Use Case Aktifkan dan Scan Wajah memakai Kamera
Nama Use Case Aktifkan dan Scan Wajah memakai Kamera
Actor Mahasiswa
Description Use case ini menangkap citra wajah dari kamera Pre-Condition Sistem menerima inputan dari kamera.
Typical course
of Event Kegiatan Pengguna Respon Sistem
1. Menekan tombol open and detect face
2. Menangkap citra wajah mahasiswa 3. Membuka File Excel untuk diabsen
Alternate course 4. Menekan tombol add face
5. mengambil wajah Post Condition Sistem telah melakukan proses
Tabel 3.2 Dokumentasi Naratif Use Case Pengujian Inputan Nama Use Case Pengujian Inputan
Actor Mahasiswa
Description Use case ini melakukan proses pengujian ada citra yang diinput dari kamera secara real-time
Pre-Condition Sistem menerima inputan dari kamera. Typical course
of Event Kegiatan Pengguna Respon Sistem
1. Menekan tombol recognize face
2. Menangkap citra wajah mahasiswa 3. merubah ke bentuk grayscale, threshold dan binerisasi.
4. melakukan pengujian pencocokan dengan gambar pada library
Alternate course 5. Menekan tombol add face
6. mengambil wajah Post Condition Sistem telah mendapat nama yang
cocok dari citra wajah yang diuji
Tabel 3.3 Dokumentasi Naratif Use Case Deteksi Wajah Nama Use Case Deteksi Wajah
Actor Mahasiswa
Description Use case ini menampilkan nama dari citra wajah yang telah diuji melalui kamera
Pre-Condition Sistem menampilkan nama wajah yang sudah diuji dari kamera. Typical course
of Event Kegiatan Pengguna Respon Sistem
1. Menekan tombol open and detect face
2. menampilkan nama dari citra wajah yang telah diuji melalui kamera dengan menekan tombol recognize face
Alternate course 3. Menekan tombol recognize face
Tabel 3.4 Dokumentasi Naratif Use Case Daftar Wajah Nama Use Case Daftar Wajah
Actor Mahasiswa
Description Use case ini mengambil dan mendaftarkan wajah baru ke dalam library sistem.
Pre-Condition Sistem mengambil wajah baru dari kamera Typical course
of Event Kegiatan Pengguna Respon Sistem
1. Menekan tombol
Alternate course 4. Menekan Tombol recognize face 5. Menampilkan wajah yang terdeteksi
Post Condition Sistem menampilkan wajah yang diambil dari kamera
Tabel 3.5 Dokumentasi Naratif Use Case Pelatihan Inputan Nama Use Case Pelatihan Inputan
Actor Mahasiswa
Description
Use case ini mengambil citra wajah dari library dan memulai proses pelatihan yang akan dijadikan sebagai acuan pengenalan dari wajah yang diuji
Pre-Condition Sistem mengakses gambar yang ada di library untuk menjadi gambar acuan sebagai pengenalan wajah
Typical course
of Event Kegiatan Pengguna Respon Sistem
1. Menekan tombol Alternatecourse 6. Menekan tombol
recognize face
Tabel 3.6 Dokumentasi Naratif Use Case Catat sebagai absen Nama Use Case Catat sebagai absen
Actor Mahasiswa
Description Use case ini mencatat nama dan tanggal dari hasil uji
Pre-Condition Sistem mengambil nama dan tanggal dari hasil uji lalu dicatat pada dokumen
Typical course
of Event Kegiatan Pengguna Respon Sistem
1. Menekan tombol Record to Absen
2. mengambil hasil uji berupa nama.
3. mengambil tanggal dan waktu dari sistem komputer.
4. menyimpan nama dan tanggal sebagai bukti absensi.
Alternatecourse 5. Menekan tombol open and detect face
6. menampilkan nama dari citra wajah yang telah diuji melalui kamera dengan menekan tombol recognize face Post Condition Sistem menyimpan nama, waktu dan
tanggal pada dokumen
Gambar 3.4. Sequence Diagram Sistem Absensi Wajah
3.1.5 Flowchart Sistem
3.1.5.1 Flowchart sistem secara umum
Gambar 3.5. Flowchart sistem secara umum Scan Wajah
dengan Kamera
Pengenalan pola wajah dari kamera
Klik tombol untuk menyimpan data
Selesai
Tahap Preprocessing dengan grayscale, thresholding dan
3.1.5.2 Flowchart Pengujian Algoritma Learning Vector Quantization (LVQ) Berikut ini merupakan flowchart Pelatihan pada metode Learning Vector Quantization (LVQ)
3.1.5.3 Screen Shot Coding Pengujian Learning Vector Quantization (LVQ)
Berikut ini merupakan Screen Shot Coding pengujian pada Learning Vector Quantization (LVQ)
3.1.6 Perancangan Database
Database Management System yang akan digunakan pada sistem absensi akan dibangun
pada Microsoft Office Excel. Microsoft Office Excel dipercaya lebih mudah dalam mendata dan lebih efektif tanpa harus membuka koneksi jaringan local menggunakan aplikasi tertentu untuk menyimpan data kedalam database. Struktur database yang akan digunakan dapat dilihat pada Tabel 3.7. berikut ini.
Tabel 3.7. Tabel Database Excel sistem absen
Dapat dilihat pada tabel diatas menjelaskan bahwa pada tabel Absen memiliki beberapa field yaitu date, time in, student’s name, present dan not present dengan berbeda tipe datanya. Pada field Date akan tersimpan data berupa tanggal yang akan diambil langsung dari komputer. Field Time In akan menyimpan data berupa waktu yang sedang berjalan dari komputer pengguna. Student’s name adalah field yang berisi nama dari mahasiswa yang absen menggunakan wajah melalui sistem. Field NIM dan address adalah keterangan yang harus diisi berupa NIM dan alamat mahasiswa. Field Present dan not present adalah keterangan berapa mahasiswa yang sudah hadir dan belum hadir didalam kelas, field ini akan berisi angka yang menunjukan jumlah mahasiswa baik hadir maupun yang belum hadir.
3.1.7 Arsitektur Umum Sistem
Arsitektur umum sistem adalah skema perancangan sistem yang menggambarkan alur sistem secara keseluruhan. Arsitektur umum sistem menjadi pedoman untuk pembuatan pemodelan sistem. Arsitektur umum sistem dapat dilihat pada gambar 3.8.
Gambar 3.8. Arsitektur Umum Sistem Absensi Wajah
Dari gambar arsitektur umum sistem diatas dapat dilihat bahwa wajah akan ditangkap menggunakan kamera secara real-time dan kemudian akan diproses ke tahap
preprocessing(grayscale, threshold) hingga menghasilkan citra biner yang bernilai 1
3.2 Perancangan Antarmuka
Sistem ini dirancang dalam 3 form yaitu form utama, form absen, form tentang 3.2.1 From Utama
Halaman utama adalah halaman yang muncul pertama kali saat sistem dijalankan. Halaman ini memiliki 2 menu, yaitu menu absen dan menu tentang. Tampilan rancangan form cover dapat dilihat pada gambar 3.8.
Gambar 3.9 Rancangan Form Utama Keterangan :
1. Menu strip Absen
Menu ini menghubungkan form utama dengan form absen 2. Menu strip tentang
Menu ini menghubungkan form utama dengan form tentang 3. Label
Label ini berisi keterangan dan detail tentang skripsi, nama, nim dan jurusan. 4. Picturebox
Picturebox yang berisi gambar USU
4
3
1 2
Gambar 3.10 Rancangan Form Absen Keterangan :
1. Menu strip Absen
Menu ini menghubungkan form absen dengan form utama 2. Menu strip tentang
Menu ini menghubungkan form absen dengan form tentang 3. ImageBox
ImageBox berisi tampilan kamera dan gambar yang diambil dari kamera berbentuk grayscale
4. Label
Label ini berisi keterangan dari setiap group box dan keterangan pengisian nama, nim dan alamat.
5. TextBox
TextBox sebagai media input nama, nim, alamat untuk biodata dari suatu wajah yang akan didaftarkan
6. GroupBox
Groupbox berisi beberapa komponen yaitu imageBox, label dan button 7. Button Open and Detect Face
Button berfungsi untuk membuka kamera dan mendeteksi posisi wajah. 8. Button Add Face
Button berfungsi untuk memberi event untuk menyimpan gambar wajah yang terdeteksi jika belum pernah tersimpan atau terdaftar di library sistem.
9. Button Record to Absen
Button ini berfungsi memberi event untuk menyimpan data nama dan tanggal kehadiran dari setiap mahasiswa yang terdaftar di library sistem.
10.Button Recognize Face
Button ini berfungsi memberi event untuk mempelajari pola dan mencari kecocokan wajah dari input wajah yang diambil.
Gambar 3.11 Rancangan Form Tentang Keterangan :
1. Menu strip Utama
Menu ini menghubungkan form tentang dengan form utama 2. Menu strip Absen
Menu ini menghubungkan form tentang dengan form absen 3. PictureBox
PictureBox berfungsi untuk menampilkan foto penulis 4. Label
Label berisi tentang informasi penulis berupa nama, nim, jurusan, fakultas dan universitas.
1 2
3
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Pada tahap ini dilakukan pembuatan sistem sesuai dengan analisis dan perancangan dan kemudian melakukan pengujian sistem.
4.1 Implementasi Sistem
Sistem dibangun dengan bahasa pemrograman C# dengan .NET sebagai library untuk menyajikan Graphical User Interface terhadap user. Program ini terdiri 3 form tampilan yaitu form utama, form Absen, form About.
4.1.1. Form Utama
Tampilan utama atau home merupakan tampilan yang pertama kali muncul apabila sistem dibuka. Pada tampilan ini, terdapat 2 button yang memiliki fungsi masing-masing pada sistem. Tampilan utama dapat dilihat pada Gambar 4.1.
4.1.2. Form Absen
Tampilan absen ini berfungsi sebagai mengambil citra wajah dari kamera sekaligus mendeteksi nama dari wajah yang diambil. Jika wajah sudah terdeteksi, akan dilakukan pencatatan ke dokumen. Untuk tampilan absen dapat dilihat pada Gambar 4.2.
Gambar 4.2 Form Absen
4.1.3. Form Tentang
4.1.4. Proses grayscale, thresholding dan binerisasi
Sistem ini dibangun dengan menggunakan Microsoft Visual Studio 2010. Masukan yang digunakan adalah foto yang berformat *.bmp dengan ukuran 100 x 100 piksel. Agar dapat diolah komputer, maka gambar harus diubah dengan proses binerisasi. Pertama kali yang harus dilakukan adalah mengambil nilai RGB kemudian lakukan proses grayscale seperti gambar 4.4
Gambar 4.4. Contoh citra Grayscale
Nilai Grayscale pada gambar 4.5 dapat diperoleh menggunakan rumus :
dengan keterangan :
I = nilai piksel pada citra grayscale R = nilai bit red pada citra RGB G = nilai bit green pada citra RGB B = nilai bit blue pada citra RGB
Setelah memproses nilai RGB menjadi nilai grayscale, nilai grayscale akan diubah menjadi bentuk biner dengan menggunakan threshold sebesar 50. Citra biner dapat dilihat pada gambar 4.5.
Dari citra threshold diatas didapat binerisasi seperti dibawah ini
Gambar 4.6 Hasil Binerisasi
4.1.5. Ketentuan dan Parameter Pengujian
Sistem ini menggunakan beberapa ketentuan-ketentuan yang akan menjadi parameter berjalannya proses sistem ini sehingga didapat beberapa hasil yang dapat dijadikan bahan acuan.
1. Maksimal Epoch yang dipakai sebesar 20.
2. Posisi wajah untuk setiap orang ada 5 yaitu menghadap sedikit ke kiri, kanan, atas, bawah dan tegak menghadap kamera.
3. Setiap orang akan di record sebanyak 5 wajah. 4. Gambar yang akan diambil sebesar 100 x 100 piksel.
5. Sistem akan mendeteksi wajah yang lebih dari 1, akan tetapi tetap di proses wajah yang paling dekat dengan kamera sebagai citra inputan yang akan diuji.
6. Gambar yang diambil langsung diubah ke grayscale dan threshold tanpa menampilkan hasil grayscale ke layar hasil gambar yang terambil.
4.2 Hasil Pengujian Sistem
Sistem harus memiliki gambar acuan yang terdapat pada library agar dapat menjadi gambar acuan atau Data Set gambar yang dilatih. Cara menambahkan wajah seperti berikut :
1. Pada sistem terdapat Group Box Training yang berguna untuk menambahkan wajah jika terdapat mahasiswa baru atau wajah masih belum pernah terdaftar.
2. Isi kolom Name, NIM, dan Address untuk biodata diri dari wajah yang didaftarkan. 3. Jika sudah mengisi, tekan tombol Add Face maka sistem akan mengambil citra yang
akan diubah ke greyscale dan threshold dan muncul pesan yang berisi jika wajah telah tersimpan di library.
Setiap orang memiliki 5 wajah sampel yang tersimpan di database dan diambil langsung melalui kamera webcam. Hasil pengujian dapat dilihat pada Tabel 4.1, Tabel 4.2, Tabel 4.3, Tabel 4.4.
4.2.1 Hasil pengujian dengan webcam sampel ‘rudy’
Tabel 4.1. Hasil pengujian dengan webcam sampel ‘rudy’
Input(X) Target
(Y) rudy
rudy
rudy
4.2.2 Hasil pengujian dengan webcam sampel ‘hafiz’
Tabel 4.2. Hasil pengujian dengan webcam sampel ‘hafiz’
Input(X) Target
(Y) hafiz
hafiz
hafiz
4.2.3 Hasil pengujian dengan webcam sampel ‘Cut Amalia Saffiera’
Tabel 4.3. Hasil pengujian dengan webcam sampel ‘Cut Amalia Saffiera’
Input(X) Target
(Y) Cut Amalia Saffiera
Cut Amalia Saffiera
Cut Amalia Saffiera
4.2.4 Hasil pengujian dengan webcam sampel ‘chyntia’
Tabel 4.4. Hasil pengujian dengan webcam sampel ‘chyntia’
Input(X) Target
(Y) chyntia
chyntia
chyntia
4.2.5. Foto Pemakaian Sistem Absensi di Kelas.
4.2.6. Screen Shot Coding Pengambilan Wajah Real Time
4.2.7. Langkah-langkah Algoritma Learning Vector Quantization (LVQ) 1. Menentukan pola input dan pola output
Dalam sistem ini, variabel x dan w digunakan menjadi pola input. Pola input yang digunakan adalah nilai bipolar yang ada pada Gambar 4.7. Pola output atau target yang digunakan adalah :
Pola inputan yang di ambil melalui kamera dapat dilihat pada gambar 4.7
Gambar 4.10. Citra Inputan yang tertangkap Kamera
2. Menghitung jarak terdekat Euclidean antar bobot (Cj)
Untuk menghitung jarak terdekat Euclidean antara bobot inputan dan mencari target digunakan rumus :
�� = √ +
dimana :
Cj = jarak Euclidean x = input dari suatu citra w = bobot dari gambar acuan
untuk perhitungan mencari jarak terdekat dilakukan citra inputan pada semua sampel wajah yang tersimpan sebelumnya sebagai gambar acuan.
3. Pencarian bobot baru (Wj baru)
Setelah mendapat jarak terdekat, akan dicari bobot yang menjadi bobot baru. Setelah bobot tersebut telah didapat, maka akan disimpan untuk menjadi bobot acuan di perhitungan berikutnya. Pencarian bobot baru memakai rumus :
(baru) = (lama)+ α* - (lama)
dimana :
w = bobot dari gambar acuan x = input dari suatu citra i = banyak bobot
j = banyak piksel citra inputan
4.2.8. Pencarian Kecocokan Wajah
Pada Percobaan pencarian nilai minimum, diberikan 10 gambar acuan yang akan menjadi target kelas. Berikut adalah tabel wajah yang akan menjadi target pengujian dari gambar uji.
Tabel 4.5. Tabel Gambar yang menjadi Target.
4.12. Gambar threshold yang akan diproses pada gambar acuan.
hafiz Agustin chyntia Mangasa Lily
dhiwa Cut Amalia Saffiera
Tia
Rahmadianti
Morigia Simanjuntak
Tabel 4.6 Tabel Binerisasi Input Vektor
No Input Vektor Kelas
(T) 1 000000000000000000000000000000...0000000011111111111 1 2 000000000000000000111111111111...0000000000000000000 2 3 111111110000000000000000000000...0000000000000000000 3 4 000000000000000000000000000000...1111111111111110000 4 5 111111111111111111000000000000...0000000000000000000 5 6 111111000000000000000000000000...1111111111111111111 6 7 111111111111111111111111110000...0000000000000000000 7 8 110001110000011000000000000000...0000000000000001111 8 9 000000000000000000000000000000...0000000000000000000 9 10 111111111111110000000000000000...1111111111111111111 10
Jarak terkecil pada bobot ke-1 Target data ke-1=1 Bobot ke-1 baru:
W11(baru) = w11(lama)+ α*x11-w11(lama) = 1+0,05*(1-1) = 1 W12(baru) = w12(lama)+ α*x12-w12(lama) = 1+0,05*(1-1) = 1 W13(baru) = w13(lama)+ α*x13-w13(lama) = 1+0,05*(1-1) = 1 W14(baru) = w14(lama)+ α*x14-w14(lama) = 1+0,05*(1-1) = 1 ...
W19997(baru)=w19997(lama)+ α*x19997-w19997(lama) = 1+0,05*(1-1) = 1 W19998(baru)=w19998(lama)+ α*x19998-w19998(lama) = 1+0,05*(1-1) = 1 W19999(baru)=w19999(lama)+ α*x19999-w19999(lama) = 1+0,05*(1-1) = 1 W110000(baru)=w110000(lama)+ α*x110000-w110000(lama) = 1+0,05*(1-1) = 1 Sehingga W1 = (1111...11111)
Perhitungan berikutnya akan dilakukan seperti diatas yaitu menghitung jarak terdekat dari setiap bobot yang lama maupun telah diubah. Perhitungan tersebut akan dijalankan sebanyak Epoch maksimum yaitu 20. Hasil akhir akan dihitung melalui jarak terdekat, jika nilai yang paling kecil, maka termasuk ke kategori target yang mendekati tersebut.
Setelah melakukan pengambilan citra melalui kamera webcam, threshold yang dihasilkan akan segera diproses dan didapat nilai minimum seperti tabel dibawah ini :
Tabel 4.7 Tabel Nilai Minimum yang dihasilkan
No. Kelas Nilai
4.2.9. Kalkulasi Hasil Pengujian
Dari hasil percobaan kecocokan wajah di dapat beberapa kecocokan dan ketidakcocokan terhadap target yang diharapkan. Untuk hasil kecocokan wajah dapat dilihat pada tabel 4.5.
4.8. Tabel Rangkuman Hasil Pengujian Pengujian
ke
Nama Mahasiswa
Nama yang
dikenal Taget Keterangan
1
chyntia chyntia chyntia Sesuai
chyntia hafiz chyntia Tidak Sesuai
4.2.10. Analisis kecocokan wajah
Dari hasil pengujian terhadap 20 citra yang telah diuji maka perhitungan akurasiyang didapat diperoleh dari rumus persentase adalah :
Persentase akurasi = r y r
r x 100%
Persentase akurasi
=
5%
= 75%Dapat disimpulkan bahwa untuk ke 20 citra dimana 15 citra diantaranya adalah citra dapat dikenali dengan benar menggunakan metode Learning Vector Quantization. Tentunya hasil dapat berubah sesuai dengan intensitas cahaya yang berubah-ubah dan beberapa parameter juga.
4.2.11. Database Absen Excel
Hasil absen dari wajah yang terdeteksi akan disimpan di Microsoft Office Excel. Pencatatan absen akan menyimpan tanggal, waktu masuk, nama, jumlah hadir dan tidak hadir. Database absen dapat dilihat pada gambar 4.6. Manfaat memakai sistem absensi wajah bisa kita kaji melalui segi efisiensi waktu juga. Pada sistem absen secara manual biasa memakan waktu sekitar 30 detik untuk satu kali tandatangan kehadiran. Sehingga memakan waktu dalam mendata diri. Dengan menggunakan absensi wajah rata-rata kemampuan satu orang untuk absen yaitu 2 detik.
Perbandingan waktu :
Absen manual pada 1 orang memerlukan 30 detik Absen wajah pada 1 orang hanya memerlukan 2 detik Dari ketentuan diatas bisa ditarik perbandingan :
Absen Wajah : Absen Manual 2 : 30
Dari hasil perbandingan terdapat selisih antara absen manual dengan absen wajah yaitu sekitar 2 : 30 atau 1 : 15 untuk satu kali absen. Dengan kata lain dengan absensi wajah lebih efisien dan menghemat 14 mahasiswa dalam waktu yang bersamaan.
Tabel 4.9 Tabel Selisih Waktu Antara Absen Manual Dan Sistem Komputer Jumlah
Mahasiswa
Absen Selisih
Waktu
Manual Sistem
20 20 x 30 / 60 = 10 Menit 20 x 02 / 60= 0,7 Menit 9,3 Menit 40 40 x 30 / 60 = 20 Menit 40 x 02 / 60= 1,3 Menit 18,7 Menit 60 60 x 30 / 60 = 30 Menit 60 x 02 / 60= 2 Menit 28 Menit 80 80 x 30 / 60= 40 Menit 80 x 02 / 60 = 2,6 Menit 37,4 Menit
Gambar 4.14. Grafik Selisih Waktu antara Manual dan Sistem Komputer
10
20
30
40
0.7 1.3 2 2.6
20 40 60 80
Tabel Selisih Waktu
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pembahasan dan hasil dari penelitian, maka diperoleh beberapa kesimpulan sebagai berikut:
1. Algoritma learning vector quantization berfungsi untuk mencari nilai minimum antara gambar yang diuji dengan gambar acuan yang terdapat di database sistem. 2. Intensitas cahaya sangat menentukan pola dan kecocokan wajah yang akan di
deteksi.
3. Maksimal Epoch sebesar 20 dan threshold adalah 50 didapat akurasi ketepatan pengenalan pola wajah sebanyak 75% melalui 20 sampel dan 15 yang sesuai target. 4. Sistem dapat mendeteksi lebih dari satu wajah akan tetapi hanya dapat mendeteksi satu wajah untuk di ambil wajah gambar uji. Yang terdeteksi dan dapat diuji hanya wajah yang paling dekat dengan kamera.
5.2 Saran
Adapun saran-saran yang dapat dipertimbangkan untuk mengembangkan penelitian ini lebih lanjut adalah sebagai berikut:
1. Karena dalam penelitian ini penulis memakai algoritma learning vector quantization, sebaiknya dikombinasikan dengan algoritma SOM Kohonen sehingga mendapatkan hasil yang lebih cepat dan akurat dalam mencari kecocokan wajah.
2. Untuk pencatatan dan pengujian wajah, sebaiknya diambil pada lokasi yang sama untuk menghindari adanya intensitas cahaya yang tidak sesuai.
