Penerapan Face Recognition untuk pemerolehan identitas mahasiswa Universitas Sanata Dharma menggunakan metode Eigenface dan Euclidean Distance

(1)

PENERAPAN

FACE RECOGNITION

UNTUK

PEMEROLEHAN IDENTITAS MAHASISWA UNIVERSITAS

SANATA DHARMA MENGGUNAKAN METODE

EIGENFACE

DAN

EUCLIDEAN DISTANCE

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Jonathan Darmawan Hartanto

135314006

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

ii

THE APPLICATION OF FACE RECOGNITION FOR

ATTAINMENT THE STUDENTS’ IDENTITIES OF

SANATA DHARMA UNIVERSITY BY USING EIGENFACE

AND EUCLIDEAN DISTANCE METHOD

A THESIS

Presented as Partial Fulfillment of the Requirements

for the Degree of Sarjana Komputer in

Department of Informatics Engineering

Written by :

Jonathan Darmawan Hartanto

135314006

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(3)

iii

HALAMAN PERSETUJUAN

SKRIPSI

PENERAPAN

FACE RECOGNITION

UNTUK PEMEROLEHAN

IDENTITAS MAHASISWA UNIVERSITAS SANATA DHARMA

MENGGUNAKAN METODE

EIGENFACE

DAN

EUCLIDEAN DISTANCE

Oleh :

135314006

Telah Disetujui Oleh :

Pembimbing

(4)

iv

HALAMAN PENGESAHAN

SKRIPSI

PENERAPAN

FACE RECOGNITION

UNTUK PEMEROLEHAN

IDENTITAS MAHASISWA UNIVERSITAS SANATA DHARMA

MENGGUNAKAN METODE

EIGENFACE

DAN

EUCLIDEAN DISTANCE

Dipersiapkan dan disusun oleh :

NIM : 135314006

Telah dipertahankan di depan Tim Penguji

pada tanggal 12 Juni 2017

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji :

Nama Lengkap

Tanda Tangan

Ketua

: Eko Hari Parmadi, S.Si., M.Kom.

...

Sekretaris

: Puspaningtyas Sanjoyo Adi, S.T., M.T.

...

Anggota

: Dr. Anastasia Rita Widiarti

...

Yogyakarta,

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan

(5)

v

HALAMAN PERSEMBAHAN

Segala perkara dapat kutanggung di dalam Dia yang memberikan kekuatan

kepadaku. Kerjakanlah bagianmu dengan maksimal, dan serahkanlah semuanya

kepada Tuhan, Ia akan mengerjakan bagian-Nya untukmu. Percaya saja di dalam

Tuhan dan Janganlah bimbang. Bukan karna kekuatanku, melainkan karna

penyertaan dan perlindungan Tuhan.

God is good all the time.

Kupersembahkan untuk :

Tuhan Yesus Kristus

Papaku Thomas Andry Agus dan Mamaku Ivoney

(6)

vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini

tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan

dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.

Yogyakarta, 15 Mei 2017

Penulis

(7)

vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata

Dharma :

Nama : Jonathan Darmawan Hartanto

NIM : 135314006

Demi pengembangan ilmu pengetahuan, saya memberikan kepada

Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul :

PENERAPAN

FACE

RECOGNITION

UNTUK

PEMEROLEHAN

IDENTITAS

MAHASISWA

UNIVERSITAS

SANATA

DHARMA

MENGGUNAKAN METODE

EIGENFACE

DAN

EUCLIDEAN DISTANCE

Dengan demikian saya memberikan kepada Perpustakaan Universitas

Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain,

mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan

mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa

perlu meminta izin dari saya maupun memberikan royalty kepada saya selama tetap

mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 15 Mei 2017

Yang menyatakan

(8)

viii

ABSTRAK

Wajah merupakan bagian dari tubuh manusia yang sangat penting, karena

dalam wajah manusia terdapat 4 indera. Wajah memberikan suatu pengetahuan atau

informasi tentang identitas dari pemilik wajah tersebut. Dewasa ini, jumlah

mahasiswa dalam setiap Universitas terus meningkat. Setiap Universitas perlu

mempunyai data identitas dari seluruh mahasiswanya seperti nama lengkap dan

nomor induk mahasiswa (NIM). Civitas akademika dalam suatu Universitas

diharapkan untuk saling mengenal satu sama lain. Pengenalan identitas satu sama

lain dalam suatu Universitas sangatlah penting, sehingga dapat terjalin hubungan

yang baik dan terciptanya sistem yang baik dalam Universitas.

Dalam penelitian ini akan dibagun sebuah sistem pengenalan wajah

mahasiswa, sehingga antar civitas akademika dalam suatu Universitas dapat

mengenal identitas mahasiswa satu sama lain melalui foto wajahnya. Sistem

pengenalan wajah ini, dapat menjadi sebuah teknologi baru yang bermanfaat bagi

Universitas kedepannya. Contohnya, sistem pengenalan wajah ini dapat digunakan

sebagai sistem untuk presensi kuliah, sistem kegiatan Universitas, sistem kegiatan

mahasiswa, dan lain-lain. Penelitian ini menerapkan metode

Eigenface

untuk

pencarian ciri wajah mahasiswa, serta

Euclidean Distance

yang digunakan untuk

mencari jarak atau kemiripan satu citra dengan yang lain berdasarkan nilai-nilai ciri.

Pada penelitian ini, dilakukan beberapa pengujian menggunakan 3 data

berbeda. Data pertama memiliki 11 citra wajah tiap mahasiswa sehingga totalnya

275 citra, Data kedua memiliki 450 citra, dengan tiap mahasiswanya memiliki 18

citra, Data ketiga yaitu data uji tunggal baru sebanyak 25 citra. Penelitian ini

menggunakan 3-

fold cross validation

untuk pembagian data training dan testing.

Pada pengujian menggunakan data pertama didapatkan hasil akurasi tertinggi

sebesar 69 % pada kombinasi Set kedua. Pada pengujian menggunakan data kedua

memperoleh akurasi tertinggi sebesar 87.3333 % dengan kombinasi Set kedua.

Pada pengujian data baru tunggal memperoleh akurasi sebesar 28 %. Sehingga

dapat disimpulkan bahwa, sistem dapat mengenali wajah mahasiswa dengan baik

(9)

ix

ABSTRACT

Face is the important part of the human body, because in the human face

there are four senses. Face gives a knowledge or information about identity of the

owner. Today, the number of students in every University increase continuously.

Every University requires data of all student

s’ identities

such as full name and

student ID number. An academic community in every University is expected to

know each other. Identify each other in an University is very important, to build

good relationship and good system in University.

In this research, it will build a face recognition system of students, so

academic community in an University can know each othe

r students’ identities

through the facial photo. This face recognition system can be a useful technology

for the future of University. For example, this face recognition system can be used

as a students attendance system, University activity system, students activity

system, and much more. This study uses Eigenface method for feature extraction of

students

’

faces and Euclidean Distance to find distance or similarity of one image

with other image based on features value.

In this research, several tests were performed using three different data. The

first data has 11 images for each student, so the first data has 275 images in total.

The second data has 450 images, with each student has 18 images. The third data is

new single data of 25 images. This research uses 3-fold cross validation for training

and testing data distribution. In testing that uses first data, obtained the highest

accuracy of 69 % in the second combination. In the test using second data obtained

the highest accuracy of 87.3333 % with the second combination. In testing using

new single data obtained highest accuracy of 28 %. So, it can be conclude that the

system can recognize the students face well when using the second data and

obtained 87.3333 % of accuracy.

(10)

x

KATA PENGANTAR

Puji syukur dan terima kasih kepada Tuhan Yesus Kristus, yang telah menyertai,

melindungi, dan senantiasa memberi kekuatan serta berkat dalam proses pengerjaan

skripsi

yang berjudul “

Penerapan

Face Recognition

untuk Pemerolehan Identitas

Mahasiswa Universitas Sanata Dharma menggunakan metode

Eigenface

dan

Euclidean Distance

”

hingga selesai.

Dalam menyelesaikan skripsi ini penulis mendapat bantuan, bimbingan, dan

arahan dari berbagai pihak. Oleh karena itu penulis mengucapkan terima kasih

banyak kepada :

1.

Tuhan Yesus Kristus yang selalu menyertai dan memberi kekuatan dalam

proses pengerjaan skripsi ini.

2.

Kedua orangtuaku tercinta, Papa Thomas Andry Agus dan Mama Ivoney yang

senantiasa memberikan kasih, perhatian, doa, semangat, dan menyediakan

segala keperluan penulis dari awal perkuliahan hingga penyelesaian skripsi ini.

3.

Keluarga besar serta adik-adikku tercinta, Agatha Graciela Intania, Benedictus

Reynaldo Hartanto, Irene Jeanne Intania, Ferdinand Orlando Hartanto yang

telah memberikan semangat, motivasi, serta dukungan doa selama ini.

4.

Ibu Dr. Anastasia Rita Widiarti selaku Dosen Pembimbing saya yang telah

meluangkan waktunya untuk memberikan arahan, bimbingan, dorongan, serta

semangat dalam proses pengerjaan skripsi hingga selesai.

5.

Dosen-dosen Teknik Informatika Universitas Sanata Dharma yang telah

memberikan ilmu, motivasi, arahan, serta semangat selama penulis berkuliah

hingga sekarang.

6.

Teman-teman penulis mahasiswa Teknik Informatika Universitas Sanata

Dharma angkatan 2013, Fendi, Yeremia, Rusdi, Putra, Damian, Indra, Sonny,

Arka, Medi, Martin, Enggal, Komang, Adit, Fanny, Ekky, Tanto, Vino, Chris,

Baptista, Yosep, Hendra, Yosia, Tommy, Raymond, dan Andre, yang telah

bersedia meluangkan waktunya menjadi responden dalam pengambilan foto

(11)

xi

7.

Biro-biro dalam Universitas Sanata Dharma, khususnya Biro Administrasi

Perencanaan dan Sistem Informasi (BAPSI) yang telah bersedia memberikan

data identitas mahasiswa Teknik Informatika Universitas Sanata Dharma

angkatan 2013.

8.

Sahabat-sahabat penulis, Tommy Nugraha Manoppo dan Andi Setianto yang

memberikan semangat dan telah meluangkan waktu bersama penulis untuk

mengerjakan skripsi bersama, bermain, berbagi, bercerita, dan belajar bersama

selama ini.

9.

Teman-teman seperjuangan penulis, Kautsar Rusydi R, Theodora Ratri

Dewanti, Aloysius Tanto, Kasih Handoyo, Purbarini Sulysthian, serta

mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2013 yang

tidak dapat penulis sebutkan satu persatu.

10.

Semua pihak yang telah membantu proses penyelesaian skripsi ini, yang tidak

dapat penulis sebutkan satu persatu.

Yogyakarta, 15 Mei 2017

Penulis

(12)

xii

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN JUDUL (ENGLISH) ... ii

HALAMAN PERSETUJUAN ...iii

HALAMAN PENGESAHAN ... iv

HALAMAN PERSEMBAHAN ... v

PERNYATAAN KEASLIAN KARYA ... vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ... vii

ABSTRAK ... viii

ABSTRACT ... ix

KATA PENGANTAR... x

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xv

DAFTAR TABEL ... xvi

BAB I : PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 5

1.3. Tujuan Penelitian ... 5

1.4. Manfaat Penelitian... 5

1.5. Batasan Masalah ... 6

1.6. Metodologi Penelitian ... 6

1.7.

Sistematika Penulisan ... 7

BAB II : LANDASAN TEORI ... 8

2.1. Pengenalan Wajah ... 8

2.2. Metode Eigenface... 9

2.2.1. Proses Perhitungan Eigenface ... 10

2.2.2. Contoh Perhitungan Eigenface ... 13

2.3. Euclidean Distance ... 25

2.3.1. Contoh Perhitungan Euclidean Distance ... 26

2.3.2. Contoh Pengujian ... 27

BAB III : METODOLOGI PENELITIAN ... 30

3.1. Analisis Data ... 30

(13)

xiii

3.1.2. Metode Pengumpulan Data ... 31

3.1.3. Pembagian Data ... 32

3.2. Analisis Sistem ... 33

3.2.1. Preprocessing ... 34

3.2.2. Feature Extraction ... 35

Pseudo-code Metode Eigenface ... 38

3.2.3. Proses Pengujian ... 39

Pseudo-code Pengujian ... 49

3.2.4. Output ... 49

3.2.5. Akurasi ... 50

3.3. Desain User Interface ... 51

3.4. Spesifikasi Software dan Hardware ... 52

BAB IV : IMPLEMENTASI & ANALISIS HASIL ... 53

4.1. Implementasi Pelatihan Data ... 53

4.1.1. Data Awal ... 53

4.1.2. Implementasi Preprocessing ... 53

4.1.3. Implementasi Feature Extraction ... 59

4.2. Implementasi Pengujian Data ... 62

4.3. Hasil Pengujian ... 64

4.3.1. Hasil Pengujian Data Pertama ... 64

4.3.1.1. Hasil Pengujian Set 1 ... 65

4.3.2. Hasil Pengujian Data Kedua ... 93

4.3.3. Hasil Pengujian Data Baru Tunggal ... 136

4.4. Analisis Hasil Pengujian ... 140

4.5. Implementasi Perancangan Antarmuka ... 144

4.5.1. Pengujian Benar atau Data Sesuai ... 145

4.5.2. Pengujian Salah atau Data Tidak Sesuai ... 146

4.5.3. Pengujian Semua Data Testing ... 147

(14)

xiv

BAB V : KESIMPULAN & SARAN ... 150

5.1. Kesimpulan ... 150

5.2. Saran ... 151

DAFTAR PUSTAKA ... 152

(15)

xv

DAFTAR GAMBAR

Gambar 3.1. Gambaran umum alur kerja sistem ... 33

Gambar 3.2. Desain User Interface... 51

Gambar 4.1. Beberapa data awal citra wajah mahasiswa ... 53

Gambar 4.2. Proses Cropping citra wajah mahasiswa ... 54

Gambar 4.3. Hasil Cropping citra wajah mahasiswa ... 54

Gambar 4.4. Proses Perubahan ukuran dimensi citra wajah mahasiswa ... 55

Gambar 4.5. Folder 3 SET ... 56

Gambar 4.6. Isi folder SET 1 ... 56

Gambar 4.7. Isi folder Training dari SET 1 ... 56

Gambar 4.8. Isi folder Testing dari SET 1 ... 57

Gambar 4.9. Beberapa data citra wajah mahasiswa pertama ... 64

Gambar 4.10. Beberapa data training pada Set 1 data pertama ... 65

Gambar 4.11. Beberapa data testing pada Set 1 data pertama ... 65

Gambar 4.16. Beberapa data training pada Set 1 data kedua... 94

Gambar 4.17. Beberapa data testing pada Set 1 data kedua ... 94

Gambar 4.22. Data baru tunggal 25 mahasiswa... 136

Gambar 4.23. Tampilan User Interface ... 144

Gambar 4.24. Memasukkan citra sebagai Input Image ... 145

Gambar 4.25. Hasil pengenalan yang sesuai ... 145

Gambar 4.26. Hasil pengenalan yang tidak sesuai ... 146

Gambar 4.27. Proses awal pengujian semua data testing ... 147

Gambar 4.28. Aktivitas antarmuka selama proses pengujian semua data testing ... 147

Gambar 4.29. Aktivitas Command Window pada pengujian semua data testing ... 148

Gambar 4.30. Tampilan user interface setelah pengujian semua data testing ... 148

(16)

xvi

DAFTAR TABEL

Tabel 2.1. Keterangan simbol-simbol variabel dalam algoritma ... 10

Tabel 2.2. Hasil pengurutan nilai Eigenvalues dan Eigenvectors ... 20

Tabel 2.3. Contoh Perhitungan Euclidean Distance ... 26

Tabel 3.1. Data mahasiswa TI USD angkatan 2013 yang digunakan dalam penelitian .... 30

Tabel 3.2. Pembagian data citra wajah tiap mahasiswa ... 32

Tabel 3.3. Contoh Matriks ... 40

Tabel 3.4. Contoh perhitungan jarak Matriks ... 41

Tabel 3.5. Contoh pencarian jarak paling minimum Matriks ... 41

Tabel 3.6. Data mahasiswa TI USD angkatan 2013 yang digunakan beserta label file ... 42

Tabel 3.7. Contoh penentuan label pada suatu indeks ... 44

Tabel 3.8. Contoh perhitungan jarak 5 citra ... 48

Tabel 4.1. Pembagian data training dan testing tiap mahasiswa ... 55

Tabel 4.2. Pembagian data training dan testing pada data pertama ... 64

Tabel 4.3. Hasil Pengujian Set 1 pada data pertama dengan indeks threshold 0.05 ... 65

Tabel 4.12. Hasil Pengujian pada data pertama ... 92

Tabel 4.13. Pembagian data training dan testing pada data kedua ... 93

Tabel 4.14. Hasil Pengujian Set 1 pada data kedua dengan indeks threshold 0.05 ... 94

Tabel 4.23. Hasil Pengujian pada data kedua ... 135

Tabel 4.24. Hasil Pengujian Set 2 pada data tunggal dengan indeks threshold 0.05 ... 137

(17)

1

BAB I

PENDAHULUAN

1.1.

Latar Belakang

Wajah manusia merupakan salah satu bagian dalam tubuh manusia

yang sangat penting. Empat bagian dari panca indra manusia yaitu mata,

telinga, lidah, dan hidung terdapat pada wajah manusia. Empat bagian

tersebut memiliki peranan penting dalam keberlangsungan hidup manusia

yaitu mata untuk melihat, telinga untuk mendengar, lidah untuk merasakan

rasa, dan hidung sebagai indra penciuman. Empat indra tersebut ditambah

dengan kulit merupakan alat manusia untuk dapat melakukan kegiatan dan

menjalani hidup. Setiap manusia memiliki empat indra pada wajahnya

dengan bentuk yang berbeda-beda antara satu manusia dengan manusia

yang lain. Misalnya, bentuk mata, ukuran hidung, ukuran telinga, tekstur

lidah, dan lain-lain.

Wajah manusia yang terdiri dari empat indra tersebut merupakan

suatu obyek pertama yang dilihat oleh manusia lain. Wajah manusia juga

merupakan obyek yang berperan sebagai pengetahuan akan identitas diri

dari manusia tersebut. Ketika manusia lain bertemu dengan manusia yang

lain, obyek pertama yang akan mereka lihat dari lawannya adalah wajah.

Dari wajah lawan yang manusia lihat tersebut, ia dapat mengidentifikasi

identitas pribadi dari manusia lawan tersebut seperti misalnya nama, umur,

tempat tanggal lahir, tempat tinggal, tempat berkuliah, jurusan, bahkan

nomor telepon dan nama orang tua dari manusia tersebut.

Setiap manusia memiliki wajah dengan bentuk dan struktur yang

berbeda antar satu manusia dengan manusia yang lain. Dari teori tersebut

muncullah suatu ilmu untuk mengenali wajah manusia (

face recognition

),

yang dapat diaplikasikan dalam banyak bidang. Misalnya dalam bidang

keamanan, dapat membantu mencari seorang penjahat menggunakan foto

(18)

perkantoran dalam mengurus presensi atau kehadiran

pegawai-pegawainya, dan masih banyak aplikasi pengenalan wajah pada

bidang-bidang yang lain.

Dalam laporan ini akan membahas dan menjelaskan contoh

pengaplikasian pengenalan wajah dalam bidang pendidikan. Pendidikan

sekarang merupakan hal yang sangat penting dan wajib bagi setiap manusia

untuk dijalaninya. Hampir setiap orang menjalani dan memasuki bangku

sekolah bahkan sejak umur 5 tahun, dan sekarang jenjang pendidikan yang

paling tinggi adalah tingkat Universitas. Banyak orang sangat

menginginkan dan saling berebutan untuk memasuki jenjang pendidikan

tingkat Universitas. Dengan banyaknya minat manusia untuk memasuki

jenjang pendidikan maka pendaftaran untuk mahasiswa baru setiap

Universitas selalu mempunyai jumlah yang cukup banyak.

Berdasarkan data statistik terbaru dari Badan Pusat Statistik

Indonesia tanggal 14 September 2016, menunjukkan bahwa jumlah

mahasiswa yang terdapat di Indonesia adalah sebanyak 341.315 untuk 53

Universitas Negeri dan 272.350 untuk 625 Universitas Swasta. Sehingga

dari data tersebut dapat disimpulkan terdapat 900 lebih mahasiswa di setiap

Universitas yang ada di Indonesia. Berdasarkan data tersebut jumlah

mahasiswa di tiap Universitas cukup banyak, dan setiap Universitas perlu

untuk mempunyai data dari seluruh mahasiswanya seperti nama, nomor

induk mahasiswa, tempat tanggal lahir, alamat, nomor handphone, nama

orangtua, dan lain-lain.

Kebutuhan akan identitas mahasiswa seperti nama lengkap dan

nomor induk mahasiswa (NIM) sangat tinggi. Identitas mahasiswa tersebut

sangat diperlukan untuk berbagai aktivitas mahasiswa seperti keperluan

administrasi, akademis, kegiatan mahasiswa, dan lain-lain. Dengan

menerapkan sistem

face recognition

, identitas mahasiswa dapat diperoleh

secara cepat dan mudah dengan memproses foto wajah mahasiswa. Setiap

civitas akademika yang ada dalam tiap Universitas diharapkan untuk saling

(19)

terhadap dosen, mahasiswa terhadap mahasiswa, karyawan terhadap

mahasiswa, karyawan terhadap karyawan, dan lain-lain.

Pengenalan identitas satu sama lain antar civitas akademika dalam

suatu Universitas sangatlah penting, karena dengan mengenali identitas

satu sama lain tersebut maka akan terjalin hubungan yang baik satu sama

lain serta terciptanya sistem yang baik dalam Universitas. Maka dari itu

peran pengenalan wajah (

face recognition

)

sangatlah penting dalam

membantu permasalahan tersebut, karena wajah merupakan obyek utama

yang digunakan untuk mengetahui identitas seseorang. Dalam dokumen

ini, akan dibahas bagaimana civitas akademika (dosen, mahasiswa, dan

karyawan) Universitas Sanata Dharma dapat memperoleh identitas

mahasiswa serta mengenal mahasiswa satu sama lain, khususnya para

mahasiswa Teknik Informatika angkatan 2013 menggunakan pengenalan

wajah (

face recognition

).

Penelitian dalam bidang

face recognition

atau pengenalan wajah ini

sudah banyak dilakukan oleh peneliti-peneliti sebelumnya dalam beberapa

kasus. Contohnya yaitu seperti penelitian yang dilakukan oleh

Slavković

dan Jevtić (2

012) dengan jumlah data training sebanyak 190 gambar dari

38 orang (setiap orang memiliki 5 gambar berbeda). Lalu, dilakukan testing

menggunakan data gambar sebanyak 40 gambar dari beberapa individu (38

gambar yang dikenali dan 2 gambar yang tidak diketahui). Dari tes yang

dilakukan didapatkan hasil atau tingkat akurasinya sebesar 97.5%

menggunakan 190 jumlah komponen utama (

principal components

) dan

perhitungan jarak

Euclidean Distance

.

Contoh penelitian

face recognition

selanjutnya yaitu penelitian yang

dilakukan oleh Linge dan Pawar (2014) menggunakan 165 gambar wajah

dari

Yale database

menggunakan metode

Neural Network

dan PCA.

Peneliti melakukan percobaan untuk memasukkan data testing berupa citra

gambar pula sebagai input dan mengecek citra gambar orang tersebut

apakah dikenali dan cocok dengan citra gambar orang pada data training

(20)

data training (

database

) maka akan menampilkan citra gambar dari data

training. Penelitian tersebut menghasilkan tingkat akurasi pengenalan

sebesar 98.78%.

Contoh penelitian

face recognition

selanjutnya yaitu penelitian yang

dilakukan oleh Agarwal dkk. (2010) menggunakan 40 gambar wajah orang

dengan 10 kondisi yang berbeda, sehingga totalnya adalah 400 gambar

wajah dari database wajah

Olivetti and

Oracle Research Laboratory

(ORL). Penelitian ini menggunakan metode

Eigenfaces

dan

Artificial

Neural Network

, peneliti melakukan percobaan untuk memasukkan data

testing berupa citra gambar pula sebagai input dan mengecek citra gambar

orang tersebut apakah dikenali dan cocok dengan citra gambar orang pada

data training yang sudah ada dalam

database

. Jika data testing (masukan)

cocok dengan data training (

database

) maka akan menampilkan citra

gambar dari data training. Penelitian tersebut menghasilkan tingkat akurasi

pengenalan sebesar 97.018%.

Dari ketiga penelitian tersebut, dapat disimpulkan bahwa penelitian

pengenalan wajah (

face recognition

) sudah pernah dilakukan dan

mendapatkan hasil atau tingkat akurasi yang tinggi, sehingga penelitian

mengenai

face recognition

dapat dikembangkan dan dilanjutkan.

Penelitian-penelitian

face

recognition

sebelumnya

mayoritas

menggunakan metode

Eigenface

dalam memproses suatu data. Metode

Eigenface

merupakan metode yang sangat terkenal dan sering digunakan

dalam penelitian-penelitian untuk pengenalan wajah. Metode

Eigenface

merupakan metode yang digunakan untuk mengurangi ruang dimensi data

lalu mencari nilai

Eigenvectors

serta

Eigenvalues

sebagai karakteristik atau

ciri suatu data. Kemudian karakteristik atau ciri tersebut menjadi data

untuk training dan akan digunakan untuk mengenali data testing. Metode

Eigenface

memiliki beberapa kelebihan dalam penelitian pengenalan

wajah dibandingkan dengan metode lain yaitu kesederhanaan algoritma,

efisien, efektif, serta kecepatan dalam melakukan proses pengenalan

(21)

Penelitian pada dokumen ini adalah penelitian dalam bidang yang

sama yaitu pengenalan wajah (

face recognition

), tetapi menggunakan

beberapa hal yang berbeda dari penelitian-penelitian sebelumnya. Metode

yang digunakan dalam penelitian ini adalah

Eigenface

dan

Euclidean

Distance

untuk perhitungan jaraknya. Data yang digunakan adalah data

citra foto wajah mahasiswa jurusan Teknik Informatika Universitas Sanata

Dharma (TI USD) angkatan 2013. Lalu luaran dari penelitian ini yaitu akan

menampilkan informasi atau identitas dari citra foto wajah mahasiswa

tersebut.

1.2.

Rumusan Masalah

1.

Bagaimana metode

Eigenface

dan

Euclidean Distance

dapat

melakukan pengenalan wajah mahasiswa serta menampilkan identitas

mahasiswa ?

2.

Berapa tingkat keberhasilan atau akurasi yang dihasilkan dalam

mengenali wajah menggunakan metode

Eigenface

dan

Euclidean

Distance

?

1.3.

Tujuan Penelitian

1.

Menerapkan metode

Eigenface

untuk pencarian ciri dan

Euclidean

Distance

untuk perhitungan jarak dengan baik sehingga dapat

mengenali wajah mahasiswa dan mendapatkan identitas mahasiswa.

2.

Mendapatkan tingkat keberhasilan atau akurasi pengenalan wajah

menggunakan metode

Eigenface

dan

Euclidean Distance

.

1.4.

Manfaat Penelitian

1.

Mengenali suatu gambar foto wajah seseorang sebagai mahasiswa

Teknik Informatika Universitas Sanata Dharma angkatan 2013 atau

bukan.

2.

Memperoleh informasi identitas mahasiswa yaitu nama dan nomor

(22)

dikenali sebagai seorang mahasiswa Teknik Informatika Universitas

Sanata Dharma angkatan 2013.

3.

Menggunakan identitas (nama dan NIM) mahasiswa dari hasil testing

sebagai inputan atau data masukan untuk keperluan Universitas atau

kegiatan mahasiswa.

4.

Menggunakan dan mengembangkan sistem pengenalan wajah

mahasiswa ini sebagai sistem presensi mahasiswa dalam perkuliahan.

1.5.

Batasan Masalah

1.

Citra gambar foto wajah mahasiswa yang digunakan dalam sistem

melalui proses

cropping

dengan rasio 1:1 (

square

) terlebih dahulu,

agar fokus pada wajahnya saja dan tidak mempunyai latar belakang

yang kompleks. Lalu citra ukuran dimensinya dirubah menjadi

200x200.

2.

Citra gambar foto wajah mahasiswa Universitas Sanata Dharma yang

digunakan dalam sistem adalah citra gambar foto wajah 25 mahasiswa

jurusan Teknik Informatika angkatan 2013.

1.6.

Metodologi Penelitian

1

Pengumpulan data training yaitu citra gambar foto wajah 25

mahasiswa TI USD angkatan 2013 dari hasil pengambilan gambar

menggunakan kamera

smartphone

, serta identitas mahasiswa dari

Biro Administrasi Perencanaan dan Sistem Informasi (BAPSI)

Universitas Sanata Dharma.

2

Studi Pustaka metode atau algoritma

Eigenface

dan

Euclidean

Distance

.

3

Analisis dan Perancangan Sistem yang terdiri dari analisis masalah,

alur kerja sistem, desain sistem, pembangunan

database

untuk data

training dan testing, perancangan sistem dengan membangun program

berdasarkan algoritma yang digunakan, dan pembuatan alat uji dengan

(23)

4

Pengujian sistem menggunakan data testing serta alat uji yang telah

dibuat.

5

Analisis hasil dari pengujian yang telah dilakukan.

1.7.

Sistematika Penulisan

BAB I Pendahuluan

Bab ini akan menjelaskan mengenai latar belakang masalah yang akan

dibahas dalam penelitian ini, rumusan masalah, tujuan penelitian, batasan

masalah, manfaat penelitian, metode penelitian, serta sistematika penulisan

laporan tugas akhir.

BAB II Landasan Teori

Bab ini berisi penjelasan singkat tentang metode atau algoritma yang

digunakan dalam penelitian.

BAB III Metodologi Penelitian

Bab ini berisi langkah-langkah yang akan dilakukan dalam penelitian,

metode pengumpulan data, metode pengolahan data, cara analisis data,

metode pengujian, serta desain

user interface

alat uji penelitian yang akan

dibagun.

BAB IV Implementasi & Analisis Hasil

Bab ini berisi proses impelementasi sistem dari

preprocessing

data sampai

pengujian data dan hasil dari pengujian beserta analisisnya.

BAB V Kesimpulan & Saran

Bab ini berisi kesimpulan yang didapat dari penelitian yang dilakukan serta

(24)

8

BAB II

LANDASAN TEORI

2.1.

Pengenalan Wajah

Wajah merupakan bagian dari tubuh manusia yang sangat penting.

Wajah manusia terdiri dari 4 indera yaitu mata, telinga, lidah, dan hidung.

Wajah merupakan obyek pertama yang dilihat oleh manusia lain ketika dua

atau lebih manusia bertemu. Wajah memberikan suatu pengetahuan atau

informasi tentang identitas dari pemilik wajah tersebut. Tiap manusia

memiliki wajah dengan bentuk dan struktur yang unik satu dengan yang

lainnya. Empat indera yang terdapat pada wajah manusia juga memiliki

keunikan antara satu manusia dengan manusia lainnya. Bentuk dan ukuran

mata seseorang berbeda dengan bentuk dan ukuran mata seseorang yang

lainnya. Begitu juga dengan ketiga indera yang lainnya yaitu telinga, lidah,

dan hidung, masing-masing indera memiliki keunikan antara satu manusia

dengan manusia yang lain. Sehingga dengan keunikan atau perbedaan

wajah seseorang dan keempat indera di dalamnya, menjadikan wajah

sebagai obyek yang mampu menjadi identitas seseorang atau obyek yang

merupakan referensi utama dalam mengenali seseorang satu dengan yang

lainnya.

Berdasarkan teori tersebut, maka muncullah suatu ilmu atau

penelitian untuk mengenali seseorang dengan wajah yang dimilikinya yaitu

pengenalan wajah (

face recognition

). Dewasa ini, ilmu pengenalan wajah

sangat ramai dibicarakan, diperbincangkan, dan bahkan diteliti, sehingga

ilmu pengenalan wajah ini sekarang telah diterapkan ke dalam teknologi

yang mampu memudahkan manusia dalam memcahkan suatu masalah atau

membantu manusia menyelesaikan pekerjaannya. Teknologi pengenalan

wajah ini sekarang telah membantu manusia dalam bidang keamanan,

pendidikan, kesehatan, sosial, dan lain-lain. Dalam bidang keamanan

(25)

pencarian seorang kriminal, pencocokan wajah seseorang untuk akses

masuk suatu ruangan atau benda yang berharga, dan lain-lain. Dalam

bidang pendidikan contohnya seperti penggunaan teknologi pengenalan

wajah untuk pengenalan suatu tokoh sejarah atau pahlawan. Dalam bidang

kesehatan contohnya seperti penggunaan teknologi pengenalan wajah

untuk mendapatkan informasi catatan kesehatan seseorang dari wajahnya.

Dalam bidang sosial contohnya seperti penggunaan teknologi pengenalan

wajah untuk mendapatkan informasi seseorang sehingga seseorang dapat

saling mengenal, misal dalam suatu Universitas, sehingga tercapai

komunikasi dan kerjasama yang baik.

2.2.

Metode

Eigenface

Metode

Eigenface

merupakan perkembangan dari metode atau

pendekatan PCA (

Principal Component Analysis

) yang dikembangkan

oleh Sirovich dan Kirby (1987) serta Turk dan Pentland (1991). PCA

merupakan teknik yang digunakan untuk menyederhanakan suatu data,

dengan cara mentransformasi data secara linier sehingga terbentuk sistem

koordinat baru dengan varians maksimum. PCA merupakan metode yang

cocok untuk

face recognition

(pengenalan wajah), karena PCA tidak

mengkategorikan data wajah dengan perbedaan pada ukuran indera dalam

wajah seperti ukuran hidung atau panjang alis mata. PCA mengkategorikan

data wajah, dengan kumpulan data dari wajah seseorang yang dianalisis

menggunakan PCA, untuk menentukan kumpulan variabel untuk varian

dari wajah-wajah yang dikenal dengan istilah

Eigenface

(Balasuriya,

2000). Data gambar wajah yang dianalisis, direpresentasikan dalam suatu

dimensi vector yang akan membentuk sebuah ruang dari gambar wajah

(

face space

).

Eigenvalues

merupakan nilai ciri dari citra wajah yang bertipe

skalar (nilai tunggal tanpa arah) yang didapat dari perhitungan dengan

covariance matrix

,

Eigenvalues

dominan merupakan nilai ciri yang

memiliki nilai tertinggi sehingga membawa informasi penting dari citra dan

(26)

Sedangkan

Eigenvectors

merupakan nilai ciri dari citra wajah yang

bertipe vector (memiliki arah) dan nilai

Eigenvectors

didapatkan dari

perhitungan algoritma menggunakan nilai

Eigenvalues

, sehingga

Eigenvectors

merupakan nilai yang berhubungan dengan nilai

Eigenvalues

.

Nilai

Eigenvalues

dan

Eigenvectors

merupakan nilai karakteristik citra

yang dapat membedakan satu citra dengan citra yang lain. Vektor-vektor

yang merepresentasikan data gambar wajah pada

face space

merupakan

Eigenvalues

dan merupakan kumpulan dari

Eigenvectors

.

Eigenface

merupakan suatu metode yang sangat populer atau sering

digunakan dalam penelitian-penelitian bidang pengenalan wajah.

Eigenface

merupakan suatu metode yang dapat diandalkan dalam

penelitian-penelitian bidang pengenalan wajah, karena dapat menghasilkan

akurasi yang tinggi, kecepatan pemrosesan, algoritma yang sederhana, dan

lain-lain.

2.2.1.

Proses Perhitungan

Eigenface

Apabila diketahui simbol variabel dalam Tabel 2.1, maka algoritma

untuk menghitung

Eigenface

adalah sebagai berikut :

Tabel 2.1. Keterangan simbol-simbol variabel dalam algoritma

Simbol variabel

Arti

M

Set kumpulan gambar

N

Ukuran dimensi citra (

square

)

Indeks nilai

Γ

Representasi tiap citra

Average

(rata-rata)

Φ

Nilai tiap citra setelah dikurangi dengan

nilai

Average

A

Matriks hasil penggabungan nilai-nilai

dari

Φ

(27)

Eigenvectors

�

Eigenvalues

I

Matriks Identitas

Matriks

Eigenvectors

sebanyak M

ω

Nilai bobot ciri tiap citra

Matriks hasil penggabungan dari nilai

bobot tiap citra

ω

�

Threshold

1.

Mentraining satu set kumpulan gambar (M) yang direpresentasikan

dengan matriks berukuran N x N. Tiap gambar direpresentasikan

dalam

Γ , Γ … Γ

_�

. Lalu ubah semua matriks

Γ

berukuran dua

dimensi menjadi satu dimensi N

2

x 1. Kemudian gabungkan hasilnya

dalam satu matriks

Γ

.

Γ = [Γ , Γ … Γ

�

]

(2.1)

2.

Menghitung

Average

atau nilai rata-rata dari matriks

Γ

.

=

_�

Σ

�₌

Γ

(2.2)

3.

Melakukan pengurangan nilai matriks tiap gambar training pada

matriks

Γ

(tipe data matriks

Γ

telah diubah ke double) dengan nilai

matriks rata-rata.

Φ = Γ −

(2.3)

A = [Γ − , Γ − … Γ

�

− ]

(2.4)

4.

Menghitung nilai

Covariance Matrix.

= ��

�

� = [Φ , Φ … Φ

�

]

(2.5)

Karena hasil dari perhitungan

= ��

�

menghasilkan dimensi yang

besar, maka algoritma diubah menjadi

(28)

5.

Menghitung nilai

Eigenvalues

dan

Eigenvectors

dari

Covariance

Matrix.

�

� = �

(2.7)

� − �� =

(2.8)

�

� ∗ �

�

� = � ∗ �

(2.9)

� ∗ �

�

= � �

(2.10)

6.

Mengurutkan nilai

Eigenvalues

dari yang terbesar ke terkecil lalu

disertai nilai masing-masing

Eigenvectors

.

7.

Menghitung nilai

Eigenvectors

sebanyak M (jumlah gambar

training).

= �

(2.11)

= �

(2.12)

8.

Memproyeksikan

Γ

ke dalam

Eigenspace

.

ω =

�

Γ −

(2.13)

=

�

(2.14)

= [ ⋮

�

]

(2.15)

9.

Menghitung nilai

Threshold

(

�

).

� =

∗

√‖ − ‖ , = , …

(2.16)

(29)

2.2.2.

Contoh Perhitungan

Eigenface

1.

Representasi gambar wajah training dengan matriks berukuran N x

N dua dimensi diubah menjadi matriks berukuran N

2

x 1 satu

dimensi. Misalnya terdapat 3 buah gambar wajah training berukuran

2x2 :

�

Γ = [

] → [ ]

�

Γ = [

] → [ ]

�

Γ = [

] → [ ]

Lalu hasil tersebut dimasukkan dalam satu matriks

Γ

, dengan tiap

kolom pada matriks merupakan representasi dari 1 gambar wajah :

Γ = [Γ , Γ … Γ

�

]

(2.1)

(30)

2.

Menghitung

Average

atau nilai rata-rata dari matriks

Γ

=

_�

Σ

�=

Γ

(2.2)

Γ = [

]

=

+ +

=

= .

=

+ +

=

+ +

=

= .

=

+ +

=

Lalu hasil rata-rata tiap baris matriks

Γ

dimasukkan dalam satu

matriks :

= [

.

]

3.

Melakukan pengurangan antara nilai matriks tiap gambar dengan

nilai matriks

Γ

Φ = Γ −

(2.3)

A = [Γ − , Γ − … Γ

�

− ]

(2.4)

Φ = [ ] − [

.

] = [

− .

(31)

Φ = [ ] − [

.

] = [

− .

]

Φ = [ ] − [

.

] = [

.

−

.

−

]

Lalu hasil pengurangan tersebut digabungkan dalam satu matriks

yaitu

A

:

A = [

− .

.

−

.

−

]

4.

Menghitung

Covariance Matrix

dari matriks A

= �

�

(2.6)

= [

− .

.

−

.

−

] [

− .

.

−

.

−

]

=

[

.

− .

(32)

5.

Kemudian mencari

Eigenvalues

dan

Eigenvectors

dari matriks C.

(Agar mempermudah perhitungan maka nilai matriks C dirubah)

�

� = �

(2.7)

� − �� =

(2.8)

= [

−

]

[

−

] − [

�

]

[

− �

−

− �

] =

− � | − �

−

− �| −

|

− �| + − |

− | =

− �

− �[ − � − ] − [ − ] + − [ −

− � ] =

− �[ − � ] −

+ − [− + �] =

− �[ − � ] + [ − �] =

− �[ − �

− � ] +

=

− �[ − � − � + � + ] =

− �[ � − � + ] =

− �[ � −

� − ] =

− � � −

� −

=

(33)

Dari matriks kovarian C, mendapatkan 3 nilai

Eigenvalues

�

yaitu

4, 3, dan 2. Nilai

Eigenvalues

tersebut digunakan untuk mencari nilai

Eigenvectors

yang berhubungan dengan tiap nilai

Eigenvalues

tersebut.

➢

Untuk

� =

[

− �

−

− �

] [ ] =

[

−

] [ ] =

[

−

] [ ] =

Jika dikalikan maka akan menghasilkan persamaan :

−

+

+ −

=

− =

Karena

=

maka

−

+

+ −

=

−

+ −

=

−

=

Jadi

= −

& =

Sehingga

Eigenvectors

yang didapat dari nilai

Eigenvalues

� =

adalah

= [

−

]

= [

(34)

➢

Untuk

� =

[

− �

−

− �

] [ ] =

[

−

] [ ] =

[

−

] [ ] =

−

+

−

=

−

+

=

Karena

=

maka

−

= → −

=

→

= −

+

= →

= −

Jadi

= − &

=

Sehingga

Eigenvectors

yang didapat dari nilai

Eigenvalues

� =

adalah

= [

−

]

(35)

➢

Untuk

� =

[

− �

−

− �

] [ ] =

[

−

] [ ] =

[

−

] [ ] =

− +

−

=

−

+

=

Karena

=

maka

− −

= → −

=

→

= −

+

= →

= − →

= −

Jadi

= −

&

=

Sehingga

Eigenvector

s yang didapat dari nilai

Eigenvalues

� =

adalah

= [

−

]

= [

(36)

6.

Kemudian mengurutkan nilai

Eigenvalues

dari yang terbesar ke

[image:36.595.84.515.183.624.2]

terkecil lalu disertai nilai masing-masing

Eigenvectors

.

Tabel 2.2. Hasil pengurutan nilai

Eigenvalues

dan

Eigenvectors

No

Eigenvalues

(

�

Eigenvectors

( )

1.

� =

= [

−

]

2.

� =

= [

−

]

3.

� =

= [

−

]

Kemudian nilai tiap

Eigenvectors

dimasukkan berdasarkan urutan

dalam satu matriks yaitu x. Tiap kolomnya merupakan representasi

nilai

Eigenvectors

yang berhubungan dari 1 nilai

Eigenvalues

.

= [

−

(37)

7.

Menghitung nilai

Eigenvectors

sebanyak M (jumlah gambar) dari

matriks A

= �

(2.11)

= [

− .

.

−

.

−

] . [

−

] = [

− .

.

− .

.

]

= [

− .

.

−

.

−

] . [

−

] = [

.

− .

.

− .

]

= [

− .

.

−

.

−

] . [

−

] = [

− .

.

− .

.

]

= [

− .

.

− .

.

− .

.

− .

.

− .

.

− .

.

]

Atau

= �

(2.12)

(38)

8.

Memproyeksikan

�

ke dalam

Eigenspace

� =

�

Γ −

(2.13)

= [

ω

⋮

ω

�

]

(2.14)

� = [− .

.

− .

.

] [

− .

] =

.

[− .

.

− .

.

] [

− .

] =

.

[− .

.

− .

.

] [

.

−

.

−

] = − .

� = [ .

− .

.

− .

] [

− .

] = − .

[ .

− .

.

− .

] [

− .

] = − .

[ .

− .

.

− .

] [

.

−

.

−

(39)

� = [− .

.

− .

.

] [

− .

] = .

[− .

.

− .

.

] [

− .

] = .

[− .

.

− .

.

] [

.

−

.

−

] = − .

= [

.

− .

.

− .

.

− .

]

Atau

=

�

(2.15)

=

(

[

− .

.

− .

.

− .

.

− .

.

− .

.

− .

.

]

. [

− .

.

−

.

−

]

)

�

= ([

− .

.

− .

.

− .

.

− .

])

�

Kemudian nilai matriks W di-

transpose

agar sesuai dengan

perhitungan algoritma atau tiap barisnya merepresentasikan bobot 1

wajah.

= [

.

− .

.

− .

.

− .

]

Nilai

inilah yang akan digunakan untuk mengklasifikasikan data

(40)

9.

Menghitung nilai

threshold

(

�

)

Threshold

merupakan batas atau jarak minimum yang harus dilewati

oleh data testing, untuk membuktikan bahwa data testing merupakan

data yang dikenali atau berada dalam

database

. Nilai

threshold

dihitung melalui perhitungan jarak tiap data training satu per satu

menggunakan

Euclidean Distance

, kemudian nilai

threshold

diambil dari jarak yang paling besar atau maksimum dan telah

dikalikan dengan nilai indeks yang di-inputkan

user

. Jika gambar

wajah testing mempunyai nilai yang lebih besar dari batas atau jarak

minimum yang sudah ditentukan, maka gambar wajah testing

tersebut tidak dikenali atau tidak berada dalam

database

.

= [

.

− .

.

− .

.

− .

]

,

= √

.

− .

+ − .

+ .

− .

= .

,

= √

.

+ .

+ − .

− .

+ .

+

.

=

.

,

= √

.

+ .

+ − .

−

.

+ .

+

.

=

.

(contoh jika nilai indeks

threshold

adalah 0.2)

� = .

√‖ − ‖ , = , …

(2.16)

� = .

.

(41)

2.3.

Euclidean Distance

merupakan suatu metode atau algoritma yang

digunakan untuk membantu pengelompokkan suatu data dengan cara

menghitung jarak suatu data dengan yang lainnya. Semakin kecil nilai jarak

yang dihasilkan maka data tersebut dapat diklasifikasikan menjadi 1

kelompok. Metode atau algoritma

Euclidean Distance

dalam penelitian ini

akan digunakan dalam bagian

Recognition Steps

(tahap pengenalan atau

pengujian data testing terhadap data training).

Cara Pengujian Data :

1.

Mengambil set atau kumpulan gambar testing untuk pengenalan.

Kemudian ubah matriks tiap gambar testing berukuran dua dimensi

menjadi satu dimensi N

2

x 1.

2.

Mengurangi nilai matriks gambar testing dengan nilai matriks rata-rata

dari data training dengan rumus :

�

= Γ

−

(

2.17)

3.

Memproyeksikan gambar testing dalam

Eigenspace

dengan rumus :

=

�

Γ

−

_(2.18)

=

�

_(2.19)

=

�

. �

� _(2.20)

= [� , � … �

�

]

(2.21)

Kemudian mencari jarak antar vektor setiap gambar (

Euclidean

distance

) dengan rumus :

� = ‖

−

‖ = [ , … ]

(2.22)

4.

Jika nilai

�

lebih dari (>) nilai

threshold

�

, maka gambar testing

(42)

[image:42.595.84.511.164.634.2]

2.3.1.

Contoh Perhitungan

Euclidean Distance

Tabel 2.3. Contoh Perhitungan

Euclidean Distance

1

Var1

2

Var2

Orang 1

20

80

Orang 2

30

44

Orang 3

90

40

Algoritma

Euclidean Distance

:

= √∑

₌

−

(2.23)

Untuk menghitung jarak antara orang 1 dan 2, perhitungannya :

= √

−

+

−

=

.

Untuk menghitung jarak antara orang 1 dan 3, perhitungannya :

= √

−

+

−

=

.

Untuk menghitung jarak antara orang 2 dan 3, perhitungannya :

(43)

2.3.2.

Contoh Pengujian

1.

Mengambil suatu gambar testing untuk pengenalan. Kemudian ubah

matriks tiap gambar testing berukuran dua dimensi menjadi satu

dimensi N

2

x 1.

Γ

= [

]

Γ

= [ ]

2.

Mengurangi nilai matriks gambar testing dengan nilai matriks

rata-rata dari data training dengan rumus :

�

= Γ

−

(2.17)

�

= [ ] − [

.

]

= [

− .

−

− .

−

]

3.

Memproyeksikan gambar testing dalam

Eigenspace

dengan rumus :

� =

�

Γ

−

_(2.18)

� =

�

_(2.19)

(44)

� = [− .

.

− .

.

] [

− .

−

− .

−

] = .

� = [ .

− .

.

− .

] [

− .

−

− .

−

] = − .

� = [− .

.

− .

.

] [

− .

−

− .

−

] = .

= [ .

− .

.

]

Atau

=

�

. �

� _(2.20)

= ([

− .

.

− .

.

− .

.

− .

.

− .

.

− .

.

] [

− .

−

− .

−

])

�

= ([

− .

.

])

�

= [ .

− .

.

]

Kemudian mencari jarak antar vektor setiap gambar (

Euclidean distance

)

dengan rumus :

� = ‖

−

‖ = [ , … ]

(2.22)

� = √ .

−

.

+ − .

+ .

− .

= .

� = √

.

− .

+ − .

+ .

− .

=

.

� = √

.

+ .

+ − .

− .

+ .

(45)

4.

Pengecekan dengan nilai

threshold

�

� = .

< � =

.

Dari perhitungan jarak antara bobot gambar testing dan gambar

training jarak terdekatnya yaitu

.

. Kemudian karena nilai

jarak tidak lebih dari nilai

threshold

, maka gambar testing dikenali

sebagai seseorang dalam gambar pada

database

. Sehingga gambar

testing

[

]

mirip dengan gambar training indeks ke-1 pada

(46)

30

BAB III

METODOLOGI PENELITIAN

3.1.

Analisis Data

3.1.1.

Data

Data yang digunakan dalam penelitian ini adalah foto wajah

dan identitas mahasiswa Universitas Sanata Dharma Program Studi

Teknik Informatika angkatan 2013 berjumlah 25 orang. Foto wajah

mahasiswa yang diambil berjumlah 18 foto wajah dengan ekspresi

berbeda dari 25 mahasiswa, sehingga totalnya adalah 450. Foto

wajah mahasiswa berformat *.jpg dan memiliki dimensi asli

2304x4096.

Identitas setiap mahasiswa yang akan menjadi

output

dalam

[image:46.595.84.514.187.762.2]

penelitian terdiri dari nama dan nomor induk mahasiswa (NIM).

Tabel 3.1. Data mahasiswa TI USD angkatan 2013 yang digunakan

dalam penelitian

No.

Nama Mahasiswa

NIM

1.

A Fendi Pratama

135314113

2.

Yeremia Yoga Pratama

135314007

3.

Kautsar Rusydi Rahmatullah

135314093

4.

Dwi Putra Prihandito

135314048

5.

Damian Arif Pradana

135314047

6.

Gabriel Indra Widi Tamtama

135314075

7.

Sonny Fernando K.Adji

135314084

8.

Widya Yoga Arkadia

135314059

9.

Angela Mediatrix Melly

135314074

10. Martin Nugraha

135314037

(47)

12. Ni Komang Asih Setiawati

135314104

13. Gerardo Adhitya Nugroho

135314068

14. Marcellina Fanny Kusuma Wardani

135314013

15. Ekky Alfian

135314086

16. Aloysius Tanto Wibowo

135314061

17. Elvino Prayogo

135314095

18. Yohanes Christian Brilliangga

135314058

19. Baptista Yorangga Varani

135314123

20. Yosep Kartika Dewandaru

135314076

21. Hironimus Hendra Setiawan

135314126

22. Yosia Adi Febrian

135314036

23. Tommy Nugraha Manoppo

135314027

24. Raymond Apriyogi Diki Putra

135314004

25. Andre Fransisco Bayuputra

135314015

3.1.2.

Metode Pengumpulan Data

Foto wajah mahasiswa didapat dari hasil pengambilan gambar

menggunakan kamera

smartphone

yang memiliki resolusi 13MP

dan menghasilkan gambar berdimensi 2304x4096. Wajah

mahasiswa diambil dengan jarak pengambilan antara kamera

dengan obyek sekitar 20-30cm. Wajah tiap mahasiswa diambil 18

kali dengan ekspresi berbeda dan dengan kondisi cahaya yang cukup

terang. Ekspresi wajah mahasiswa yang diambil tidak ditentukan

atau bebas, namun tidak melakukan banyak pergerakan pada kepala.

Citra wajah mahasiswa diambil sebanyak 18 kali karena

semakin banyak data yang digunakan khususnya untuk data training

maka akan semakin tinggi tingkat akurasi yang dihasilkan.

Kemudian dengan ekspresi wajah bebas tetapi tidak melakukan

banyak pergerakan pada kepala, serta mengambil foto pada waktu

pagi-sore hari atau dibawah lampu ruangan dapat meningkatkan

[image:47.595.82.509.104.658.2]

(48)

Identitas mahasiswa terdiri dari nama dan NIM yang didapat

dari Biro Administrasi Perencanaan dan Sistem Informasi (BAPSI)

Universitas Sanata Dharma.

3.1.3.

Pembagian Data

Setelah melakukan

Cropping

dan perubahan dimensi citra

pada tahap

Preprocessing,

data citra wajah mahasiswa akan dibagi

untuk data training dan data testing. Pembagian data training dan

data testing ini menggunakan

k-Fold Cross Validation

dengan k=3.

Pembagian data citra wajah mahasiswa akan dibuat dalam 3

set (3 folder), yang setiap set-nya terdapat pembagian untuk data

training dan data testing (1 folder untuk data training dan 1 folder

untuk data testing). Setiap set mempunyai kombinasi berbeda untuk

pembagian data training dan data testing. Dasar pembagian data citra

wajah mahasiswa adalah 2/3 dari total data digunakan sebagai data

training dan 1/3 total data digunakan sebagai data testing.

Untuk tiap mahasiswa yang memiliki 18 citra wajah, maka

pembagiannya adalah 12 buah citra digunakan untuk data training

dan 6 buah citra digunakan untuk data testing. Total data citra wajah

25 mahasiswa sebanyak 450 buah. Sehingga data yang digunakan

sebagai data training sebanyak 300 buah dan untuk data testing

[image:48.595.85.516.242.720.2]

sebanyak 150 buah untuk setiap set-nya.

Tabel 3.2. Pembagian data citra wajah tiap mahasiswa

Set

Data Training

(Citra wajah

mahasiswa ke-)

Data Testing

(Citra wajah

mahasiswa ke-)

Set 1

1-12

13-18

Set 2

1-6 & 13-18

7-12

(49)

Kombinasi pembagian tersebut digunakan agar tiap indeks

data pernah digunakan sebagai data training dan data testing.

Pembagian data dengan

k-Fold Cross Validation

ini bertujuan untuk

mencari set atau kombinasi pembagian untuk data training dan data

testing yang menghasilkan akurasi pengenalan tertinggi.

3.2.

Analisis Sistem

Langkah-langkah dalam memproses data training dan menganalisis data

[image:49.595.85.513.204.619.2]

testing :

Gambar 3.1. Gambaran umum alur kerja sistem

(50)

3.2.1.

Preprocessing

Sebelum data citra wajah mahasiswa Universitas Sanata

Dharma Program Studi Teknik Informatika angkatan 2013 diproses,

data citra wajah akan melalui proses

Cropping

, perubahan ukuran

dimensi citra,

Grayscalling

. Proses pemotongan (

cropping

) dan

perubahan ukuran dimensi citra dilakukan, agar data citra wajah

dapat diproses lebih baik sehingga menghasilkan hasil yang optimal

dalam waktu yang singkat.

Proses pemotongan (

cropping

) akan dilakukan menggu