vii
ABSTRAK
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. Seringnya pendataan mahasiswa menghilang atau rusak dalam rekapan di tata usaha, memungkinkan beberapa arsip yang begitu banyak, salah letak atau salah pendataan sehingga sistem akademik pada suatu kampus tidak maksimal.Terutama mengenai absensi yang sering tidak sesuai kenyataan isinya. Di era informasi ini akan sangat mudah apabila digunakan teknologi seperti software untuk pendataan absensi, mulai dari daftar kehadiran dan daftar prestasi di kelas. Pada zaman modern seperti sekarang ini, tidak menutup kemungkinan bahwa wajah dapat dimanfaatkan untuk sistem absensi di perguruan tinggi. Melalui wajah memungkinkan proses absen menjadi efektif dan efisien karena lebih cepat dan tidak akan mengalami kerusakan karena data akan tersimpan pada media penyimpanan di komputer. Pada absensi ini akan digunakan konsep jaringan syaraf tiruan algoritma learning vector quantization (LVQ). LVQ adalah metode untuk melakukan platihan terhadap lapisan-lapisan kompetitif yang terawasi. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor yang diberikan dan akan dikelompokkan kedalam kelas yang sama berdasarkan jarak yang mendekati. Wajah yang akan menjadi acuan sebanyak 5 untuk per orang. Media penyimpanan absen akan tercatat di Microsoft Excel.Sistem absensi wajah ini sangat bergantung pada intensitas cahaya yang ada pada foto. Apabila intensitas cahaya pada foto di proses pelatihan mirip dengan foto pada proses pengujian, maka foto akan dapat dikenali sesuai nama.Jika perbedaan intensitas cahaya sangat signifikan, maka foto akan dikenali tetapi berbeda dengan hasil yang diinginkan. Dengan mengatur maksimal epoch sebesar 20 didapat persen akurasi sebanyak 70% melalui 20 sampel diantaranya 15 citra input sesuai target. Selain itu memakai absensi wajah dapat menjadikan efisiensi waktu dengan perbandingan 1 banding 15 mahasiswa yang melakukan absensi secara manual.
Kata kunci: Learning Vector Quantization, Jaringan Syaraf Tiruan, Wajah, Citra
viii
ABSTRACT
Attendance system has an important role in life, especially in the scope of work such as offices, factories, hospitals, schools, universities, and other places that require absenteeism. In teaching and learning activities in a college, student must be recorded his presence everyday. Day by day the data of students will be disappear or broken in administration, allowing multiple archives that are so many, misplaced or misrepresentation so that the academic system on a campus not optimal. Especially about absences that often do not match the reality of the contents. In this information era will be very easy when used technology such as software for data absenteeism, starting from the attendance list and the list of achievements in the classroom. In modern times like today, does not rule out the possibility that the face can be utilized for attendance system in college. Through the face allows the absent process to be effective and efficient because it is faster and will not suffer damage because the data will be stored on the storage media on the computer. In this absence will be used the concept of artificial neural network learning vector quantization algorithm (LVQ). LVQ is a method performing training on supervised competitive layers. Competitive layers will learn automatically to classify the given vectors and will be grouped into the same class by close proximity. The face will be 5 for each person. The absence storage media will be recorded in Microsoft Excel. This face attendance system is very dependent on the intensity of light that is on the photo. If the intensity of light in the photo in the training process is similar to the photo in the testing process, then the photo will be recognizable by name. If the difference in light intensity is very significant, then the photo will be recognized but different from the desired result. By adjusting a maximum of 20 epoch obtained percent accuracy of 70% through 20 samples of which 15 image input according to target. In addition, wearing face absence can make the efficiency of time with a ratio of 1 to 15 students who do the absences manually.
Kata kunci: Learning Vector Quantization, Artificial Neural Network, Face, Image
