01 (2020) 055-063
Artikel Ilmiah
INFORMASI ARTIKEL A B S T R A C T
Dalam proses Face Recognition ini juga digunakan algoritma Pada jurnal Yang et al penelitian ini menggunakan algoritma Two
Convolutional Neural Netwok (CNN). Pada dasarnya algorritma Stage CNN [8]. Sebelum melakukan two stage CNN, program ini
CNN adalah arsitektur jaringan syaraf tiruan yang lebih efektif melakukan multi scale algoritma. Langkah ini bertujuan sebagai
untuk klasfikasi citra. Konsep utama CNN sendiri terdapat pada proses pengambilan gambar secara luas. Mendapatkan setiap
operasi konvolusi yang dimiliknya, dimana suatu citra akan gambar wajah dengan multi – scale menghasilkan tangkapan
diektrasi setiap fiturnya agar terbentuk beberapa pola yang akan gambar beberapa wajah dalam satu kamera. Setelah proses multi
lebih mudah untuk diklasifikasi [4]. Teknik ini dapat membuat scale didapatkan maka dilakukan langkah two stage CNN. Langkah
fungsi pembelajaran gambar menjadi lebih efisien untuk ini berfungsi untuk memisahkan beberapa gambar yang ditangkap
diimplementasikan. sesuai dengan tipikal. Setelah memisahkan gambar sesuai tipikalnya
maka didapatkan klasifikasi gambar yang dapat diidentifikasi sesuai
Perkembangan Machine Learning sekarang ini sudah dipermudah dengan dataset atau database yang tersimpan. Proses ini
oleh banyaknya library dan Application Program Interface (API). mendapatkan hasil akurasi sebesar 70% [8].
Library untuk Machine Learning biasanya berbasis Bahasa
pemrograman Python. Penggunaan library pada python Pada penelitian Parkhi diterapkan 3 model langkah arsitektur.
menggunakan Tensorflow untuk mengekpresikan suatu Langkah yang pertama yaitu Rectified Linear Unit (ReLU) [9].
permaslahan matematika pada Deep Learning. Deep learning Model arsitektur ini menghilangkan vanishing gradient pada
merupakan salah satu bidang dari Machine Learning yang gambar untuk memisahkan gradient pada gambar agar lebih mudah
memanfaatkan jaringan syaraf tirutambahkan saran untuk diklasifikasikan. Langkah kedua yaitu Max Pooling Layer. Pada
langkah ini layer kedua menangkap hasil layer pertama yang sudah dan pembutan face recognition. Tahap pembuatan Face Recognition
melalui proses Rectified Linera Unit sehingga akan didapatkan terdiri dari,
detail gambar yang lebih baik. Langkah ketiga yaitu proses Fully akuisisi gambar,
Connected (FC). Pada proses ini semua layer digabungkan untuk preprocessing,
mendapatkan hasil yang dapat di klasifikasikan sesuai dengan ekstraksi gambar,
dataset yang tersimpan. Akurasi yang didapatkan sebesar 80% [9]. klasifikasi,
Pada jurnal Fu et al penelitian dilakukan dengan menggunakan identifikasi.
metoda Reccurent Attention CNN. Metode ini menggabungkan 2.3. Tahap Pengembangan
beberapa skala dari rancangan yang digunakan. Hasil yang didapat
Pada tahap Pengembangan merupakan tahapan pembuatan program
lebih akurat dibandingkan dengan hasil dari algoritma bilinear CNN.
dengan coding menggunakan algoritma Convolutional Neural
Persentase keakuratan yang didapat dari penggunaan Reccurent
Network (CNN). Program ini menggunakan framework tensorflow
Attention CNN adalah 85,3% [10].
dan arsitektur model VGG16 untuk mengidentifikasi gambar
Penelitian Face Recognition Untuk Akses Pintu Pegawai Bank
menjadi lebih akurat. Proses coding melakukan beberapa tahap
Menggunakan Machine Learning dengan Metode Convolutional
antara lain :
Neural Network (CNN) ini menggunakan model arsitektur VGG16.
Enrollment,
VGG16 adalah arsitektur CNN dengan input yang digunakan berupa
Model,
RGB image berukuran 224 × 224 pixels. Convolutional layer yang
Training,
digunakan dalam arsitektur ini ada 2 jenis, yaitu convolutional layer
dengan ukuran filter 3x3 (conv3) dan ukuran filter 1x1 (conv1). Identify.
Ukuran convolutional layer yang digunakan bermacam-macam,
yaitu 64x64, 128x128, 256x256, dan 512x512. Model ini 2.4. Tahap Pengujian atau Testing
merupakan yang paling baik dalam localization dan classification. Tahap Pengujian atau testing dilakukan dengan menjalankan
Metode CNN yang digunakan dalam aplikasi ini ialah bilinear CNN aplikasi yang telah dibuat pada laptop atau computer dengan kamera.
yang merupakan salah satu metode terbaik untuk saat ini sehingga Mengidentifikasi wajah yang tertangkap oleh kamera sesuai dengan
masih dapat mendapatkan hasil akurasi yang lebih baik. dataset yang telah disimpan. Tahapan ini akan menentukan bahwa
aplikasi atau program berhasil dibuat.
2. METODE
Tahapan yang dilakukan dalam penelitian ini, yaitu Analisa,
2.5. Tahap Implementasi
perancangan atau design sistem, pengembangan atau coding,
Tahap Implementasi merupakan tahapan terakhir dimana program
pengujian, dan implemntasi. Berikut adalah tahapan – tahapan yang
dilihat hasilnya dan dibahas. Setelah itu mendapatkan hasil dan
dilakukan dalam penelitian ini :
bahasannya maka aplikasi dapat di implementasikan atau dijalankan
dalam sistem keamanan pintu akses pegawai bank.
2.1. Tahap Analisa
Tahap Analisa ini melakukan analisa dan pemantauan pada sistem
atau aplikasi yang sedang berjalan, dan melakukan proses Gambar 1 merupakan detail dari tahapan yang dilakukan dalam
pengumpulan data penelitian ini. Garis berwarna biru muda untuk menunjukkan tahap
2.1.1. Tahap Analisa Sistem Yang Berjalan Analisa yang berisi pengumpulan data beserta jenis data yang
Proses Analisa sistem yang sedang berjalan dengan melihat diambil. Garis berwarna pink menunjukkan tahap Design yang
langsung sistem keamanan pada pintu akses perkantoran suatu bank. berisi perancangan sistem meliputi arsitektur, algoritma dan
Pada Analisa sistem keamanan tersebut didapatkan pintu akses pembuatan face recognition. Garis berwarna ungu menunjukkan
suatu bank masih menggunakan kartu akses sebagai alat untuk tahap Pengembangan yaitu proses Coding. Garis berwarna hijau
membuka pintu. Sistem keamanan tersebut tentu memerlukan menunjukkan tahap pengujian yang berisi testing program. Garis
sebuah kartu agar dapat membuka pintu, sehingga menimbulkan berwarna merah menunjukkan tahap Implementasi yaitu proses
kekurangan dalam pengaplikasian pada penggunaan sehari – hari. implementasi aplikasi ke pintu akses bank.
Gambar 3 merupakan bagan proses pencocokan data uji dengan data 3.5. Tahap Implementasi dan Hasil
bobot_train.h5. Proses pertama yaitu memanggil dataset yang akan Setelah program berhasil dibuat, maka program akan
digunakan, yaitu data bobot_train.h5 dengan dataset uji atau tes dari diimplementasikan dengan kebutuhan user sebagai akses untuk
direktori penyimpanan file tersebut. Jika wajah yang tertangkap pintu pegawai bank. Berikut ialah foto – foto penggunaan Face
kamera cocok dengan data yang tersimpan di dataset, maka akan Recognition yang sudah diimplementasikan pada pintu akses suatu
menampilkan nama wajah sesuai nama yang tersimpan di dataset. bank :
Jika wajah yang diambil tidak sama atau tidak cocok dengan yang
ada di dalam dataset, maka label dalam frame akan menunjukan kata
“UNKNOWN”.
mengambil wajah pegawai bank dan melakukan proses identifikasi peresentase tidak sampai maksimal yaitu, dataset Indra dengan hasil
wajah untuk membuka akses pintu bank. gambar akurat sebanyak 7 dari 10 gambar dan dataset Dian dengan
hasil gambar akurat sebanyak 9 dari 10 gambar. Kedua dataset
tersebut jika dicoba dalam aplikasi akan memunculkan frame merah
dengan menulikan kata unknown karena tidak dapat menentukan
dengan akurat wajah yang ditangkap kamera. Maka total gambar
yang berhasil diidentifikasi sebanyak 46 gambar dan 4 gambar gagal.
Output dari hasil perhitungan keakuratan dilampirkan di bawah.
(1)
𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝐾𝑒𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙𝑎𝑛 = 𝑥 100%,
Gambar 9. Dataset Indra Lama
Persentase Kegagalan =maka 𝑥 100%, maka
(𝟓𝟎 − 𝟒)
4 𝒙 𝟏𝟎𝟎%, =
𝟒𝟔
𝐏𝐞𝐫𝐬𝐞𝐧𝐭𝐚𝐬𝐞 = 𝒙 𝟏𝟎𝟎%
Persentase𝟓𝟎
=
50 𝟓𝟎
𝑥 100%, = 8 %
= 92 %
https://doi.org/10.25077/ TEKNOSI.v6i1.2020.55-63 Muhamad Arsal 61
MUHAMMAD ARSAL / JURNAL NASIONAL TEKNOLOGI DAN SISTEM INFORMASI - VOL. 06 NO. 01 (2020) 055-063
ini dapat dijadikan acuan dan digunakan dalam sistem kemanan Grained Image Recognition," 2017 IEEE Conference on
yang lebih besar serta luang lingkup yang lebih luas dalam Computer Vision and Pattern Recognition (CVPR), Honolulu,
perkembangan dunia teknologi. HI, 2017, pp. 4476-4484. [Mei, 2017].
[4] X. Luo, R. Shen, J. Hu, L. Hu, Q. Guan. “A Deep Convolution [16] A. Yudhana, Sunardi, S. Saifullah. “Perbandingan Segmentasi
Neural Network Model for Vehicle Recognition and Face Pada Citra Asli dan Citra Kompresi Wavelet Untuk
Recognition,” Procedia Computer Science. 107. 715-720. Identifikasi Telur,” ILKOM Jurnal Ilmiah, vol. 8, no. 3, 2016,
10.1016/j.procs.2017.03.153. [December, 2017] pp. 190-196, doi:10.33096/ilkom.v8i3.75.190-196
[December, 2016].
[5] Danukusumo, K. P., Pranowo, & Maslim, M. “Indonesia
ancient temple classification using Convolutional Neural BIODATA PENULIS
Network,” In 2017 International Conference on Control,
Electronics, Renewable Energy and Communications Muhamad Arsal APS
(ICCREC) (pp. 50–54). IEEE.
https://doi.org/10.1109/ICCEREC.2017.822670. [September, Lahir di Bandung, 15 Juli 1996. Pendidikan sarjana
2017]. didapatkan dari Universitas Gunadarma pada
Program Studi Teknik Informatika. Saat ini berkarir
[6] Sepritahara, “Sistem Pengenalan Wajah (Face recognition) sebagai staf Application Developer Associate di PT.
Menggunakan Metode Hidden Markov Model (HMM),” Mitra Integrasi Informatika.
Undergraduate thesis, Universitas Indonesia, Depok, 2016.