BAB III

Metode Logika Fuzzy

3.1.1. Pendahuluan
Dengan perkembangan teknologi yang sangat pesat, teori-teori yang mendukung hal ini
juga kian bertambah. Salah satunya adalah Logika Fuzzy. Logika Fuzzy adalah peningkatan
dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Saat logika klasik
menyatakan bahwa segala hal dapat diekspresikan dalam istilah biner (0 atau 1, hitam atau
putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat
kebenaran.
Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran
(fuzzyness) antara benar atau salah. Dalam logika klasik dinyatakan bahwa segala hal dapat
diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), sedangkan
logika fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam
dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan" dan
"sangat". Logika ini berhubungan dengan himpunan fuzzy dan teori kemungkinan. Logika
fuzzy ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada 1965.
Logika fuzzy dapat digunakan dalam bidang teori kontrol, teori keputusan, dan
beberapa bagian dalam managemen sains. Selain itu, kelebihan dari logika fuzzy adalah
kemampuan dalam proses penalaran secara bahasa (linguistic reasoning), sehingga dalam
perancangannya tidak memerlukan persamaan matematik dari objek yang dikendalikan.
Adapun salah satu contoh aplikasi logika fuzzy dalam kehidupan sehari-hari adalah Pada
tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita
Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat
secara otomatis berdasarkan jenis dan 2 banyaknya kotoran serta jumlah yang akan dicuci.
Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci.
Mesin ini menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur bagaimana
cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup.
Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).
Khusus di makalah ini kami akan memfokuskan ke pengolahan citra, seperti deteksi
wajah, deteksi sudut, iris mata, dan pengurangan noise.

3.2. Teori Logika Samar

3.2.1. Pengertian Logika Samar
Logika Samar adalah suatu cara yang tepat untuk memetakan suatu ruang
input kedalam suatu ruang output. Titik awal dari konsep modern mengenai
ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh (1965), dimana Zadeh
memperkenalkan teori yang memiliki obyek-obyek dari himpunan fuzzy yang
memiliki batasan yang tidak presisi dan keanggotaan dalam himpunan fuzzy, dan
bukan dalam bentuk logika benar (true) atau salah (false), tapi dinyatakan dalam
derajat (degree). Konsep seperti ini disebut dengan Fuzziness dan teorinya dinamakan
Fuzzy Set Theory. Fuzziness dapat didefinisikan sebagai logika kabur berkenaan
dengan semantik dari suatu kejadian, fenomena atau pernyataan itu sendiri. Seringkali
ditemui dalam pernyataan yang dibuat oleh seseorang, evaluasi dan suatu
pengambilan keputusan. Sebagai contoh:
1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang
pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang
harus diproduksi esok hari.
2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip
yang sesuai atas baik tidaknya pelayanan yang diberikan.
3. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan, saya akan mengatur
putaran kipas yang ada pada ruangan ini.

1.
2.
3.
4.
5.
6.

Fuzzy system (sistem kabur) didasari atas konsep himpunan kabur yang
memetakan domain input kedalam domain output. Perbedaan mendasar himpunan
tegas dengan himpunan kabur adalah nilai keluarannya. Himpunan tegas hanya
memiliki dua nilai output yaitu nol atau satu, sedangkan himpunan kabur memiliki
banyak nilai keluaran yang dikenal dengan nilai derajat keanggotaannya. Logika fuzzy
adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran
sebagian. Dimana logika klasik (crisp) menyatakan bahwa segala hal dapat
diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak). Logika
fuzzy menggantikan kebenaran Boolean dengan tingkat kebenaran. Logika fuzzy
memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan
putih, dan dalam bentuk linguistic, konsep tidak pasti seperti sedikit, lumayan,
dan sangat. Logika ini diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas
California, Barkeley pada tahun 1965. Logika fuzzy telah digunakan pada bidangbidang seperti taksonomi, topologi, linguistik, teori automata, teori pengendalian,
psikologi, pattern recognition, pengobatan, hukum, decision analysis, system theory
and information retrieval. Pendekatan fuzzy memiliki kelebihan pada hasil yang
terkait dengan sifat kognitif manusia, khususnya pada situasi yang melibatkan
pembentukan konsep, pengenalan pola, dan pengambilan keputusan dalam lingkungan
yang tidak pasti atau tidak jelas.
Ada beberapa alasan mengapa orang menggunakan logika fuzzy (Kusumadewi
S, Purnomo H, 2010) antara lain:
Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy
sangat sederhana dan mudah dimengerti.
Logika fuzzy sangat fleksibel
Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
Logika fuzzy dapat membangun dan mengaplikasikan pengalaman pengalaman para pakar
secara langsung tanpa harus melalui proses pelatihan.
Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.

7. Logika fuzzy didasarkan pada bahasa alami.

Meskipun logika fuzzy dikembangkan di Amerika, namun ia lebih populer dan
banyak diaplikasikan secara luas oleh praktisi Jepang dengan mengadaptasikannya ke
bidang kendali (control). Saat ini banyak dijual produk elektronik elektronik buatan
Jepang yang menerapkan prinsip logika fuzzy, seperti mesin cuci, AC, dan lain-lain.
3.2.2. Konsep Fuzzy Logic
Teori logika fuzzy yang diajukan oleh Zadeh pada pertengahan tahun 1960
(Nikola K, 1998 dari Setiyowati, M.I dan Seta, B.A, 2007), memberikan suatu
pemecahan masalah terhadap persoalan yang tidak pasti ini. Sehingga sistem
informasi yang akan dibuat menggunakan model DBMS dan query yang berbasis
fuzzy karena model DBMS konvensional, non fuzzy kurang dapat memenuhi
kebutuhan sistem informasi ini. Banyak model DBMS dan query fuzzy yang ada,
salah satunya adalah model Tahani yang ditemukan pada tahun 1977. Prof. Lotfi
Zadeh berpendapat bahwa logika benar dan salah dari logika boolean/konvensional
tidak dapat mengatasi masalah gradasi yang ada di dunia nyata. Untuk mengatasi
masalah gradasi tersebut maka ia mengembangkan sebuah himpunan samar (fuzzy).
3.2.3. Himpunan Fuzzy
Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu
himpunan A, yang sering ditulis dengan A[x], memiliki 2 kemungkinan
(Kusumadewi S, Purnomo H, 2010) yaitu:
1. Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu
himpunan, atau
2. Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam
suatu himpunan.
Terkadang kemiripan antara keanggotaan fuzzy dengan probabilitas
menimbulkan kerancuan. Keduanya memiliki nilai pada interval [0,1], namun
interprestasi nilainya sangat berbeda antara kedua kasus tersebut. Keanggotaan fuzzy
memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas
mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka
panjang. Misalnya, jika nilai keanggotaan bernilai suatu himpunan fuzzy USIA adalah
0,9; maka tidak perlu dipermasalahkan berapa seringnya nilai itu diulang secara
individual untuk mengharapkan suatu hasil yang hampir pasti muda. Di lain pihak,
nilai probabilitas 0,9 usia berarti 10% dari himpunan tersebut diharapkan tidak muda.
Himpunan fuzzy memiliki 2 atribut, yaitu:
1. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan
atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA,
PAROBAYA, TUA
2. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari
suatu variable seperti: 40, 25, 50, dsb.
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy
(Aplikasi logika fuzzy untuk pendukung keputusan, Sri Kusumadewi,Hari Purnomo,
Edisi kedua, Graha Ilmu, 2010), yaitu:
1. Variabel Fuzzy
Variable fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem
fuzzy. Contoh: umur, temperature, permintaan, dsb.

2. Himpunan Fuzzy
Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi atau
keadaan tertentu dalam suatu variabel fuzzy.
Contoh:
a. Variable mahasiswa, terbagi menjadi 5 himpunan fuzzy, yaitu: kurang
sekali, kurang, cukup, baik dan baik sekali.
b. Variabel dosen, terbagi menjadi 3 himpunan fuzzy, yaitu: cukup, baik,
dan baik sekali. Seperti terlihat pada gambar 3.1

Gambar 3.1. Hmpunan Fuzzy pada variabel Mahasiswa

3. Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan
bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan.
Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Ada kalanya
nilai semesta pembicaraan ini tidak dibatasi batas atasnya.
Contoh:
a. Semesta pembicaraan untuk variable mahasiswa: [0 50]
b. Semesta pembicaraan untuk variable dosen: [0 50]
4. Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang diijinkan dalam
semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti
halnya semesta pembicaraan, domain merupakan himpunan bilangan real yang
senantiasa naik (bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat
berupa bilangan positif dan bilangan negatif. Contoh domain himpunan fuzzy:
a. Kurang Sekali = [0 15]
b. Kurang = [5 25]
c. Cukup = [15 35]
d. Baik = [25 45]
e. Baik Sekali = [35 50]
3.2.4. Fungsi Keanggotaan
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik
input data kedalam nilai keanggotaannya (sering juga disebut dengan derajat
keanggotaan) yang memiliki interval antara 0 sampai 1. Salah satu cara yang dapat
digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan

fungsi. Apabila U menyatakan himpunan universal dan A adalah himpunan fungsi

fuzzy dalam U, maka A dapat dinyatakan sebagai pasangan terurut (Wang, 1997 dari
Wulandari, F., 2005). Ada beberapa fungsi yang bisa digunakan.
3.2.4.1. Representasi Linear
Pada representasi linear, pemetaan input ke derajat keanggotaannya
digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi
pilihan yang baik untuk mendekati suatu konsep yang kurang jelas.
Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan
dimulai pada nilai domain yang memiliki derajat keanggotaan nol(0) bergerak ke
kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi
(Kusumadewi S, Purnomo H, 2010). Seperti terlihat pada gambar 3.2.

Gambar 3.2. Representasi linear naik

Fungsi Keanggotaan:

Kedua, merupakan kebalikan dari yang pertama. Garis lurus dimulai dari nilai
domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak
menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah. Seperti
terlihat pada gambar 3.3.

Gambar 3.3. Representasi linear turun

Fungsi Keanggotaan:
3.2.4.2. Representasi Kurva Segitiga
Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).
Seperti terlihat pada gambar 3.4.

Gambar 3.4. Kurva Segitiga

Fungsi Keanggotaan:

3.2.4.3. Representase kurva trapezium (Kusumadewi S, Purnomo H, 2010)

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada titik
yang memiliki nilai keanggotaan 1. Seperti terlihat pada gambar 3.5.

Gambar 3.5. Representasi Kurve Trapesium

Fungsi Keanggotaan:

3.2.5 Cara Kerja Logika Samar

3.2.4.5 Fuzzyfikasi
Fuzzyfikasi adalah proses perubahan suatu nilai crisp ke dalam variabel fuzzy
yang berupa variabel linguistik yang nantinya akan dikelompokkan menjadi himpunan
fuzzy. Nilai masukan-masukan yang masih dalam bentuk variabel numerik yang telah
dikuantisasi sebelum diolah oleh pengendali fuzzy harus diubah terlebih dahulu ke
dalam variabel fuzzy. Melalui fungsi keanggotaan yang telah disusun maka nilai-nilai
masukan tersebut menjadi informasi fuzzy yang berguna nantinya untuk proses
pengolahan secara fuzzy pula. Proses ini disebut fuzzyfikasi.
3.2.4.6 Inferencing (Rule Base)
Pada umumnya, aturan-aturan fuzzy dinyatakan dalam bentuk IFTHEN
yang merupakan inti dari relasi fuzzy. Relasi fuzzy, dinyatakan dengan R,juga disebut
implikasi fuzzy. Untuk mendapatkan aturan IF..THEN ada dua cara utama :
1. Menanyakan ke operator manusia yang dengan cara manual
telah mampu mengendalikan sistem tersebut, dikenal dengan human expert.
2. Dengan menggunakan algoritma pelatihan berdasarkan datadata masukan dan keluaran.
Dalam penalaran logika fuzzy, ada dua tipe utama untuk pengambilan
keputusan fuzzy yaitu : Generalized Modus Ponens (GMP) dan Generalized Modus
Tolens (GMT). GMP disebut juga dengan direct reasoning, sedangkan GMT disebut
juga indirect reasoning. Jika himpunan fuzzy dinotasikan dengan A,A,B,B dan
variabel linguistik dinotasikan dengan x dan y, maka GMP dan GMT dapat dinyatakan
sebagai berikut :
Generalized Modus Ponens (GMP) :

Dalam hal ini penyelesaian B dapat dinotasikan dengan : B = A o R

Dengan R adalah relasi fuzzy dari implikasi fuzzy if A then B, tanda o adalah
operator komposisi, dan A adalah himpunan fuzzy yang mempunyai bentuk : sangat
A, lebih atau kurang A, tidak A dan sebagainya.
Generalized Modus Tolens (GMT) :

Dalam hal ini penyelesaian B dapat dinotasikan dengan : A = R o B

3.2.4.7 Defuzzyfikasi
Defuzzyfikasi adalah proses memetakan besaran dari himpunan fuzzy ke
dalam bentuk nilai crisp. Strategi yang umum dipakai dalam defuzzifikasi adalah
menentukan bentuk kompromi terbaik.
Metode-metode untuk strategi defuzzyfikasi adalah:
1. Metode keanggotaan maximum (maxmembership)
2. Metode pusat luas (Center of Area, CoA).
3. Metode keanggotaan maksimum rata-rata ( Meanmax Membership )
1. Metode keanggotaan maximum (max-membership) atau largest
maximum (LOM)
Metode ini dikenal juga dengan metode tinggi. Solusi crisp diperoleh dengan
mengambil derajat keanggotaan tertinggi dari semua hasil agregasi. Misalkan Z
adalah himpunan fuzzi.
maka (z*) (z) untuk setiap z Z

2. Metode keanggotaan maksimum rata-rata (Meanmax

Membership (MOM) atau Middle-of-Maxima )
Metode ini hampir sama dengan metode pertama, kecuali titik maksimumnya
tidak unik (berupa dataran). Solusi crisp diperoleh dengan mengambil nilai rata-rata
domain yang memiliki nilai keanggotaan maksimum.

3. Metode pusat luas (Center of Area, CoA).

Metode ini dikenal juga dengan nama metode centroid atau center of gravity.
Ini merupakan metode paling umum digunakan. Solusi crisp diperoleh dengan
menghitung pusat gravitasi (titik-berat) dari daerah agregasi.

3.3.1 Implementasi Metode Logika Samar pada Deteksi Tepi Citra Digital

Deteksi tepi citra digital adalah salah satu dari sekian jenis pengolahan citra, dalam
mendeteksi suatu tepi citra digital sering kali digunakan berbagai metode klasik seperti
metode Sobel dan Metode Prewit. Selain deteksi dengan menggunakan metode klasik,
terdapat metode cerdas, yaitu deteksi tepi dengan menggunakan metode logika samar atau
fuzzy logic, dengan menggunakan logika fuzzy kita dapat mengatasi ambiguitas dan
ketidakjelasan gambar dengan benar, seperti perbedaan membatasi tingkat kecerahan gambar.
Fuzzy logic dianggap mampu menangani proses deteksi tepi.
Secara umum pendeteksian tepi suatu citra digital dapat diartikan sebagai suatu proses
yang menghasilkan tepi-tepi dari obyek-obyek yang terdapat dalam citra digital tersebut.
Pendeteksian tepi merupakan proses awal dari pengenalan pola yang dalam kehidupan seharihari diterapkan di berbagai pola yang dalam kehidupan sehari-hari diterapkan di berbagai hal,
antara lain pengenalan wajah, identifikasi sidik jari dan rekam medis dimana batas-batas
wilayah tertentu diperlukan untuk analisis citra lebih lanjut, tujuan utama dari deteksi tepi
adalah untuk menentukan piksel2 yang sesuai dengan objek terlihat.
Langkah Kerja
Untuk lebih memperjelas penggunaan logika samar pada pendeteksian tepi citra
digital digunakan DFD (Data Flow Diagram) yaitu suatu bentuk diagram alur yang dibagibagi per level dimana tiap level memiliki karakteristik tertentu, dimulai dari level 0 hingga
level yang kita inginkan sesuai dengan pembagian penjelasan kita. dimana level 0
memberikan gambaran data yang mengalir antara sistem dengan lingungan yang

digambarkan secara global

Level 0
Selanjutnya yaitu level 1 dimana pembuatan diagram lebih rinci lagi

Level1

Pada

1.
2.

3.
4.
5.

DFD level 2
sebagai
berikut

DFD level 2 proses 1 (proses Fuzzy) terdapat tiga buah proses, yaitu :
Proses Fuzzyfikasi (1.1), yaitu proses modifikasi variabel citra akan dirubah dari nilai level
keabu-abuan menjadi nilai keanggotaan fuzzy
proses modifikasi nilai keanggotaan (1.2), pada tahapan ini hasil dari image fuzzification
yang berupa fuzzy sets yang dikelompokkan berupa beberapa variabel yaitu black, white dan
edge
Proses Defuzzifikasi(1.3) yaitu proses pencarian nilai crisp dari output proses sebelumnya.
output dari proses defuzzyfikasi ini berupa tingkat keabu-abuan
Proses Treesholding adalah proses mengubah citra biner atau hitam putih sehingga dapat
diketahui daerah mana yang termasuk obyek dan background dari citra secara jeals.
Proses Tampil Citra, yaitu proses menampilkan citra hasil kepada user

Secara umum Proses mendeteksi tepi citra digital dapat dilihat melalui flowchart
berikut ini :

Perbedaan Deteksi Tepi Citra Digital dengan Metode klasik dan Metode Logika samar
Metode logika samar merupakan metode cerdas dalam melakukan pengolahan citra
terutama pada pendeteksian tepi citra digital, perbedaan ini dapat dilihat pada gambar hasil
tes berikut, dimana metode logika samar memberikan gambar yang lebih jelas.

Dapat diketaui bahwa dengan menggunakan logika samar kita juga bisa mendeteksi
tepi citra digital dan mendapatkan hasil yang lebih baik dibandingkan dengan metode klasik

3.3.2 PENCARIAN CITRA BERBASIS PENGENALAN WAJAH UNTUK ABSENSI

MENGAJAR MENGGUNAKAN METODE FUZZY
Pada Image Processing, khususnya deteksi wajah pada suatu citra merupakan langkah
penting dalam interaksi manusia computer dan penelitian pengenalan pola. Ini juga
merupakan langkah awal dalam pengenalan wajah. Banyak studi tentang deteksi wajah barubaru ini. Kebanyakan diantaranya menangani citra wajah yang frontal.
Sistem biometrik banyak diaplikasikan dalam kehidupan manusia menggunakan
kemampuan komputer. Dengan semakin tingginya kemampuan komputer untuk memproses
data dalam jumlah besar dengan kecepatan yang tinggi akan lebih membantu. Salah satu cara
yang digunakan dalam sistem biometrik adalah pengenalan wajah. Sistem pengenalan wajah
bertujuan untuk mengidentifikasi wajah seseorang dengan cara membandingkan wajah
tersebut dengan database wajah yang sudah ada. Untuk membaca karakteristik tubuh seperti
wajah dibutuhkan peralatan pembaca, sebuah basis data yang mampu menyimpan data citra
wajah dan tentu saja perangkat lunak yang dapat menganalisis data tersebut.
Salah satu metode yang digunakan dalam pendeteksian wajah adalah Logika Fuzzy.
Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai ekstension dari teori
konvensional atau crisp set. Di dalam teori crisp set, suatu elemen hanya dapat
digolongkan sebagai anggota atau bukan anggota dari suatu set atau himpunan. Sehingga di
dalam teori crisp set, suatu elemen yang merupakan anggota mempunyai tingkat
keanggotaan (membership level) penuh atau satu (unity) dan suatu elemen yang bukan
anggota mempunyai tingkat keanggotaan nol.
Absensi mengajar dosen dengan pencarian citra berbasis pengenalan wajah
mengunakan metode 2DDCT adalah sebuah software yang akan dibuat untuk menggantikan
model absensi dosen mengajar. Software ini memanfaatkan image wajah dosen yang diambil
dari kamera. Dosen cukup datang ke PLPP dihadapan kamera dan software akan mengambil
citra wajah dosen secara automatic dan memprosesnya kedalam database. Metode yang
digunakan untuk memproses citra wajah adalah metode 2D DCT (2 Dimention Discrete
Cosine Transform.).
LANGKAH-LANGKAH MEMBANGUN DATABASE RECOGNITION FACE
A. Interface Kamera
Pembangunan program interface kamera dilakukan agar program dapat
mengambil citra wajah dan membangun data base citra wajah Kamera yang
digunakan adalah kamera dengan kemampuan 5.0 MPixels dengan plug and play usb
2.0 automatic with balance dan automatic color compensation Merk M-Tech.
Berikut algoritma interface kamera.

B. Pendeteksian dan Pengenalan Wajah

Tahap selanjutnya yaitu membangun database citra wajah. Data base yang
dibangun terdiri dari citra wajah yang diambil dari sisi muka saja. Untuk
menghilangkan kecerahan dari citra wajah dilakukan proses normalisasi sehingga
didapat citra wajah dalam data base maupun citra wajah referensi citra wajah tanpa
kecerahan. Sebelum dilakukan proses pengenalan wajah terlebih dahulu dideteksi
pada citra referensi yang tertangkap kamera apakah terdapat citra wajah atau tidak.
Penentuan ini didasarkan pada citra yang tertangkap kamera apakah mengandung
warna kulit wajah atau tidak.
Berikut algoritmanya:

Proses pengenalan wajah dilakukan dengan mengubah nilai pixel warna RGB
(Red Green Blue) citra wajah domain spasial kedalam domain frekuensi enggunakan
persamaan 2D-DCT sampai didapat invers 2D-DCT dari citra wajah referensi maupun
citra wajah data base. Kemudian hasil terkecil perbandingan invers 2D-DCT dari citra
wajah referensi dan citra wajah data base merupakan hasil dari proses pengenalan.
Berikut algoritma face recognition:

C.
Flowchart
Wajah

Pengambilan

data

Dilihat dari flowchart di atas, mulai dari pengambilan wajah dari interface
kamera, kita telah mendapatkan variable-variabel dari wajah yang tampak depan dan
saming dari wajah dosen. Setelah itu dimasukkan dalam database. Dan dari face
detection dan face recognition, warna kulit dari wajah yang warna dasarnya RGB itu
diubah menjadi warna Grayscale untuk lebih mudah diidentifikasi dengan
menggunakan metode fuzzy untuk mendapatkan citra yang lebih baik

D. Hasil Pengambilan Data Wajah

Face detection (%) adalah perkiraan nilai menurut penglihatan user. Dengan
asusmsi penilaian adalah bahwa untuk nilai maksimum face yang terdeteksi adalah
bagian wajah saja tanpa telinga, tanpa leher, tanpa background dan tidak ada bagian
wajah tidak terpotong. Proses face recognition dilakukan menggunakan background
warna putih dengan tidak melakukan pengukuran intensitas cahaya dengan nilai
eigentface kurang dari 0,1. Pada penelitian ini belum sampai tahap pembangunan
database dosen mengajar danhasil citra wajah hasil proses face recognition belum
digunakan sebagai key untuk mengambil data dosen dalam database yang menentukan
ruang dosen mengajar dan matakuliah yang diajarkan. Penelitian ini baru sampai pada
tahap face recognition yang dilakukan secara real time.

Identifikasi Retina Mata Manusia

1. Pengertian

Identifikasi personal merupakan bagian penting dari transaksi, dimana masyarakat

sering menggunakan identifikasi personal yang membutuhkan sesuatu yang seseorang
ketahui, seperti password, kartu, kunci dan sebagainya. Identifikasi retina merupakan metode
otomatis yang memberikan identifikasi asli dari seseorang degan mengambil gambaran
retina. Sistem pembacaan retina telah banyak digunakan pada pengimplementasian control
akses keamanan tinggi seperti bidang militer, institusi keuangan, bahkan keamanan penjara.
Selain itu, identifikasi retina memiliki tingkat penolakan kesalahan yang rendah, hampir nol
persen, karena pola-pola aliran darah pada retina yang unik.
Identifikasi pembacaan retina bekerja berdasarkan pola-pola aliran darah yang berada
pada bagian belakang dari retina pada satu mata. Retina dibaca dengan sinar infra merah
intensitas rendah yang diproyeksikan melalui bagian belakang mata dan menuju retina. Sinar
infra merah dengan pola retina kemudian direfleksikan kembali pada suatu kamera fundus.
Kamera fundus lalu akan mengambil pola retina tersebut dan mengubahnya menjadi data foto
digital. Sinar infra merah digunakan karena aliran-aliran darah pada retina menyerap sinar
infra merah lebih cepat daripada lapisan
Pola-pola dari retina ini dapat dipelajari oleh suatu metode logika, baik itu Neural
Network, Markov ataupun Fuzzy. Sedangkan pada metode fuzzy, mampu membahasakan
variabel sistem dan memberikan rentang nilai kebenaran yang kontinu dalam interval nol
sampai dengan satu, berbeda dengan sistem biner yang memberikan keputusan nilai
kebenaran yang kaku (benar atau salah) nol atau satu. Logika fuzzy dapat mengenali citra
dengan parameter karakteristik citra yang mirip karena kemampuannya menggambarkan
parameter karakteristik citra dalam kurva fungsi keanggotaan yang fleksibel. Semakin banyak
parameter karakteristik citra yang digunakan semakin besar pula kemungkinan citra dapat
dikenali. Bila dibandingkan dengan metode lainnya, metode fuzzy dipilih karena lebih mudah
dimengerti, fleksibel, serta toleran terhadap data yang kurang tepat. Selain itu metode fuzzy
juga mampu memeragakan fungsi nonlinear dari kerumitan yang berubah-ubah dan dapat
dipadukan dengan teknik control konvensional.

2 Tahapan-Tahapan

Pengolahan citra dan pengenalan pola menjadi bagian dari proses pengenalan citra. Kedua
aplikasi ini akan saling melengkapi untuk mendapatkan ciri khas dari suatu citra yang hendak
dikenali. Secara umum tahapan pengolahan citra digital meliputi :
1. Akuisisi Citra (Pengambilan Data Retina/Retina Scanning)
Pengambilan data dapat dilakukan dengan menggunakan berbagai media seperti
kamera analog, handycam, scanner, optical reader dan sebagainya. Citra yang dihasilkan
belum tentu data digital, sehingga perlu didigitalisasi
2. Peningkatan Kualitas Citra
Pada tahap ini dikenal dengan pre-processing dimana dalam meningkatkan kualitas
citra dapat meningkatkan kemungkinan dalam keberhasilan pada tahap pengolahan citra
digital berikutnya
3. Segmentasi Citra (Dengan Logika Neuro-Fuzzy)
Segmentasi bertujuan untuk memilih dan mengisolasikan (misahkan) suatu objek dari
keseluruhan citra. Tahap downsampling merupakan proses untuk menurunkan jumlah pixel
dan menghilangkan sebagian informasi dari citra dengan resolusi citra yang tetap.
Downsampling menghasilkan ukuran citra yang lebih kecil
4. Representasi dan Uraian

Representasi mengacu pada data konversi dari hasil segmentasi ke bentuk yang lebih
sesuai untuk proses pengolahan pada computer. Keputusan pertama yang harus sudah
dihasilkan pada tahap ini adalah data yang akan diproses dalam batasan-batasan atau daerah
yang lengkap
5. Pengenalan dan Interpretasi
Pengenalan (recognition) pola tidak hanya bertujuan untuk mendapatkan citra dengan suatu
kualitas tertentu, tetapi juga untuk mengklasifikasikan bermacam-macam citra. Dari sejumlah
citra diolah sehingga citra dengan ciri yang sama akan dikelompokkan pada suatu kelompok
tertentu. Interpretasi meliputi penekanan dalam menggantikan objek yang dikenali
3 Flowchart

Seperti terlihat pada Gambar, program ini diawali dengan pembacaan data retina
masukan yang telah tersedia, yang kemudian di olah pada tahapan ROI Block untuk
mendapatkan region of interest dari retina. Selanjutnya pada tahapan Image Block, citra
retina hasil dari ROI, kemudian dibagi menjadi blok blok citra berukuran 4 x 4. Kemudian
dilakukan konversi warna citra retina dari RGB (Red Green Blue) ke HSV (Hue Saturation
Value). Tahapan berikutnya adalah Color Feature Extraction, citra yang telah melewati proses
pembentukan Image Block diproses melalui ekstraksi fitur warna, untuk mendapatkan ciri
citra dalam suatu nilai Hue, Saturation dan Value. Nilai HSV ini selanjutnya digunakan
sebagai parameter karakteristik bagi Adaptive Neuro Fuzzy Inference System (ANFIS).
Dimana pada program ini, tipe membership function yang digunakan adalah fungsi
keanggotaan Trapesium dan fungsi keanggotaan Gaussian.
Proses Crop ROI Block
Program ini diawali dengan melakukan pemisahan ROI retina dari suatu citra retina.
Pemisahan ini dilakukan untuk memisahkan bagian retina mata yang penting atau yang
diinginkan untuk diuji yang hasilnya akan dimasukkan kedalam database utama retina dan
dilatih dengan logika fuzzy . Dimana bagian dari retina tersebut terdiri dari syaraf-syaraf
pusat retina.

Dari seluruh sampel retina yang ada, masingmasing sampel diperlakukan sama
dengan pengambilan ROI sebanyak 4 kali. Pengambilan ROI pertama, diambil bagian paling
tengah retina berupa pusat syaraf optik seperti ditunjukkan pada Gambar

Pengambilan kedua, dilakukan agak sedikit melebar keluar dari pengambilan pertama seperti
ditunjukkan pada Gambar

Pada pengambilan ketiga diambil ROI melebar kesamping seperti

Dan pada pengambilan keempat, dilakukan pengambilan hampir seluruh bagian dari citra
retina yang dianggap cukup mewakili bagian retina keseluruhan dari suatu sampel seperti
ditunjukkan pada Gambar

ROI secara manual didapat dengan melakukan proses pemotongan dimana proses ini
menghasilkan citra dalam bentuk kotak. Dimana user dapat menentukan kotak crop dengan
memilihnya menggunakan mouse. Dimana cropping terhadap citra retina dapat dilakukan
dengan posisi pengambilan yang berbeda-beda. Fungsi ini dipilih untuk mempermudah
pengambilan citra retina yang ada tanpa harus memetakan lokasi cropping pada suatu
koordinat citra retina. Ketika Cropping dilakukan, fungsi imcrop membentuk kotak sepanjang
area yang dipilih. Dan ketika mouse dilepas, akan tampil citra keluaran dari area yang dipilih
dan hasil cropping kemudian akan ditampilkan pada program. Sedangkan pemilihan ROI
dengan cropping tetap diambil bagian retina dengan kondisi seperti ditunjukkan pada Gambar
Untuk setiap citra retina ditentukan dahulu koordinat bagi masing-masing retina agar
didapatkan hasil atau ROI yang diinginkan .

Proses Image Block

Tahapan berikutnya adalah membentuk citra retina hasil cropping untuk dijadikan
blok blok citra menggunakan operasi blok pembeda (distinct blocks). Distinct blocks
merupakan partisi berbentuk kotak yang membagi sebuah matriks berukuran m x n. Distinct
blocks membagi matriks citra mulai dari kiri atas tanpa ada overlapping / penumpukan. Jika
blok tidak dapat terbagi secara pas, maka akan ditambahkan zero padding seperti ditunjukkan
pada Gambar

Pada program ini, matriks citra terbagi oleh blok berukuran 4 x 4. Kemudian setelah
citra terbagi dalam blok-blok 4 x 4 dibuatlah suatu fungsi f, yang memiliki persamaan untuk
menghitung nilai ratarata dari blok. Lalu mengalikan hasilnya dengan matriks satu sehingga
blok keluaran berukuran sama dengan blok masukan. Hasil citra keluaran akan berukuran
sama dengan citra masukan. Lalu dihitung pula nilai rata-rata dari elemen matriks citra
tersebut. Selanjutnya, setiap blok-blok yang terbagi-bagi dalam ukuran 4 x 4, kemudian akan
dijalin kembali menjadi satu bagian.
Color Feature Exctraction
Pada tahapan ekstraksi fitur warna dari citra retina ini, citra hasil imageblock akan
diolah kembali untuk menghasilkan parameter-parameter hue, saturation dan value. Dimana
langkah pertama citra hasil image block di konversi warnanya dari RGB ke HSV.
Pengkonversian ini dilakukan karena daerah warna HSV sering digunakan untuk
pengambilan warna dari sebuah pallete warna agar lebih mudah bereksperimen warna dengan
HSV daripada menggunakan daerah warna RGB. Model warna HSV ini dipilih juga karena
kemudahannya mentransformasi model warna RGB ke HSV atau sebaliknya. Selain itu jarak
warna HSV adalah murni dan konsepnya yang hampir seragam makaproses kuantisasi pada
HSV dapat dihasilkan dari mengumpulan warna yang padat dan lengkap. Nilai hue antara 0
sampai 1 berarti warna antara merah melewati kuning, hijau, cyan, biru dan magenta dan
kembali menjadi merah. Nilai saturation antara 0 sampai 1 berati dari tidak tersaturasi
(keabuan) sampai tersaturasi penuh (tidak putih). Nilai value atau brightness antara 0 sampai
1 berarti warna semakin cerah seperti ditunjukkan pada Gambar

Proses Matching
Tahap ini adalah tahap yang paling menentukan untuk program yang akan dibuat
karena proses ini akan mengenali citra retina masukkan. Tingkat keakuratan hasil pengenalan
program ini akan ditentukan oleh baik atau tidaknya proses pembentukan sistem inferensi
neuro fuzzy adaptif yang ada pada tahapan ini. Perancangan sistem inferensi neuro fuzzy
adaptif pada tugas akhir ini menggunakan ANFIS Pengujian dan Pelatihan yang ada pada
Perangkat Lunak Analisa Matematis Pada program ini digunakan fuzzy inference system tipe
Sugeno, dimana output sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau
persamaan linier. Fuzzy inference system merupakan proses pemetaan dari suatu input ke
output dengan menggunakan logika fuzzy yang dapat menyediakan dasar pengambilan
keputusan atau pola yang diperoleh. Dimana fuzzy inference system melibatkan beberapa
proses yaitu Membership function, Fuzzy Logic Operator dan If then Rules. Adapun
perancangan sistem fuzzy terdiri dari beberapa tahapan yaitu :
a) Identifikasi karakteristik model secara fungsional dan operasional.
Pada tahap ini memperhatikan karakteristik apa saja yang dimiliki oleh sistem yang
ada serta merumuskan karakteristik operasi-operasi yang akan digunakan dalam model fuzzy.
Pada sistem identiftikasi retina ini terdapat 5 input mf dan 1 mf output, input diperoleh dari
nilai rata-rata hue, nilai rata-rata saturation dan nilai rata-rata value sedangkan output yang
didapat dari sistem fuzzy adalah retina mata hasil identifikasi.
b) Membentuk membership function.
Fuzzifikasi merupakan proses membuat suatu nilai crisp menjadi bersifat fuzzy. Hal
ini dengan menganggap kuantitas yg selama ini crisp dan deterministic sebenarnya bersifat
ambigu, impresisi dan mengandung ketidak pastian. Representasi data yang bersifat ambigu
sebagai himpinan fuzzy dilakukan dengan menetapkan fungsi keanggotaan dapat dilakukan

dengan beberapa cara. Pada penulisan ini digunakan untuk membangun nilai keanggotaan
dari variabel fuzzy adalah inductive reasoning.
Pembentukan Database untuk menentukan Membership Function
Pembentukan membership function dalam jaringan adaptif fuzzy interferen sistem
adalah dengan membentuk file .dat dengan memasukkan nilai dari rata-rata hue, rata-rata
saturation, dan rata-rata value, serta nilai dari bobot atau weight dari citra retina yang
disimpan dalam database seperti ditunjukkan pada Gambar

Proses Training Adaptive Neural Fuzzy Inference System

Pada program ini dipilih dua jenis tipe membership function yaitu Trapesium dan
Gaussian. Dimana pada masing-masing dari dua membership function yang digunakan data
masukkan ditraining sebanyak 60 kali. Pada pengaturan output yang ditraining, masing
masing membership function diset tipe membership functionnya. Tipe membership function
output ini dipilih untuk menghasilkan data training yang lebih baik daripada tipe membership
function output constant agar menghasilkan error yang lebih kecil sehingga mampu
mengidentifikasi masukkan citra retina dengan lebih baik. Proses training ini menggunakan
metode hybrid yaitu proses pembelajaran yang terdiri atas dua bagian yaitu arah maju dan
arah mundur. Pada arah maju, parameter premis dibuat tetap. Dengan menggunakan metode
Recursive Least

3.4 Kesimpulan
3.4.1 Lampiran
Hasil Diskusi
Sesi 1
Penanya : Isnaeni
Pertanyaan : apa yg membedakan metode fuzzy dgn yang lain ?
Jawaban: kami belum mengetahui secara spesifik karena kami juga belum membaca
mengenai metode lainnya mungkin pertanyaan ini akan terjawab sendirinya ketika semua
kelompok telah melakukan presentasi akan tetapi ketika dilihat dari karakteristik dari fuzzy
logic sendiri maka dengan menggunakan metode ini terdapat kondisi-kondisi tertentu yang
dapat menguntungkan kita untuk memanfaatkannya dimana fuzzy logic ini sendiri
memungkinkan untuk menciptakan banyak keadaan misalnya pada pewarnaan, dengan
menggunakan fuzzy logic maka tidak hanya ada dua warna yaitu hitam dan putih tetapi
diantara kedua warna tersebut terdapat abu-abu dimana keadaan ini dapat kita manfaatkan
untuk keperluan tertentu dalam pengolahan citra
Penanya: Ahwan Azhari Tahir
q: bagaimana cara meminimalisir kekurangan dari fuzzy logic ? dan bagaimana parameterparameter logika samar ?
Jawaban : sebagaimana kita ketahui dalam pengembangannya fuzzy logic tidak terdapat
metode baku atau metode yang disepakati secara universal sehingga pengembangannya
susah, salah satu cara untuk mengatasi ini menurut kami yaitu memberikan suatu standarisasi
dalam proses pengembangan dari fuzzy logic ini.
Mengenai parameter yang digunakan dalam fuzzy logic ini terdapat banyak hal, misalkan
pada implementasinya penggunaan air conditioner dalam mengatur tinggi rendahnya suhu,
parameternya disini tentu sinyal listrik karena dari situ kita dapat mengontrol ac tersebut,
contoh lainnya pada pemanfaatan fuzzy logic pada pendeteksian tepi citra digital, yang
menjadi parameter disini adalah rentang nilai keabuan
Penanya : Saqiraz Nurbaitil Atik Cahyati
Pertanyaan : Bagaimana sistem kerja persentasi ipk mahasiswa yang mengimplementasika
logika fuzzy ?
Jawaban : Dengan menggunakan metode RFID (Radio Frequency Identification) yang
berbasis jarak dengan menyamakan frekuensi antara tag Receiver (penerima) dan tag signal
diatur pada bagian RSSI(Received Signal Strength) dengan dideteksi dengan Teknologi
Indoor positioning system pada ruangan yang telah ditentukan, dan sudah diputuskan oleh
SPK (Sistem Pendukung Keputusan) dengan logika fuzzy namun pertanyaan ini tidak
memiliki hubungan dengan penggunaan fuzzy logic dalam pengolahan citra
sesi 2
Penanya : Arya Hudaya
Pertanyaan : Sudah ada aturan yang dilakukan pada metode kerja fuzzy logic tapi kenapa
anda bilang tidak baku ?
Jawaban : Sepertinya disini ada sedikit kesalah pahaman yang kami maksud disini adalah
tidak adanya metode baku dalam tahap pengembangan fuzzy logic ini sehingga orang-orang
susah mengembangkannya, sudah terdapat metode yang baku tetapi dalam konsep penerapan
fuzzy logic ini

Penanya : Erlangga
Pertanyaan : Bagaimana caranya fuzzy logic mengetahui itu wajah atau bukan ?
Jawaban : suatu wajah memiliki pola-pola tertentu dan sedemikian rupa dimana dimiliki oleh
semua wajah, nah fuzzy logic dapat mendeteksi pola-pola tersebut dan dengan instruksi atau
algoritma yang sedemikian rupa maka fuzzy logic dapat membedakan ketika menginput suatu
gambar wajah atau bukan
Penanya : Pak Syafaruddin
Pertanyaan : Bagaimana Fuzzy Logic mendeteksi warna ?
Jawaban : Pertama harus dilakukan yaitu menginput suatu citra digital kemudian
mengubahnya menjadi grayscale atau menjadi hitam putih, kemudian dari tingkat RGBnya
dapat dilihat dimana semakin tinggi maka akan mendekati warna putih jadi otomatis warna
akan terang sedangkan apabila derajat RGBnya rendah maka warna akan menjadi gelap

3.4.2 Daftar Pustaka

2015. https://core.ac.uk/download/files/379/11731541.pdf, Diakses pada 21-01-2016
http://file.upi.edu/Direktori/FPTK/JUR._PEND._TEKNIK_ELEKTRO/197211131999031ADE_GAFAR_ABDULLAH/file_mk_Pengantar_Kecerdasan_Buatan_(9files)/Bab_II_KCB.
pdf.
Abdallah A. Alshennawy, dan Ayman A. Aly. 2009.Edge Detection in Digital Images Using
Fuzzy Logic Technique. California : World Academy of Science, Engineering and Technology
51
Hangin, Yuliana. 2008. Handout Mata Kuliah Artificial Intelligence. Malang: Universitas
Widyagama.
Hikmah, Nurul. 2008. Identifikasi Retina Mata Manusia Menggunakan Sistem Inferensi
Neuro Fuzzy Adaptif. Depok : Universitas Indonesia
http://repository.usu.ac.id/bitstream/123456789/31373/3/Chapter%20II.pdf. Medan: USU
Institutional Repository. Diakses pada 21-01-2016.
Humaira. 2009.Deteksi Wajah Manusia pada Citra Berwarna menggunakan Fuzzy. Jurusan
Teknologi Informasi Politeknik Negeri Padang Kampus Unand, Padang.
Munir, Rinaldi. 2011. Pengantar Logika Fuzzy. Bandung: ITB. Sharef, A. 2012.
Kurniawan, Hadi Putra Dedy.2013, Pendeteksian Tepi Citra Digital Dengan Logika Fuzzy,
Informatika FSM UNDIP. Semarang
Setyawan, Dodi Yudo dan Yuni Arkhiansyah. 2011. PENCARIAN CITRA BERBASIS
PENGENALAN WAJAH UNTUK ABSENSI MENGAJAR DOSEN IBI DARMAJAYA.
Jurusan Sistem Komputer, IBI Darmajaya, Lampung.
Utomo, Hendrik Setyo. Pengantar Kecerdasan Buatan. Jakarta: Universitas Gunadarma.