Anda di halaman 1dari 11

Jurnal Teknologi dan Sistem Informasi UNIVRAB

VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062

RANCANG BANGUN SISTEM PENGENALAN WAJAH DENGAN METODE


PRINCIPAL COMPONENT ANALYSIS

1 2 3
Salamun , Diki Arisandi , Firman Wazir
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Abdurrab Pekanbaru
Jl.Riau Ujung, No.73 Pekanbaru
Telp. 0761-38762
salamun@univrab.ac.id, diki@univrab.ac.id, firmanwazir@gmail.com

ABSTRAK
Wajah merupakan salah satu ukuran fisiologis yang paling mudah dan sering digunakan untuk membedakan
identitas individu yang satu dengan yang lainnya. Namun untuk mengembangkan sistem identifikasi
pengenalan wajah yang baik dan memiliki keakuratan tinggi merupakan sesuatu yang sulit dikarenakan wajah
manusia memiliki ekspresi yang beragam dan perubahan atribut seperti kacamata, kumis, janggut dan lain-
lain. Oleh karena itu, face recognition merupakan salah satu teknologi biometrics yang banyak dipelajari dan
dikembangkan oleh para ahli. Melalui pengembangan suatu teknik seperti Principal Components Analysis
(PCA). Proses pengenalan wajah ini menggunakan informasi mentah dari pixel citra yang dihasilkan melalui
camera yang kemudian direpresentasikan dalam metode Principal Components Analysis. Adapun cara kerja
metode Principal Components Analysis adalah dengan menghitung dari rata-rata flatvector pixel dari gambar-
gambar yang sudah disimpan dalam suatu database, dari rata-rata flatvector tersebut akan didapatkan nila
eigenface masing-masing gambar dan kemudian akan dicari nilai eigenface terdekat dari gambar citra wajah
yang ingin dikenali. Hasil pengujian menunjukkan tingkat keberhasilan pengenalan wajah secara keseluruhan
sebesar 82,27% dengan data wajah sebanyak 130 gambar. Penyebab dari sebagian hasil pengenalan wajah
yang kurang akurat tersebut adalah karena faktor pencahayaan, jarak, bentuk wajah, serta jumlah data yang
tersedia.

Kata Kunci: PCA, Eigenface, Flatvector, Pengenalan Wajah.

ABSTRACT
The face was one of the easiest physiological measure and often used to distinguish the identity of one
individual to another. However to develop good facial recognition identification system and has a high
accuracy was something that was difficult because of the human face has an expression of diverse and
changing attributes such as glasses, mustache, beard and others. Therefore face recognition biometrics
technology was one that was widely studied and developed by experts. Through the development of a
technique such as Principal Components Analysis ( PCA ). The face recognition process using the raw
information from the pixel image produced by the camera was then represented in the Principal Components
Analysis method. As for how the Principal Components Analysis method was to calculate the average
flatvector pixel of the images that have been stored in a database, from an average of flatvector will be
obtained tilapia Eigenface each image and then look for the value Eigenface closest pictures face image that
you want to identify. The test results show a success rate of face recognition as a whole by 82,27 % with the
data face as many as 130 images. The cause of most of the results are less accurate face recognition is due to
lighting, distance, shape of the face, as well as the amount of data available.

Keywords : PCA, Eigenface, Flatvector, Face Recognition.

I. PENDAHULUAN adalah aplikasi pengenalan wajah (face


1. Latar Belakang Masalah recognition). Aplikasi face recognition pada
saat ini banyak dikembangkan karena dapat
Teknologi di bidang informasi khususnya
diaplikasikan di berbagai bidang permasalahan,
dengan menggunakan komputer yang telah
salah satu contohnya adalah pengenalan
tumbuh semakin pesat, berbagai macam
kriminal, system security.
aplikasi telah dirancang untuk mencari Sistem pengenalan wajah adalah suatu
informasi tentang data diri seseorang. Salah sistem yang membuat sebuah mesin dapat
satu aplikasi yang cukup dikenal dalam hal ini
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
mengenali wajah seseorang sesuai dengan 7. Tujuan
gambar wajah yang telah dilatih dan disimpan Adapun tujuan penelitian yang akan
di dalam mesin tersebut. dicapai dalam penulisan ini adalah sebagai
Untuk membangun sistem pengenalan berikut :
wajah yang baik agar dapat diterapkan pada 1. Mengukur tingkat keberhasilan pengenalan
sistem identifikasi seseorang, sistem tersebut wajah dengan menggunakan algoritma
harus memenuhi beberapa kriteria diantaranya Principal Component Analysis (PCA)
keakuratan pengenalan dan kecepatan sesuai dengan batasan yang telah
pengenalan. ditentukan.
2. Rumusan Masalah 2. Menghasilkan aplikasi pengenalan wajah
Berdasarkan pada latar belakang menggunakan metode Principal
masalah yang telah dijelaskan sebelumnya, Component Analysis.
maka permasalahan pokok yang dibahas pada 8. Manfaat
tugas akhir ini adalah : 1. Dapat mencari informasi orang yang
1. Bagaimana dapat mengenali suatu pola, melakukan kejahatan atau pelanggaran
khususnya pola wajah ? melalui foto yang telah di scan.
2. Bagaimana membangun aplikasi 2. Dapat mengukur kecepatan dalam
pengenalan wajah menggunakan metode pengenalan wajah menggunakan metode
Principal Component Analysis ? principal componen tAnalysis.
3. Apakah pengenalan wajah dengan 3. Diharapkan hasil penelitian ini dapat
menggunakan metode Principal membantu pengembangan aplikasi-aplikasi
Component Analysis dapat mencapai yang lebih kompleks seperti sistem
presentase keberhasilan diatas 50% ? keamanaan menggunakan wajah.
4. Bagaimana melakukan proses pengenalan
citra wajah menggunakan metode
Principal Component Analysis? II. STUDI PUSTAKA
1. Pengenalan Wajah
3. Batasan Masalah Pengenalan wajah adalah suatu metoda
Pada pembahasan dalam perancangan pengenalan yang berorientasi pada wajah.
Sistem Pengenalan Wajah Dengan Metode PCA Pengenalan ini dapat dibagi menjadi dua bagian
ini, batasan masalah-masalah difokuskan yaitu : Dikenali atau tidak dikenali, setelah
sebagai berikut : dilakukan perbandingan dengan pola yang
1. Wajah yang akan dideteksi adalah wajah sebelumnya disimpan di dalam database
yang menghadap ke depan (frontal), dalam (Marti, 2010). Secara umum, sistem pengenalan
posisi tegak, dan tidak terhalangi sebagian citra wajah dibagi menjadi 2 jenis, yaitu sistem
oleh objek lain. feature based dan image-based. Pada sistem
2. Jarak antara wajah dengan kamera kurang pertama digunakan fitur yang diekstraksi dari
lebih 30 cm sampai 50 cm. komponen citra wajah (mata, hidung, mulut,
3. Pencahayaan di lingkungan sekitar wajah dll) yang kemudian hubungan antara fitur-fitur
harus terang (minimal ada sumber cahaya tersebut dimodelkan secara geometris.
yang menghadap ke wajah yang akan Sedangkan sistem kedua menggunakan
ditangkap oleh kamera). informasi mentah dari piksel citra yang
4. Gambar di ambil secara realtime
kemudian direpresentasikan dalam metode
5. Bahasa yang akan digunakan adalah
tertentu, yang kemudian digunakan untuk
bahasa C# dan Library EmguCV
6. Capture device yang digunakan adalah klasifikasi identitas citra (Fatta, 2009).
Android-camera. 1.1 Pendeteksi Wajah
Proses pendeteksi wajah ini bekerja
dengan cara memeriksa citra yang dimasukan,
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
apakah memiliki citra wajah atau tidak, jika menandakan nilai fitur citra uji hampir
memiliki, maka akan dilakukan pemisahan menyamai dengan fitur citra latih. Nilai jarak
dengan cara memotong citra wajah dari latar ini akan menjadi nilai masukan untuk nilai
belakang citra yang dimasukan. Jika masukan kemiripan citra. Nilai kemiripan citra
berbentuk video, proses yang dilakukan adalah merupakan nilai tingkat kemiripan citra uji
proses face tracking. Secara umum, proses face dengan citra latih, semakin besar nilainya
tracking dan proses pendeteksian wajah menandakan bahwa orang yang sedang diamati
mempunyai fungsi yang sama. adalah orang yang sama dengan orang yang
1.2 Penyelarasan Wajah citra wajahnya telah disimpan dalam database.
Proses penyelarasan wajah merupakan
proses yang bertujuan untuk menormalisasi 2. Metode Principal Component
wajah dari citra wajah yang didapatkan dari Analysis (PCA)
proses pendeteksian wajah. Proses ini terdiri Principal Componen Analysis (PCA)
dari tahapan-tahapan sebagai berikut : adalah sebuah cara untuk mengidentifikasi pola
1. Grayscaling pada data dan kemudian mengekspresikan data
2. Pemotongan Citra tersebut ke bentuk yang lain untuk
3. Resizing (Normalisasi Citra) menunjukkan perbedaan dan persamaan antar
pola. Prinsip dasar dari algoritma Principal
4. Equalizing (Koreksi Tingkat
Component Analysis adalah mengurangi satu
Kecerahan Citra)
set data namun tetap mempertahankan
1.3 Ekstraksi Wajah
sebanyak mungkin variasi dalam set data
Ekstraksi fitur adalah proses untuk
tersebut. Secara matematis Principal
mendapatkan ciri-ciri pembeda yang
Component Analysis mentransformasikan
membedakan suatu sampel wajah dari sampel
sebuah variabel yang berkolerasi ke dalam
wajah yang lain (Damayanti et al, 2010).
bentuk yang bebas tidak berkolerasi.
Ekstraksi fitur merupakan proses yang
2.1 Algoritma Principal Component
berfungsi untuk mendapatkan informasi yang Analysis
efektif dan berguna untuk membedakan wajah- Algoritma pengenalan wajah
wajah orang yang berbeda dari citra wajah yang menggunakan Principal Component Analysis
telah diselaraskan. dimulai dengan membuat matriks kolom dari
1.4 Penyimpanan Fitur Wajah wajah yang di-input ke dalam database. Matriks
Proses penyimpanan fitur merupakan kolom tersebut akan diubah menjadi bentuk
tahapan terakhir dari proses pelatihan citra flatvector untuk dicari Rata-rata vector citra
wajah. Proses ini berfungsi untuk menyimpan dari gambar wajah atau disebut dengan
fitur hasil ekstraksi citra wajah yang ada di Rataan FlatVector. Rataan FlatVector dihitung
dalam database ke dalam sebuah file berekstensi dengan cara membagi penjumlahan dari seluruh
*.xml. File inilah yang nantinya akan flatvector citra dengan jumlah banyaknya citra
digunakan untuk proses pencocokan antara citra yang disimpan di dalam database.
wajah yang diuji dengan hasil ekstraksi fitur 1. Penyusunan Flatvector Matriks Citra
yang terdapat pada file ini. Langkah pertama adalah menyusun
1.5 Pencocokan Fitur Wajah seluruh training image menjadi 1 matriks
Pencocokan fitur merupakan proses tunggal. Misalnya image yang kita simpan
perbandingan fitur yang telah diekstrak dari berukuran H x W pixel dan jumlahnya N buah,
citra uji dengan fitur citra wajah dari database, maka memiliki flatvector dengan dimensi N x
yang sebelumnya telah melalui proses pelatihan (H x W). Representasikan semua matriks
citra. training menjadi matriks dengan bentuk N x 1
Dari proses perbandingan fitur tersebut atau matriks linier seperti yang ditunjukkan
akan menghasilkan nilai jarak terdekat yang pada gambar 2.1.
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062

Gambar 2.1 Skema Matrik Wajah

Contoh dibawah ini mengunakan empat


wajah citra yang telah diubah menjadi matriks,
lalu matriks tersebut diubah kedalam bentuk
rataan FlatVector.

4. Proses Identifikasi
Untuk mengenali citra tes (testface) pada
saat uji, langkah identifikasinya adalah hitung
nilai eigenface untuk matriks testface dengan
cara yang sama seperti sebelumnya yaitu
dimulai dari awal penentuan nilai flatvector,
dikurangi dengan rata- rata FlatVector (didapat
dari citra training), dan mendapatkan
eigenface untuk testface

2. Hitung Rata-rata Flatvector


Dari FlatVector yang diperoleh,
jumlahkan seluruh barisnya dan bagi dengan
jumlah image training untuk mendapatkan Identifikasi dilakukan dengan metode
Rata-rata (mean) FlatVector. Euclidean Distance yaitu menentukan jarak
(distance) terpendek antara nilai eigenface dari
training image di database dengan eigenface dari
testface. Proses dimulai dengan menentukan nilai
absolut dari pengurangan matriks eigenface
training image dengan eigenface dari testface dan
jumlahkan seluruh elemen penyusun vector yang
dihasilkan. Kemudian cari nilai paling kecil dari
hasil penjumlahan tersebut.

3. Tentukan Nilai Eigenface


Dengan menghitung rataan flatvector
citra, maka nilai eigenface untuk matriks
flatvector yang sudah disusun tersebut dapat
dihitung nilai eigenface-nya. Caranya dengan
mengurangi baris- baris pada matriks flatvector
dengan rata-rata flatvector. Jika didapatkan nilai
di bawah nol (nilai minus), maka nilainya
diganti dengan nol.
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
diantara proses lain. Dalam tahap ini penulis
mencoba untuk mengidentifikasi permasalahan
yang ada. Tahap ini menjelaskan tahap awal
pada penyusunan penelitian ini. Hasil dari
identifikasi inilah yang menjadi objek
penelitian. Masalah yang diidentifikasi adalah
bagaimana merancang suatu aplikasi
pengenalan wajah (face recognition) dengan
menggunakan metode Principal Componen
Analysis.
1.2 Pengumpulan data Penelitian
a. Studi Pustaka
Metode pengumpulan data dalam
penulisan ini menggunakan studi kepustakaan
guna menunjang pembuatan tugas akhir dengan
membaca dan mempelajari buku-buku literatur,
jurnal, artikel yang berhubungan dengan
Dari hasil perhitungan diperoleh jarak citra pengenalan citra berbasis komputer khususnya
wajah satu memiliki nilai yang terkecil yaitu 4. pengenalan wajah manusia.
Karena jarak eigenface face satu dengan b. Survei
eigenface testface paling kecil, maka hasil Survei yang dilakukan dalam penelitian
identifikasi menyimpulkan bahwa testface ini adalah melakukan pengumpulkan citra
lebih mirip dengan face satu dari pada face dua, wajah yang digunakan sebagai sampel untuk
face tiga, dan face empat. database dan uji coba dalam aplikasi ini.
Adapun sampel sebanyak 10 orang dengan
kriteria sebagai berikut :
III. METODE PENELITIAN
1. Kerangka Penelitian Tabel 3.1 Kriteria Sampel
Kerangka penelitian menjelaskan tentang Pria Wanita Ekspresi
langkah dan tahapan-tahapan yang dilakukan Pakai
Berjilbab Senyum
selama penelitian untuk memudahkan penulis Kacamata
dalam mengerjakan tugas akhir ini. Berjilbab
Tidak Pakai
pakai Normal
Kacamata
Identifikasi Masalah
Kacamata
Wajah
Ketawa
Pengumpulan Data Studi Berambut
Lapangan Penelitian Kepustakaan
2. Alat Bantu Penelitian
Perangkat penelitian yang digunakan
untuk membangun sistem pengenalan wajah
Analysis
yang terdiri dari perangkat lunak dan perangkat
Design
keras diantaranya :
Coding
1. Hardware, yaitu :
Testing a. Laptop dengan spesifikasi :
Maintenance 1. Processor CPU N475 1.83 Ghz
1.1 Identifikasi Masalah 2. Memory (RAM) 1 GB
3. Harddisk 120 GB
Identifikasi masalah adalah salah satu
b. Android Camera 3MP
proses penelitianImplementasi
yang boleh dikatakan penting
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
2. Software, yaitu : 3. Menghasilkan sebuah kesimpulan berapa
a. Sistem Operasi Windows 7 tingkat akurasi metode Principal
b. Microsoft Visual Studio 2010 Componen Analysis dalam sistem
c. EmguCV pengenalan wajah.

IV. HASIL PEMBAHASAN Mulai


Pada bab ini dijelaskan mengenai hasil Capture gambar
analisis sistem, perancangan aplikasi yang melalui webcam
direncanakan dan pengujian sistem yang sesuai secara real time dan Proses melakukan
dengan tujuan yang ingin dicapai.. lalukan Capture
Traininggambar
image
preprocessing melalui webcam
1. Pengumpulan Data secara real time dan
Input gambar dari
Berbagai cara dilakukan dalam webcam lalukan
pengumpulan data dan informasi yang akan preprocessing
diimplementasikan dalam pembuatan Tugas
Akhir ini. Data dan informasi yang didapat Deteksi Tidak
Wajah
dalam proses ini adalah :
1. Data citra yang digunakan Ya
berekstensi .Bmp untuk data training. Gambar kotak diwajah yang
terdeteksi dan bandingkan Simpan data
2. Data citra wajah sebanyak 130 wajah dari data uji dengan data di database
10 orang dimana setiap orang memiliki 13 training di database

wajah.
3. Data citra wajah untuk data training
Kenali
berukuran 100x100 pixel. wajah
4. Metode yang digunakan dalam sistem ini
adalah metode Principal Componen
Analysi Hasil Pengenalan Selesai

2. Analisis Sistem
Analisis sistem merupakan tahap yang Gambar 4.1 Flowchart Sistem
bertujuan untuk memahami sistem, dan
menentukan kebutuhan proses dan hasil pada 3. Perancangan Sistem
sistem pengenalan wajah (face recognition). Proses dari sistem pengenalan wajah
Dengan menganalisis prosedur sistem yang menggunakan metode Principal Componen
digunakan dan melakukan pengujian hasil,
Analysis ini terdapat beberapa komponen
maka sistem dapat dievaluasi dan diusulkan
yang dapat digambarkan dalam blok
perbaikan-perbaikannya.
Berdasarkan kebutuhan sistem dan hasil diagram. Setelah itu akan dilakukan proses
analisis sistem di atas, maka sistem yang akan perancangan aplikasi.
Deteksi Penyelarasan
Training Capture Wajah Wajah
dibuat harus dapat memenuhi fungsi-fungsi
sebagai berikut:
1. Mengimplementasikan metode Principal 1. Diagram Blok Pengenalan Wajah
Simpan Data
Training (*.xml)
Componen Analysis pada sistem
pengenalan wajah. Recognize Deteksi Penyelarasan
2. Menguji performa dan kemampuan metode r Capture Wajah Wajah
Principal Componen Analysis pada sistem
pengenalan wajah dalam keadaan yang
Ekstraksi Principal
telah dikondisikan sebelumnya. Componen Analysis

Pencocokan

Hasil
Pencocokan
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062

Gambar 4.3 Contoh Data Sampel

2. Flowchart Training Wajah


Pada proses ini akan dilakukan
pembelajaran terhadap citra yang akan
disimpan ke dalam database. Hasil dari
Gambar 4.2 Diagram Blok Pengenalan pembelajaran ini kemudian disimpan dengan
Wajah format *.xml dan digunakan untuk proses
pencocokan.
Berdasarkan pada gambar 4.1 diatas
dapat dijelaskan bahwa komponen training Start
merupakan data wajah yang akan dilatih dan
disimpan dalam database yang nantinya akan Capture
digunakan untuk proses pencocokan wajah
dengan data wajah yang diuji, sedangkan
komponen recognizer merupakan data wajah Input Gambar
Dari Kamera
yang akan diuji dan dicocokan dengan data
wajah yang ada di dalam database, yang mana
jika ada kemiripan dengan data uji dengan data
latih, maka hasil pencocokan akan ditampilkan. Deteksi Tidak
Berikut contoh sampel data training Wajah
dari sistem pengenalan wajah menggunakan
metode PCA :
Ya
Normalisasi Citra

Database
TrainedLabels.xml

End
Gambar 4.9 Flowchart Training Wajah

Dari gambar diatas, langkah Training


wajah dapat dijelaskan sebagai berikut :
a. Mulai dari start, input dimulai dengan
mengambil capture dari webcam
b. Setelah melakukan capture, langkah
selanjutnya mendeteksi wajah. Jika wajah
tidak terdeteksi kembali ke proses capture.
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
Sedangkan jika terdeteksi, akan
berlanjut.
c. Setelah wajah terdeteksi, langkah
selanjutnya adalah proses normalisasi citra.
Normalisasi tersebut meliputi resizing
citra 100x100 pixel dan setelahnya
dilakukan perubahan format gambar dari
RGB ke grayscale.
d. Setelah proses normalisasi citra,
selanjutnya adalah data Training akan
disimpan kedalam database yang
berformat *.xml.
e. Proses selesai.

3. Flowchart Sistem Pengenalan Wajah


Berikut perancangan flowchart dari
sistem pengenalan wajah menggunakan metode
Principal Componen Analysis, dan metode
euclidean distance untuk proses pencocokan
wajah.
Gambar 4.10 Flowchart Proses Pengenalan
Wajah

Dari gambar diatas, langkah


pengenalan wajah dapat dijelaskan sebagai
berikut :
a. Mulai dari start, input dimulai dengan
mengambil capture dari webcam
Start
b. Setelah melakukan capture, ambil gambar
dari webcam dan langkah selanjutnya
mendeteksi wajah.
Capture
c. Setelah wajah terdeteksi, langkah
selanjutnya adalah proses normalisasi citra.
Input gambar
dari webcam
Normalisasi tersebut meliputi resizing
citra 100x100 pixel dan setelahnya
dilakukan perubahan format gambar dari
Deteksi Wajah
RGB ke grayscale, kemudian dari
grayscale tersebut diubah lagi menjadi
Normalisas bentuk matriks.
i Citra d. Setelah proses normalisasi citra,
Tidak
Perhitungan PCA selanjutnya adalah proses perhitungan
Principal Componen Analysis data citra uji
dengan data citra yang ada di database
Pencocokan dengan ketentuan data wajah yang akan
Database Wajah
(Threshold) dikenali diatas nilai Threshold.
e. Tahap selanjutnya adalah pencocokan nilai
Ya PCA input dengan PCA data training
Nilai eigen yang (database) menggunakan metode
mendekati
euclidean distance, jika tidak cocok

Hasil Pengenalan
(NamaWajah)

End
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
kembali ke proses capture. Sedangkan Kacamata Sedih Dikenali
jika cocok, akan berlanjut. Tanpa Senyu
f. Selanjutnya jika cocok, akan dicari nilai Dikenali
Kacamata m
eigen yang mendekati. Tanpa
Normal Dikenali
g. Setelah ditemukan kemiripan (nilai eigen Kacamata
Tanpa
yang mendekati) dengan citra wajah, hasil Kacamata
Sedih Dikenali

nama pengenalan wajah akan ditampilkan.


h. Proses selesai. Tabel 4.2 Hasil Pengujian Kedua
Presentase
Data Wajah Jenis
4. Implementasi Yang Diuji Kelamin
Atribut Ekspresi Hasil Keberhasila
n
1. Desain User Interface
a. Tampilan Form Utama Kacamata Senyum Dikenali

Kacamata Normal Dikenali

Kacamata Sedih Dikenali 6/6 *


Laki-
Tanpa 100%
Laki Senyum Dikenali
Kacamata =100%
Tanpa
Normal Dikenali
Kacamata
Tanpa
Sedih Dikenali
Kacamata

Tabel 4.3 Hasil Pengujian Ke Tiga


Data Wajah Jenis Presentase
Ekspresi Hasil
Yang Diuji Kelamin Keberhasilan
b. Tampilan Form Training
Senyum Dikenali

Sedih Dikenali

Normal Dikenali
Laki- 5/6 * 100%
Laki =100%
Normal Dikenali

Sedih Tidak

Senyum Dikenali

2. Pengujian Sistem Pengenalan Wajah


Pengujian ini dimaksudkan untuk
mengetahui akurasi sistem pengenalan wajah
dengan menggunakan jumlah data training dan 3. Ringkasan Pengujian
data yang diuji yang berbeda. Berikut hasil Berdasarkan pengujian yang dilakukan,
untuk pengujian pengenalan wajah : tingkat keberhasilan pengenalan wajah secara
keseluruhan menggunakan metode principal
Tabel 4.1 Hasil Pengujian Pertama component analysis dengan 79 kali pengujian
Data
Presentase adalah 82,27% sukses dikenali dan 17,73%
Wajah Jenis Ekspres
Atribut Hasil Keberhasila gagal dikenali. Penyebab kurangnya keakuratan
Yang Kelamin i
n
Diuji dalam pengenalan wajah menggunakan metode
Laki- 6/6 * principal component analysis ini adalah :
Kacamata Senyum Dikenali
Laki 100%
Kacamata Normal Dikenali =100% 1. Sensitif terhadap cahaya
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
2. Jarak wajah dari kamera terlalu jauh tampak depan, tetapi juga dapat mengenali
3. Perubahan wajah yang terlalu ekstrim dari tampak samping.
4. Ekspresi wajah 2. Sebaiknya perlu dilakukan
penyempurnaan dalam intesitas cahaya,
sehingga di tempat yang agak redup
V. KESIMPULAN pencahayaannya, proses pengenalan
Pada bab ini dijelaskan kesimpulan wajah dapat berjalan dengan baik.
yang diambil berdasarkan analisa dan saran 3. Pada penelitian selanjutnya diharapkan
yang diambil berdasarkan hasil pengujian sistem pengenalan wajah bisa
membedakan mana foto dan wajah
yang telah dilakukan.
manusia, agar sistem pengenalan wajah
1. Kesimpulan
dapat diterapkan pada sistem keamanan.
Kesimpulan dari Tugas Akhir ini
berdasarkan pengujina, hasil dan analisa
adalah :
1. Pengenalan pola wajah dapat dikenali DAFTAR PUSTAKA
menggunakan nilai pixel dari data wajah. Damayanti, Fitri, Agus Zainal Abidin dan
2. Proses pengenalan wajah menggunakan Rully Soelaiman. 2010. Pengenalan
pendekatan metode Principal Componen Citra Wajah Menggunakan Metode
Analysis sensitif terhadap perubahan Two-Dimensional Linear
cahaya, jarak, ekspresi wajah, sudut Discriminant Analysis dan Support
pandang wajah dan perubahan wajah yang Vector Machine. Jurnal Ilmiah Kursor,
terlalu ekstrim. Jika citra yang digunakan Vol.5, No.3
sebagai training set maupun sebagai citra Fatta, Hanif Al. 2009. Rekayasa Sistem
input memiliki intensitas cahaya yang Pengenalan Wajah. Andi: Yogyakarta.
berbeda dan tidak berada pada posisi yang Indra. 2012. Sistem Pengenalan Wajah Dengan
sama dengan citra training set maka proses Metode Eigenface Untuk Absensi
tersebut tidak dapat memberikan hasil Pada PT. Florindo Lestari. Seminar
yang akurat Nasional Teknologi Informasi &
3. Metode Principal Componen Analysis Komunikasi Terapan 2012. ISBN 979-
dapat diimplementasikan untuk pengenalan 26-0255-0
wajah dengan tingkat akurasi 82,27%. Ismawan, Fiqih. 2015. Hasil Ekstraksi
4. Wajah dapat dikenali apabila nilai jarak Algoritma Principal Component
antara image training dengan image test Analysis (PCA) Untuk Pengenalan
diatas nilai threshold. Wajah Dengan Bahasa Pemrograman
Java Eclipse IDE. Sisfotek Global,
Vol.5, No.1
2. Saran Lestari, Sri Puji. 2014. Implementasi
Pengenalan Wajah Manusia
Dalam penulisan skripsi ini tentu masih Menggunakan Principal Component
terdapat banyak kekurangan, namun ini tidak Analysis (PCA). Pelita Informatika
menutup kemungkinan untuk dapat Budi Darma, Vol.6, No. 2.
disempurnakan pada pengembangan Marti, Ni Wayan. 2010. Pemanfaatan gui
selanjutnya agar dapat meningkatkan dalam pengembangan perangkat
fungsionalitas dan manfaat dari aplikasi ini., lunak Pengenalan citra wajah
diantaranya adalah sebagai berikut: manusia menggunakan metode
1. Diharapkan membangun suatu sistem yang Eigenfaces. Seminar Nasional
dapat mengenali wajah tidak hanya dari
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
Aplikasi Teknologi Informasi 2010:
Yogyakarta
Muliawan, Muhammad Rizki, Beni Irawan dan
Yulrio Brianorman. 2015.
Implementasi Pengenalan Wajah
Dengan Metode Eigenface Pada
Sistem Absensi. Jurnal Coding. Vol. 3,
No. 1
Pratiwi, Dian Esti dan Agus Harjoko. 2013.
Implementasi Pengenalan Wajah
menggunakan PCA (Principal
Component Analysis). Ijeis, Vol.3,
No.2
Rejeki, Muslim Setyo dan Ali Tarmuji. 2013.
Membangun aplikasi autogenerate
script ke Flowchart untuk mendukung
business process Reengineering.
Jurnal Sarjana Teknik Informatika,
Vol.1, No.2
Sembiring, Maha Kinnoy. 2015. Perancangan
Aplikasi Pengenalan Wajah
Menggunakan Metode Fisher Linear
Discriminant (FLD). Pelita
Informatika Budi Darma, Vol.9, No.1
Suryanto, Agus dan Samiyono. 2011.
Implementasi Model Analisis
Perbaikan Faktor Daya Listrik
Rumah Tangga dengan Simulasi
Perangkat Lunak. Jurnal Kompetensi
Teknik, Vol.3, No.1