Oleh:
i
LEMBAR HALAMAN PENGESAHAN LAPORAN HASIL PENELITIAN TERAPAN
Purwokerto, 12-11-2015
Mengetahui,
Ketua STMIK AMIKOM Purwokerto Ketua Peneliti,
Dr. Berlilana, SP., S.Kom., M.Si Dr. Berlilana, SP, S.Kom, M.Si
NIK. 10.398.149 NIK. 10.398.149
Menyetujui,
Ketua Lembaga Penelitian
i
RINGKASAN
ii
KATA PENGANTAR
Puji dan syukur penulis panjatkan ke Hadirat Allah SWT, karena atas
rahmat dan karunia-Nya akhirnya penulis dapat menyelesaikan laporan penelitian
dengan judul PENJEJAKAN WAJAH DAN DETEKSI KEDIPAN MATA
SEBAGAI KONTROL KURSOR UNTUK INTERAKSI MANUSIA
DENGAN KOMPUTER BAGI PENYANDANG DISABILITAS tanpa suatu
halangan yang berarti.
Pada kesempatan ini, penulis menyampaikan terima kasih dan
penghargaan setinggi-tingginya atas bantuan, pengarahan, dan bimbingannya
kepada :
1. Dr. Berlilana, SP., S.Kom., M.Si., Ketua STMIK AMIKOM Purwokerto
2. Tri Astuti, S.Kom., M.Eng., Ketua Lembaga Penelitian yang telah memberikan
kesempatan bagi penulis untuk melakukan penelitian.
3. Semua pihak yang telah ikut membantu dan tidak dapat kami sebutkan
semuanya dalam pelaksanaan penelitian ini.
Kepada semua pihak yang telah membantu, semoga Allah SWT
memberikan pahala atas bantuan yang diberikan, Amiin. Mudah-mudahan hasil
penelitian ini bermanfaat bagi semua pihak yang memerlukannya.
Penulis
iii
DAFTAR ISI
LAMPIRAN
Lampiran 1. Daftar Riwayat Hidup Ketua dan Anggota ........................ 32
iv
DAFTAR TABEL
v
DAFTAR GAMBAR
Gambar 1.1 Penyandang Disabilitas dengan Cacat Anggota Gerak ................ 3
Gambar 2.1 Kalkulasi Haar-like Feature ........................................................ 11
Gambar 2.2 Persegi Tegak Lurus dan Persegi Berotasi 45o di Dalam Window11
Gambar 2.3 Prototype Haar-like Features ....................................................... 12
Gambar 2.4 Persamaan SAT ............................................................................ 13
Gambar 2.5 Persamaan RSAT ......................................................................... 13
Gambar 2.6 Persamaan Rasio Deteksi ............................................................. 14
Gambar 2.7 Algoritma Lucas Kanade ............................................................. 14
Gambar 2.8 Komponen Kinect ........................................................................ 15
Gambar 3.2 Tahapan Penelitian ....................................................................... 17
Gambar 3.3 Skema Sistem Aplikasi ................................................................ 20
Gambar 4.1 Use Case Aplikasi ........................................................................ 23
Gambar 4.2 Sequence Diagram Navigasi Kursor ............................................ 24
Gambar 4.3 Class Diagram Aplikasi................................................................ 25
Gambar 4.4 Antarmuka Pengguna ................................................................... 26
vi
vii
BAB I
PENDAHULUAN
1
Tabel 1.1 Jumlah Penyandang Cacat Berdasarkan Klasifikasi Kecacatan
Propinsi Fisik Mental Fisik dan Mental Jumlah
Jambi 11.183 3.137 644 14.964
Bengkulu 9.296 2.697 346 12.339
Jawa Barat 113.075 35.034 4.174 152.283
Bali 5.978 1.757 1.035 8.770
NTB 13.620 1.898 574 16.092
NTT 30.075 7.267 1.308 38.650
Kalimantan Barat 12.836 3.354 478 16.668
Sulawesi Selatan 27.323 5.750 1.437 34.510
Gorontalo 3.815 656 456 4.927
TOTAL 227.201 61.550 10.452 299.203
(Sumber : PMKS DEPSOS, tahun 2008)
Tabel 1.2 secara rinci menjelaskan bahwa jumlah kecacatan fisik dengan jenis
cacat anggota gerak memiliki jumlah tertinggi di seluruh status kemiskinan
dengan total 274.880 orang penyandang disabilitas jenis tersebut.
Berdasarkan data statistik pada Tabel 1.1 dan Tabel 1.2, maka fokus
penelitian kami untuk membantu penyandang disabilitas dengan cacat fisik
berjenis cacat anggota gerak agar mampu berinteraksi dengan komputer untuk
2
kepentingan berkomunikasi secara sosial melalui jejaring sosial, media hiburan,
dan menggali informasi yang ada di internet, sehingga para penyandang
disabilitas mampu memenuhi hasratnya sebagai makhluk sosial.
3
kesulitan mengontrol kursor menggunakan mouse dan kesulitan mengetik
menggunakan keyboard (papan ketik). Mouse dan Keyboard merupakan kategori
unit masukan (input device) pada komputer. Tanpa keduanya, maka manusia
kesulitan untuk berinteraksi dengan komputer. Berdasarkan permasalahan
tersebut, maka fokus penelitian kami untuk membuat input device menggunakan
anggota tubuh penyandang disabilitas sebagai pengganti mouse. Penjejakan wajah
(Face Tracking) dan deteksi kedipan mata (Blink Detection) pada komputasi
waktu nyata (real-time) digunakan sebagai solusi untuk mengendalikan kursor
agar interaksi penyandang disabilitas dengan komputer dapat terjadi. Face
Tracking digunakan untuk navigasi (mengarahkan) kursor, kedipan mata (Blink)
mata kiri digunakan untuk melakukan operasi klik (click) kiri, dan blink mata
kanan digunakan untuk melakukan operasi klik kanan. Pada penelitian ini
menggunakan Microsoft Kinnect yang memiliki sensor motion capture untuk
mendeskripsikan proses perekaman gerakan dan pendefinisian gerakan tersebut
menjadi model digital. Penggunaan Kinnect dalam penelitian ini sebagai alat
untuk merekam dan mendefinisikan tingkah laku objek, dalam penelitian ini objek
yang dimaksud adalah gerakan wajah (face tracking) dan kedipan mata (blink
detection) manusia.
Penelitian yang berkaitan dengan interaksi penyandang disabilitas dengan
komputer telah dilakukan oleh beberapa peneliti terdahulu. Penelitian yang
dilakukan oleh Kocejko et al. (2009) menggunakan 2 algoritma, yaitu untuk
mendeteksi pupil dan posisi layar. Algoritma yang digunakan untuk deteksi pupil,
yaitu Longest Segment Algorithm (LSD) dan Modified Longest Segment
Algorithm (MLSD), sedangkan algoritma LSD digunakan untuk deteksi layar.
Penelitian tersebut menggunakan 2 kamera video, masing-masing berfungsi untuk
penjejakan pupil dan mengontrol posisi relatif kepala ke layar. Tujuan penelitian
tersebut untuk membuat antarmuka bagi penyandang disabilitas sebagai pengganti
keyboard dan mouse. Pada penelitian ini navigasi kursor menggunakan deteksi
pupil mata. Penelitian berikutnya yang dilakukan oleh Krlak dan Strumillo
(2009) membangun 2 aplikasi bagi penyandang disabilitas dengan menggunakan
konsep deteksi kedipan mata (eye blink). Aplikasi yang dihasilkan, yaitu Blink
4
Writer dan Blink Browser. Blink Writer merupakan aplikasi virtual keyboard yang
digunakan untuk menginputkan karakter alphanumeric menggunakan kedipan
mata, sedangkan Blink Browser merupakan browser dengan virtual keyboard
yang didesain khusus bagi penyandang disabilitas yang pengoperasiannya
menggunakan kedipan mata. Deteksi kedipan mata menggunakan sinar infra
merah (infrared) dan electro-oculography. Penelitian sejenis untuk membuat
aplikasi virtual keyboard dilakukan pula oleh Agustian et al. (2012). virtual
keyboard digunakan dengan cara mengedipkan mata. Pada penelitian tersebut,
peneliti mendeteksi wajah secara real time menggunakan metode Haarcascade
dan deteksi kedipan mata menggunakan metode SURF. Krlak dan Strumillo
(2012), melakukan pengembangan metode untuk mendeteksi kedipan mata dalam
penggunaan virtual keyboard berbahasa inggris dan polandia, yang semula dengan
sinar infra merah (infrared) dan electro-oculography, menjadi teknik template
matching. Implementasi penelitian tersebut menggunakan Visual C++ dan
OpenCV library. Metode yang berbeda untuk mendeteksi kedipan dan penjejakan
mata dilakukan oleh Syarif et al. (2013) menggunakan algoritma Lucas Kanade.
Kekurangan penelitian tersebut, yaitu sistem hanya dapat mendeteksi wajah pada
posisi tegak lurus dengan kamera. Metode yang berbeda untuk mendeteksi
kedipan dan penjejakan mata dilakukan pula oleh Yang et al. (2013)
menggunakan Pseudo EMG Signal Filtering. Uji coba penelitian tersebut
menggunakan virtual keyboard berbahasa cina. Keunggulan penelitian tersebut
terletak pada desain virtual keyboard yang nyaman dan inovatif, serta waktu
mengetik cepat karena mengadopsi konsep intelligent character selection
function.
Perbedaan penelitian ini dengan penelitian terdahulu, yaitu pada penelitian ini
menggunakan color sensor (sensor warna) milik Microsoft Kinect. Algoritma
untuk penjejakan wajah (face tracking) menggunakan algoritma Haarcascade dan
deteksi kedipan mata (blink detection) menggunakan algoritma Lucas Kanade.
5
2. Perumusan Masalah
Berdasarkan latar belakang dan permasalahan yang telah diuraikan, maka
dalam penelitian ini terdapat beberapa permasalahan sebagai berikut :
A. Bagaimana menerapkan algoritma Haarcascade dan algoritma Lucas
Kanade untuk mengontrol kursor pada komputer?
B. Berapa intensitas pencahayaan yang optimal pada jarak tertentu untuk
mendapatkan kecepatan respon aplikasi dalam penjejakan wajah dan
deteksi kedipan mata?
6
3) Penelitian ini memberikan kontribusi berupa teknologi yang dapat
dimanfaatkan oleh sekolah khusus bagi anak yang berkebutuhan
khusus, sehingga sekolah dapat memberikan materi yang berkaitan
dengan teknologi informasi kepada penyandang disabilitas.
7
BAB II
TINJAUAN PUSTAKA
1. Penelitian Terdahulu
Penelitian yang berkaitan dengan interaksi penyandang disabilitas
dengan komputer telah dilakukan oleh beberapa peneliti terdahulu. Penelitian
yang dilakukan oleh Kocejko et al. (2009) menggunakan 2 algoritma, yaitu
untuk mendeteksi pupil dan posisi layar. Algoritma yang digunakan untuk
deteksi pupil, yaitu Longest Segment Algorithm (LSD) dan Modified Longest
Segment Algorithm (MLSD), sedangkan algoritma LSD digunakan untuk
deteksi layar. Penelitian tersebut menggunakan 2 kamera video, masing-
masing berfungsi untuk penjejakan pupil dan mengontrol posisi relatif kepala
ke layar. Tujuan penelitian tersebut untuk membuat antarmuka bagi
penyandang disabilitas sebagai pengganti keyboard dan mouse. Pada
penelitian ini navigasi kursor menggunakan deteksi pupil mata. Penelitian
berikutnya yang dilakukan oleh Krlak dan Strumillo (2009) membangun 2
aplikasi bagi penyandang disabilitas dengan menggunakan konsep deteksi
kedipan mata (eye blink). Aplikasi yang dihasilkan, yaitu Blink Writer dan
Blink Browser. Blink Writer merupakan aplikasi virtual keyboard yang
digunakan untuk menginputkan karakter alphanumeric menggunakan kedipan
mata, sedangkan Blink Browser merupakan browser dengan virtual keyboard
yang didesain khusus bagi penyandang disabilitas yang pengoperasiannya
menggunakan kedipan mata. Deteksi kedipan mata menggunakan sinar infra
merah (infrared) dan electro-oculography. Penelitian sejenis untuk membuat
aplikasi virtual keyboard dilakukan pula oleh Agustian et al. (2012). virtual
keyboard digunakan dengan cara mengedipkan mata. Pada penelitian
tersebut, peneliti mendeteksi wajah secara real time menggunakan metode
Haarcascade dan deteksi kedipan mata menggunakan metode SURF. Krlak
dan Strumillo (2012), melakukan pengembangan metode untuk mendeteksi
kedipan mata dalam penggunaan virtual keyboard berbahasa inggris dan
polandia, yang semula dengan sinar infra merah (infrared) dan electro-
8
oculography, menjadi teknik template matching. Implementasi penelitian
tersebut menggunakan Visual C++ dan OpenCV library. Metode yang
berbeda untuk mendeteksi kedipan dan penjejakan mata dilakukan oleh Syarif
et al. (2013) menggunakan algoritma Lucas Kanade. Kekurangan penelitian
tersebut, yaitu sistem hanya dapat mendeteksi wajah pada posisi tegak lurus
dengan kamera. Metode yang berbeda untuk mendeteksi kedipan dan
penjejakan mata dilakukan pula oleh Yang et al. (2013) menggunakan
Pseudo EMG Signal Filtering. Uji coba penelitian tersebut menggunakan
virtual keyboard berbahasa cina. Keunggulan penelitian tersebut terletak pada
desain virtual keyboard yang nyaman dan inovatif, serta waktu mengetik
cepat karena mengadopsi konsep intelligent character selection function.
9
Membuat aplikasi
virtual keyboard
Krlak dan Algoritma
Algoritma Tidak yang operasinya
Strumillo Template
Haarcascade Menggunakan menggunakan
(2012) Matching
deteksi kedipan
mata
Algoritma Membuat aplikasi
Syarif et al. Tidak
- Lucas pengendali pointer
(2013) Menggunakan
Kanade kursor
Membuat aplikasi
Pseudo virtual keyboard
Yang et al. Tidak
- EMG Signal dengan intelligent
(2013) Menggunakan
Filtering character
selection function
Membuat aplikasi
pengendali pointer
kursor yang
navigasinya
Algoritma menggunakan
Penelitian Algoritma
Lucas Menggunakan penjejakan wajah
ini Haarcascade
Kanade dan operasi klik
kiri-kanan
menggunakan
deteksi kedipan
mata
2. Landasan Teori
1) Face Detection
Face Detection (deteksi wajah) merupakan proses untuk
mengidentifikasi keberadaan wajah dalam citra digital, apabila
ditemukan citra wajah, maka sistem memberikan nilai kembalian berupa
lokasi dan ukuran setiap citra wajah (Yang, 2009; Huang dan Hu, 2009;
Bevilacqua et al., 2008). Teknologi Face Detection banyak diterapkan di
10
berbagai bidang, misalnya video surveillance untuk keamanan, sistem
komunikasi visual, aplikasi multimedia, dan interaksi manusia dengan
komputer (Pham-Ngoc et al., 2007). Beberapa algoritma untuk
mendeteksi wajah telah dikembangkan, diantaranya algoritma
haarcascade (Hassaballah et al., 2011; Wu et al., 2009), Adaboost yang
dibangun oleh Viola dan Jones (Chae et al., 2014; Wu et al., 2009), dan
Judging Existence of Eye Region (Chun-Fu Lin dan Sheng-Fuu Lin,
2013).
Pada penelitian ini deteksi wajah menggunakan algoritma
haarcascade. Fitur Haar-like di dalam layar berukuran W x H Pixel
dapat dirumuskan dengan persamaan berikut (Lienhart et al., 2002;
Kasiski dan Schmidt, 2007; Kasiski dan Schmidt, 2010) :
Gambar 2.2 Persegi Tegak Lurus dan Persegi Berotasi 45o di Dalam
Window (Sumber : Kasiski dan Schmidt, 2010)
11
Gambar 2.3 Prototype Haar-like Features (Sumber : Kasiski dan
Schmidt, 2010)
Intensitas pixel secara keseluruhan dari titik koordinat (0,0) hingga (x,y)
dengan metode SAT dapat dirumuskan seperti pada Gambar 2.4, dimana
I(x1, y1) merupakan nilai intensitas dari pixel (x,y). RSAT digunakan
untuk perhitungan feature dengan persegi berotasi sehingga membentuk
besar sudut tertentu. Gambar 2.5 menjelaskan tentang persamaan RSAT.
12
False Positive (FP) pada sebagian besar f. Window yang diklasifikasikan
positif akan diteruskan pada tahapan selanjutnya, sedangkan window
negatif akan dieliminasi dari tahap selanjutnya. Gambar 2.6 menjelaskan
tentang keseluruhan rasio deteksi yang dirumuskan menggunakan fungsi
eksponensial.
2) Blink Detection
Blink Detection (deteksi kedipan mata) merupakan proses untuk
mendeteksi kedipan mata di dalam citra digital suatu wajah. Teknologi
Blink Detection banyak diterapkan di berbagai bidang, misalnya forensic
psychophysiology (Peth et al., 2013), kesehatan (Ladas et al., 2013), dan
keamanan berkendara (Lenskiy dan Lee, 2012). Beberapa metode dan
algoritma untuk mendeteksi kedipan mata telah dikembangkan
sebelumnya, diantaranya yaitu Remote Eye Gaze Tracker (Torricelli et
al., 2009), Pseudo EMG Signal Filtering, Template Matching, Longest
Segment Algorithm (LSD), Modified Longest Segment Algorithm
(MLSD), SURF, Sinar infra merah (infrared) dan electro-oculography,
serta algoritma Lucas Kanade (Lucas dan Kanade, 1981).
13
Pada penelitian ini deteksi kedipan mata menggunakan algoritma
Lucas Kanade. Algoritma tersebut menggunakan metode registrasi citra
yang menguji kemungkinan terendah untuk memperoleh nilai h. Estimasi
nilai h dibuat dan diubah berulangkali berdasarkan nilai rata-rata
intensitas gradien spasial yang ditemukan pada tiap titik di static window
(Neustaedter, 2002). Gambar 2.7 menjelaskan tentang algoritma Lucas
Kanade.
3) Microsoft Kinect
Kinect merupakan perangkat keras yang memiliki sensor motion
(gerakan) sehingga berkemampuan untuk mendeteksi posisi tubuh,
gerakan tubuh, dan suara (Jana, 2012). Perangkat tersebut menyediakan
Natural User Interface (NUI) agar mampu berinteraksi dengan gerakan
dan posisi tubuh, serta perintah berupa suara.
Kinect memiliki beberapa komponen utama, yaitu color camera,
Infrared (IR) emitter, IR depth sensor, Tilt motor, Microphone array, dan
LED (Jana, 2012). Gambar 2.8 menjelaskan tentang komponen-
komponen di dalam Kinect.
14
Gambar 2.8 Komponen Kinect (Sumber : Jana, 2012)
15
BAB III
METODE PENELITIAN
1. Peralatan
Pada penelitian ini menggunakan beberapa perangkat keras. Tabel 3.1
menjelaskan spesifikasi dari masing-masing perangkat keras tersebut.
Tabel 3.1 Spesifikasi Perangkat Keras
No Spesifikasi Jumlah
1. PC (Personal Computer) :
- Processor Core i3
3 Unit
- RAM DDR3 2 GB
- Harddisk SATA2 500 GB
2. Microsoft Kinect for Windows 1 Unit
3. Lux Meter 1 Unit
Perangkat Lux Meter digunakan untuk mengukur tingkat intensitas cahaya,
sedangkan Kinect digunakan sebagai perangkat input device pada sistem aplikasi.
Perangkat lunak yang digunakan dalam penelitian ini, yaitu Microsoft Visual
Studio 2010, OpenCV, dan OpenCV Sharp. OpenCV dan OpenCV Sharp
digunakan sebagai library Computer Vision, algoritma Haarcascade dan Lucas
Kanade diambil dari library tersebut. Microsoft Visual Studio 2010 digunakan
sebagai tools developer untuk membangun aplikasi pengontrol pointer/kursor.
2. Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini, yaitu studi
literatur. Studi literatur dilakukan dengan pengumpulan teori dan informasi
mengenai topik penelitian. Pengumpulan teori dan informasi mengenai topik
penelitian diperoleh dari buku literatur, jurnal ilmiah, proceeding, paper, dan
laporan penelitian.
16
3. Tahapan Penelitian
17
tersebut mampu menyediakan fungsionalitas use case. Pada tahap ini
dilakukan pemodelan objek dan hubungan data antar objek menggunakan
Sequence Diagram.
Tujuan dari analisis sistem yang dilakukan, yaitu untuk
mengidentifikasi kebutuhan fungsional dan non fungsional,
mengidentifikasi proses bisnis, mengidentifikasi objek-objek dan
hubungan data antar objek yang mampu menyediakan fungsionalitas use
case.
B. Desain Sistem
Desain sistem terdiri dari beberapa tahapan, yaitu analisis Class
Stereotypes dan pembuatan Class Diagram untuk sistem aplikasi.
C. Implementasi Sistem
Implementasi sistem aplikasi yang dibangun mengikuti
rancangan sistem yang telah dibuat. Pembangunan aplikasi menggunakan
tools development Visual Studio.NET 2010. Bahasa pemrograman yang
digunakan, yaitu Visual C#.NET, sedangkan algoritma Haarcascade dan
Lucas Kanade diambil dari library computer vision, yaitu OpenCV dan
OpenCV Sharp.
Tujuan dari tahap implementasi sistem, yaitu untuk menghasilkan
sistem aplikasi yang sesuai dengan rancangan sistem yang telah dibuat,
sehingga mampu memenuhi kebutuhan fungsional dan non fungsional
pengguna sistem.
D. Pengujian Sistem
Pengujian aplikasi dilakukan terhadap kecepatan aplikasi dalam
mendeteksi wajah berdasarkan sudut kemiringan wajah tertentu dan
kecepatan aplikasi dalam mendeteksi iris mata berdasarkan nilai
threshold tertentu. Pada proses pengujian deteksi wajah dan iris mata,
pengujian dilakukan dalam pencahayaan sebesar 29 lux dengan jarak 30
18
cm, background berwarna orange, dan sample 7 wajah yang berbeda.
Tabel 3.2 menjelaskan tentang tabel yang digunakan untuk mendata hasil
pengujian aplikasi.
Tabel 3.2 Pengukuran Kecepatan Deteksi Wajah
sudut
10o 15o 20o 25o 30o 35o 40o 45o
wajah
Wajah 1 ... ... ... ... ... ... ... ...
Wajah 2 ... ... ... ... ... ... ... ...
Wajah 3 ... ... ... ... ... ... ... ...
Wajah 4 ... ... ... ... ... ... ... ...
Wajah 5 ... ... ... ... ... ... ... ...
Wajah 6 ... ... ... ... ... ... ... ...
Wajah 7 ... ... ... ... ... ... ... ...
19
Gambar 3.3 Skema Sistem Aplikasi
20
pada monitor, sedangkan blink detection digunakan untuk melakukan
operasi mouse click event.
21
BAB IV
HASIL DAN PEMBAHASAN
1. Analisis Sistem
Tahap analisis sistem terdiri dari 3 fase, yaitu fase analisis kebutuhan
fungsional dan non fungsional pengguna sistem (Requirement Gathering), fase
pemodelan proses bisnis (Business Process Modeling) untuk melakukan
identifikasi jumlah aktifitas dan pemodelan aktifitas yang berhubungan dengan
proses bisnis yang melibatkan aktor/pengguna sistem, dan fase realisasi proses
bisnis (Business Process Realization) untuk mengidentifikasi objek-objek yang
berpartisipasi pada tiap use case yang terlibat dalam sistem.
A. Requirement Gathering
Pada tahapan ini dilakukan analisis kebutuhan fungsional dan non
fungsional pengguna sistem. Berdasarkan hasil pengumpulan data, dapat
diidentifikasi terdapat satu pengguna yang mengoperasikan aplikasi.
Kebutuhan fungsional pengguna tersebut, yaitu pengguna mampu melakukan
navigasi kursor menggunakan gerakan wajah, pengguna mampu melakukan
operasi klik kiri menggunakan kedipan mata kiri, dan pengguna mampu
melakukan operasi klik kanan menggunakan kedipan mata kanan.
Setelah dilakukan analisis terhadap kebutuhan fungsional, berikutnya
dilakukan analisis kebutuhan non fungsional. Analisis kebutuhan non
fungsional dilakukan untuk mengetahui spesifikasi kebutuhan untuk sistem.
Spesifikasi kebutuhan non fungsional melibatkan kebutuhan operasional dan
performa. Kebutuhan operasional menjelaskan tentang kebutuhan lingkungan
fisik dan teknis untuk sistem yang beroperasi dan kebutuhan performa
menjelaskan tentang kecepatan, kapabilitas, dan reliabilitas sistem.
Tabel 4.1 Kebutuhan Non Fungsional Perangkat Lunak
No Kebutuhan Deskripsi
1. Operasional Sistem mampu berjalan pada sistem operasi windows
Antarmuka aplikasi dapat dipahami dan digunakan
dengan mudah oleh pengguna.
2. Performa Sistem mampu memberikan layanan terhadap satu
pengguna dalam suatu periode waktu tertentu.
22
B. Business Process Modelling
Business Process Modelling merupakan pemodelan terhadap proses
bisnis pada aplikasi yang dibangun. Pada tahapan ini digunakan teknik use
case untuk merekam persyaratan fungsional sistem dan mendeskripsikan
interaksi antara pengguna dengan sistem guna memodelkan proses bisnis. Use
case merupakan teknik yang dapat digunakan untuk merekam persyaratan
fungsional sistem dan teknik yang dapat digunakan untuk mendeskripsikan
interaksi antara pengguna dengan sistem. Gambar 4.1 mendeskripsikan
interaksi antara aktor dengan perangkat lunak.
uc Use Case Model
Virtual Mouse
Pengguna Disabilitas
23
identifikasi tersebut mampu menyediakan fungsionalitas use case. Pada tahap
ini dilakukan pemodelan objek dan hubungan data antar objek menggunakan
Sequence Diagram. Sequence diagram menunjukkan bagaimana kelompok
kelompok objek saling berkolaborasi dalam beberapa behavior. Berdasarkan
use case diagram pada Gambar 4.1, terdapat 3 sequence diagram pada
rancangan aplikasi, yaitu sequence navigasi kursor, klik kiri, dan klik kanan.
Gambar 4.2 menjelaskan tentang sequence diagram navigasi kursor.
sd seqNav igasi
Pengguna Disabilitas
frmMain Fungsi
call()
cekWajah()
isWajah()
hasil wajah()
hasil wajah()
call motion()
motion()
motion()
24
2. Desain Sistem
Tahap desain sistem terdiri dari 2 tahapan, yaitu tahap perancangan
aplikasi yang meliputi analisis class stereotypes dan pembuatan Class
Diagram. Analisis class stereotypes merupakan fase untuk
mengidentifikasi jenis class, komponen vital dalam pemodelan
berorientasi objek. Dalam Sharif dan Maletic (2009), dan Dragan (2011),
Booch et al., menyatakan bahwa terdapat 3 jenis class stereotypes, yaitu
boundary class, entity class, dan control class. Boundary class merupakan
model interaksi antara sistem dengan aktor, entity class merepresentasikan
informasi yang terdapat pada suatu sistem, dan control class merupakan
model yang merepresentasikan koordinasi, transaksi, pengurutan, dan
kontrol terhadap objek dari class yang lain.
Berdasarkan analisis sequence diagram yang telah dilakukan, dapat
dijelaskan bahwa dalam aplikasi ini terdapat 2 jenis class, yaitu boundary
class dan control class. frmMain merupakan boundary class, sedangkan
Fungsi merupakan control class.
Proses berikutnya setelah fase analisis class stereotypes adalah
pembuatan Class diagram. Class diagram mendeskripsikan jenis-jenis
objek dari suatu class dalam sistem dan hubungan statis yang terdapat
diantara objek-objek tersebut. Class diagram juga mendeskripsikan
properti dan operasi suatu class dan batasan-batasan yang terdapat dalam
hubungan antar objek tersebut. Berdasarkan hasil analisis class
stereotypes, dapat dijelaskan class diagram aplikasi pada Gambar 4.3.
class Class Model
frmMain
+ call_blink(varbinary): void
+ call_motion(varbinary): void
Fungsi
+ blink(): void
+ isEye(varbinary): void
+ isWajah(varbinary): boolean
+ motion(): void
25
Berdasarkan Gambar 4.3 dapat dijelaskan bahwa di dalam aplikasi terdapat 2
class, yaitu frmMain dan Fungsi. Class fungsi merupakan class yang berisi
method yang digunakan untuk mengolah data visual pengguna menjadi
navigasi dan operasi mouse. Method blink() digunakan untuk operasi klik
kanan dan kiri, isEye() digunakan untuk mengidentifikasi mata, isWajah()
digunakan untuk mengidentifikasi wajah, dan motion untuk mengontrol
navigasi kursor.
3. Implementasi Sistem
Hasil implementasi aplikasi ditunjukkan seperti pada Gambar 4.4
berikut ini.
26
4. Pengujian Sistem
Pengujian aplikasi dilakukan terhadap kecepatan aplikasi dalam
mendeteksi wajah berdasarkan sudut kemiringan wajah tertentu dan
kecepatan aplikasi dalam mendeteksi iris mata berdasarkan nilai threshold
tertentu. Pada proses pengujian deteksi wajah dan iris mata, pengujian
dilakukan dalam pencahayaan sebesar 29 lux dengan jarak 30 cm,
background berwarna orange, dan sample 7 wajah yang berbeda. Tabel 4.2
menjelaskan tentang hasil pengujian deteksi wajah pada aplikasi.
Tabel 4.2 Hasil Pengujian Kecepatan Deteksi Wajah
sudut
10o 15o 20o 25o 30o 35o 40o 45o
wajah
Wajah 1 0.038 0.045 0.060 0.121 0.066 0.507 - -
Wajah 2 0.029 0.027 0.035 0.027 0.036 0.038 0.042 -
Wajah 3 0.023 0.034 0.025 0.030 0.033 - - -
Wajah 4 0.041 0.046 0.046 0.041 0.044 - - -
Wajah 5 0.038 0.031 0.039 0.044 - - - -
Wajah 6 0.037 0.036 0.038 0.045 0.042 0.049 - -
Wajah 7 0.035 0.035 0.031 0.038 - - - -
Dari hasil percobaan pada Tabel 4.2, disimpulkan bahwa nilai pergeseran
terbaik dimana wajah dapat terdeteksi antara 10o dengan kecepatan rata-rata
0.035 millisecond sampai 25o dengan rata-rata kecepatan 0.049 milisecond,
sedangkan untuk nilai kemiringan >30o wajah masih dapat terdeteksi hanya
saja kestabilan deteksi wajah sudah mulai tidak baik, sedangkan untuk nilai
kemiringan >35o wajah sulit terdeteksi.
27
BAB V
PENUTUP
1. Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan, maka dapat diambil
kesimpulan yaitu nilai pergeseran wajah yang masih baik untuk dapat mendeteksi
wajah antara 10o sampai 25o.
2. Rekomendasi
Berdasarkan hasil yang ditemukan dan dicapai pada penelitian ini, maka
terdapat beberapa saran yang dapat diberikan, antara lain:
A. Melakukan pengujian dengan intesitas cahaya yang berbeda
B. Melakukan pengujian berdasarkan pengaruh jarak terhadap intensitas
pencahayaan.
C. Menambahkan fungsi mouse event drag and drop ke dalam aplikasi.
28
DAFTAR PUSTAKA
Agustian, I., Hidayat R., dan Widodo, Th. S., 2012, Mouse Kamera dengan
Deteksi Wajah Realtime dan Deteksi Kedip Berbasis Metode
Haarcascade dan SURF, Conference on Information Technology and
Electrical Engineering (CITEE 2012), Gadjah Mada University :
Yogyakarta, ISSN : 2085-6350, pp. 146-151
Bevilacqua V., Filograno G., dan Mastronardi G., 2008, Face Detection by
Means of Skin Detection, Advanced Intelligent Computing Theories
and Applications-With Aspects of Artificial Intelligence Vol. 5227, pp.
1210-1220
Chae, Y. N., Han, T., Seo, Yong-Ho, Yang, H. S., 2014, An efficient face
detection based on color-filtering and its application to smart devices,
Multimedia Tools and Applications, Springer : USA, ISSN Online :
1573-7721
Lin, Chun-Fu., dan Lin, Sheng-Fuu., 2013, Efficient face detection method
with eye region judgment, EURASIP Journal on Image and Video
Processing 2013:34, Springer : USA, ISSN Online : 1687-5281
Hassaballah M., Murakami, K., dan Ido, S., 2013, Face detection evaluation: a
new approach based on the golden ratio , Signal, Image and Video
Processing Vol. 7, Issue : 2, pp. 307-316
Henseler, H., Kuznetsova, A., Vogt, P., dan Rosenhahn, B., Validation of the
Kinect device as a new portable imaging system for threedimensional
breast assessment, Journal of Plastic, Reconstructive & Aesthetic
Surgery Vol. 67, Issue : 4, pp. 483488
Huang, Han-min., dan Hu, G., 2009, A Face Detection Based on Face
Features, Fuzzy Information and Engineering Vol.2, Advances in
Intelligent and Soft Computing Vol. 62, pp. 173-180
Irwanto., Kasim, E.R., Fransiska A., Lusli M., dan Okta S., 2010, Analisis
Situasi Penyandang Disabilitas di Indonesia: Sebuah Desk-Review,
Pusat Kajian Disabilitas Fakultas Ilmu-Ilmu Sosial dan Politik
Universitas Indonesia
Jana, A., 2012, Kinect for Windows SDK Programming Guide, Packt
Publishing Ltd : Birmingham
29
Kasiski, A., dan Schmidt, A., 2007, The Architecture of the Face and Eyes
Detection System Based on Cascade Classifiers, Computer Recognition
Systems 2-Advances in Soft Computing Vol. 45, pp 124-131
Kasiski, A., dan Schmidt, A., 2010, The architecture and performance of the
face and eyes detection system based on the Haar cascade classifiers,
Pattern Analysis and Applications Vol. 13, Issue : 2, pp. 197-211
Kocejko T., Bujnowski A., dan Wtorek J., 2009, Eye Mouse for Disabled,
Human-Computer System Interraction, Advances in Intelligent and Soft
Computing Vol. 60, pp. 109-122
Krlak A., dan Strumillo P., 2012, Eye Blink Detection System for Human-
Computer Interraction, Universal Access in The Information Society
Vol. 11, Issue : 4, pp. 409-419
Ladas, A., Frantzidis, C., Bamidis, P., dan Vivas, A.B., 2013, Eye Blink Rate
as a biological marker of Mild Cognitive Impairment, International
Journal of Psychophysiology
Lenskiy, A.A., dan Lee, Jong-Soo., 2012, Drivers Eye Blinking Detection
Using Novel Color and Texture Segmentation Algorithms, International
Journal of Control-Automation and Systems Vol. 10, Issue : 2, pp 317-
327
Lienhart, R., Kuranov, A., dan Pisarevsky, V., 2002, Empirical Analysis of
Detection Cascades of Boosted Classifiers for Rapid Object Detection,
Link :
http://videoanalysis.org/Prof._Dr._Rainer_Lienhart/Publications_files/
MRL-TR-May02-revised-Dec02.pdf, diakses tanggal 2 Mei 2014
Lucas, B.D., dan Kanade, T., 1981, An Iterative Image Registration Technique
with an Application to Stereo Vision, Proceeding 7th International Joint
Conference on Artificial Intelligence (IJCAI), Vancouver : British
Columbia, pp. 674-679
30
Neustaedter, C., 2002, An Evaluation of Optical Flow using Lucas and
Kanades Algorithm, Link :
http://clab.iat.sfu.ca/uploads/Main/EvaluatingLucasKanade.pdf, diakses
tanggal 3 Mei 2014
Peth, J., Kim, J. S. C., Gamer, M., 2013, Fixations and eye-blinks allow for
detecting concealed crime related memories, International Journal of
Psychophysiology Vol. 88, Issue : 1, pp. 96-103
Syarif, Y., Isnanto, R.R., dan Satoto, K.I., 2013, Perangkat Lunak Pengendali
Pointer Menggunakan Pelacakan Mata (Eye Tracking) dengan
Algoritma LUCAS KANADE, Jurnal TRANSIENT Vol. 2, No. 3, pp.
714-719
Torricelli, D., Goffredo, M., Conforto, S., dan Schmid, M., 2009, An adaptive
blink detector to initialize and update a view-based remote eye gaze
tracking system in a natural scenario, Pattern Recognition Letters Vol.
30, Issue : 12, pp. 1144-1150
Wu, H., Suzuki, K., Wada, T., Chen, Q., 2009, Accelerating Face Detection
by Using Depth Information, Advances in Image and Video
Technology Vol. 5414, pp. 657-667
31
LAMPIRAN
32
1. Daftar Riwayat Hidup Ketua dan Anggota
A. Biodata Ketua Peneliti
1) Identitas Diri
1 Nama Lengkap Dr. Berlilana, SP, S.Kom, M.Si
2 Jenis Kelamin L
3 Jabatan Fungsional Lektor
4 NIK 10.398.149
5 NIDN 0602127301
6 Tempat dan Tanggal Lahir Jakarta, 2 Desember 1973
7 E-mail berli@amikompurwokerto.ac.id /
berli_amikom@yahoo.co.id
8 Nomor Telepon/HP 081327222678
9 Alamat Kantor Jl. Let. Jend. Pol. Sumarto, Watumas
Purwokerto (depan SPN Purwokerto)
10 Nomor Telepon/Faks Telp. 0281-623321/Faks. 0281-623196
11 Lulusan yang Telah S-1 = 100 Orang
Dihasilkan
Mata Kuliah yang Diampu Sistem Informasi Manajemen
12
Analisis Desain Sistem Informasi
2) Riwayat Pendidikan
S-1 S-1 S-2 S-3
Nama Perguruan Universitas Stmik Universitas Universitas
Jenderal Tasikmalaya Jenderal Merdeka Malang
Tinggi
Soedirman Soedirman
Purwokerto Purwokerto
Bidang Ilmu Ilmu Hama Teknik Ekonomi Imu Ekonomi
dan Penyakit Informatika Manajemen
Tumbuhan
Tahun Masuk-Lulus 1997 2004 2008 2009 - 2014
Judul Pengaruh Sistem Analisis Pengaruh
Konsentrasi Pengaruh Kepemimpinan
Skripsi/Tesis/Disertasi Informasi
Beberapa Faktor Spiritual
Ekstrak Kulit Penerimaan Kebutuhan Perspektif Islam,
33
Jeruk (Citrus Mahasiswa Berprestasi Motivasi dan
SPP) Terhadap (N-Ach), Pengembangan
Baru di Imki
Mortalitas Dan Kebutuhan Karir Terhadap
Perkembangan Prima Kekuasaan Kepuasan Kerja
Hama Plutella (N-Pow), Dan Kinerja
Purwokerto
Xylostella L. Kebutuhan Karyawan PT.
(Lepidoptera : Berafiliasi Bank Muamalat
Plutellidae) (N-Aff), Wilayah Jawa
Pengetahuan Tengah Daerah
dan Istimewa
Ketrampilan Yogyakarta
Terhadap
Kinerja
Karyawan
IMKI Prima
(Studi Kasus
Pada IMKI
Prima
Wilayah
Barat)
Nama Pembimbing/ Ir. Restu Adi Dr. Ali Prof. Dr. Hj.
Promotor Herminanto, Wiyono, Rokhman, Djumiati, MS
M.Sc M.Sc , M.Si
M.Kom
34
Kabupaten Banjarnegara
3 2010 Model Sistem Pengelolaan Nilai LP2M Stmik Amikom
akademik Berbasis Web dengan Purwokerto
Pendekatan Service Oriented -
Architectur di SMP negeri 2
Kembaran
4 2010 Aplikasi Mobile Panduan Ibadah LP2M Stmik Amikom
-
Haji Berbasis Multimedia Purwokerto
5 2011 Penerapan Analytical Hierarchy Mandiri
Procces Dalam Sistem
Penunjang Keputusan Untuk
-
Evaluasi Kinerja Dosen Berbasis
Web di Stmik Amikom
Purwokerto
6 2011 Sistem Pendukung Keputusan LP2M Stmik Amikom
Untuk Penilaian Kinerja -
Purwokerto
Karyawan dengan Metode
Simple Additive Weighting
7 2011 Isu Cloud Computing E- LP2M Stmik Amikom
Government di Indonesia Tahun -
Purwokerto
2014
8 2012 Implementation of information LP2M Stmik Amikom
retrieval Indonesian text -
Purwokerto
document using the factor space
model
9 2012 Penggunaan Operator Quantifier LP2M Stmik Amikom
Guided Dominance Degree pada -
Purwokerto
Group Decision Support system
untuk seleksi asisten praktikum
35
Nasional
Veteran
Yogyakarta
2 International Implementation Of Information Universitas
conference on Soft Retrieval Indonesian Text Petra
Computing, Intelligent Document Using The Factor Surabaya.
system and Information Space Model Tahun 2012
Technology (ICSIIT)
3 Seminar Nasional Ilmu Penggunaan Operator Quantifier Universitas
Guided Dominance Degree pada Diponegoro
Komputer
Group Decision Support System Semarang.
Untuk Seleksi Asisten Praktikum Tahun 2012
4 Seminar Regional Optimalisasi Website Sebagai Dynasti Hotel.
Optimalisasi Website Mesin Uang
Tahun 2009
Sebagai Mesin Uang
5 Workshop Kurikulum Mengelola dan Mengembangkan Universitas
Program Diploma III Perguruan Tinggi Jenderal
Bisnis Internasional Soedirman.
Tahun 2011
6 Workshop Manajemen Seni Memimpin dan Indahnya Sekolah Tinggi
Kepemimpinan Jadi Pemimpin Agama Islam
Pendidikan Negeri
Purwokerto.
Tahun 2008
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pelaporan Penelitian Terapan.
36
B. Biodata Anggota Peneliti I
1) Identitas Diri
1 Nama Lengkap Rujianto Eko Saputro, M.Kom
2 Jenis Kelamin L
3 Jabatan Fungsional Asisten Ahli
4 NIK 20.210.045
5 NIDN 0611118204
6 Tempat dan Tanggal Lahir Purwokerto, 11November 1982
7 E-mail ettogawa@amikompurwokerto.ac.id
8 Nomor Telepon/HP 082220176117
9 Alamat Kantor Jl. Let. Jend. Pol. Sumarto, Watumas
Purwokerto (depan SPN Purwokerto)
10 Nomor Telepon/Faks Telp. 0281-623321/Faks. 0281-623196
11 Lulusan yang Telah S-1 = 30 Orang
Dihasilkan
1. Perancangan Multimedia
2. Jaringan Komputer I
12 Mata Kuliah yang Diampu
3. Jaringan Komputer II
4. Pengenalan Hardware & Software
2) Riwayat Pendidikan
S-1 S-2 S-3
Nama Perguruan Tinggi STMIK AMIKOM STMIK AMIKOM
-
Purwokerto Yogyakarta
Bidang Ilmu Sistem Informasi Teknik Multimedia
-
Digital
Judul Otentikasi user pada Perbandingan Kinerja
Skripsi/Tesis/Disertasi jaringan WLAN Algoritma Untuk
Berbasis MikroTik OS Mendeteksi Objek 2 -
di SMP Negeri 3 Dimensi Pada
Purwokerto Augmented Reality
Nama Pembimbing 1 : Teguh Pembimbing 1: Prof.
Pembimbing/Promotor Cahyono, ST, M.Kom Dr. M. Suyanto
-
Pembimbing 2 : Pembimbing 2 : Amir
Supriyanto, S.Si, M.Si Fatah Sofyan, ST,
M.Kom
37
3) Pengalaman Penelitian Dalam 5 Tahun Terakhir
Pendanaan
No Tahun Judul Penelitian
Sumber Jml (Juta Rp)
1 2014 Pengembangan Media DIKTI 13.000.000
Pembelajaran Mengenal Organ (Penelitian
Pencernaan Manusia Dosen
Menggunakan Teknologi Pemula)
Augmented Reality
2 2013 Penerapan Mobile Augmented DIKTI 13.000.000
Reality Berbasis Cloud (Penelitian
Computing (Study Kasus Harian Dosen
Umum Radar Banyumas) Pemula)
6) Sertifikat Nasional/Internasional
No Tahun Sertifikat
1 2012 MikroTik Certified Network Associate 2012 (MCTNA)
2 2013 Cisco Certified Network Associate (CCNA)
38
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar
dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari
ternyata dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup
menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah
satu persyaratan dalam pelaporan Penelitian Terapan.
39
C. Biodata Anggota Peneliti II
1) Identitas Diri
1 Nama Lengkap Fandy Setyo Utomo, S.Kom
2 Jenis Kelamin L
3 Jabatan Fungsional -
4 NIK 20.210.039
5 NIDN 0615128401
6 Tempat dan Tanggal Lahir Purwokerto, 15 Desember 1984
7 E-mail fandy_setyo_utomo@yahoo.com
8 Nomor Telepon/HP 085641411571
9 Alamat Kantor Jl. Let. Jend. Pol. Sumarto, Watumas
Purwokerto (depan SPN Purwokerto)
10 Nomor Telepon/Faks Telp. 0281-623321/Faks. 0281-623196
11 Lulusan yang Telah S-1 = 14 Orang
Dihasilkan
5. Pemrograman Client Server
6. IT Ethic, Regulation, and Cyber Law
7. Pemrograman Visual I
8. Pemrograman Visual II
12 Mata Kuliah yang Diampu
9. Pemrograman Basis Data
10. Pemrograman Berorientasi Objek
11. Sistem Pengolahan Basis Data
12. Rekayasa Perangkat Lunak
2) Riwayat Pendidikan
S-1 S-2 S-3
Nama Perguruan Tinggi STMIK AMIKOM Universitas Gadjah Mada
-
Purwokerto
Bidang Ilmu Sistem Informasi Ilmu Komputer -
Tahun Masuk-Lulus 2006-2010 2011-Saat ini -
Judul Skripsi/Tesis/Disertasi Multi Attribute
Decision Making
Implementasi Web
Dengan Metode
Service Untuk Integrasi
Technique For Order
Dan Distribusi Data Pada
Preference By
Sistem Presensi Dosen, -
Similarity To Ideal
Asisten, Dan Mahasiswa
Solution untuk
(Studi Kasus Stmik
Menentukan
Amikom Purwokerto)
Rekomendasi
Penerima Beasiswa
40
BBM dan PPA di
STMIK AMIKOM
Purwokerto
Nama Pembimbing 1 :
Pembimbing/Promotor Rahman Rosyidi,
S.Sos., M.Kom Dr. Techn. Ahmad
-
Ashari, M.Kom
Pembimbing 2 : Asep
Suryanto, S.Si
41
6 2014 Interoperabilitas Data pada Sistem STMIK 3.000.000
Informasi Akademik dengan AMIKOM
Sistem Informasi Kepegawaian Purwokerto
Menggunakan Web Service
7 2014 JSON Web Service Untuk STMIK 3.000.000
Interoperabilitas Sistem Informasi AMIKOM
Pariwisata Kabupaten Banyumas Purwokerto
Dengan Aplikasi Client Berbasis
Windows 8.1
8 2014 Multi Criteria Decision Making STMIK 3.000.000
Dengan Metode Promethee Untuk AMIKOM
Penentuan Dosen Berprestasi Purwokerto
42
Komputer Universitas Guided Dominance Degree pada 2012 di
Diponegoro 2012 Group Decision Support System Universitas
untuk Seleksi Asisten Praktikum Diponegoro
4 Seminar Nasional Aplikasi Purwokerto Place Finder Tahun 2012 di
Teknologi Informasi pada SmartPhone Bersistem Universitas
dan Komunikasi Operasi Android Dian
Terapan (SEMANTIK) Nuswantoro
2012 (UDINUS)
Semarang
5 International Implementation of Information Tahun 2012 di
Conference on Soft Retrieval Indonesian Text Inna Kuta
Computing, Intelligent Document Using The Vector Beach Bali,
Systems and Space Model Indonesia
Information
Technology (ICSIIT)
2012
6 Seminar Nasional Technique For Order Preference Tahun 2011 di
Pengaplikasian By Similarity To Ideal Solution Universitas
Telematika Multi Attribute Decision Making Mercu Buana
SINAPTIKA 2011 Sebagai Metode Untuk Jakarta
Menentukan Rekomendasi
Penerima Beasiswa BBM dan
PPA di STMIK AMIKOM
Purwokerto
7 Seminar Teknik Sistem Pendukung Keputusan Tahun 2011 di
Informatika (STI) 2011 Untuk Penilaian Kinerja Universitas
Karyawan dengan Metode Simple Ahmad Dahlan
Additive Weighting Yogyakarta
43
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata
dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pelaporan Penelitian Terapan.
44