63 4.1 Implementasi
4.1.1 Spesifikasi Sistem
Spesifikasi yang digunakan dalam menjalankan sistem kontrol akses berbasis real time face recognition dan gender information ditunjukkan pada tabel berikut:
Tabel 4.1 Spesifikasi Perangkat Keras.
Processor Intel® Core™ i3 CPU M330 @ 2.13GHz
Chipset Intel® HM76 Express Chipset
Memory 2.00 GB DDR3
External Device Microkontroller Arduino, Longitech
Webcam C110
Tabel 4.2 Spesifikasi Perangkat Lunak.
Sistem Operasi Microsoft® Windows 7 Profesional
Framework Microsoft .NET Framework 4.5
IDE Microsoft Visual Studio Express 2010
Library OpenCV
4.1.2 Pengoperasian dan Tampilan Program Aplikasi
Untuk pengoperasian sistem ini dengan menjalankan file .exe dari sistem. Untuk selengkapnya akan dijelaskan pada tahap selanjutnya.
Gambar 4.1 Tampilan Main Window.
Form utama terdiri dari beberapa komponen, yaitu:
1. Button Start Detect, berfungsi untuk menampilkan layar Detect Face
Recognition.
2. Button About, berisi profile dari penulis dan pembimbing.
3. Button Close (X), berfungsi untuk menutup layar dan mengakhiri aplikasi.
Langkah pertama yang perlu dilakukan untuk melakukan pendeteksian wajah adalah memilih Button Start Detect. Ketika cursor memilih Button Start Detect, maka aplikasi ini akan menampilkan tampilan fom relay, form recognition dan command prompt, seperti yang ditunjukkan pada pada gambar 4.2.
Form Relay terdiri dari beberapa perintah, yaitu:
1. Port yang dipilih adalah port Com 3 pada menu combo box dan klik connect relay mikrokontroller untuk mengaktifkan relay secara otomatis ketika pengenalan wajah dikenali pada proses selanjutnya. Maka program akan menampilkan command prompt untuk proses seperti pada gambar 4.3.
2. Button click disconnect tidak menemukan port pada relay
3. Box akan menampilkan nilai biner dari sistem relay jika 1 maka On (terdeteksi), jika 0 maka Off (tidak terdeteksi).
Gambar 4.3 Tampilan Layar command prompt proses
Pada prompt ini proses untuk menjalankan dan menampilkan sistem yang sedang berjalan. Pada sistem ini akan melakukan proses yaitu pengecekan file facedata.xml setelah itu akan melakukan proses recognize camera. Selanjutnya jika wajah di temukan lanjut ke proses berikutnya pada gambar 4.4 yaitu proses input data.
Gambar 4.4 Tampilan Layar Input Data
Pada tampilan input data, setelah proses di temukan objek wajah maka user menekan tombol n, selanjutnya masukkan data berupa nama dan gender. Setelah diinput data maka akan ke proses selanjutnya yaitu training data pada gambar 4.5.
Gambar 4.5 Tampilan Layar Command Prompt Training Data
Pada tampilan layar training data. Pada saat training data, wajah yang terdeteksi menangkap wajah secara frontal. Proses training data di melalui beberapa tahapan training yaitu melakukan perhitungan PCA, mengkalkulasi perhitungan confidence dari data yang di masukkan selanjutnya menyimpan file dalam train.txt. Setelah dilakukan training data dan sukses melakukan perhitungan menggunakan metode PCA. Selanjutnya hasil tersebut dikirim ke relay mikrokontroller jika data terdeteksi maka relay On dan lampu pada relay menyala. Jika tidak terdeteksi wajah
maka relay Off dan lampu relay akan padam. ke proses selanjutnya yaitu hasil tampilan pada gambar 4.6
Gambar 4.6 Tampilan Form Hasil
Pada tampilan hasil akhir sistem ini menghasilkan sebuah deteksi wajah, nama, gender yang telah diinput sebelumnya serta tingkat keakurasian data. Pada relay akan tampil relay on jika terdeteksi dan lampu relay akan menyala. Selanjutnya pada gambar 4.7.
Data diterima dengan baik, kamera mendeteteksi dengan tepat maka terdeteksi selanjutnya relay akan menyala seperti gambar diatas.
Jika wajah tidak terdeteksi maka relay otomatis akan mati dan tidak menyala. Pada form face recognize maka proses training akan dihentikan sebab camera tidak mendeteksi wajah, seperti pada gambar berikut ini:
Gambar 4.8 Tampilan Layar Wajah Tidak Terdeteksi
Tampilan wajah tidak terdeteksi oleh webcam maka, webcam tidak dapat mendapat gambar objek wajah.
Gambar 4.9 Form Face Recognize Tidak Deteksi Wajah
4.2 Evaluasi 4.2.1 Evaluasi Hasil
Gambar 4.11 Face Recognition 1
Tabel 4.3 Result Face Recognition 1 RESULT FACE RECOGNITION TEST 1
Name Fikar
Gender Male
Confidence 0. 914206
Gambar 4.12 Face Recognition 2
Tabel 4.4 Result Face Recognition 2 RESULT FACE RECOGNITION 2
Name Limbong
Gender Male
Confidence 0. 943137
Gambar 4.13 Face Recognition 3
Tabel 4.5 Result Face Recognition 3
RESULT FACE RECOGNITION 3
Name putri
Gender female
Confidence 0. 894641
Gambar 4.14 Face Recognition 4
Tabel 4.6 Result Face Recognition 4
Dalam sistem ini, data training wajah diambil dari beberapa orang dengan posisi kamera webcam berada di tengah dan pengambilan training wajah secara frontal.
RESULT FACE RECOGNITION 4
Name Sujono
Gender Male
Confidence 0. 956676
Tabel 4.7 Hasil Training
Hasil Training Label Nama
1 Fikar
2 Sujono
3 Limbong
4 Putri
4.3 Hasil Analisis Data dan Pembahasan 4.3.1 Analisis Data
Tujuan dari perancangan ini adalah menemukan citra wajah orang yang berada pada data training yang dideteksi wajah, ditangkap wajahnya , input nama dan gender dengan posisi citra wajah. Mikrokontroller sebagai alat penerima perintah dari sistem data yang telah diinput sebelumnya. Mikrokontroler berfungsi sebangai relay on atau off paada data yang sesuai. Analisis data dalam perancangan ini didapat dengan melakukan simulasi penggunaan sistem yang telah dibuat untuk mengetahui beberapa hal berikut: a. Posisi pengambilan citra wajah dilakukan secara frontal agar sistem dapat
melakukan pengenalan citra wajah dengan optimal.
b. Apakah metode Principal Component Analysis dapat mengidentifikasi citra wajah dan gender.
c. Penggunaan relay mikrokontroller tepat sebagai akses relay on/ off.
4.3.2 Pembahasan
Citra wajah yang terdeteksi ditandai oleh kotak berwarna hijau. Kotak berwarna hijau menandakan citra wajah yang terdeteksi sebagai citra wajah dari bagian depan (frontal face). Jika dari citra wajah yang terdeteksi tersebut berhasil
dikenali sebagai salah satu dari data training. Selanjutmya proses training maka akan ditampilkan data hasil pengenalan ke dalam facedata.xml. Facedata.xml menyimpan hasil perhitungan dan akurasi. Selanjutnya setelah data disimpan maka dikirim ke mikrokontroller untuk diproses.
Hasil di atas merupakan hasil training data yang diambil dari proses yang tersimpan di dalam file train.txt. Hasil ini merupakan hasil pengenalan, pengekstraksian, perhitungan. Hasil diambil dari beberapa banyaknya data training hanya diambil sebagian kecil pada setiap inputan wajah.
Maka dapat diambil kesimpulan secara umum terhadap hubungan jumlah data training citra wajah dan nilai threshold adalah sebagai berikut:
1. Semakin banyak citra wajah yang digunakan dalam melakukan training, maka pengenalan akan semakin baik. Dapat dilihat pada hasil penelitian melakukan variasi perubahan data training set yang digunakan.
2. Semakin rendah nilai threshold, kemiripan citra wajah masukan dengan citra wajah training pada database semakin tinggi, tetapi dapat mengurangi keberhasilan pengenalan (semakin sulit untuk dikenali atau sulit terdeteksi) .
Kegagalan dalam pengenalan dapat disebabkan oleh beberapa hal berikut: 1. Citra digital yang kurang jelas.
2. Adanya kemiripan antara citra wajah yang satu dengan citra wajah yang lainnya.
3. Sudut putaran kepala yang tidak tersedia di dalam data training.
4.4 Evaluasi Terhadap Pengguna
Tabel 4.8 Evaluasi Pengguna Terhadap Sistem
No. Pertanyaan Jawaban
Ya Tidak
1
Pernahkah anda menggunakan aplikasi sistem berbasis face recognition sebelumnya?
12 3
aplikasi face recognition ini sudah baik?
3 Apakah aplikasi face recognition
ini mudah untuk digunakan? 15 0
4
Apakah aplikasi face recognition ini bermanfaat untuk meminimalkan kriminalitas?
10 5
5
Apakah aplikasi face recognition ini bermanfaat sebagai sistem keamanan?
15 0
Pada evaluasi penggunaan sistem ini dilakukan pada 15 responden yang ditujukan kepada mahasiswa dan mahasiswi jurusan MTIF.
4.5 Perbandingan Aplikasi Pengenalan Wajah
Perbandingan aplikasi pengenalan wajah :
1. Pemecahan Masalah Pengenalan Citra Wajah Secara Realtime dengan Variasi Pose Menggunakan Metode Eigenfaces (Prasetyo, 2012).
2. Penerapan Face Recognition Dengan Metode Eigenface Dalam Intellgent Home Security (Setya Bayu , Akhmad Hendriawan, dan Ronny Susetyoko, 2009).
Tabel 4.9 Perbandingan Aplikasi Pengenalan Wajah
No. Metode Platform
Jumlah Variasi Posisi Wajah % Keakuratan Maksimum Compiler
1. Eigenfaces Desktop 5 100% Microsoft Visual
Studio 2010 Ultimate, EmguCV
2. Eigenfaces Desktop 2 100% Microsoft Visual Studio 2010 Ultimate, EmguCV
