9
LANDASAN TEORI
2.1
Pengertian Sistem Absensi Otomatis
Menurut kamus besar bahasa Indonesia absen memiliki arti ketidak hadiran dalam suatu kegiatan, baik kegiatan belajar mengajar ataupun dalam kegiatan pekerjaan. Sistem berasal dari bahasa Latin dan Yunani yang berarti suatu kesatuan yang terdiriri dari komponen atau elemen yang dihubngkan bersama untuk memudahkan aliran informasi atau materi untuk mencapai suatu tujuan. Sedangkan otomatis menurut kamus besar bahasa Indonesia memiliki arti secara otomat, bekerja dengan sendirinya. Jadi sistem absensi otomatis merupakan suatu kesatuan komponen atau elemen kerja yang menhasilkan data kehadirian siswa yang bekerja dengan sedirinya.
Sedangkan menurut Taufik M. H (2008:1) sistem absensi otomatis merupakan kolaborasi antara sistem yang modern dengan sistem pendataan kehadiran siswa sehingga dapat menghadirkan informasi khadiran siswa dalam suatu kegiatan belajar mengajar. Lebih lanjut dalam tulisannya sistem absensi tersebut minimal perlu memiliki hal-hal sebagai berikut:
1. Halaman Login, Halaman ini digunakan oleh administrator sistem untuk memulai jalannya sebuah sistem absensi
2. Menu Absensi Siswa Adalah sebuah halaman yang menampilkan nama dan ID siswa ketika proses Absensi secara elektronik dilakukan.
3. Form Input Data, Form ini digunakan untuk memasukan data siswa yang berkenaan dengan informasi siswa
4. Halaman Database, Halaman ini adalah kumpulan dari semua data yang telah di input untuk nantinya memberikan layanan sistem.
2.2
Pengenalan Deteksi Wajah
Proses pendeteksian wajah merupakan metode dalam menemukan keberadaan objek wajah didalam sebuah citra, algoritma ini buat agar dapat membedakan antara objek wajah dengan latar objek wajah atau Bacground. Pendeteksian wajah merupakan salah satu tahapan penting sebelum melakukan proses pengenalan wajah, menurut Ming-Hsuan Yang et al (2000:1) metode untuk melakukan pendeteksian wajah dapat dibagi menjadi empat buah metode utama yaitu berdasarkan:
a. Knowledge-based Methode, metode ini memberikan aturan-aturan
baku tersendiri sebelum melakukan proses pendeteksian wajah., aturan baku tersebut berdasarkan cara pandang manusia terhadap wajah.
b. Feature Invariant, metode ini mencari struktur-struktur elemen
inti dari sebuah wajah.
c. Template Matching, metode ini mencari wajah dengan cara
memberikan model baku dari sebuah citra wajah.
d. Appearance-Based Methods, metode ini mencari wajah
berdasarkan struktural wajah yang telah diberikan sebelumnya, dari proses pengambilan wajah kemudian di training.
Namun dengan semakin pesatnya perkembangan komputasi komputer maka mulai bermunculan metode baru dalam pendeteksian wajah dengan algoritma baru yang dapat memproses pendeteksian wajah secara lebih cepat, dan membuat algoritma tersebut menjadi lebih reliable untuk di terapkan ke dalam berbagai macam aplikasi. Seperti yang dilakukan oleh Paul Viola dan Michael J. Jones (2003:1) pada penelitian Robust Real-Time Face Detection mereka membuat sebuah algoritma pendeteksian wajah baru yang dapat mendeteksi wajah dengan lebih akurat dan lebih cepat. Metode yang mereka kembangkan tersebut merupakan pengembangan dari metode-metode yang telah dilakukan pada penelitian terdahulu, yang dibagi kedalam tiga buah proses utama yaitu proses integral image, kemudian proses penyeleksian fitur-fitur yang penting dalam sebuah citra wajah, dan yang terakhir adalah proses cascade classifier guna mempercepat proses pendeteksian wajah. Algoritma tersebut sekarang lebih dikenal dengan Viola-Jones Algorithm, algoritma ini yang kemudian akan kami terapkan kedalam sistem kami.
2.2.1 Viola-Jones Algorithm
Algoritma Viola-Jones ini merupakan algoritma yang banyak diterapkan dalam berbagai macam aplikasi karena prosesnya yang cepat dengan keakurasian yang cukup baik untuk mendeteksi wajah tampak depan (Frontal Face). Seperti yang telah di ulas dalam pengenalan pendeteksian wajah, algoritma ini merupakan pengembangan dari tiga buah metode yang pada penelitian terdahulu, berdasarkan M. Dwisnanto Putro, Teguh Bharata Ajdi, dan Bondan Winduratna (2012:2) mengatakan bahwa prosedur deteksi wajah
Viola-Jones yaitu dengan mengklasifikasikan gambar berdasarkan
pada nilai fitur sederhana. Terdapat banyak alasan untuk menggunakan fitur dari pada piksel secara langsung. Alasan yang paling umum adalah bahwa fitur dapat digunakan untuk mengkodekan informasi domain ad-hoc yang sulit dalam pembelajaran terhadap data latih yang terbatas jumlahnya. Alasan penting kedua untuk menggunakan fitur adalah sistem fitur berbasis operasi jauh lebih cepat daripada sistem berbasis pixel. Tiga tahapan dalam pembuatan algoritma Viola-Jones akan dijelaskan sebagai berikut.
2.2.1.1 Integral Image
Sebelum melakukan proses Integral Image, perlu dilakukan proses klasifikasi gambar berdasarkan nilai dari fiturnya, fitur disini merupakan Haar-like features. Dalam algoritma Viola-Jones terdapat tiga buah fitur berdasarkan jumlah segiempat yang terdapat di dalamnya.
Gambar 2.1 Contoh fitur segiempat
Pada gambar 2.1 menjelaskan bahwa fitur (a) dan (b) terdiri dari dua buah segiempat, sedangkan fitur (c) terdiri dari tiga buah segiempat dan fitur (d) terdiri dari empat segiempat.
Untuk menghitung jumlah nilai dari fitur yang ada adalah dengan mengurangkan nilai pixel yang ada pada area putih dengan area yang hitam, proses perhitungan tersebut dilakukan dengan menggunakan metode Integral Image.
Proses perhitungan integral image adalah dengan menjumlahkan nilai piksel dari kiri atas hingga kanan bawah, di ilustrasikan sebagai berikut:
Gambar 2.2 Ilustrasi nilai dari Integral Image
Proses perhitungannya dijabarkan sebagai berikut:
Dimana ii(x,y) merupakan integral image dan i(x,y) merupakan gambar asli. Untuk menentukan nilai rata-rata piksel pada area segiempat (daerah yang diarsir) dapat dilakukan hanya dengan membagi nilai pada (x,y) oleh area segiempat. Gambar 2.3 menggambarkan perhitungan integral salah satu area segiempat.
Gambar 2.3 Perhitungan Integral Setelah dibagi empat bagian
Dengan melakukan pembagian seperti pada gambar 2.3 kita dapat mengetahui nilai salah satu segiempat dengan mengetahui nilai dari segiempat lain, sebagai contoh nilai dari
integral image pada lokasi 1 merupakan jumlah pixel dari area
A, nilai pada lokasi 2 merupakan nilai dari A+B, nilai pada lokasi 3 merupakan A+C, dan nilai lokasi 4 merupakan nilai dari A + B + C + D, sedangkan nilai D dapat dihitung dari 4 + 1 – (2 +3). Setelah mendapatkan nilai dari Integral Image maka akan dipilih fitur-fitur yang lebih spesifik untuk di gunakan.
2.1.2.2 Pemilihan Fitur
Untuk pemilihan fitur menggunakan metode machine
learning yang disebut AdaBoost. AdaBoost menggabungkan
banyak classifier lemah untuk membuat sebuah classifier kuat. Lemah disini berarti urutan filter pada classifier hanya mendapatkan jawaban benar lebih sedikit. Jika keseluruhan
classifier lemah digabungkan maka akan menjadi classifier
untuk disatukan dan menambahkan bobot pada setiap
classifier, sehingga akan menjadi classifier yang kuat. Viola-Jones menggabungkan beberapa AdaBoost classifier sebagai
rangkaian filter yang cukup efisien untuk menggolongkan daerah image. Masing-masing filter adalah satu AdaBoost
classifier terpisah yang terdiri classifier lemah atau satu filter
fitur. M. Dwisnanto Putro, Teguh Bharata Ajdi, dan Bondan Winduratna (2012:3). Hasil pemilihan fitur tersebut digunakan untuk menentukan nilai dari Threshold yang akan dilakukan.
2.1.2.3 Cascade of Classifiers
Cascade of classifier merupakan proses pengklasifikasian atau classifier yang bertumpuk, hal ini bertujuan untuk meningkatkan efisiensi dari proses klasifikasi. Klasifikasi pada algoritma ini terdiri dari beberapa tingkatan dimana tiap tingkatan mengeluarkan subcitra yang diyakini bukan target (target wajah). Hal ini dilakukan karena lebih mudah untuk menilai subcitra bukan wajah dari pada menilai apakah subcitra tersebut berisi wajah. Gambar 2.4 menggambarkan bentuk alur kerja dari klasifikasi bertingkat.
Pada klasifikasi tingkat pertama, tiap subcitra akan diklasifikasi menggunakan satu fitur. Hasil dari klasifikasi pertama ini berupa T (True) untuk gambar yang memenuhi fitur Haar tertentu dan F (False) bila tidak. Klasifikasi ini kira-kira akan menyisakan 50% subcitra untuk diklasifikasi di tahap kedua. Hasil dari klasifikasi kedua berupa T (True) untuk gambar yang memenuhi proses integral image dan F (False) bila tidak. Seiring dengan bertambahnya tingkatan klasifikasi, maka diperlukan syarat yang lebih spesifik sehingga fitur yang digunakan menjadi lebih banyak. Jumlah subcitra yang lolos klasifikasi pun akan berkurang hingga mencapai jumlah sekitar 2%. Hasil dari klasifikasi terakhir berupa T (True) untuk gambar yang memenuhi proses AdaBoost dan F (False) bila tidak, M. Dwisnanto Putro, Teguh Bharata Ajdi, dan Bondan Winduratna (2012:3).
2.2.2 Kelebihan dan kekurangan Algoritma Viola-Jones
Dibandingkan dengan algoritma lain algoritma Viola-Jones ini memiliki proses yang lebih cepat dan memiliki keakurasian hingga 90% dalam melakukan proses pendeteksian wajah. Namun algoritma ini memilki kekurangan hanya mampu mendeteksi wajah dengan keadaan tampak depan saja (Frontal Face). Dengan kekurangan tersebut tidaklah terlalu mempengaruhi efektifitas kerja sistem yang akan kami buat, karena sistem yang kami buat hanya perlu melakukan pendeteksian wajah tampak depan saja.
2.3
Pengenalan Ekstraksi Fitur Wajah
Proses penting lain yang pelu dilakukan sebelum melakukan proses pengenalan wajah adalah proses ekstraksi fitur wajah, fitur wajah merupakan suatu ciri khusus dalam menentukan dan membedakan suatu objek wajah terhadap objek wajah lain yang diambil dari sebuah citra input, ciri ini dapat kita sebut sebagai sebuah fitur, pengekstrakan fitur wajah ini berbeda dengan proses pengekstrakan fitur yang dilakukan pada proses pendeteksian wajah, dimana fitur ini haruslah dapat merepresentasikan wajah seseorang sehingga dapat mengidentifikasikan siapa pemilik citra wajah tersebut.
Menurut Yongzhong Lu, Jingli Zhou, dan Shengsheng YU (2003:15) mengatakan fitur dari sebuah citra secara umum dapat dikelompokkan ke dalam empat buah kelompok, yaitu visual features, statistical pixel features,
transform coefficient features, dan algebraic feature. Dan metode untuk
mendapatkan fitur tersebut dapat dikelompokkan menjadi empat metode, yaitu:
1. Metode Knowledge-Based, metode ini melakukan ekstraksi fitur dari keadaan visual dari sebuah citra wajah dan informasi yang bersifat statistik dari sebuah wajah, seperti informasi geometrik wajah.
2. Metode Mathematical Transform, metode ini menggunakan perhitungan trasformasi matematika dalam melakukan ekstraksi fitur, dalam perkembangannya metode ini banyak digunakan dengan berbagai macam metode pengembangan, salah satunya
adalah mencari nilai eigen dari sebuah citra. Metode ini yang akan kami terapkan kedalam sistem kami.
3. Metode Neural networks atau Fuzzy Extractor, metode ini melakukan ekstraksi fitur dengan mengunakan kecerdasan buatan untuk mencari fitur-fitur yang ada dari sebuah citra wajah yang telah dimasukan sebelumnya pada proses latih (training).
4. Metode campuran, metode ini melakukan penggabungan antar nilai geometrik pada suatu citra wajah dengan perhitungan transformasi matematika.
Kami menerapkan metode Mathematical Transform pada sistem yang akan kami buat dengan mencari nilai Eigen dari sebuah citra wajah. Nilai
Eigen ini merupakan hasil dari transformasi linear informasi citra, kemudian
memproyeksikan citra kedalam bentuk skala berdimensi n, yang menampilkan fitur yang paling jelas sepanjang koordinat. Hal ini yang akan kami terapkan dalam proses Principal Component Analysis (PCA).
2.4
Pengenalan PCA
Secara sederhana PCA adalah transformasi linear untuk menentukan sistem koordinat yang baru dari sebuah dataset. Teknik PCA ini mereduksi atau mengurangi informasi data yang besar dari sebuah citra wajah tanpa menghilangkan informasi yang ada pada sebuah citra wajah. Menurut Mohammad Ahmed Nasser, Farouq Ibrahim Abu-Shamma, dan Basel Emad Khalil (2011: 51), algoritma PCA melakukan penguraian citra wajah kedalam kumpulan fitur karakteristik yang disebut sebagai “Eigenface”. Hal tersebut yang kemudian dikatakan sebagai Principal Component dalam sebuah data
trainingset, fitur utama dari sebuah algoritma PCA adalah merekonstruksi dari beberapa citra asli dari trainingset dengan mengkombinasikan eigenface. Penyusunan algoritma PCA akan kami jelaskan sebagai berikut:
Pencarian nilai Eigen
Pencarian nilai eigen terlebih dahulu perlu melakukan perhitungan nilai rata-rata dari sebuah citra dengan persamaan berikut:
Penghitungan nilai rata-rata guna mengurangi dimensi yang akan di hitung pada proses selanjutnya. Selanjutnya adalah proses mencari nilai dari matriks kovarian citra dengan persamaan:
Tujuan pencarian matriks kovarian ini adalah untuk mempermudah pencarian nilai eigen dan vector eigen. Untuk mencari nilai eigen dan vector eigen didapat dengan persamaan :
C x X= x X
Di sini tugas dari PCA selanjutnya adalah mencari matriks orthonormal X dengan mengubah citra dari matriks berukuran (NxN) menjadi matriks (N2) x1
Keterangan :
M = merupakan matriks orthonormal = merupakan nilai eigen
X = merupakan vektor eigen
Untuk menentukan berapa nilai eigen yang akan di ambil ditentukan dengan persamaan:
Kemudian vector eigen diurutkan berdasarkan nilai eigen yang dipilih, pesnyusunan ini berdasarkan vektor-vektor yang searah dengan nilai eigen.
2.5
Konsep Pengenalan Wajah
Pengenalan wajah merupakan suatu metode untuk mengenali dan mengetahui tingkat kecocokan data biometrik yang ada pada suatu objek wajah. Tujuan utama dari pengenalan wajah adalah untuk mendapatkan nilai tingkat keakurasian yang mendekati sempurna, dan dengan nilai cost
computation yang seminimum mungkin. Menurut Yongzhong Lu, Jingli
Zhou, dan Shengsheng YU (2003:16) mengklompokan metode pengenalan wajah berdasarkan metode untuk mengklasifikasikan wajah, pengelompokan tersebut dibagi menjadi lima bagian yaitu Statistical Approach, Feature
Matching, Neural Networks, Fuzzy Theory, dan yang terakhir adalah metode
gabungan. Statistical Approach merupakan metode pengelompokan berdasarkan perhitungan transformasi matematika, sebagai contoh menggunakan PCA. Dalam penelitian ini kami mencoba menggabungkan metode tersebut dengan metode Neural Networks. Setelah didapatkan nilai
eigenface dari algoritma PCA maka tahapan selanjutnya adalah
pengklasifikasian dengan metode Neural Network.
2.6
Pengenalan Neural Network
Neural Network adalah jaringan dari sekelompok unit pemrosesan kecil yang dimodelkan berdasarkan jaringan sistem syaraf manusia. Neural
Network merupakan sistem adaptif yang dapat mengubah strukturnya untuk
memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, Neural Network merupakan sistem permodelan data statistik yang non-linier. Dalam beberapa literatur menganggap bahwa konsep jaringan syaraf tiruan ini bermula pada makalah Vaffen McCulloch dan Walter Pitts pada tahun 1943. Dalam makalah tersebut mereka mencoba memformulasikan model matematika dari sel-sel syaraf otak manusia [wiki]. Menurut Dedi Darmawan (2010:8) Neural
Network dapat digunakan untuk memodelkan hubungan yang kompleks
antara input, hidden layer, dan output yang berupa layer-layer untuk menemukan pola-pola pada suatu citra. Topologi dasar dalam sebuah Neural
Gambar 2.5 Topologi Neural Network
Neuron tiruan dalam struk jaringan syaraf tiruan adalah sebagai elemen pemrose seperti pada gambar 2.6 yang dapat berfungsi seperti halnya sebuah neuron. Sejumlah sinyal masukan dikalikan dengan bobot yang bersesuaian. Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan diteruskan kedalam transfer fungsi untuk mendapatkan tingkatan derajad sinyal keluaranya. Walaupun masih jauh dari sempurna, namun kinerja dari tiruan neuron ini identik dengan kinerja dari sel biologi yang kita kenal saat ini.
Gambar 2.6. model tiruan sebuah neuron
• aj : nilai input dari unit j
• wj,i : bobot dari unit j ke unit i
• ini : penjumlahan bobot dan masukan ke unit i • g : Fungsi transfer
• ai : output dari transfer fungsi dari unit i
misalkan ada n buah sinyal masukan dan n buah bobot, fungsi keluaran neuron adalah seperti persamaan berikut,
ini = ∑ji*aj
Kumpulan dari neuron dibuat menjadi sebuah jaringan yang berfungsi sebagai alat koputasi. Jumlah neuron dalam sebuah jaringan berbeda-beda tergantung kepada permasalahan yang akan diselesaikan.
Banyak transfer fungsi yang digunakan pada jaringan sayaraf tiruan seperti fungsi-fungsi goiometri dan hiperboliknya, fungsi unit step, inpulse, sigmoid, dan lain sebagainya seperti pada gambar 2.7, tetapi yang lazim digunakan adalah fungsi sigmoid, karena dianggap lebih mendekati kinerja signal pada otak
Gambar 2.7 fungsi transfer
• stept(x) = 1 if x >= t else 0
• sign(x) = +1 if x >=0 else -1
• sigmoid(x) =1/(1+e-x)
• fungsi identitas
ada dua jenis fungsi sigmoid, unipolar dan bipolar.fungsi sigmoid unipolar dituliskan pada persamaan ditunjukan di bawah ini.
Gambar 2.8 Fungsi sigmoid
Sedangkan transfer fungsi bipolar adalah persamaan di bawah ini
atau
Persamaan di atas disebut juga sebagai persamaan tangen hiperbolik dan berfungsi seperti pada gambar berikut ini.
Gambar 2.9 Fungsi sigmoid bipolar
Algoritma pelatihan backpropagasi (back propagation) atau ada yang menerjemahkannya menjadi propagasi balik, pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland untuk dipakai pada JST, dan selanjutnya algoritma ini biasa disingkat dengan BP. Algoritma ini termasuk metoda pelatihan supervised dan didesain untuk operasi pada jaringan feed forward multi layer.
Algoritma pelatihan Backpropagation atau ada yang menterjemahkannya menjadi propagasi balik, pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland untuk dipakai pada JST, dan selanjutnya algoritma ini biasa disingkat dengan BackPropagation. Algoritma ini termasuk metoda pelatihan supervised dan didesain untuk operasi pada jaringan feed forward multi lapis.
Metoda BP ini banyak diaplikasikan secara luas. Sekitar 90 %, bahkan lebih BackPropagation telah berhasil diaplikasikan di berbagai bidang, diantaranya diterapkan di bidang finansial, pengenalan pola tulisan tangan, pengenalan pola suara, sistem kendali, pengolah citra medika dan masih banyak lagi keberhasilan BackPropagation sebagai salah satu metoda komputasi yang handal.
Algoritma ini juga banyak dipakai pada aplikasi pengaturan karena proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu : Jika keluaran memberikan hasil yang salah, maka penimbang (Weight) dikoreksi supaya galatnya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar. BackPropagation juga berkemampuan untuk memperbaiki penimbang pada lapisan tersembunyi (hidden layer).
Secara garis besar, mengapa algoritma ini disebut sebagai propagasi balik, dapat dideskripsikan sebagai berikut: Ketika Jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang
diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation/propagasi balik.
Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan saraf itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut selesai , fase tersebut adalah fase mapping atau proses pengujian/testing.
