IDENTIFIKASI PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR) DAN LBPH (LOCAL BINARY PATTERN HISTOGRAM) UNTUK SISTEM PRESENSI

(1)

1

IDENTIFIKASI PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR) DAN LBPH (LOCAL BINARY PATTERN HISTOGRAM)

UNTUK SISTEM PRESENSI

Dwi Rizki Yulianti^1*), Iwan Iwut Triastomoro²⁾, Sofia Sa’idah³⁾

1Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom email: dwirizkiyulianti@student.telkomuniversity.ac.id

2Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom email: iwaniwut@telkomuniversity.ac.id

3Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom email: sofiasaidahsfi@telkomuniversity.ac.id

Abstract

Attendance is an activity that is so important and cannot be separated from a teaching and learning activity to calculate and see student attendance. In this Final Project, research on the automatic attendance system is carried out through facial recognition identification (face recognition) using a webcam as a system input, then the resulting image capture results from each image will be processed through feature extraction using the LBPH (Local Binary Pattern Histogram) method and classification with the KNN (K- Nearest Neighbor) method and the help of OpenCV library-based Python software. The research in this Final Project obtained an average accuracy value in facial recognition using LBPH (Local Binary Pattern Histogram) of 93.9%, with an average FAR value of 4.66% and an average FRR value of 1.33%. For the classification of KNN (K-Nearest Neighbor) using Euclidean Distance when k = 1 obtained an accuracy of 100% with a computation time of 34 ms, at the time of k = 3 an accuracy of 98% with a computation time of 37 ms was obtained and at the time of k = 5 an accuracy of 88% with a computation time of 42 ms.

Keywords: Attendance, Face Recognition, LBPH (Local Binary Pattern Histogram), KNN (K-Nearest Neighbor).

1. PENDAHULUAN

Keberadaan teknologi di dunia yang modern ini telah berkembang pesat dan memegang peran yang begitu penting dalam berbagai bidang. Semua pekerjaan yang biasanya dilakukan oleh manusia, kini sudah dapat digantikan oleh mesin atau komputer. Dampak dari perkembangan teknologi yang semakin maju dapat mempengaruhi segala aspek di kehidupan, terutama di bidang pendidikan. Dampak positif yang dirasakan di bidang pendidikan adalah dengan memanfaatkan untuk mengola data presensi kehadiran mahasiswa, hal ini dapat mengurangi kesalahan perhitungan data yang dilakukan manual pada saat rekap kehadiran dan mengurangi terjadinya kecurangan yang dapat dilakukan oleh mahasiswa. Presensi merupakan kegiatan yang begitu penting dan tidak pernah lepas dari suatu kegiatan belajar mengajar untuk menghitung dan melihat kehadiran mahasiswa.

Sistem presensi yang dilakukan dengan manual seperti tandatangan mahasiswa dikertas dapat menimbulkan terjadinya peluang kecurangan yang sangat besar, dan membutuhkan waktu yang cukup lama dalam mengolah data untuk perhitungan total kehadiran diakhir waktu.

Hal ini dirasa kurang efektif untuk diterapkan.

Sementara itu sistem presensi yang dilakukan secara digital dengan menggunakan RFID (Radio Frequency Identification) juga masih memiliki banyak kekurangan dan mahasiswa masih dapat melakukan kecurangan untuk menitipkan presensinya.

Untuk menangani hal tersebut, maka diperlukan sistem presensi untuk pengenalan wajah dengan memanfaatkan Image Processing yang dapat mengurangi kecurangan dan mengurangi terjadinya human error. Teknik pengenalan wajah merupakan salah satu hasil dari adanya perkembangan teknologi yang semakin maju, dengan bantuan pengenalan pola yang mengenali ciri-ciri khusus pada manusia[1].

(2)

2

Sistem biometrik dapat dimanfaatkan untuk penggunaan dalam identifikasi pengenalan wajah yang diproses menggunakan komputer dengan kecepatan yang cukup tinggi. Wajah manusia memiliki bentuk dan karakteristik yang berbeda- beda[2]. Kemampuan yang dimiliki oleh komputer tidak sama dengan kemampuan manusia yang dapat dengan mudah mengenali wajah yang dilihat atau sudah dikenal sebelumnya, hal ini yang menyebabkan teknik penganalan wajah menjadi tidak mudah dan tidak sederhana[3]. Komputer memerlukan data wajah latih dan data wajah uji untuk mengindetifikasi dan membandingkan kemiripannya.

Pada penelitian sebelumnya sudah ada sistem deteksi wajah menggunakan metode LBPH (Local Binary Pattern Histogram) berbasis android oleh Ahmad Fauzan[1] dengan dataset citra wajah yang dimiliki sebanyak 90 citra, diantaranya 60 citra untuk citra latih dan 30 citra untuk citra uji. Sehingga menghasilkan akurasi sebesar 95,56% dengan waktu komputasi 2.35 detik. Sementara, pengenalan wajah yang dilakukan oleh Zainul Muarifin[2] dengan menggunakan metode algoritma LBPH (Local Binary Pattern Histogram) melakukan uji coba sebanyak 10 kali percobaan di dalam ruangan, dengan jarak yang digunakan 5 cm sampai 100 cm, menghasilkan akurasi sebesar 92%. Pada penelitian selanjutnya dilakukan sistem pengenalan wajah yang dilakukan oleh Meidiana Adinda[3] menggunakan ekstraksi ciri LBP (Local Binary Pattern) dan klasifikasi ciri KNN (K-Nearest Neighbor) dengan nilai 𝑘 = 3 akurasi yang diperoleh sebesar 78.125%, untuk 𝑘 = 5 akurasi yang diperoleh sebesar 74.375%, dan untuk 𝑘 = 7 didapatkan akurasi sebesar 68.125%. Presentase akurasi tertinggi didapatkan pada saat 𝑘 = 3. Waktu komputasi yang diperlukan untuk mendeteksi wajah dalam sistem ini sebesar 26.2 ms, sedangkan waktu komputasi untuk pengenalan wajah sebesar 371.675 ms.

Sementara, sistem identifikasi wajah yang dilakukan oleh Danar Putra[4] menggunakan ekstraksi fitur dengan metode Eigenface PCA (Principal Component Analysis) serta klasifikasi menggunakan metode KNN (K-Nearest Neighbor) mendapatkan hasil akurasi pengenalan wajah mencapai 80%, dan nilai rata-rata FAR terendahnya sebesar 20%, sedangkan nilai FRR

sebesar 15% dalam kondisi jarak optimal di 50 cm dengan intensitas cahaya yang terang.

Pada penelitian Tugas Akhir, teknologi yang diusulkan berupa pengenalan wajah (face recognition) untuk diterapkan pada sistem presensi otomatis dengan menggunakan metode KNN (K-Nearest Neighbor) dan metode LBPH (Local Binary Pattern Histogram) dengan bahasa pemograman python.

2. METODE PENELITIAN 2.1 Desain Sistem

Sistem presensi melalui identifikasi pengenalan wajah (face recognition) yang dirancang pada Tugas Akhir ini, menggunakan webcam sebagai input sistem, lalu hasil capture gambar yang dihasilkan dari setiap citra akan diproses melalui metode LBPH (Local Binary Pattern Histogram) dan metode KNN (K-Nearest Neighbor) dan bantuan software Python berbasis library OpenCV.

Gambar 1. Diagram Alir Kerja Sistem Presensi 2.2 Analisa Kebutuhan Sistem

Beberapa komponen yang digunakan untuk mendukung perancangan sistem presensi pada penelitian Tugas Akhir ini adalah terdiri dari

(3)

3

perangkat keras (hardware) dan perangkat lunak (software). Disajikan dengan table di bawah ini.

Table 1. Perangkat Hardware

No

Perangkat Keras (Hardware)

Jumlah Spesifikasi

1. Webcam 1

 Resolution Full HD (1080x1920

pixel)

2. Laptop/PC 1

 Intel(R) Core (TM) i5-

10210U CPU @ 1.60GHz 2.11 GHz

 RAM 4,00 GB

 64-bit operating

system Table 2. Perangkat Software

No

Perangkat Lunak (Software)

Jumlah Versi

1. Windows 10 1 20H2

2. Anaconda 1 4.11.0

3. Python 1 3.8.5

4. Open CV 1 4.5.5

5. Microsoft Excel 1 1910 2.3 Data Penelitian

Data penelitian pada Tugas Akhir didapatkan dari hasil capture gambar wajah melalui webcam, dengan jumlah dataset wajah terdiri dari 750 data citra diantaranya 600 citra untuk citra latih dan 150 citra untuk citra uji.

Dataset citra wajah pada penelitian Tugas Akhir ini diambil dari 30 individu, dengan berbagai macam kondisi posisi wajah (depan, kanan, kiri, atas, dan bawah), dan dengan kondisi cahaya yang terang.

2.4 Tahap Penelitian Sistem

Pada sistem presensi dengan menggunakan identifikasi pengenalan wajah ini terdiri dari 5 tahapan, yaitu:

1. Deteksi wajah (face detection)

Pada tahap ini, sistem akan melakukan

proses mendeteksi posisi wajah yang diinput melalui webcam dengan menngunakan algoritma haar cascade classifier dan library OpenCV.

2. Membuat dataset wajah

Pada tahap ini akan dibentuk dataset wajah, diperoleh dari hasil capture gambar melalui webcam lalu disimpan sesuai dengan inputan IDs yang berurutan. Setiap individu memiliki data wajah lebih dari satu untuk hasil yang lebih akurat.

Gambar 2. Ilustrasi Dataset 3. Training

Proses pengambilan semua dataset yang telah tersimpan di tahap sebelumnya, untuk dilakukan training dengan menggunakan recognizer. File yang dihasilkan dari proses ini berbentuk format .yml (YAML Ain’t Markup Language).

Gambar 3. Ilustrasi Training 4. Pengenalan wajah (face recognition)

Pada tahap ini akan dilakukan proses pengenalan wajah dengan cara membandingkan wajah yang terdeteksi di webcam (data uji) dengan data training (data latih) yang tersimpan pada dataset.

Gambar 4. Ilustrasi Face Recognition

(4)

4

2.5 Diagram Alir Perancangan Sistem

Gambar 5. Perancangan Sistem

Pada gambar 5 terdapat dua diagram alir pada perancangan sistem, yaitu (a) tahapan untuk melakukan training citra wajah, (b) tahapan untuk melakukan deteksi dan pengenalan wajah mahasiswa.

Pada tahap training (a), langkah pertama yang dilakukan dengan proses pengambilan citra wajah mahasiswa (akusisi citra) dengan menggunakan metode haar cascade classifier untuk memeriksa objek citra yang di capture oleh webcam adalah benar citra wajah manusia (face detection). Kemudian akan dilakukan proses pre- processing pada citra wajah dan akan dilakukan ekstraksi menggunakan metode LBPH (Local Binary Pattern Histogram). Tahapan terakhir adalah dengan melakukan proses training pada citra yaitu membuat dataset berupa citra yang sudah diekstraksi dan diberikan label.

Sedangkan untuk tahap proses deteksi dan pengenalan wajah (b), langkah pertama yang dilakukan adalah mahasiswa melakukan proses pengambilan citra (akusisi citra) dengan posisi wajah depan webcam. Algoritma haar cascade classifier akan melakukan tugasnya yaitu mendeteksi wajah dan melakukan pre-processing

serta akan dilakukan proses ektraksi dengan metode LBPH. Kemudian hasil dari citra wajah tersebut akan dilakukan proses pencocokan (klasifikasi wajah) dengan menggunakan metode KNN (K-Nearest Neighbor) pada citra wajah yang sudah dilakukan melalui proses training di langkah sebelumnya.

2.6 LBPH (Local Binary Pattern Histogram) LBPH merupakan algoritma klasifikasi yang digabungkan dengan histogram dan merupakan metode baru dari metode Local Binary Pattern (LBP) untuk memodifikasi kinerja hasil pengenalan wajah. LBPH dapat mengenali citra dengan berbagai ekspresi wajah, pencerahan cahaya dalam berbagai kondisi, dan rotasi gambar. Metode LBPH akan menghasilkan tekstur dan bentuk citra digital dari fitur yang sudah diektraksi dengan cara membagi citra ke bagian yang lebih kecil[5].

Metode LBPH membagi citra menjadi beberapa bagian kemudian melakukan proses ekstraksi ciri untuk mengambil satu pixel rata- rata untuk perbandingan dan mengubah setiap pixel pada citra menjadi thresholding 8 × 8 untuk mendaptkan nilai histogram. Nilai grayscale akan menjadi nilai pembanding dengan citra yang berdekatan, jika pixel yang dihasilkan dari citra yang berdekatan memiliki nilai lebih besar atau sama dari nilai grayscale, maka nilai diubah menjadi 1. Sebaliknya, apabila nilai pixel yang dihasilkan oleh citra yang berdekatan memiliki nilai yang lebih kecil dari nilai grayscale, maka nilai diubah menjadi 0.

Gambar 6. Proses LBP

Gambar 7. Ekstraksi Histogram

(5)

5

Gambar 8. Diagram Alir Metode LBPH Ekstraksi ciri yang digunakan pada penelitian Tugas Akhir ini adalah algoritma LBPH (Local Binary Pattern Histogram), pada algoritma ini citra input wajah telah melalui proses training classifier dengan melakukan pemberian label dan membagi gambar menjadi data histogram menggunakan parameter Grid X dan Grid Y. Hasil data training histogram ini berformat .yml yang kemudian akan digabung dan disimpan pada database untuk dilakukan ekstraksi dengan perbandingaan terhadap citra wajah yang akan dicapture.

2.7 KNN (K-Nearest Neighbor)

K-Nearest Neighbor (KNN) merupakan metode yang memanfaatkan algoritma supervised, yang dimana nilai yang dihasilkan dari query instance yang baru akan diklasifikasikan berdasarkan jumlah terbanyak dari variasi yang terdapat pada KNN. Tujuan dari metode ini adalah untuk mengklasifikasikan objek baru berdasarkan jarak terdekat dari citra uji dengan data training untuk mendapatkan nilai KNNnya. Ketika sudah mendapatkan data dari nilai-nilai KNN, kemudian sebagian besar dari KNN akan digunakan sebagai estimasi dari citra uji.

Gambar 9. Klasifikasi KNN

Terdapat beberapa variasi perhitungan jarak yang dapat digunakan untuk menentukan nilai 𝑘, sebagai berikut:

1. Eculidean Distance

Eculidean Distance merupakan suatu proses untuk menentukan jarak antara data citra latih dan citra uji pada suatu sistem dengan menggunakan Eculidean Space.

𝑑_(𝑖,𝑗)= √∑^𝑛_𝑘=1(𝑖_𝑘− 𝑗_𝑘)² (1) 2. Manhattan Distance

Manhattan Distance merupakan perhitungan untuk menentukan jarak tiap data citra latih dan citra uji dengan menggunakan jumlah dari nilai absolut pada perbedaan koordinat cartesian di dua titik.

𝑑_(𝑖,𝑗)= ∑^𝑛_𝑘=1|𝑖_𝑘− 𝑗_𝑘| (2) 3. Minkwoski Distance

Minkwoski Distance merupakan perhitungan mencari jarak tetangga terdekat dengan matriks ruang vektor dimana dapat didefinisikan sebagai menyamaratakan dari Euclidean Distance dan Manhattan Distance.

𝑑_(𝑖,𝑗)= (∑^𝑛_𝑘=1(𝑖_𝑘− 𝑗_𝑘)^𝑟)¹^⁄^𝑟 (3) 4. Cosine Distance

Cosine Distance merupakan perhitungan untuk menentukan jarak dari nilai 0 hingga 2.

Data latih dan data uji yang dapat dikatakan mirip antara tiap data jika sudut yang dihasilkan ada 0°

maka nilai yang dihasilkan adalah satu. Jika data yang dipilih pada setiap data memiliki sudut 90°

maka nilai yang dihasilkan adalah nol.

𝐷_𝑐(𝑖, 𝑗) = 1 − 𝑆_𝑐(𝑖, 𝑗) (4) 𝑆_𝑐(𝑖, 𝑗) = ^∑^𝑛^𝑘=1^𝑖^𝑘^𝑗^𝑘

√∑^𝑛_𝑘=1(𝑖_𝑘)² √∑^𝑛_𝑘=1(𝑗_𝑘)²

(5)

5. Correlation

Koefisien korelasi merupakan perhitungan untuk mendapatkan jumlah dari dua variabel yang berkolerasi. Jika hasil yang didapatkan dari nilai kolerasi (1.0), maka kedua variabel memiliki korelasi yang sempurna.

(6)

6

Sedangkan untuk hasil korelasi (0), maka kedua variabel tidak memiliki kaitan satu sama lain.

𝑟(𝑖, 𝑗) = ^{𝑁 ∑}^𝑛^𝑘=1^𝑖^𝑘^𝑗^𝑘^∑^𝑛^𝑘=1^𝑖^𝑘^∑^𝑛^𝑘=1^𝑗^𝑘

√𝑁 ∑^𝑛_𝑘=1(𝑖𝑘)²−(∑^𝑛_𝑘=1𝑖𝑘)² √𝑁 ∑^𝑛_𝑘=1(𝑗𝑘)²−(∑^𝑛_𝑘=1𝑗𝑘)²

(6)

Gambar 10. Diagram Alir Metode KNN Pada penelitian Tugas Akhir ini proses klasifikasi wajah menggunakan metode KNN (K- Nearest Neighbor), prinsip kerja pada metode ini dengan melihat jarak terdekat antara matriks pada citra uji dengan citra latih yang sudah ada di dalam database. Untuk mendapatkan nilai dari jarak antar matriks citra ini digunakan persamaan Euclidean Distance (1), Manhattan Distance (2), Minkowski Distance (3), dan Cosine Distance(5).

2.8 Performansi Sistem 1. Akurasi

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =

∑ 𝐷𝑎𝑡𝑎 𝑢𝑗𝑖 𝑡𝑒𝑟𝑑𝑒𝑡𝑒𝑘𝑠𝑖−∑ 𝐷𝑎𝑡𝑎 𝑢𝑗𝑖 𝑡𝑖𝑑𝑎𝑘 𝑡𝑒𝑟𝑑𝑒𝑡𝑒𝑘𝑠𝑖

∑ 𝐷𝑎𝑡𝑎 𝑢𝑗𝑖 × 100%

(7)

2. Waktu Komputasi

𝑊𝑎𝑘𝑡𝑢 𝐾𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 = 𝑤𝑎𝑘𝑡𝑢 𝑠𝑒𝑙𝑒𝑠𝑎𝑖 −

𝑤𝑎𝑘𝑡𝑢 𝑚𝑢𝑙𝑎𝑖 (8)

3. FAR (False Acceptance Rate)

False acceptance rate (FAR) merupakan presentase error pada sistem saat melakukan proses mengenali identitas citra input dari individu yang sudah ada pada database ataupun belum tersedia di database.

𝐹𝐴𝑅 = ^{∑ 𝐹𝐴𝑅}

∑ 𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛× 100% (9) 4. FRR (False Rejection Rate)

False rejection rate (FRR) merupakan presentase error pada sistem saat melakukan proses penolakan pada citra input, sehingga citra tidak dapat dikenali oleh sistem.

𝐹𝑅𝑅 = ∑ 𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛^{∑ 𝐹𝑅𝑅} × 100% (10) 3. HASIL DAN PEMBAHASAN

3.1 Kondisi Pengujian

Kondisi pengujian dalam analisis sistem presensi dari kombinasi penggunaan metode LBPH (Local Binary Pattern Histogram) dan KNN (K- Nearest Neighbor) adalah sebagai berikut:

1. Sampel wajah yang digunakan adalah dengan wajah memiliki beberapa posisi pada layar capture webcam yaitu depan, kanan, kiri, atas dan bawah.

2. Pengujian sistem dilakukan saat siang hari dengan kondisi cahaya yang terang.

3. Jarak antara wajah terhadap webcam adalah 30 cm dan 50 cm.

4. Tipe wajah yang digunakan adalah pria dan wanita, untuk wanita diperbolehkan dengan kondisi wajah yang menggunakan kerudung.

3.2 Tujuan Pengujian

Sistem presensi melalui identifikasi wajah dengan kombinasi penggunaan metode LBPH (Local Binary Pattern Histogram) dan KNN (K- Nearest Neighbor) pada Tugas Akhir ini telah diimplementasikan dan telah dirancang, maka langkah selanjutnya adalah dilakukan pengujian dan analisis terkait sistem penelitian.

Tujuan dari pengujian ini adalah sebagai berikut:

1. Mengetahui performansi sistem berdasarkan parameter yang digunakan seperti akurasi dan waktu komputasi.

2. Mengetahui performansi sistem berdasarkan parameter KNN (K-Nearest Neighbor) seperti perhitungan jarak dan nilai 𝑘.

3. Menganalisa hasil dari pengujian sistem untuk mengetahui kekurangan dan kelebihan sistem yang telah diimplementasikan.

3.3 Skenario Pengujian 1. Pengujian Posisi Wajah

Terdapat 100 data citra wajah untuk citra uji dengan berbagai posisi wajah seperti depan, atas, bawah, kanan dan kiri terhadap layar capture, tujuan dari pengujian ini adalah untuk

(7)

7

mengetahui posisi wajah yang lebih akurat pada saat sistem melakukan proses pengenalan wajah.

2. Pengujian Jarak Wajah

Jarak yang digunakan pada saat dilakukan pengujian adalah 30 cm dan 50 cm dari objek terhadap webcam, dengan kondisi cahaya terang pada siang hari. Tujuan dari pengujian ini adalah untuk mengetahui akurasi yang dihasilkan pada jarak yang sudah ditentukan.

3. Pengujian Parameter KNN

Parameter KNN (K- Nearest Neighbor) yang digunakan adalah pengaruh nilai 𝑘 yang sudah ditentukan (𝑘 = 1, 𝑘 = 3 dan 𝑘 = 5) terhadap citra latih dan citra uji, kemudian perhitungan jarak antara citra latih dan citra uji menggunakan Euclidean, Cosine, Manhattan dan Minkowski.

3.4 Hasil Pengujian

1. Hasil Pengujian Posisi Wajah

Hasil pengujian pertama dapat dilihat pada Tabel 3 didapatkan hasil perbandingan posisi wajah terhadap layar screen menghasilkan masing-masing FAR sebesar 6,67% untuk posisi depan atas (mendongak) dan bawah (menunduk), 13,33% untuk posisi kanan dan 10% untuk posisi kiri. Sedangkan untuk presentase nilai masing- masing FRR sebesar 3,33% pada posisi atas (mendongak) dan kanan, 13,33% pada posisi bawah (menunduk) dan 10% pada posisi kiri.

Table 3. Hasil Pengujian Posisi Wajah

Posisi Wajah

LBPH (Local Binnary Pattern Histogram)

FAR FRR Akurasi

Depan 6,67% 0% 93,33%

Atas 6,67% 3,33% 90%

Bawah 6,67% 13,33% 80%

Kanan 13,33% 3,33% 83,3%

Kiri 10% 10% 80%

Untuk posisi wajah dengan kondisi depan terhadap layar screen tidak didapatkan nilai FRR. Akurasi yang dihasilkan dari masing- masing posisi wajah secara berurutan adalah 93,33%, 90%, 80%, 83,3% dan 80%. Terlihat pada presentase akurasi yang dihasilkan maka posisi yang akurat untuk melakukan presensi adalah pada saat wajah tepat depan layar screen.

2. Hasil Pengujian Jarak Wajah

Berdasarkan pada hasil pengujian Tabel 4 dengan jarak wajah terhadap webcam sejauh 30 cm dan 50 cm didapatkan presentase nilai FAR secara berurutan adalah sebesar 6,67% dan 23,33%. Sedangkan untuk presentase nilai FRR hanya didapatkan pada jarak wajah sejauh 50 cm terhadap webcam yaitu sebesar 20%. Akurasi yang dihasilkan pada pengujian jarak wajah ini secara berurutan dihasilkan presentase sebesar 93,33% dan 56,67%. Terlihat pada presentase akurasi yang dihasilkan maka jarak wajah terhadap webcam yang akurat untuk melakukan presensi adalah pada saat berjarak 30 cm. Jarak wajah terhadap layar screen semakin dekat, maka akurasi pengenalan wajah akan semakin tinggi.

Table 4. Hasil Pengujian Jarak Wajah

Jarak Wajah

LBPH (Local Binnary Pattern Histogram)

FAR FRR Akurasi

30 cm 6,67% 0% 93,33%

50 cm 23,33% 20% 56,67%

3. Hasil Pengujian Parameter KNN

Pengujian yang ketiga ini akan dilakukan dengan menggunakan parameter KNN (K- Nearest Neighbor), hasil yang didapatkan adalah akurasi dan waktu komputasi dalam kerja sistem.

(8)

8

Gambar 11. Hasil Pengujian Parameter KNN (Akurasi)

Pada Gambar 11 merupakan hasil pengujian parameter KNN (K-Nerarest Neighbor) dengan parameter 𝑘, dapat dilihat pada diagram di atas nilai 𝑘 terbaik adalah pada saat 𝑘 = 1, dengan akurasi yang dihasilkan sebesar 100% menggunakan variasi jarak Euclidean Distance dan Manhattan Distance. Hal ini dikarenakan semakin nilai 𝑘 nya kecil maka akurasi yang dihasilkan akan semakin besar, karena jarak tetangga antara data latih dan data uji semakin dekat. Sedangkan, padasaat nilai 𝑘 nya semakin besar maka akurasi yang dihasilkan akan semakin kecil, karena jarak tetangga antara data latih dan data uji semakin jauh. Pada pengujian ini parameter 𝑘 yang digunakan merupakan bilangan ganjil, hal tersebut memiliki tujuan untuk menghindari adanya kebingungan pada sistem saat melakukan klasifikasi sehingga menghasilkan jumlah yang seimbang antara kedekatan tetangga pada data latih dan data uji.

Pada Gambar 12 merupakan hasil pengujian parameter KNN (K-Nerarest Neighbor) terhadap waktu komputasi. Dapat dilihat pada diagaram di atas jika nilai 𝑘 semakin besar maka lamanya waktu komputasi akan semakin besar, hal ini dipengaruhi oleh besarnya

ukuran resize pixel yang digunakan. Dan pada penelitian ini variasi perhitungan jarak yang memiliki waktu komputasi tersingkat yaitu pada saat 𝑘 = 1 dengan menggunakan Euclidean Distance, yaitu memperoleh waktu selama 34 ms.

Gambar 12. Hasil Pengujian Parameter KNN (Waktu Komputasi)

4. KESIMPULAN

Berdasarkan hasil dan pengujian yang sudah dilakukan dapat disimpulkan sistem presensi dengan face recognition menggunakan metode LBPH (Local Binary Pattern Histogram) pada parameter yang berdasarkan di library OpenCV (radius= 1, neighbors= 8, Grid X, Grid Y= 8x8) dengan posisi wajah terhadap layar screen (depan, atas (mendongak), bawah (menunduk), kanan dan kiri) dengan jarak optimal sejauh 30 cm didapatkan akurasi rata-rata sebesar 85,32%, nilai FAR rata-rata sebesar 8,66% dan nilai FRR rata-rata sebesar 6%.

Untuk klasifikasi KNN (K-Nearest Neighbor) dengan menggunakan Euclidean Distance pada saat 𝑘 = 1 didapatkan akurasi sebesar 100% dengan waktu komputasi 34 ms, pada saat 𝑘 = 3 didapatkan akurasi sebesar 98%

dengan waktu komputasi 37 ms dan pada saat 𝑘 = 5 didapatkan akurasi sebesar 88% dengan waktu komputasi 42 ms. Semakin kecil nilai 𝑘

Euclidea n

Manhatt

an Cosine Correlati on k=1 100% 100% 99.3% 98.6%

k=3 98% 98.6% 96.7% 96%

k=5 88% 89.3% 87.3% 87.3%

k=7 75.3% 78% 76% 73%

k=9 64.6% 70.6% 72% 65.3%

0%

20%

40%

60%

80%

100%

120%

PENGUJIAN PARAMETER KNN (AKURASI)

Euclidean Manhatta

n Cosine Correlatio n

k=1 34 177 44 322

k=3 37 184 45 323

k=5 42 185 46 337

k=7 45 188 49 339

k=9 47 192 51 341

0 50 100 150 200 250 300 350 400

PENGUJIAN PARAMETER KNN (WAKTU KOMPUTASI

(milisecond) )

(9)

9

yang digunakan, semakin besar akurasi yang didapatkan untuk klasifikasi. Sehingga sistem presensi melalui identifikasi wajah menggunakan metode LBPH ataupun KNN dapat diterapkan dalam sistem dengan memiliki akurasi yang tinggi.

5. REFERENSI

[1] A. Fauzan, L. Novamizanti, S. Si, dan Y.

N. Fuadah, “Implementation Identification of Face Recognition Using LBPH ( Local Binary Pattern Histogram ) Method For Attendance Presence Based Android,” e-Proceeding Eng., vol. 5, no.

3, hal. 5403–5413, 2018.

[2] Z. Muarifin, D. Darlis, S. Si, A. Novianti, dan S. St, “Perencanaan Dan Impelementasi Image Processing Untuk Absensi Kehadiran Design and Implementation of Image Processing for Absence Attendance,” vol. 6, no. 2, hal.

2348–2363, 2020.

[3] M. A. Prasanty dan F. Utaminingrum,

“Sistem Presensi Mahasiswa Berdasarkan Pengenalan Wajah Menggunakan Metode LBP dan K-Nearest Neighbor Berbasis Mini PC,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. Vol. 4, no. April 2020, hal. 1168–1171, 2020.

[4] D. P. Pamungkas dan A. B. Setiawan,

“Implementasi Ekstrasi Fitur Dan K- Nearest Neightbor Untuk Identifikasi Wajah Personal,” Joutica, vol. 3, no. 2, hal. 187, 2018, doi: 10.30736/jti.v3i2.233.

[5] Siti Khotimatul Wildah, S. Agustiani, Ali Mustopa, Nanik Wuryani, Hendri Mahmud Nawawi, dan Rizky Ade Safitri,

“Pengenalan Wajah Menggunakan Pembelajaran Mesin Berdasarkan Ekstraksi Fitur Pada Gambar Wajah Berkualitas Rendah,” INFOTECH J.

Inform. Teknol., vol. 2, no. 2, hal. 95–103, 2021, doi: 10.37373/infotech.v2i2.189.

[6] F. Deeba, A. Ahmed, H. Memon, F. A.

Dharejo, dan A. Ghaffar, “LBPH-based enhanced real-time face recognition,” Int.

J. Adv. Comput. Sci. Appl., vol. 10, no. 5,

hal. 274–280, 2019, doi:

10.14569/ijacsa.2019.0100535.

[7] I. Wahyudi, S. Bahri, dan P. Handayani,

“Aplikasi Pembelajaran Pengenalan Budaya Indonesia,” vol. V, no. 1, hal.

135–138, 2019, doi: 10.31294/jtk.v4i2.

[8] A. Rambe, J. P. Tanjung, dan M.

Muhathir, “Shafiyyatul Amaliyyah School Student Face Absence Using Principal Component Analysis and K – Nearest Neighbor,” J. Informatics Telecommun. Eng., vol. 5, no. 2, hal. 414–

422, 2022, doi: 10.31289/jite.v5i2.6214.

[9] R. Kosasih, “Kombinasi Metode ISOMAP Dan KNN Pada Image Processing Untuk Pengenalan Wajah,”

CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, hal. 166, 2020, doi:

10.24114/cess.v5i2.18982.

[10] M. F. Sitorus, R. Fatharani, dan N.

Fadhillah, “Sistem Deteksi Multi Wajah Menggunakan Metode Haar Cascade Classifier,” vol. 01, no. 01, 2020.

[11] S. Dev dan T. Patnaik, “Student Attendance System using Face Recognition,” Proc. - Int. Conf. Smart Electron. Commun. ICOSEC 2020, hal.

90–96, 2020, doi:

10.1109/ICOSEC49089.2020.9215441.

[12] D. L. Ramadhana, D. R. Suchendra, dan G. I. Hapsari, “Sistem Keamanan Pintu

Rumah Menggunakan Face

Recognation,” hal. 1–10, 2019.

[13] E. F. Rustam, “Face Recognition Pada Minim Cahaya Menggunakan Metode Local Gabor Binary Pattern ( LGBP ) dan KNN Program Studi Sarjana S1 Informatika Fakultas Informatika Universitas Telkom Bandung Face Recognition Pada Minim Cahaya Menggunakan Metode Local Gabor Binary,” 2020.

[14] U. S. Utara, U. S. Utara, dan U. S. Utara,

“Analisis Perbandigan Sistem Pendeteksi Wajah dan Ekspresi Menggunakan Widrow- Hoff dan Learning Vector

(10)

10

Quantization,” 2018.

[15] R. L. Thiosdor, K. Gunadi, L. P. Dewi, dan J. S. Surabaya, “Implementasi Program Presensi Mahasiswa dengan menggunakan Face Recognition,” J. Mhs.

Progr. Stud. Inform., vol. 9, no. 1, hal.

207–213, 2021.

[16] Risyaf Fawwaz Pradipta,

“PERANCANGAN SISTEM FACE RECOGNITION SEBAGAI SISTEM PENDATAAN DAN AKSES MASUK PERPUSTAKAAN DAERAH,” hal.

1177–1178, 2019.

[17] H. Habiburrahman, “Sistem Presensi Berbasis Face Recognition,” Electrices, vol. 1, no. 1, hal. 15–21, 2019, doi:

10.32722/ees.v1i1.1911.

[18] X. Z. Loviano, “Pengenalan Individu Melalui Identifikasi Wajah Menggunakan Histogram Of Oriented Gradient,” hal.

109, 2017.

[19] R. H. Ariesdianto, Z. E. Fitri, A. Madjid, dan A. M. N. Imron, “Identifikasi Penyakit Daun Jeruk Siam Menggunakan K-Nearest Neighbor,” J. Ilmu Komput.

dan Inform., vol. 1, no. 2, hal. 133–140, 2021, doi: 10.54082/jiki.14.

[20] V. S. N. P. M. P. Siddhi S. Mhadlekar,

“IRJET- Face Detection for Attendance System using Machine Learning,” Irjet, vol. 8, no. 12, 2021.

[21] N. Satpute, N. Bharti, A. Uikey, R. Wati, dan V. V. Chakole, “Online Classroom Attendance Marking System Using Face Recognition, Python, Computer Vision, and Digital Image Processing,” Int. J. Res.

Appl. Sci. Eng. Technol., vol. 10, no. 2, hal. 768–773, 2022, doi:

10.22214/ijraset.2022.40356.