KOMBINASI METODE LOCAL BINARY PATTERN HISTOGRAM DAN SHA256 DALAM SISTEM PENGENALAN WAJAH TESIS ELLANDA PURWA WIJAYA

KOMBINASI METODE LOCAL BINARY PATTERN HISTOGRAM DAN SHA256 DALAM SISTEM

PENGENALAN WAJAH

TESIS

ELLANDA PURWA WIJAYA 177038029

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

2020

KOMBINASI METODE LOCAL BINARY PATTERN HISTOGRAM DAN SHA256 DALAM SISTEM

PENGENALAN WAJAH TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

ELLANDA PURWA WIJAYA 177038029

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

2020

PERSETUJUAN

Judul : KOMBINASI METODE LOCAL BINARY PATTERN HISTOGRAM DAN SHA256 BIT DALAM SISTEM PENGENALAN WAJAH

Kategori : TESIS

Nama : ELLANDA PURWA WIJAYA

Nomor Induk Mahasiswa : 177038029

Program Studi : MAGISTER (S2) TEKNIK INFORMATIKA

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Prof. Dr. Herman Mawengkang Prof. Dr. Opim Salim Sitompul

Diketahui/disetujui oleh

Program Studi Magister (S2) Teknik Informatika Ketua,

Prof. Dr. Muhammad Zarlis NIP. 19570701 198601 1 00

PERNYATAAN

KOMBINASI METODE LOCAL BINARY PATTERN HISTOGRAM DAN SHA256 BIT DALAM SISTEM PENGENALAN WAJAH

TESIS

Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 16 Januari 2020

Ellanda Purwa Wijaya 177038029

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUKKEPENTINGAN AKADEMIS

Sebagai civitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini :

Nama : ELLANDA PURWA WIJAYA

NIM : 177038029

Program Studi : S2 Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalti Free Right) atas tesis saya yang berjudul:

KOMBINASI METODE LOCAL BINARY PATTERN HISTOGRAM DAN SHA256 BIT DALAM SISTEM PENGENALAN WAJAH

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 16 Januari 2020

Ellanda Purwa Wijaya 177038029

Telah diuji pada

Tanggal : 16 Januari 2020

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Opim Salim Sitompul Anggota : 1. Prof. Dr. Herman Mawengkang

: 2. Prof. Dr. Saib Suwilo

: 3. Dr. Syahril Efendi,S.Si.,M.IT

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap (berikut gelar) : Ellanda Purwa Wijaya, S.Kom Tempat dan Tanggal Lahir : Medan, 30 November 1990

Alamat Rumah : Jl. Syahbuddin Yatim LK II No.09 Telepon/Faks/HP : 082360067196

Email : Ellanda.purwa.wijaya@gmail.com

Website : -

Instansi Tempat Kerja : -

Alamat Kantor :-

DATA PENDIDIKAN

SD : SD NEGERI 060956 TAMAT: 2003

SMP : DR. WAHIDIN SUDIROHUSOSO TAMAT: 2006

SMA : SMA NEGERI 19 MEDAN TAMAT: 2009

S1 : STMIK TAMAT: 2013

S2 : TEKNIK INFORMATIKA USU TAMAT: 2020

UCAPAN TERIMAKASIH

Puji dan rasa syukur dipanjatkan ke hadirat Allah SWT yang telah melimpahkan segala karunia, rahmat dan hidayah-Nya sehingga penyusunan tesis ini dengan judul

“KOMBINASI METODE LOCAL BINARY PATTERN HISTOGRAM DAN SHA256 BIT DALAM SISTEM PENGENALAN WAJAH” dapat diselesaikan dengan baik. Sholawat beriring salam turut serta dipanjatkan kepada Nabi Muhammad SAW, semoga diberikan syafaat pada hari akhirat kelak.

Tesis ini merupakan syarat untuk menyelesaikan studi pada jenjang magister (S2) yang dalam penyusunannya tidak terlepas dari dukungan berbagai pihak, baik secara moril maupun materil. Pada kesempatan yang sangat berbahagia saat ini dan dalam ruang ucapan terima kasih ini, kami menyampaikan rasa terima kasih dan penghargaan yang setinggi-tingginya dengan tulus dan ikhlas kepada :

1. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum., selaku Rektor Universitas Sumatera Utara;

2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara dan selaku sebagai Dosen Pembimbing I yang telah memberikan bimbingan dan arahan dalam penyelesaian tesis ini;

3. Bapak Prof. Dr. Muhammad Zarlis, M.Sc, selaku Ketua Program Studi S2 Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara;

4. Bapak Dr. Syahril Efendy, S.Si., M.IT., Sekretaris Program Studi S2 Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara dan selaku Dosen Pembanding I yang telah memberikan bimbingan dan arahan dalam penyelesaian tesis ini;

5. Bapak Prof. Dr. Herman Mawengkang., sebagai Dosen Pembimbing II yang telah memberikan bimbingan dan arahan dalam penyelesaian tesis ini;

6. Bapak Prof. Dr. Saib Suwilo., sebagai Dosen Pembanding II yang telah memberikan saran dan arahan untuk perbaikan dan penyelesaian tesis ini;

7. Kedua Orang tua penulis : Ayah Ir.Endang Kardi Wijaya dan Ibu Mahdawani,

8. Teman-teman yang selalu memberi support dan motivasi. Abangda Hendra Pasaribu M.Kom, , Kakak tercinta Lina M.M Abangda Bayu Kesuma Amd teman-teman seangkatan Kom A 2017 Adinda Nur Anisah M.Kom. yang telah bersama-sama menempuh pendidikan pada Program Studi S2 Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

Penulis menyadari bahwa penelitian ini masih jauh dari kata sempurna, ini dikarenakan oleh keterbatasan, kemampuan dan pengetahuan penulis. Harapan penulis, semoga penelitian ini bermanfaat bagi penulis khususnya dan pembaca pada umumnya. Sekali lagi penulis mengucapkan terima kasih, semoga Allah SWT membalas kebaikan yang telah diberikan. Amin.

Medan, 16- Januari -2020 Penulis,

Ellanda Purwa Wijaya NIM. 177038029

ABSTRAK

Teknologi pengenalan wajah sangat pesat saat ini , terdapat banyak aplikasi pengenalan wajah yang sudah diterapkan pada perangkat seperti smartphone, mesin absensi, izin akses masuk ruangan, pengawasan lokasi, dan lain-lainnya. Banyaknya kelemahan yang terdapat pada pengenalan wajah sehingga diperlukan implementasi agar tidak mudah diretas sehingga penulis menambahkan dengan keamanan suatu sistem untuk mengatasi kelemahan pada Sistem Pengenalan wajah dengan menggabungkan teknik Kriftografi hashing SHA256 BIT. Metode Local Binary Pattern Histogram dan SHA256 bit dalam sistem pengenalan wajah yang menggunakan webcam secara realtime dengan mengkombinasikan kedua metode tersebut. Dari hasil Pengenalan wajah dapat dikenali wajah seseorang secara real time dengan hasil Akurasi yang baik.

Kata kunci:Pengenalan wajah Metode Local Binary Pattern, SHA256 BIT

Combination of the local binary pattern histogram method and SHA256 BIT in the face recognition system

ABSTRACT

Recognition face technology is very fast at this time, there are many face recognition applications that have been applied to devices such as smartphones, time attendance machines, room access permits, location surveillance, and others. There are a lot of weaknesses in facial recognition so that implementation is needed so that it is not easily hacked with the Local Binary Pattern Histogram and SHA256 bit methods in a face recognition system that uses a webcam in realtime by combining the two methods. From the results of facial recognition can be recognized by someone's face in real time with good accuracy results.

Keywords— Recognition Face , Local Binary Pattern Histogram, SHA256

DAFTAR ISI

Hal

Persetujuan ii

Pernyataan iii

Persetujuan Publikasi iv

Panitia Penguji Tesis v

Riwayat Hidup vi

Penghargaan vii

Abstrak ix

Abstract x

Daftar Isi xi

Daftar Gambar xiii

Daftar Tabel xiv

Daftar Lampiran xv

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Manfaat penelitian 3

BAB 2 LANDASAN TEORI 4

2.1 Citra Digital 4

2.2 Jenis Citra Digital 4

2.2.1 Color Image atau RGB (Red,Green, Blue) 4

2.2.2 Grayscale ( Keabua-abuan) 5

2.2.3 Binary Image 6

2.3 Face Recognition 7

2.4.2 Face Recognition Menggunakan Local Binary Patterns 12

2.5 Definisi Wajah 13

2.6 Parameter Pengujian 13

2.7 SHA 256 Bit 14

2.8 Penelitian Terdahulu 15

BAB 3 METODOLOGI PENELITIAN 16

3.1 Dataset 16

3.2 Arsitektur 16

3.2.1 Input Citra 19

3.2.2 Cropping Citra Gambar 19

3.2.3 Grayscaling 20

3.2.4 Local Binary Patterns 20

3.3 Perancangan Antar Muka 23

BAB 4 HASIL DAN PEMBAHASAN 24

4.1 Hasil Pengujian 24

4.1.1 Parameter Pengujian 24

4.1.2 Hasil Pre-Processing 27

4.1.3 Proses Penginputan data 28

4.1.4 Proses Training dataset 33

4.2 Pembahasan 36

BAB 5 PENUTUP 37

5.1 Kesimpulan 37

5.2 Saran 37

Daftar Pustaka 38

DAFTAR GAMBAR

Gambar 2.1 Contoh RGB Image 5

Gambar 2.2 Contoh Grayscale Image 6

Gambar 2.3 Contoh Binary Image 7

Gambar 2.4 Tahap Preprocessing Mengubah Citra Menjadi 64 Bagian 9

Gambar 2.5 Proses Perhitungan sederhana LBPH 10

Gambar 2.6 Contoh Tiga Set Ketetanggan Pixel 10

Gambar 2.7 Contoh Citra Wajah Dengan Pola Seragam dan Pola Tidak Seragam 12

Gambar 2.8 Fungsi Utama SHA-256 14

Gambar 3.1 Diagram Alir 18

Gambar 3.2 Input Citra 19

Gambar 3.3 Matriks Citra Warna (RGB) Ukuran 3x3 Piksel 19

Gambar 3.4 Citra Hasil Croping 20

Gambar 3.5 Matriks Citra Grayscale Ukuran 3x3 Piksel 20

Gambar 3.6 Hasil Citra Grayscale 20

Gambar 3.7 Citra Wajah Terdeteksi 21

Gambar 3.8 Citra Hasil Local Binary Patterns 21

Gambar 3.9 Citra Hasil Histogram 22

Gambar 4.1 Aplikasi Pengenalan Wajah Untuk Pengisian Biodata dan Photo 29 Gambar 4.2 From Pengisian Biodata diri dan Upload Photo 29

Gambar 4.3 Kumpulan Dataset 30

Gambar 4.4 Tampilan Awal Sebelum Pengambilan Citra 30

Gambar 4.5 Pengambilan Citra Wajah 31

Gambar 4.6 From Profile Dataset 31

Gambar 4.7 Sampel Citra Wajah 32

Gambar 4.8 Tampilan Awal Training Dataset 33

Gambar 4.9 Tampilan Training Dataset Sukses 33

Gambar 4.10 Pengambilan Citra Wajah yang Dideteksi 34 Gambar 4.11 Citra Gambar Yang Berhasil Disimpan Dengan Password 34

Gambar 4.12 Hasil Sukses Pendeteksian Wajah 35

DAFTAR TABEL

Tabel 4.1 Perhitungan Akurasi 24

Tabel 4.2 Perhitungan Nilai FAR 25

Tabel 4.3 Perhitungan Nilai FRR 26

Tabel 4.4 Pengambilan Citra dari Jarak 30cm dan 50cm 26

Tabel 4.5 Daftar Dataset Citra Wajah 28

DAFTAR LAMPIRAN

Lampiran 1 39

Lampiran 2 41

Lampiran 3 42

Lampiran 4 43

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Pengenalan wajah merupakan teknologi yang menggunakan biometrik wajah untuk mengenali wajah seseorang. Teknologi pengenalan wajah ini berkembang cukup pesat saat ini, dimana banyak aplikasi pengenalan wajah yang sudah diterapkan diberbagai perangkat seperti smartphone, mesin absensi, izin akses masuk ruangan, pengawasan lokasi, dan lain-lain. Akan tetapi, implementasi dari sistem pengenalan wajah ini juga memiliki kelemahan yaitu sistem pengenalan wajah dapat diretas dengan menggunakan gambar.

Penelitian ini mencoba untuk meningkatkan kemampuan dari sistem pengenalan wajah. Salah satu cara untuk meningkatkan kemampuan dari sistem pengenalan wajah adalah menggabungkan sistem pengenalan wajah dengan teknik kriptografi SHA256 bit. Teknik kriptografi SHA256 bit ini akan bekerja saat proses pengambilan data training dari wajah dan proses pengenalan wajah. Setiap data wajah akan disimpan dengan menggunakan password atau kata kunci yang telah melalui proses hashing.

Untuk dapat mendeteksi wajah seseorang secara realtime maka algoritma yang digunakan adalah haar cascade classifier dan algoritma ekstraksi ciri eigenface, fisherface dan Local Binary Patten Histogram yang berasal dari OpenCV, di mana algoritma tersebut merupakan library dari OpenCV yang sudah dapat digunakan dan dapat mengenali wajah seseorang.

K.Meena & A.Suruliandi. 2011. Local Binary Patterns And Its Variants For Face Recognition. 782-786. Pada penetian ini mengatakan bahwa Face recognition is one of the most important tasks in computer vision and Biometrics. Texture is an important spatial feature useful for identifying objects or regions of interest in an image. Texture based face recognition is widely used in manyapplications. LBP method is most successful for face recognition. It is based on characterizing the local image texture by local texture patterns. In this paper performance evaluation of Local Binary Pattern (LBP) and its modified models Multivariate Local Binary Pattern

2

(MLBP), Center Symmetric Local Binary Pattern (CS-LBP) and Local Binary Pattern Variance (LBPV) are investigated. Facial features are extracted and compared using K nearest neighbour classification algorithm. G-statistics distance measure is used for classification. Experiments were conducted on JAFFE female, CMU-PIE and FRGC version2 databases. The results shows that CS-LBP consistently performs much better than the remaining other models. Pada penelitian ini penulis mengambil kesimpulan bahwa pengenalan wajah dengan menggunakan metode Local Binary Pattern berhasil untuk melakukan pengenalan wajah, dimana fitur wajah diekstrak dan dibandingkan dengan menggunakan metode KNN (K nearest neighbour classification).

Proceeding of the second International conference on intelilligent computing and control system (ICICCS2018), pp. 1439- 1444. Penelitian ini mengatakan bahwa To create strong and distinct features, increase the inter-personal variations and decrease the intra-personal variations simultaneously remains a demanding problem in facial recognition. In this paper, the researcher explains how to improve the ability of face recognition system using Local Binary Pattern (LBP) for feature extraction and Convolution Neural Network (CNN) for classification of the images. The correspondence between the trained images helps CNN to converge faster and achieve better accuracy. There is a great improvement compared to other traditional methods too. To evaluate the accomplishment of this new method, it is found that higher face recognition accuracy can be achieved with less computational cost. The proposed framework is tested on the Yale dataset and achieved an accuracy of 98.6%.

Pada penelitian ini dapat penulis mengambil kesimpulan bahwa pengenalan wajah dengan menggunakan metode Local Binary Pattern berhasil dilakukan dengan menggabungkan metode Convolution Neural Network (CNN) untuk melakukan klasifikasi gambar sehingga tingkat akurasi pengenalan wajah dapat mencapai 98,6%

dengan menggunakan dataset Yale.

Dengan melihat penelitian diatas, maka pada penelitian ini penulis akan menggabungkan sistem pengenalan wajah dengan LBPH (Local Binary Pattern Histogram) dan teknik kriptografi SHA256 bit untuk meningkatkan keamanan dari sistem pengenalan wajah itu sendiri.

3

1.2 Rumusan Masalah

Pada penelitian ini yang menjadi rumusan masalah adalah sistem pengenalan wajah dapat diretas menggunakan gambar, sehingga dibutuhkan cara untuk mengatasi kelemahan tersebut dengan menggunakan teknik kriptografi SHA256 bit.

1.3 Batasan Masalah

Dalam penelitian ini penulis membuat batasan masalah yaitu:

1. Pengambilan gambar atau citra dilakukan dengan menggunakan webcam secara realtime sehingga menghasilkan gambar berformat jpg.

2. Aplikasi yang dirancang untuk menyelesaikan penelitian ini menggunakan bahasa pemrograman Python 3.6 dengan menggunakan framework Django 2.17.

3. Parameter pengujian menggunakan False Acceptance Rate (FAR) dan False Rejection Rate (FRR).

4. Metode yang digunakan untuk sistem pengenalan wajah adalah LBPH (Local Binary Pattern Histogram) dan teknik kriptografi SHA256 bit.

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah untuk menambahkan keamanan suatu sistem pengenalan wajah dengan menggabungkan teknik kriptografi hashing SHA256 bit.

1.5 Manfaat Penelitian

Manfaat hasil penelitian dapat digunakan untuk mengatasi kelemahan yang terjadi pada sistem pengenalan wajah dengan menggunakan teknik kriptografi SHA256 bit.

BAB 2

LANDASAN TEORI

2.1 Citra Digital

Citra adalah representasi dari suatu objek. Secara harafiah citra adalah gambar pada bidang dua dimensi. Citra memiliki peranan penting sebagai bentuk informasi visual.

Citra mempunyai karakteristik yang tidak dimiliki oleh teks, yaitu citra kaya akan informasi. Citra dapat didefinisikan sebagai fungsi dua dimensi f(x,y), dimana x dan y adalah koordinat bidang datar, dan harga f pada setiap koordinat (x,y) disebut intensitas atau level keabuan (gray level) dari citra di titik itu. Jika x, y, dan f semuanya berhingga dan nilainya diskrit maka citra itu disebut citra digital (Gonzalez

& Woods, 2008). Citra digital dapat dibedakan menjadi beberapa jenis yaitu citra biner (binary image), citra keabuan (grayscale image) dan citra warna (color image).

2.2 Jenis Citra Digital

2.2.1 Color Image atau RGB (Red, Green, Blue)

Citra berwarna (color image) atau biasa disebut citra RGB adalah jenis citra yang menyajikan warna dalam bentuk komponen merah (red), hijau (green) dan biru (blue).

Setiap komponen warna menggunakan 8 bit (nilainya berkisar antara 0 sampai dengan 255). Dengan demikian, kemungkinan warna yang bisa disajikan mencapai 255³atau 16.581.375 (16K) warna.

5

239 239 239 239 239 239 239 239 239 239 239 239 239 239 237 237 241 240 239 240 239 239 239 239 239 239 239 238 239 238 239 238 239 239 239 239 240 239 239 237 239 239 239 239 239 239 239 239 239 239 239 239 239 239 239 239

… Red

6 6 6 6 6 6 6 6 7 7 7 7 6 6 7 7 7 6 6 7 6 6 6 6 7 7 6 5 6 5 6 5 6 6 6 6 6 6 6 7 6 6 6 6 7 7 6 6 6 6 6 6 6 6 6 6

… Green

9 9 9 9 9 9 9 9 7 7 7 7 9 9 9 9 8 7 9 10 9 9 9 9 7 7 9 8 9 8 9 8 9 9 9 9 9 9 9 9 9 9 9 9 7 7 9 9 9 9 9 9 9 9 9 9

… Blue

Gambar 2.1. Contoh RGB Image

2.2.2 Grayscale (Keabu-abuan)

Masing-masing piksel dari citra digital grayscale (keabu-abuan) memilliki gradasi warna mulai dari putih sampai hitam. Rentang warna pada grayscale image banyak digunakan dalam dunia kedokteran (X-ray). Grayscale merupakan hasil rata-rata dari color image dengan persamaan sebagai berikut :

u आ t h ^{आ आ आ t} (2.1)

dimana :

आ t : nilai piksel Red titik (x,y)

आ t : nilai piksel Green titik (x,y)

आ t : nilai piksel Blue titik (x,y)

u आ t : nilai piksel Black and White titik (x,y)

6

99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 99 98 98 98 98 98 98

…

Gambar 2.2. Contoh Grayscale Image

2.2.3 Binary Image

Binary image hanya terdiri dari dua warna (hitam dan putih), maka dibutuhkan 1 bit per piksel (0 dan 1) atau apabila dalam 8 bit (0 dan 255). Penerapan binary image sangat cocok diguakan untuk teks, sidik jari, maupun gambar arsitektur. fu image merupakan hasil pengolahan dari grayscale image dengan fungsi sebagai berikut :

I_Bin आ h t  h ^u आ t 耀 䁣 tt _u आ t 䁣 dan dalam bentuk floating point I_Bin आ h t  h ^u आ t 耀 䁣

u आ t 䁣 dimana

I_BW आ : nilai piksel gray titik (x,y) I_Bin आ : niali piksel binary titik (x, y) T : nilai threshold

7

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

…

Gambar 2.3. Contoh Binary Image

2.3 Face Recognition (Pengenalan Wajah)

Facial recognition juga dikenal dengan istilah face recognition. Face recognition adalah aplikasi biometrik software yang mampu mengidentifikasi atau memverifikasi wajah seseorang dengan cara yang unik. Biometrik ini membandingkan dan menganalisa pola berdasarkan bentuk wajah. Umumnya face recognition digunakan untuk tujuan keamanan, tetapi banyak juga digunakan dalam bidang lainnya. Face recognition memiliki beberapa teknik, keuntungan dan juga kekurangan.

Ada beberapa teknik dalam penggunaan face recognition yaitu, generalized matching face detection method dan the adaptive regional blend matching method.

Aplikasi yang dibuat dengan teknik ini dapat digunakan untuk mengambil data wajah secara efisien. Saat ini, teknik face recognition sudah berkembang hingga dapat mengidentifikasi bentuk wajah secara 3-D. Perkembangan ini membantu mengatasi masalah yang ditemukan dalam penggunaan teknik sebelumnya. Dibandingkan dengan teknik biometrik lainnya, face recognition tidak membutuhkan kontak langsung, dan dapat mengidentifikasi wajah dari jarak jauh sehingga tidak dapat dimanipulasi. Teknik ini sangat mendukung sistem pendataan waktu dan kehadiran.

Disisi lain, teknik ini juga memiliki kelemahan, seperti pengenalan wajah tidak dapat dilakukan jika pencahayaan kurang. Selain itu, jika ekspresi wajah bervariasi maka identifikasi wajah kurang efektif.

8

Proses face recognition secara umum adalah terdiri dari:

1. Acquisition module, merupakan blok input dari proses pengenalan wajah, sumbernya dapat berasal dari kamera ataupun file citra.

2. Pre-processing module, merupakan proses penyesuaian citra input yang meliputi, normalisasi ukuran citra, histogram equalization untuk memperbaiki kualitas citra input agar memudahkan proses pengenalan tanpa menghilangkan informasi utamanya, median filtering untuk menghilangkan noise akibat kamera atau pergeseran frame, high pass filtering untuk menunjukkan bagian tepi dari citra, background removal untuk menghilangkan background sehingga hanya bagian wajah saja yang diproses dan normalisasi pencahayaan ketika mengambil citra input. Bagian pre-processing ini untuk menghilangkan masalah yang akan timbul pada proses pengenalan wajah seperti yang dijelaskan sebelumnya.

3. Feature Extraction module, digunakan untuk mengekstraksi ciri bagian terpenting sebagai suatu vektor yang merepresentasikan wajah dan bersifat unik.

4. Classification module, pada modul ini, dengan bantuan pemisahan pola, fitur wajah yang dibandingkan dengan fitur yang telah tersimpan di database sehingga dapat diketahui apakah citra wajah tersebut dikenali.

5. Training set, modul ini digunakan selama proses pembelajaran untuk menyimpan dan melatih pengenalan wajah, semakin kompleks dan sering, proses pengenalan wajah akan semakin baik.

6. Database, berisi kumpulan citra wajah yang telah disimpan.

2.4 Local Binary Patterns Histogram (LBPH)

Ada beberapa metode yang digunakan dalam ekstraksi fitur dalam proses pengenalan wajah. Salah satu metode yang paling baik digunakan adalah LBPH yang diperkenalkan oleh Ojala pada tahun 1996. Dengan memanfaatkan metode LBPH akan dapat menggambarkan tekstur dan bentuk dari citra digital yaitu dengan melakukan pembagian gambar menjadi bagian-bagian kecil dari fitur yang dikestraksi.

9

Gambar 2.4. Tahap Preprocessing Mengubah Citra Menjadi 64 Bagian

Fitur ini terdiri dari pola-pola biner yang menggambarkan keadaan piksel pada daerah yang terbagi. Fitur yang diperoleh dari gabungan daerah tersebut membentuk suatu histogram tunggal yang merupakan representasi dari sebuah citra. Citra tersebut dapat dibandingkan dengan melakukan perhitungan kesamaan (jarak) yang diperoleh dari masing-masing histogram. Menurut beberapa penelitian face recognition menggunakan metode LBPH memperoleh hasil yang sangat bagus dari segi kecepatan maupun performa pembagian daerah pikselnya. LBPH mampu mengenali citra dengan ekspresi wajah yang berbeda-beda, pencerahan dengan kondisi yang berbeda dan rotasi gambar.

2.4.1 Prinsip Local Binary Patterns

Operator LBPH bekerja dengan delapan konektivitas piksel dengan menggunakan nilai piksel pusat sebagai nilai ambang batas (thresholding). Jika nilai piksel memiliki warna abu-abu yang lebih tinggi dari nilai piksel pusat (atau nilai abu-abu yang sama) maka piksel tersebut akan bernilai 1 namun jika tidak hasilnya adalah 0. Nilai LBPH piksel pusat kemudian didapat dari hasil penjumlahan kedelapan konektivitas.

10

Gambar 2.5. Proses Perhitungan Sederhana LBPH

Operator LBP kemudian diperpanjang untuk membentuk suatu konektivitas dengan ukuran yang berbeda. Pada kasus ini sebuah lingkaran terbentuk dengan menggunakan radius R dari piksel pusat.Titik sample P pada tepi lingkaran diperoleh dan dibandingkan dengan nilai piksel pusat. Diperlukan interpolasi untuk memperoleh nilai dari semua titik sampel dengan berbagai radius dan jumlah piksel dengan notasi (P,R). Gambar dibawah ini akan mengilustrasikan tiga set ketetanggan dengan masing-masing nilai P dan R yang berbeda.

Gambar 2.6. Contoh Tiga Set Ketetanggan Piksel

Jika koordinat dari pusat piksel adalah (x^c, y^c) maka koordinat tetangga P (x^p, y^p) pada tepi lingkaran dengan jari-jari R dapat dihitung dengan sinus dan kosinus:

 h  cos (2.2)

h sin (2.3)

11

Jika nilai abu-abu dari piksel pusat adalah g^cdan nilai abu-abu tetangganya adalah g^p, dengan p = 0, …, P - 1, daripada tekstur T di lingkungan lokal piksel (x^c, y^c) dapat didefinisikan sebagai :

䁣 = ( , ⁰, … , −1) (2.4)

Setelah nilai-nilai dari setiap titik tersebut diperoleh maka akan mungkin untuk mendeskripsikan tekstur dengan cara lain, yaitu dengan mengurangi nilai piksel pusat dari nilai-nilai setiap titik pada lingkaran. Pada cara ini tekstur lokal direpresentasikan sebagai hasil distribusi bersama nilai piksel pusat dan perbedaannya:

䁣 = ( , ⁰ − , … , −1 − ) (2.5)

Fungsi t(g^c) menggambarkan keseluruhan pencahayaan pada sebuah gambar, yang tidak terkait dengan tekstur gambar lokal, sehingga t(gc) tidak memberikan informasi yang berguna untuk tekstur analisis. Oleh karena itu, banyak informasi tentang karakteristik tekstur dalam distribusi bersama yang asli (persamaan 3) dipertahankan dalam distribusi perbedaan bersama (Ojala et al. 2001):

䁣 ≈ ( ⁰ − , … , −1 − ) (2.6)

Meskipun nilai invariant dipengaruhi pergeseran skala abu-abu, namun perbedaannya akan dipengaruhi oleh penskalaan. Untuk mencapai nilai invariance sehubungan dengan transformasi monoton skala abu-abu, hanya tanda-tanda dari perbedaannya yang akan dipertimbangkan. Hal tersebut berarti bahwa titik pada lingkaran memiliki nilai abu-abu yang lebih tinggi daripada piksel pusat (atau nilai yang sama), satu titik akan memiliki nilai dan yang lainnya akan bernilai 0 :

䁣 ≈ (( ⁰ − ), … , ( −1 − )) (2.7)

dimana :

 h आ आ  耀

Langkah terakhir menghasilkan LBP untuk piksel (x^c, y^c) sebuah binomial yang bernilai 2^p diterapkan ke setiap tanda s(g^p− g^c). Bobot binomial ini dijumlahkan dengan :

t आ h _h^t t t (2.8)

12

Local Binary Patterns mencirikan tekstur gambar lokal di sekitar (x^c, y^c). Operator LBP yang asli pada gambar 1.3 sangatlah mirip dengan operator ini dengan P = 8 dan R = 1, dengan demikian LBP^8,1. Perbedaan utama antara operator ini adalah yaitu pada LBP^8,1 piksel pertama perlu diinterpolasi untuk memeproleh nilai-nilai titik pada lingkaran.

2.4.2 Face Recognition Menggunakan Local Binary Patterns

Metode LBP dapat diterapkan pada citra wajah untuk mengekstrak fitur yang dapat digunakan untuk mendapatkan persamaan ukuran. Gagasan utama dari metode ini yaitu penghitungan kode LBP dari setiap piksel suatu gambar dengan tetap mempertahankan setiap pola yang ada. Representasi dari tekstur gambar yang diperoleh akan tampil dalam bentuk histogram. Histogram tersebut dapat digunakan untuk mengukur kesamaan antar masing-masing gambar dengan menghitung jarak dari masing-masing histogram yang dihasilkan.

Gambar 2.7. Contoh Citra Wajah Dengan Pola Seragam Dan Pola Tidak Seragam Menggunakan _आ

Gambar 2.8 menunjukkan gambar asli yang dibagi dalam sebuah gambar dengan piksel dengan pola seragam dan dalam gambar dengan pola yang tidak seragam.

Gambar-gambar ini diperoleh dengan menggunakan operator L. Pada gambar tersebut terlihat bahwa citra dengan pola yang seragam mengandung sejumlah besar piksel yaitu sekitar 99% dari gambar asli. Hal lain yang mencolok adalah kenyataan bahwa dengan hanya mengambil piksel dengan pola seragam maka latar belakang citra juga dipertahankan.

13

Hal tersebut terjadi karena semua piksel latar belakang memiliki warna yang sama (nilai abu-abu yang sama) dan dengan demikian polanya mengandung transisi 0. Pada gambar juga terlihat banyak piksel di sekitar mulut, hidung dan mata (terutama alis mata) memiliki pola yang seragam.

2.5 Definisi Wajah

Wajah adalah bagian depan dari kepala, pada manusia meliputi wilayah dari dahi hingga dagu, termasuk rambut, dahi, alis, mata, hidung, pipi, mulut dan dagu.

Elemen-elemen itulah yang menjadi pembeda antara wajah satu dengan yang lain.

Selain elemen fisik ada factor-faktor lain yang mempengaruhi wajah yaitu : syaraf dan pembuluh darah, trauma fisik dan hasil pembedahan, ekspresi karena pembuluh, air mata, dan keringat, kesakitan dan kelelahan, gender, ras, pertumbuhan dan usia. Oleh karena itu, tidak ada satu wajahpun yang serupa mutlak, bahkan pada manusia kembar identik sekalipun.

2.6 Parameter pengujian

Pengujian dilakukan dalam empat kondisi. Untuk mencari akurasi pengenalan wajah adalah dengan membagi test/sampel yang berhasil dengan jumlah sampel percobaan selanjutnya dikali dengan 100%.Berikut adalah rumus yang digunakan untuk menghitung akurasi :

Akurasi φ h Tes yang berhasil

rhas s er asaa  % (2.9)

False acceptance rate (FAR) adalah kesalahan dalam mengenali identitas gambar masukan, baik itu kesalahan dalam mengenali identitas gambar masukan dari individu di luar database yang terdeteksi sebagai individu di dalam database, maupun kesalahan dalam mengenali identitas gambar masukan dari individu di dalam database yang dikenali sebagai individu lain.Berikut adalah rumus yang digunakan untuk menghitung FAR:

FAR h rhas er asaa^{Banyak FAR}  % (2.10) False rejection rate (FRR) adalah kesalahan dalam menolak gambar masukan.

Sebuah gambar masukan yang seharusnya dapat dikenali (identitasnya terdapat di dalam database) berubah menjadi tidak dikenali.

14

Berikut adalah rumus yang digunakan untuk menghitung FRR:

FRR h rhas er asaa^{Banyak FRR}  % (2.11)

2.7 SHA 256 bit

MenurutEgi Cahyo Prabowo dalam penelitiannya yang berjudul“Implementasi Aplikasi Digital Signature Menggunakan Fungsi Hash Algoritma SHA-256 Dan RSA Di Badan Pertanahan Nasional Kota Cimahi”, Secure Hash Algorithm-256 adalah salah satu jenis hash yang masih umum digunakan. Fungsi ini adalah varian dari SHA-1, SHA- 256 dibuat karena telah ditemukan bentrokan dari SHA-1, SHA-1 sendiri adalah pengganti dari SHA-0. Sampai saat ini belum ada yang dapat memecahkan algoritma untuk SHA-256. SHA-256 umumnya digunakan sebagai fungsi antara untuk fungsi lain, termasuk fungsi hash MAC, HMAC, dan beberapa fungsi penghasil digital signature. Fungsi utama SHA-256 dapat dilihat pada dibawah ini.

Gambar 2.8. Fungsi Utama SHA-256

15

2.8 Penelitian Terdahulu

- K.Meena & A.Suruliandi. 2011. Local Binary Patterns And Its Variants For Face Recognition. 782-786. Pada penelitian ini, penggunaan landmark untuk menormalkan wajah gambar dan landmark dapat digunakan untuk menghitung fitur wajah LBPH yang dapat mengurangi nilai dimensi LBPH histogram.

Dengan menggunakan landmark dapat mengekstrak titik – titik dari fitur wajah dan titik – titik disekeliling wajah dibandingkan dengan memanfaatkan seluruh piksel gambar.Nilai landmark yang terlalu kecil dapat menyebabkan kehilangan fitur wajah. Dibutukan ekstraksi fitur landmark yang lebih baik lagi untuk meningkatkan nilai rate dari pengenalan wajah.

- V.Betcy Thanga Shoba & I. Shatheesh Sam. 2018. Face Recognition Using LBPH Descriptor and Convolution Neural Network, Proceedings of the second International Conference on Intelilligent Computing and control System (ICICCS 2018), pp. 1439 – 1444. Pada penelitian ini sistem pengenalan wajah menggunakan metode Local Binary Pattern dan Convolution Neural Network sangat membantu untuk memberikan data pelatihan yang ditetapkan dengan pola perbedaan berdasarkan korespondensi antara gambar pelatihan asli. Pengenalan wajah hanya dapat mengenali wajah yang sama didalam dataset.Pada penelitian ini tidak dapat mengidentifikasi wajah yang memiliki ekspresi wajah yang berbeda seperti senyum, jijik dan lain – lain.

- Aftab Ahmed, Jiadong Guo, Fayas Ali & Farha Deeba. 2018. LBPH Based Improved Face Recognition At Low Resolution. 144 – 147 . Pada Penelitian sistem yang dirancang dapat mengidentifikasi wajah manusia di berbagai sudut, sisi pose dan pelacakan wajah saat objek tersebut bergerak.Sistem yang dirancang beroperasi pada gambar yang memiliki resolusi rendah (minimum 35 px)

BAB 3

METODOLOGI PENELITIAN

3.1. Dataset

Data citra wajah yang digunakan dalam penelitian ini berupa citra yang diambil melalui webcam secara realtime. Untuk data training menggunakan 40 citra wajah dimana setiap satu orang akan diambil 50 frame citra. Sehingga total data training yang digunakan berjumlah 2000 citra wajah. Sedangkan untuk data testing sendiri diambil secara realtime dengan mencocokan citra yang tertangkap webcame dengan citra yang sudah di traning.

3.2. Arsitektur

Penelitian ini menggunakan metode Local Binary Patterns Histogram (LBPH) memiliki beberapa tahapan untuk mengenali wajah seseorang yaitu membuat dataset, training (pelatihan) dan proses pengenalan wajah atau testing. Secara garis besar, adapun tahapan dari sistem pengenalan wajah ini adalah sebagai berikut :

1. Pada bagian input, pengguna harus memasukkan Data Pribadi wajah

2. Setelah itu masukan password. Password ini akan melalui proses hashing SHA256 bit dan disimpan dalam database bersama dengan data pribadi pengguna.

3. Lalu pengguna akan membuat dataset dari wajahnya yang diinput dengan menggunakan webcam. Sedangkan proses data training dilakukan untuk proses pengenalan wajah.

4. Preprocessing merupakan tahapan melakukan cropping citra wajah pada area yang mencirikan wajah yang meliputi batas atas alis sampai bawah bibir/atas dagu. Selanjutnya citra tersebut diubah ke dalam bentuk Processing merupakan tahapan melakukan ekstraksi ciri merupakan tahapan mengekstrak

17

5. Metode yang digunakan untuk ekstraksi ciri adalah Local Binary Pattern Histrogram, dimana proses ini bertujuan untuk mendapatkan ciri dari inputan ci

6. Nilai-nilai yang dihasilkan dalam vector ciri dinormalisasi ke dalam rentang 0- 1. Hasil dari ekstraksi ciri ini selanjutnya akan disimpan di database wajah.

Database wajah merupakan tempat menyimpan data pola wajah/hasil ekstraksi ciri yang dihasilkan pada tahap pelatihan data wajah.

7. Hasil pengenalan memberikan hasil dikenali atau tidak dikenali. Jika sebuah wajah tidak dikenali, maka hasil tersebut merupakan bagian dari kesalahan pengenalan/error sistem. Jika sebuah wajah dikenali maka pengguna akan melanjutkan dengan memasukkan password. Password tersebut akan melalui proses pencocokan nilai hashing SHA256 bit yang tersimpan didalam database.

Jika pencocokan berhasil, maka pengguna tersebut merupakan pengguna yang valid.

18

Sedangkan langkah-langkah tersebut diatas dapat dilihat dalam bentuk blok diagram pada gambar dibawah ini dan berikut akan dijelaskan secara rinci untuk setiap proses.

19

3.2.1 Input Citra

Input citra gambar dilakukan dengan menggunakan webcam. Input citra dilakukan baik untuk dataset dan data training. Contoh citra dapat dilihat pada gambar dibawah ini.

Gambar 3.2 Input Citra

R = 119 R = 98 R = 121 G = 93 G = 67 G = 85 B = 78 B = 49 B = 69 R = 72 R = 98 R = 122 G = 56 G = 81 G = 101 B = 41 B = 63 B = 84 R = 59 R = 65 R = 83 G = 43 G = 48 G = 62 B = 28 B = 30 B = 45 Gambar 3.3 Matriks Citra Warna (RGB) Ukuran 3 x 3 Piksel

3.2.2 Cropping Citra Gambar

Webcam akan mendeteksi setiap area wajah yang ada, lalu melakukan proses cropping citra tersebut dan menyimpan hasil citra cropping tersebut. Dalam proses penyimpanan hasil citra cropping tersebut diberi label dengan format user.id.jpg.

Hasil citra cropping ini akan digunakan untuk data training.

20

Gambar 3.4 Citra hasil cropping 3.2.3 Grayscaling

Piksel citra gambar yang awalnya terdiri atas RGB (Red Green Blue) akan diubah menjadi nilai Gray melalui proses Grayscaling dengan menggunakan persamaan (2.1) yaitu :

珈 㤵 㤵 㤵 㤵

珈 㤵 9 9 78 290

97

Berdasarkan persamaan diatas, maka matriks RGB pada gambar 3.4 dapat diubah menjadi matriks grayscale seperti gambar berikut ini.

97 71 92

56 82 102

43 48 63

Gambar 3.5 Matriks citra grayscale ukuran 3 x 3 piksel

Gambar 3.6 Hasil citra grayscale

3.2.4 Local Binary Patterns

Webcam akan mendeteksi objek berupa citra wajah dengan menggunakan metode

21

Gambar 3.7 Citra wajah terdeteksi

Metode untuk ekstraksi ciri menggunakan Local Binary Patterns Histogram (LBPH) :

1. Mendefenisikan parameter (radius, ketetanggan piksel, grid x dan grid y) yang dibutuhkan untuk proses LBPH. Jika tidak memiliki parameter khusus maka akan menggunakan parameter default yang sudah tersedia pada library.

2. Melakukan pelatihan algoritma dengan memanggil fungsi training untuk setiap potongan citra dan label berdasarkan parameter yang sudah ditentukan. Setiap citra harus memiliki ukuran yang sama. Label akan digunakan sebagai ID citra, oleh karena itu apabila ada lebih dari satu citra yang memiliki tekstur/subjek yang sama maka label nya juga harus sama.

3. Terlebih dahulu fungsi training akan memeriksa citra dengan ukuran yang sama.

Apabila terdapat setidaknya satu citra dengan ukuran yang tidak sama maka fungsi training akan mendeteksinya sebagai error dan algortima tidak akan berhasil di training.

4. Fungsi training akan menerapkan proses dasar LBPH dengan mengubah setiap piksel berdasarkan ketetanggaannya menggunakan standar radius yang telah ditentukan. Proses LBPH tersebut dapat dilihat pada citra berikut.

Gambar 3.8. Citra Hasil Local Binary Patterns

22

5. Setelah menerapkan operasi LBPH maka histogram dari setiap gambar akan di ekstrak berdasarkan jumlah grid (X dan Y) yang dilewatkan parameter. Setelah histogram dari setiap wilayah di ekstrak maka semua histogram yang ada digabungkan dan dibuatlah satu histogram baru yang akan digunakan untuk merepresentasikan gambar.

Gambar 3.9 Citra Hasil Histogram

6. Gambar, label dan histogram disimpan dalam struktur data sehingga nantinya dapat dibandingkan dengan yang baru menggunakan fungsi prediksi.

7. Algortima sudah terlatih dan dapat digunakan untuk memprediksi citra baru.

8. Untuk memprediksi citra baru dibutuhkan pemanggilan fungsi prediksi sebagai parameter. Fungsi prediksi akan mengekstrak histogram dari citra data training kemudian membandingkannya dengan histogram citra seluruh dataset yang sudah tersimpan dalam komputer dan membandingkan parameternya sesuai dengan histogram dengan nilai terdekat. Apabila histogram citra dataset dan training memiliki kesamaan maka program akan menampilkan identifikasi hasil akhir berupa nama dan id dari pengguna dari citra traning yang telah diberi label sebelumnya.

9. Selanjutnya pengguna harus memasukkan password untuk menyatakan keabsahan wajah pengguna tersebut adalah benar.

Catatan : Pada proses ini menggunakan jarak euclidean sebagai matriks default untuk membandingkan histogramnya. Apabila diperoleh hasil yang semakin mendekati nol, maka hasilnya semakin baik.

23

3.3 Perancangan Antarmuka Aplikasi

Adapun perancangan antarmuka aplikasi dari penelitian ini adalah sebagai berikut : 1. Halaman dashboard merupakan halaman menu utama dari aplikasi pengenalan

wajah dengan metode Local Binary Pattern Histrogram dan kriptografi SHA256 bit.

2. Halaman create dataset merupakan halaman untuk menginput data pribadi, password dan citra wajah yang dideteksi oleh webcam. Citra wajah yang diambil menggunakan webcam akan disimpan sebagai dataset.

3. Halaman training merupakan halaman untuk melakukan proses training citra wajah yang ada pada database.

4. Halaman detection merupakan halaman untuk melakukan proses deteksi wajah yang diambil secara realtime pada webcame dan membandingkan citra wajah tersebut dengan menggunakan metode Local Binary Patterns Histrogram.

BAB 4

HASIL DAN PEMBAHASAN

Bab ini akan membahas mengenai hasil penelitian dari metode Local Binary Pattern Histogram dan SHA256 bit dalam sistem pengelanan wajah yang menggunakan webcam secara realtime dengan mengkombinasikan kedua metode tersebut. Dataset yang digunakan untuk keseluruhan data adalah 40 data. Dalam proses yang dilakukan adalah pengenalan untuk mendeteksi wajah seseorang yang sudah tersimpan ke dalam dataset dengan security code keamanan.

4.1 Hasil Pengujian 4.1.1 Parameter pengujian

Pengujian dilakukan dalam empat kondisi. Untuk memperoleh akurasi pengenalan wajah adalah membagi test/sampel yang berhasil dengan jumlah sampel percobaan selanjutnya dikali dengan 100%. Adapun rumus yang digunakan pada persamaan 2.9 untuk menghitung akurasi yaitu:

Akurasi = 100% 4040 x

= 100,00%

Percobaan ke Akurasi

XXXIII 8,25%

XXXIV 8,50%

XXXV 8,75%

XXXVI 90%

XXXVII 9,25%

XXXVIII 9,50%

XXXIX 9,75%

XXXX 100%

25

False acceptance rate (FAR) adalah kesalahan dalam mengenali identitas gambar masukan, baik itu kesalahan dalam mengenali identitas gambar masukan dari individu di luar database yang terdeteksi sebagai individu di dalam database, maupun kesalahan dalam mengenali identitas gambar masukan dari individu di dalam database yang dikenali sebagai individu lain. Adapun rumus yang digunakan pada persamaan 2.10 untuk menghitung FAR berikut rumus yang digunakan :

FAR = 100%

10 x40 25,00%

Tabel 4.2 Perhitungan nilai FAR

False rejection rate (FRR) adalah kesalahan dalam menolak gambar masukan. Sebuah gambar masukan yang seharusnya dapat dikenali (identitasnya terdapat di dalam database) berubah menjadi tidak dikenali.

Kesalahan FAR

I 47,05%

II 45,00%

III 42,05%

IV 40,00%

V 37,05%

VI 35,00%

VII 32,05%

VIII 30,00%

IX 27,05%

X 25,00%

26

Adapun rumus yang digunakan pada persamaan 2.3 untuk menghitung FRR:

FRR 40 x 100%

20,00%

Kesalahan FRR

I 20,00%

II 17,05%

III 15,00%

IV 12,05%

V 10,00%

VI 7,05%

VII 5%

VIII 2,5%

Tabel 4.3 Perhitungan nilai FRR

Pengujian citra dilakukan pada siang hari pukul 11.00- 13.00 wib dimana penerangan berasal dari cahaya matahari dengan jarak pengambilan citra sejauh 30 cm dan 50 cm.

sehingga hasil yang didapat adalah :

Percobaan ke 30cm 50cm

I Detected Detected

II Detected Detected

III Detected Detected

IV Detected Detected

V Detected Detected

VI Detected Detected

VII Detected Detected

VIII Detected Detected

27

Dari hasil citra yang didapat bahwa pengambilan citra pada jarak 30 cm dan 50 cm berhasil mendeteksi wajah yang diambil dari 4 kondisi yang berbeda yaitu :

- Lurus menghadap kamera - Serong kanan

- Serong kiri - Ekspresi

Adapun Perancangan aplikasi yang diselesaikan dalam penelitian ini menggunakan :

 Bahasa pemograman Python 3.6 dengan menggunakan framework Django 2.17

4.1.2. Hasil pre-processing

Untuk melakukan pengujian terhadap aplikasi perancangan pendeteksian citra wajah proses yang dilakukan dengan pengujian citra wajah sebanyak 40 citra, pada citra wajah yang untuk latih adalah 20 sedangkan citra yang diuji adalah 20. Berikut adalah tabel dataset daftar nama-nama beserta biodata diri dari citra wajah yang akan diuji :

No Nama Alamat Jenis Kelamin

1 Ellanda P Wijaya Jl Syahbuddin Yatim LK II No.09 Wanita 2 Emil K Wijaya Jl Syahbuddin Yatim LK II No.09 Laki - Laki 3 Ega Triwi Wijaya Jl Syahbuddin Yatim LK II No.09 Laki - Laki 4 Elzha Pratita Wijaya Jl Syahbuddin Yatim LK II No.09 Wanita 5 Endang K Wijaya Jl Syahbuddin Yatim LK II No.09 Laki - Laki

6 Mahdawani Jl Syahbuddin Yatim LK II No.09 Wanita

7 Syahreza Jl Syahbuddin Yatim LK II No.09 Laki - Laki

8 Yeni Novita Sari Perumahan Mewah Terjun Wanita

9 Muhaini Jl Syahbuddin Yatim LK II No.09 Wanita

10 Helmi Yudi Jl Syahbuddin Yatim LK II No.09 Laki - Laki

11 Susandi Belawan Komplek KPLP Laki - Laki

12 Juniar Sulastri Belawan Komplek KPLP Wanita

13 Gilang Ramadhan Belawan Komplek KPLP Laki - Laki

14 Rizka Ananda Belawan Komplek KPLP Wanita

15 Dwi Andika Marelan Pasar 2 Barat Laki - Laki

16 Paloma Yusfika Labuhan Yong Panah Hijau Wanita

17 Soya Majida Labuhan Yong Panah Hijau Wanita

18 Fauliza Maini Labuhan Yong Panah Hijau Wanita

19 Malika Labuhan Yong Panah Hijau Wanita

20 Mhd Sole Belawan Komplek Unikampung Laki - Laki

21 Anita Belawan Komplek Unikampung Wanita

28

22 Bayu Kesuma Perumahan Perak Residen Laki - Laki

23 Maulida Perumahan PT Ira Terjun Wanita

24 Dina Monica Sungai Mati Simpang Kantor Laki - Laki

25 Sri Rahayu Belawan Jalan Sepat no 05 Wanita

26 Murin Lestari Belawan Uni Kampung 01 Wanita

27 Zainul Perumahan PT Ira Terjun Laki - Laki

28 Anto Johan Labuhan Yong Panah Hijau Laki - Laki

29 Yusmidar Labuhan Yong Panah Hijau Wanita

30 Mutia Labuhan Deli Wanita

31 Mono Nelayan Sebrang Laki - Laki

32 Saiful Helvetia Laki - Laki

33 Junaidi Perumahan PT Ira Terjun Laki - Laki

34 Jon Martubung Laki - Laki

35 Tomi Martubung Laki - Laki

36 Wahyu Martubung Laki - Laki

37 Dimas Martubung Laki - Laki

38 Namen Martubung Laki - Laki

39 Jalil Martubung Laki - Laki

40 Armen Marelan Pasar 2 Barat Laki - Laki

Tabel 4.5 Daftar Dataset Citra wajah

Dari kedua tabel tersebut merupakan daftar nama-nama yang akan diambil fotonya sebagai pendeteksian citra wajah dengan menggunakan aplikasi tersebut. Data –data tersebut akan di input kedalam aplikasi dataset pendektesian wajah.

4.1.3 Proses Penginputan data

Pada proses penelitian ini hal perlu dilakukan adalah proses penyimpanan dataset yang dilakukan yaitu input data tersebut kedalam aplikasi pengenalan wajah, masukan data kedalam form profile yang telah disediakan. Masukan data pribadi serta mengunduh photo sebagai dataset.

29

Berikut tampilan untuk memasukkan dataset yang tertera pada Gambar 4.1 :

Gambar 4.1 Aplikasi Pengenalan Wajah untuk pengisian biodata diri dan Photo

Di gambar 4.1 diatas merupakan aplikasi pengenalan wajah , proses pertama yang dilakukan adalah menyimpan terlebih dahulu beberapa data seseorang sebagai dataset untuk pendektesian pengenalan wajah apakah sesuai dengan dataset yang disimpan pada aplikasi ini. Hal yang disimpan sebagai data berupa biodata diri beserta photo dari seseorang tersebut. Dapat dilihat pada tampilan gambar 4.2 :

Gambar 4.2 From pengisian Biodata diri dan upload photo

30

Pada gambar 4.2 menjelaskan bagaimana melaukan penyimpanan biodata diri sebagai dataset untuk aplikasi pendeteksian pengenalan wajah. Setelah melakukan penyimpanan biodata data maka data tersebut akan tersimpan berikut tampilan dari hasil penyimpanan biodata diri pada gambar 4.3 :

Gambar 4.3 Kumpulan Dataset

Setelah melakukan penyimpanan biodata diri maka dilanjutkan dengan proses selanjutnya yaitu pengambilan citra wajah dengan beberapa kondisi yang berbeda , Proses pengambilan citra wajah di lakukan dengan ekspresi yang berbeda lebih kurang 50 kali pengambilan citra wajah pada satu wajah yang sesuai dengan biodata diri yang sudah disimpan. Berikut tampilan pengambilan pada gambar 4.4 dan 4.5 :

31

Masuk kedalam proses dataset untuk pengambilan citra wajah seperti pada tampilan gambar 4.5 :

Gambar 4.5 Pengambilan citra wajah

Pengambilan citra yang dilakukan dengan kondisi dan ekspresi yang berbeda sudah ditentukan pada kamera yang tersedia diaplikasi lalu disimpan foto-foto tersebut kedalam aplikasi sesuai dengan biodata diri yang diinput. Maka dataset tersebut akan tersimpan beserta biodata diri yang sudah disimpan.

Gambar 4.6 From Profile dataset

32

Pada Gambar 4.6 menampilkan data beberapa orang yang sudah tersimpan kedalam aplikasi pengenalan wajah ini. Setelah proses penyimpanan dataset pada aplikasi maka dilakukan proses training dataset. Untuk mengetahui pengambilan ekspresi wajah yang sudah diambil maka dapat dilihat pada gambar 4.7 sebagai berikut :

Gambar 4.7 Sampel citra wajah

Sampel wajah yang diambil sebanyak 50 kali penangkapan dengan ekpresi dan kondisi yang berbeda pada masing- masing penangkapan citra wajah yang dilakukan dengan kamera real time. Setelah melakukan penyimpanan citra wajah , maka proses selanjutnya adalah melakukan pendeteksian wajah.

33

4.1.4 Proses Training dataset

Pilih salah satu data yang sudah disimpan di aplikasi tersebut untuk di tranining pendeteksian wajah seseorang tersebut apakah sesuai dengan data yang dipilih untuk di training. Berikut tampilan training dataset pada gambar 4.8 :

Gambar 4.8 Tampilan awal training dataset

Proses training dataset, untuk melakukan training dataset harus sesuai dengan petunjuk yang sudah ditentukan pada aplikasi pendeteksian wajah tersebut dengan ketentuan-ketentuan yang telah ditentukan agar proses pendeteksian wajah terdektesi.

Setelah itu masuk ke training dataset maka akan muncul tampilan sebagai berikut pada gambar 4.9 :

Gambar 4.9 Tampilan training dataset sukses

Fungsi training dataset sukses adalah untuk mengetahui bahwa dataset tersebut sudah sukses tersimpan kedalam aplikasi pengenalan wajah.

34

Maka selanjut proses pendektesian wajah berikut pada tampilan gambar 4.10 :

Gambar 4.10 Pengambilan citra wajah yang dideteksi

Proses pengambilan wajah dilakukan untuk mendeteksi wajah sesuai atau tidak dengan dataset yang sudah ada disimpan diaplikasi tersebut. Apabila wajah tersebut sesuai maka tampilan pengambilan wajah terbaca “ Detected” jika tidak sesuai maka

“Unknown”. Setelah wajah terdektesi maka akan muncul tampilan sebagai berikut pada gambar 4.11 :

Gambar 4.11 Citra Gambar yang berhasil disimpan dengan password

35

Setelah citra wajah terdeteksi maka gambar tersebut akan tersimpan dengan menggunakan password yang sudah ditentukan sendiri sesuai ketika pada penginputan data awal. Maka selanjutnya akan muncul tampilan bahwa wajah tersebut terdeteksi sesuai dengan dataset yang sudah ada disimpan didalam aplikasi pendeteksian wajah berikut tampilannya gambar 4.12 :

Gambar 4.12 Hasil sukses pendektesian wajah

Proses pengambilan wajah dilakukan untuk mendeteksi wajah sesuai atau tidak dengan dataset yang sudah ada disimpan diaplikasi tersebut. Apabila wajah tersebut sesuai maka tampilan pengambilan wajah terbaca “ Detected” jika tidak sesuai maka

“Unknown” Setelah wajah didektesi didalam ruangan yang tidak ada cahaya maka akan muncul tampilan sebagai berikut pada gambar.

36

4.2. Pembahasan

Dalam proses pengujian ada beberapa ketentuan yang diperlu diketahui untuk pengolahan citra pada aplikasi pendeteksian wajah adalah sebagai berikut :

1. Pada pengambilan sampel citra wajah , ada 4 kondisi yang ditentukan untuk proses pengambilannya yaitu dengan : menghadap kamera, serong kanan dan serong kiri serta dengan ekspresi menghadap kamera.

2. Proses pengambilan citra dengan jarak 30 cm dan 50 cm

Sampel yang digunakan merupakan foto wajah yang telah dicetak dengan ukuran ?.

Sampel terdiri dari 20 foto wajah yang berbeda sehingga total menjadi 40 wajah.

Sebelum melakukan pengenalan akan dilakukan penginputan data citra serta biodata diri kedalam database. Proses perekamanan hanya dapat dilakukan beberapa kali yang berguna sebagai data apabila ingin melakukan pendeteksian wajah dengan menggunakan aplikasi tersebut.

Setelah data diinput kedalam aplikasi database pendeteksian wajah, proses selanjutnya adalah melakukan pengujian dengan kondisi sebagai berikut :

1. Pengujian pertama dilakukan pada ruangan yang didalam disiang hari yang menggunakan cahaya matahari sebagai penerangannya.

2. Pengujian kedua dilakukan diluar ruangan pada siang hari juga.

3. Pengujian selanjutnya didalam ruangan dan diluar ruangan pada malam hari dengan cahaya lampu sebagai penerangannya.

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Pada penelitian ini telah dilakukan pengenalan wajah dengan menggunakan kombinasi metode Local Binary Patten Histogram (LBPH) dan SHA 256 bit. Dari hasil pengelanan wajah tersebut, metode Local Binary Patten Histogram (LBPH) dapat mengenali wajah seseorang secara real time dengan akurasi yang baik.

5.2 Saran

Adapun saran – saran pada penelitian ini adalah untuk menyempurnakan proses pengenalan wajah dibutuhkan pengujian dan training data set dengan menggunakan data wajah yang lebih banyak lagi sehingga diperoleh kelebihan dan kekurangan dari aplikasi yang dibangun oleh penulis.

DAFTAR PUSTAKA

- K.Meena & A.Suruliandi. 2011. Local Binary Patterns And Its Variants For Face Recognition. 782-786.

- V.Betcy Thanga Shoba & I. Shatheesh Sam. 2018. Face Recognition Using LBPH Descriptor and Convolution Neural Network, Proceedings of the second International Conference on Intelilligent Computing and control System ( ICICCS 2018), pp. 1439 – 1444.

- Gao Xiang, Zhu Qiuyu, Wang Hui & Chen Yan. 2016. Face Recognition Based on LBPH And Regression Of Local Binary Features. 414 – 417.

- Aftab Ahmed, Jiadong Guo, Fayas Ali & Farha Deeba. 2018. LBPH Based Improved Face Recognition At Low Resolution. 144 – 147 .

Lampiran 1 36

Percobaan ke Akurasi

I 0,25%

II 0,50%

III 0,75%

IV 10%

V 1,25%

VI 1,50%

VII 1,75%

VIII 20%

IX 2,25%

X 2,50%

XI 2,75%

XII 30%

XIII 3,25%

XIV 3,50%

XV 3,75%

XVI 40%

XVII 4,25%

XVII 4,50%

XIX 4,75%

XX 50%

XXI 5,25%

XXII 5,50%

XXIII 5,75%

XXIV 60%

XXV 6,25%

XXVI 6,50%

XXVII 6,75%

XXVIII 70%

XXIX 7,25%

XXX 7,50%

XXXI 7,75%

Lampiran 1 37

XXXII 80%

XXXIII 8,25%

XXXIV 8,50%

XXXV 8,75%

XXXVI 90%

XXXVII 9,25%

XXXVIII 9,50%

XXXIX 9,75%

XXXX 100%

Lampiran 2 38

Kesalahan FAR

I 47,05%

II 45,00%

III 42,05%

IV 40,00%

V 37,05%

VI 35,00%

VII 32,05%

VIII 30,00%

IX 27,05%

X 25,00%

Lampiran 3 39

Kesalahan FRR

I 20,00%

II 17,05%

III 15,00%

IV 12,05%

V 10,00%

VI 7,05%

VII 5%

VIII 2,5%

Lampiran 4 40

Percobaan ke 30cm 50cm

I Detected Detected

II Detected Detected

III Detected Detected

IV Detected Detected

V Detected Detected

VI Detected Detected

VII Detected Detected

VIII Detected Detected

IX Detected Detected

X Detected Detected

XI Detected Detected

XII Detected Detected

XIII Detected Detected

XIV Detected Detected

XV Detected Detected

XVI Detected Detected

XVII Detected Detected

XVII Detected Detected

XIX Detected Detected

XX Detected Detected

XXI Detected Detected

XXII Detected Detected

XXIII Detected Detected

XXIV Detected Detected

XXV Detected Detected

XXVI Detected Detected

XXVII Detected Detected

XXVIII Detected Detected

XXIX Detected Detected

XXX Detected Detected

XXXI Detected Detected

Lampiran 4 41

XXXII Detected Detected

XXXIII Detected Detected

XXXIV Detected Detected

XXXV Detected Detected

XXXVI Detected Detected

XXXVII Detected Detected

XXXVIII Detected Detected

XXXIX Detected Detected

XXXX Detected Detected