PERANCANGAN SISTEM PENGENALAN WAJAH PADA

PERANGKAT ABSENSI MENGGUNAKAN METODE

HAAR LIKE FEATURE DAN LOCAL BINARY PATTERN
HISTOGRAM

TUGAS AKHIR

Oleh :
FREDRIK MAHARDIKA
4211601058

PROGRAM STUDI TEKNIK MEKATRONIKA

JURUSAN TEKNIK ELEKTRO POLITEKNIK
NEGERI BATAM
2019

i
 PERANCANGAN SISTEM PENGENALAN WAJAH PADA PERANGKAT
ABSENSI MENGGUNAKAN METODE HAAR LIKE FEATURE DAN LOCAL
BINARY PATTERN HISTOGRAM

PROPOSAL TUGAS AKHIR

Oleh :
FREDRIK MAHARDIKA
4211601058

Disusun untuk memenuhi salah satu syarat kelulusan Program Diploma IV

Program Studi Teknik Mekatronika
Politeknik Negeri Batam

PROGRAM STUDI TEKNIK MEKATRONIKA

POLITEKNIK NEGERI BATAM
2019

i
 PERANCANGAN SISTEM PENGENALAN WAJAH PADA
PERANGKAT ABSENSI MENGGUNAKAN METODE HAAR
LIKE FEATURE DAN LOCAL BINARY PATTERN HISTOGRAM

ABSTRAK

Pada umumnya ada beberapa jenis absensi yang sudah dipakai dan juga di kembangkan dengan tujuan
untuk membuat suatu sistem absensi yang lebih efektif dan efisien dalam fungsinya. Agar dapat
mempersingkat proses tersebut maka dibutuhkan sebuah sistem yang dapat melakukan absensi yang tidak
memerlukan waktu lama. Da- lam penelitian ini penulis menggunakan metode haar cascade pada sebuah
webcam untuk membuat suatu sistem absensi dengan cara memindai wajah( face recognition). Metode ini
digunakan untuk mendapatkan objek dengan cara tracking objek yang telah dipilih dalam sistem. Sistem ini akan
secara otomatis mendeteksi orang yang berada di depan dalam jarak jangkau kamera. Sistem ini hanya akan
mengenali wajah yang sudah tersimpan di database dan menampilkan informasi berupa nama dan waktu yang real
time saat objek dibaca.

Kata kunci : Tracking, ,face recognition Haar like feature, Local Binery Pattern His- togram,webcam, Sistem
Biometrik.

ii
DESIGN OF FACE RECOGNITION SYSTEM ON ATTENTION DEVICES USING HAAR
LIKE FEATURE AND LOCAL BINARY PATTERN HISTOGRAM METHOD

Abstract
In general, there are several types of attendance that have been used and developed with the aim of making an
attendance system more effective and efficient in its function. In order to shorten the process, we need a system that can
perform attendance which does not take a long time. In this study, the authors used the haar cascade method on a webcam
to create an attendance system by means of face recognition. This method is used to obtain objects by tracking the objects
that have been selected in the system. This system will automatically detect the person in front within the camera range.
This system will only recognize faces that have been stored in the database and display information in the form of names
and real time times when the object is read.

Keywords: Tracking,, Haar like feature face recognition, Local Binery Pattern Network, webcam, Biometric System.
 Kata Pengantar
Puji syukur penulis panjatkan kehadirat Tuhan yang maha Esa yang telah melimpahkan rahmat-Nya serta
hidayah-Nya sehingga penulis dapat menyelesaikan Laporan Tugas Akhir dengan judul “PERANCANGAN
SISTEM PENGENALAN WAJAH PADA PERANGKAT ABSENSI MENGGUNAKAN METODE HAAR LIKE
FEATURE DAN LOCAL BINARY PATTERN HISTOGRAM”.
Penulisan Laporan Tugas Akhir ini dimaksudkan untuk melengkapi persyaratan kelulusan tingkat Diploma IV
Program Studi Teknik Mekatronika Politeknik Negeri Batam.
Penulisan Laporan Tugas Akhir ini dapat tersusun dan selesai dengan baik tak terlepas dari bantuan dan
dukungan dari semua pihak yang ikut dalam membimbing penulis untuk menyelesaikan Laporan Tugas Akhir
ini. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada:

1. Tuhan Yang Maha Esa yang selalu memberikan karunia dan kesehatan sehingga penulis dapat
menyelesaikan Laporan Tugas Akhir ini.
2. Kedua orang tua dan keluarga atas jasa, doa, bimbingan dan nasehat.
3. Bapak Uuf Brajawidagda, ST., MT., Ph.D, Selaku Direktur Politeknik Negeri Batam.
4. Bapak Dr. Budi Sugandi, S.T., M.Eng. Selaku Ka. Jurusan Teknik Elektro Politeknik Negeri Batam.
5. Bapak Indra Hardian Mulyadi, S.T., M.Eng. Selaku Ka. Prodi Teknik Mekatronika Politeknik
Negeri Batam.
6. Bapak Daniel Sutopo Pamungkas, S.T., M.T., Ph.D. Selaku dosen pembimbing yang telah
menyediakan waktu dan pikiran untuk mengarahkan penulis dalam menyelesaikan Tugas Akhir ini.
7. Bapak Daniel Sutopo Pamungkas, S.T., M.T., Ph.D. selaku dosen pembimbing akademik penulis
8. Bapak Muhammad Prihadi Eko Wahyudi, S.T., M.T. selaku dosen pengampu mata kuliah Tugas
Akhir
9. Bapak Dr. Budi Sugandi, S.T., M.Eng. dan Ahmad Riyad Firdaus, S.Si., M.T., Ph.D. selaku dosen
penguji.
10. Seluruh Dosen-dosen Teknik Elektro Politeknik Negeri Batam.
11. Eirene Tampubolon dan kedua orangtuanya yang memberikan semangat dan telah membantu atas
terselesaikannya buku laporan ini.

Semoga segala kebaikan mereka yang telah diberikan kepada penulis diterima dan dibalas oleh Tuhan Yang
Maha Esa. Penulis menyadari sepenuhnya, bahwa dalam penulisan Laporan Tugas Akhir ini masih banyak
kesalahan dan kekurangan karena keterbatasan ilmu yang dimiliki oleh penulis, untuk itu kritik dan saran dari
pembaca diperlukan untuk penulis.
Akhir kata penulis berharapan Tugas Akhir ini dapat bermanfaat dan memberikan inspirasi untuk menciptakan
penelitian dan karya-karya inovotif untuk selanjutnya.

Batam, 11 Februari 2021

Fredrik Mahardika

iv
 DAFTAR ISI
ABSTRAK..................................................................................................................................................iii
Abstract...................................................................................................................................................iii
Kata Pengantar........................................................................................................................................iv
DAFTAR ISI............................................................................................................................................v
DAFTAR GAMBAR...................................................................................................................................vii
DAFTAR TABEL.......................................................................................................................................viii
LEMBAR PENGESAHAN PROPOSAL TUGAS AKHIR...................................................................................ix
BAB I........................................................................................................................................................1
PENDAHULUAN....................................................................................................................................1
1.1 Latar Belakang.........................................................................................................................1
1.2 R umusan Masalah....................................................................................................................1
1.3 Batasan Masalah.....................................................................................................................2
1.4 Tujuan dan Manfaat................................................................................................................2
BAB II.......................................................................................................................................................3
TINJAUAN PUSTAKA.............................................................................................................................3
2.1 Sejarah Visual Studio............................................................................................................3
2.2 Perkembangan Visual Studio................................................................................................3
2.3 Computer Vision ( OpenCV )...........................................................................................3
2.4 EmguCV................................................................................................................................4
2.5 MSSQL..................................................................................................................................4
2.6 Microsoft exel............................................................................................................................5
BAB III......................................................................................................................................................6
METODE...............................................................................................................................................6
3.1 Rancangan Penelitian.............................................................................................................6
3.2 Cara Kerja Sistem.....................................................................................................................6
3.3 Perancangan Sistem Perangkat Lunak.................................................................................7
3.4 Sistem Deteksi Menggunakan Haar Like Feature...................................................................8
3.5 Face Recognition....................................................................................................................12
3.6 Metode Local Binery Pattern Histogram............................................................................13
3.7 Prosedur Pengambilan Data...............................................................................................14
BAB IV....................................................................................................................................................15
Hasil dan Pembahasan.......................................................................................................................15
4.1 Pengujian Sistem Deteksi Wajah........................................................................................15

v
 4.2 Hasil..........................................................................................................................................17
BAB V.....................................................................................................................................................20
Kesimpulan dan Saran........................................................................................................................20
5.1 kesimpulan...............................................................................................................................20
5.2 saran........................................................................................................................................20
DAFTAR PUSTAKA..................................................................................................................................21
Biodata...................................................................................................................................................22
Lampiran................................................................................................................................................23

vi
 DAFTAR GAMBAR
Gambar 2. 1 Logo Visual Studio.................................................................................................................................3
Gambar 2. 2 Open Computer Vision (OpenCV).........................................................................................................4
Gambar 2. 3 Logo MSSQL.........................................................................................................................................4
Gambar 2. 4 Logo Microsoft Exel..............................................................................................................................5
Gambar 3. 1 Cara kerja Sistem..................................................................................................................................7
Gambar 3. 2 Flowchart sistem perangkat lunak........................................................................................................8
Gambar 3. 3 Fitur gambar Haar................................................................................................................................9
Gambar 3. 4 Intergral Image....................................................................................................................................10
Gambar 3. 5 Cascade Classifier...............................................................................................................................11
Gambar 3. 6 Model LBPH........................................................................................................................................12
Gambar 3. 7 Nilai LBPH pada gambar....................................................................................................................13

vii
 DAFTAR TABEL
Tabel 4. 1 1 Data Pengujian Deteksi Wajah.............................................................................................................15
Tabel 4. 2 Data Keberhasilan....................................................................................................................................16

viii
 LEMBAR PENGESAHAN PROPOSAL TUGAS AKHIR

Judul : Perancangan Sistem pemindaian Wajah Pada Perangkat Absensi

Menggunakan Metode Haar Like Feature Dan Local Binary Pettern
Histogram.
Oleh : Fredrik Mahardika
NIM : 4211601058
Telah diseminarkan pada :
Hari : kamis
Tanggal : 28 Februari 2019
Jam : 09.15 – 09.35
Tempat : Politeknik Negeri Batam
Mengetahui / menyetujui :
Dosen Penguji : Dosen Pembimbing :

1. Nama 1. Daniel Sutopo

NIP. / NIK. Pamungkas,S.T.,M.T.,Ph.D.
NIP. / NIK : 100006

2. Nama 2. Nama
NIP. / NIK. NIP. / NIK.

3. Nama
NIP. / NIK.

ix
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada sebuah sistem absensi terdapat sebuah tugas yaitu melakukan sebuah fungsi
mendata banyak objek yang sebelumnya sudah terdata dalam suatu sistem.
Pada penelitian sebelumnya tentang “Pengenalan Deteksi Wajah Dengan Modifi-
kasi Metode Viola Jones” yang dilakukan oleh Adinda Rizkita Syafi-
ra,mengimplementasikan algoritma metode Viola Jones serta melakukan modifikasi nilai –
nilai parameter yang ada di dalam metode Viola Jones untuk memperoleh sistem yang op-
timal dari sisi akurasi dan komputasinya[1].
Pada penelitian lainnya tentang “Pengenalan Manusia dengan Pemindai wajah pada
robot kepala” yang dilakukan oleh Sayed Maulana Iqbal Al-Aidid. Pada penelitian ini
peneliti merancang sebuah sistem prototype untuk dapat mendeteksi dan mengenali manu-
sia yang sudah di learning sebelumnya [2] .
Pada penelitian ini digunakan sistem pendeteksian wajah pada Webcam
menggunakan metode haar like feature dan mengenali wajah dengan metode Local Binary
Pettern Histogram[3].
Berdasarkan berapa latar belakang tersebut maka penelitian ini diharapkan
dapat memperoleh hasil yang maksimal dalam mendeteksi dan membaca wajah sehingga
dapat menjadi sistem absensi yang lebih efektif untuk masa yang akan da- tang.

1.2 R umusan Masalah

Berdasarkan latar belakang yang telah di uraikan sebelumnya, maka dapat ditentukan
rumusan masalah sebagai berikut:
1. Bagaimana cara mendeteksi wajah menggunakan metode haar like feature dan local
binary pattern histogram ?
2. Bagaimana cara mengoptimalkan dari sisi akurasi dan komputasi dari sistem ab-
sensi yang menggunakan metode haar like feature dan local binary pattern
histogram?

1
1.3 Batasan Masalah

Adapun batasan masalah dari proyek tugas akhir ini adalah:

1. Sistem hanya dapat mengenali wajah objek yang telah terinput dalam database.
2. keluaran dari sistem hanya berupa tampilan waktu,nama serta NIM objek.
3. Pengambilan gambar dapat dilakukan pada ruangan dengan pencahayaan yang
beragam.

1.4 Tujuan dan Manfaat

Tujuan dari pembuatan tugas akhir ini adalah sebagai berikut:

1. Merancang sebuah sistem absensi yang dapat melakukan pemindaian wajah
menggunakan metode Haar like feature dan Local binary pattern histogram.
2. Membuat sistem absensi yang lebih efektif dan efisien dalam
pengaplikasiannya.
Adapun manfaat yang ingin dicapai penulis dari penelitian proyek tugas akhir ini
adalah untuk menciptakan suatu sistem absensi yang lebih efisien dan yang pada
akhirnya dapat digunakan untuk masa yang akan datang.
.

2
 BAB II

TINJAUAN PUSTAKA

Pada umumnya Visual Studio adalah sebuah bahasa pemrograman komputer.

Dimana bahasa pemrograman itu sendiri terdiri dari perintah-perintah atau instruksi yang
dimengerti oleh komputer untuk melakukan tugas-tugas tertentu untuk menghasilkan
program-program aplikasi berbasis windows.

Gambar 2. 1 Logo Visual Studio

2.1 Sejarah Visual Studio

Menurut beberapa sumber dirilis pertama dengan nama Visual Basic yang
dikeluarkan pada tahun 1991, yaitu Visual Basic yang masih berbasis DOS dan
untuk Windows. Dan mulai dari tahun 1994 hingga 1998 bahasan pemrogramannya
mendukung digunakan dalam aplikasi 32 bit.untuk selanjutnya pada awal tahun
2002 dirilis versi .NET yaitu versi .Net.Hingga tahun 2010 Visual Studio sudah
pada versi 10.0dimana sudah ditambahkan bahasa pemrograman yang baru yaitu F#
yang merupakan penyempurnaan dari bahasa pemrogramannya yang sebelumnya.

2.2 Perkembangan Visual Studio

Hingga saat ini Microsoft Visual Studio dipakai untuk melakukan pengembangan
aplikasi, baik itu aplikasi bisnis, aplikasi personal, ataupun komponen aplikasinya.
Microsoft Visual Studio bisa digunakan untuk mengembangkan aplikasi dalam native code
(dalam bentuk bahasa mesin yang berjalan di atas Windows) ataupun managed code (dalam
bentuk Microsoft Intermediate Language di atas .NET Framework). Selain itu, Visual
Studio juga dapat digunakan untuk mengembangkan aplikasi Silverlight, aplikasi Windows
Mobile (yang berjalan di atas .NET Compact Framework).

2.3 Computer Vision ( OpenCV )

OpenCV (Open Computer Vision) adalah sebuah API (Application Programming

Interface) library yang sudah sangat familiar pada pengolahan citra computer vision.
Computer vision itu sendiri adalah salah satu cabang dari bidang ilmu pengolahan citra
(Image Processing) yang memungkinkan komputer dapat melihat seperti manusia.
OpenCV adalah library open source untuk computer vision untuk C atau C++.
3
4
 OpenCV didesain untuk aplikasi real-time, memiliki fungsi-fungsi akuisisi yang baik
untuk gambar dan video. OpenCV juga menyediakan interface ke Integrated Performance
Primitives (IPP) Intel sehingga jika anda bisa mengoptimasi aplikasi computer vision anda
jika menggunakan prosesor Intel.

Gambar 2. 2 Open Computer Vision (OpenCV)

2.4 EmguCV
EmguCV adalah cross platfrom .net wrapper untuk Library intel OpenCV pengolah
citra yang memperbolehkan fungsi OpenCV dipanggil didalam .net. Bahasa mudahnya
adalah, karena OpenCV ditujukan untuk Bahasa pemrograman C++, maka beberapa
pengembang, mengembangkan EmguCV sebagai penerjemah, sehingga para pengembang
C# juga dapat mempergunakan OpenCV Library (Anonim, 2011).

2.5 MSSQL

Microsoft SQL Server adalah salah satu sistem manajemen basis data relasional
atau dikenal dengan RDBMS produk dari Microsoft. Bahasa kueri utamanya adalah
Transact-SQL yang merupakan implementasi dari SQL standar ANSI/ISO. Dan pada
umumnya SQL Server digunakan di dalam dunia bisnis yang memiliki basis data berskala
kecil sampai dengan basis data berskala menengah. Akan, tetapi dengan semakin
berjalannya waktu berkembang pula dengan digunakannya SQL Server pada basis data
besar.

Gambar 2. 3 Logo MSSQL

5
2.6 Microsoft Exel
Microsoft Excel adalah sebuah program atau aplikasi yang merupakan bagian dari
Microsoft Office, berfungsi untuk mengolah angka menggunakan spreadsheet yang terdiri
dari baris dan kolom. Microsoft Excel telah menjadi software pengolah data / angka terbaik
di dunia, selain itu Microsoft Excel telah didistribusikan secara multi-platform.

Gambar 2. 4 Logo Microsoft Exel

6
 BAB III

METODE

Pada bagian ini terdapat rancangan atau tahapan untuk menjawab

perumusan masalah pada tugas akhir yang terdapat pada proses perancangan
perangkat lunak . Banyak pengambilan data gambar perwajah minimal 12 data atau
foto wajah dengan posisi dan ekspresi yang berbeda.

3.1 Rancangan Penelitian

Adapun rancangan penelitian yang akan dilakukan oleh penulis adalah sebagai
berikut:
1. Study literature
2. Melakukan pembelajaran dengan scan wajah asli mengunakan kamera
yang menggunakan aplikasi Open CV.
3. Proses membuat database untuk menyimpan data yang telah di learning .
4. Pengujian alat dan pengambilan data.
5. Analisa hasil pengamatan.
6. Kesimpulan dan Analisa.
7. Pembuatan buku laporan.

3.2 Cara Kerja Sistem

Pada penelitian ini akan dibuat sebuah sistem absensi yang menggunakan webcam
atau kamera laptop/PC dengan Flow Chart Sistem seperti gambar dibawah ini:

7
 Gambar 3. 1 Cara kerja Sistem

3.3 Perancangan Sistem Perangkat Lunak

Perancangan perangkat lunak akan dijelaskan mengenai sistem kerja yang terjadi
pada sistem.Proses dibagi menjadi dua bagian yaitu,pada bagian pertama terjadi proses
learning dari hasil deteksi banyak wajah yang di capture oleh kamera. Untuk mendeteksi
wajah yang tampak saat kamera aktif menggunakan metode haarcascade. Kemudian
setiap pergerakan akan di masukkan ke dalam logaritma. Pada bagian kedua
merupakan proses recognize dari hasil proses Haar yang dapat membedakan objek. Data
tersebut akan di capture,setelah itu data tersebut akan dibandingkan dengan data foto
objek yang telah tersimpan didalam database menggunakan metode Local Binery Pattern
Histogram(LBPH). Dimana algoritma yang telah dijelaskan pada BAB II merupakan
nilai dari LBP image nantinya dapat memcocokkan bahwa gambar tersebut identik
dengan wajah atau tidak. Dibawah ini dapat dilihat secara terperinci sistem perangkat
lunak melalui gambar Flowchart.

8
 Gambar 3. 2 Flowchart sistem perangkat lunak

3.4 Sistem Deteksi Menggunakan Haar Like Feature

Secara umum, Haar-Like Feature digunakan untuk mendeteksi objek pada im-
age digital. Haar ini sendiri memiliki suatu fungsi matematika (Haar Wavelet) yang
berbentuk kotak,dan prinsip pengolahannya sama seperti pada fungsi Fourier. Awalnya
pengolahan gambar hanya dengan melihat dari nilai RGB setiap pixel, namun metode
ini ternyata tidaklah efektif[5]. Viola dan Jones kemudian mengembangkannya se-
hingga terbentuklah metode Haar-Like feature. Haar-like feature memproses gambar
dalam beberapa kotak, dimana dalam satu kotak terdapat beberapa pixel.Masing-masing
kotak itu pun kemudian di-proses dan didapatkan perbedaan nilai (threshold) yang me-
nandakan daerah gelap dan terang. Nilai – nilai inilah yang kemudian dijadikan dasar
dalam image processing[1].

9
 Gambar 3. 3 Fitur gambar Haar

10
 Pada Gambar 2.2 menggambarkan bahwa fitur (a) dan (b) terdiri dari dua persegi
panjang, sedangkan fitur (c) terdiri dari tiga persegi panjang dan fitur (d) empat persegi
panjang. Cara menghitung nilai dari fitur ini adalah mengurangkan nilai piksel pada area
putih dengan piksel pada area hitam. Untuk mempermudah proses penghitungan
nilai fitur, algoritma Haar menggunakan sebuah media berupa Integral Image[1].
Integral Image merupakan sebuah citra yang nilai tiap pikselnya merupakan pen- jumlahan
dari nilai piksel kiri atas hingga kanan bawah. Sebagai contoh piksel (a,b) memiliki nilai
akumulatif untuk semua piksel (x,y). Dimana x ≤ a dan y ≤ b. Contoh integral image dan
perhitungannya dapat dilihat pada Gambar 2.3[2].

Gambar 3. 4 Intergral Image

Maka hasil perhitungan citra integralnya adalah :

11
Nilai haar feature yang didapat yaitu 9. Nilai tersebut merupakan perbedaan antar
kotak(fitur putih dan fitur hitam) atau disebut threshold[2].
Dalam menggunakan metode haar cascade ada beberapa jenis citra gambar yang
bisa diolah salah satunya yaitu grayscale. Untuk mengubah citra RGB menjadi grayscale
menggunakan persamaan sebagai berikut.
l= 0,2989xR+0,5870xG+0,1141xB (2.3)
Dimana :
I ∶ Nilai GrayScale
R ∶ Red, Bobot nilai Red pada image
G∶Green, Bobot nilai Green pada image
B ∶ Blue,Bobot nilai Blue pada image
Cascade Classifier merupakan step untuk mendapatkan hasil yang lebih akurat

dengan menghitung nilai Haar Feature secara banyak dan berulang. Berikut adalah
alur kerja dari Cascade Classifier.

Gambar 3. 5 Cascade Classifier

Pada klasifikasi tahap 1, setiap sub citra akan diklasifikasikan dengan satu
fitur, bila hasil tidak memenuhi kriteria, maka hasil ditolak. Pada klasifikasi tahap
2, setiap sub citra akan diklasifikasikan kembali. Jika didapatkan nilai threshold
yang di- inginkan, maka dilanjutkan ke tahap filter selanjutnya (klasifikasi tahap 3).
Hingga sub- citra yang lolos akan berkurang hingga mendekati citra yang ada pada
sampel[2].

Didalam library opencv versi 2.4 dalam bahasa pemrograman python dengan
ver- si 2.7 terdapat sintaks untuk menggunakan Haar cascade :
cascadePath="haarcascade_frontalface_default.x
ml" faceCascade=cv2.CascadeClassifier(cascadePat)
12
 Berikut adalah penjelasan dari program diatas :

1. cascadePath : variabel citra yang berisi data .xml untuk mengolah data
gam- bar dan membedakan wajah.
2. faceCascade : variabel output untuk memanggil fungsi classifier python
se- hingga dapat membedakan objek wajah pada gambar yang diterima kamera.

3.5 Face Recognition

Face Recognition merupakan proses lanjutan dari proses Face Detection. Di

da- lam Face Detection yaitu mendeteksi bagian wajah dari seseorang, wajah
tersebut bisa didapatkan dari gambar maupun video. Dengan memanfaatkan hasil
training dari haar- cascade[2] kemudian hasil dari Face Detection di
kombinasikan dengan (Image Matching dengan algoritma Local Binery Pattern
Histogram). Dengan metode ini, foto yang sudah di learning akan di cocokkan
dengan hasil deteksi dari streaming kamera di- mana pada streaming nantinya
beberapa gambar dalam database kemudian di cocok- kan dengan memanfaatkan
nilai histogram yang telah di ekstraksi dari gambar dengan memanfaatkan
persamaan Local Binery Pattern Histogram.

Gambar 3. 6 Model LBPH

Didalam library opencv versi 2.4 dalam bahasa pemrograman python dengan versi

2.7 terdapat sintaks untuk menggunakan LBPH recognizer :

recognizer = cv2.createLBPHFaceRecognizer()

13
 Berikut adalah penjelasan dari program diatas :

- recognizer : variabel citra untuk memanggil library LBPH recognizer

untuk pada python.

3.6 Metode Local Binery Pattern Histogram

Karakteristik utama dari pengenalan wajah menggunakan metode Local

Binery Pattern Histogram adalah komposisi micro-texture-pattern yaitu suatu
operator non par- ametrik yang menggambarkan tata ruang lokal citra. LBPH
didefinisikan sebagai per- bandingan nilai biner piksel pada pusat citra dengan
8 nilai piksel disekelilingnya. Misal pada sebuah citra berukuran 3x3, nilai
biner pada pusat citra dibandingkan dengan nilai sekelilingnya. Dengan cara
mengurangkan nilai piksel pada pusat citra dengan nilai piksel disekelilingnya,
jika hasilnya lebih atau sama dengan 0 maka diberi nilai 1 dan jika hasilnya kurang
dari 0 maka diberi nilai 0. Setelah itu, menyusun 8 nilai biner searah jarum jam
atau sebaliknya dan merubah 8 bit biner kedalam nilai desimal untuk
menggantikan nilai piksel pada pusat citra[4]. Rumus mencari tata ruang biner
dan nilai LBPH adalah sebagai berikut.

Threshold LBPH = nilai sekeliling – nilai pixel tengah

Setelah menyusun bilangan binerisasi tersusun searah jarum jam, dan jika salah
satu kotak biner threshold bernilai 1 maka masukkan nilai biner sesuai dengan
pangkatnya,dan apabila 0 maka hasilnya juga sama dengan 0. Setelah itu tambahkan pula
nilai LBP yang bernilai seperti gambar dibawah ini :

Gambar 3. 7 Nilai LBPH pada gambar

14
 Untuk mecocokkan sampel objek digunakan sebuah persamaan untuk mendapatkan
pendekatan nilai histogramnya akan dipakai sebagai nilai prediksi untuk
mengindentifikasikan objek tersebut. dibawah ini merupakan persamaan untuk mencari
pendekatan nilai histogram.

n
D=
√∑ i=1
( hist 1i−hist 2i )2 …………………………………………………………………………… (2.4)

Nilai D nantinya akan digunakan sebagai perbandingan antara wajah yang

terdapat di database dan wajah yang dideteksi dengan kamera

3.7 Prosedur Pengambilan Data

Dalam pengambilan data dari penelitian ini dapat dilakukan dengan tahapan pengujian
seperti berikut yaitu:
a. Pengujian pengambilan dari jarak dekat,sedang,jauh hingga pengambilan data
disaat gelap.
b. Membandingkan hasil pengambilan data yang tepat hingga nantinya dapat
mengaplikasikan aplikasi dengan benar.
3.7 Cara Analisa Data
Dalam menganalisa data dari penelitian ini dapat dilakukan dengan tahap analisa yaitu
Melihat data yang dihasilkan dari berbagai pengujian tang telah ditetapkan.

15
 BAB IV

Hasil dan Pembahasan

Hasil dan pembahasan merupakan data yang harus diketahui dalam pembuatan suatu
alat. Tujuan dari pengambilan data antara lain sebagai tolak ukur pembuktian dan mengkaji
apakah alat yang dibuat tersebut sudah sesuai dengan yang diharapkan peneliti. Berikut data
hasil pengujian dan pembahasan yang dilakukan dalam pengerjaan Tugas Akhir ini,
diantaranya

4.1 Pengujian Sistem Deteksi Wajah

sistem deteksi wajah menggunakan metode algoritma haarcascade dan sintaksyang
digunakan pada OpenCV berbasis visual studio yaitu sepertiberikut:
Dalam pengujian ini penulis menetapkan beberapa jarak tangkap serta kecerahan
sekitar yang berbeda-beda yaitu mengunakan jarak terdekat (55 cm ) hingga jarak terjauh yaitu
( 180 cm ) .
Jarak Deteksi sistem Gelap
55 cm Terdeteksi Berhasil Terdeteksi
85 cm Terdeteksi Berhasil Tidak Terdeteksi
180 cm Terdeteksi Berhasil Tidak Terdeteksi

Tabel 4. 1 1 Data Pengujian Deteksi Wajah

Berdasarkan tabel 4.1data keberhasilan dari sistem deteksidi atas, dapat disimpulkan
bahwa sistem dapat secara baik mendeteksi objek wajah sampai dengan terdeksi sampai jarak
180cm dan tidak dapat mendeteksinya bila jaraknya sudah melebihi. Hal tersebut dikarenakan
kapasitas maksimal dari kamera untuk mendeteksi ciri-ciri wajah dengan baik tidak lebih dari
180cm saat keadaan terang namun jika dalam keadaan kurangnya pencahayaan sistem hanya
dapat mendeteksi wajah dengan baik pada jarak 55 cm.

16
Sampel :
1.

2.

Pada saat pengujian sistem akan menggunakan jarak yang berbeda-beda yaitu dengan
jarak terdekat adalah55 cm hingga pada jarak 180 cm untuk jarak terjauhnya. Dan di buktikan
pada tabel 4.2.
Hasil Data Pengenalan Wajah
Sampel Jarak Kecerahan keterangan
Terang gelap
1 55 cm Mengenal Mengenal Berhasil
2 Mengenal Mengenal Berhasil
1 Mengenal Tidak Tidak Berhasil
85 cm Mengenal
2 Mengenal Tidak Tidak Berhasil
Mengenal
1 Mengenal Tidak Tidak Berhasil
180 cm Mengenal
2 Mengenal Tidak Tidak Berhasil
Mengenal
Tabel 4. 2 Data Keberhasilan

Dari data tabel 4.2 diatas maka dapat disimpulkan sistem akan bekerja dengan baik
pada jarak maksimal 180 cm pada saat pencahayaan terang dan hanya mampu di jarak 55 cm
pada saat kecerahan rendah atau gelap.

17
4.2 Hasil
Berikut adalah hasil gambar dari sistem absensi dengan pengenalan wajahyang terdiri
dari beberapa perbandingan.

Gambar 4. 1 hasil pengenalan wajah absensi masuk dengan jarak jauh

Gambar 4. 2 hasil pengenalan wajah absensi masuk dengan jarak jauh

18
Gambar 4. 3 hasil pengambilan wajah di saat pencahayaan kurang

Gambar 4. 4 pengambilan wajah di waktu bersamaan

19
Gambar 4. 5 database gambar sample wajah

20
 BAB V

Kesimpulan dan Saran

5.1 kesimpulan
Berdasarkan hasil penelitian data di atas,dapat disimpulkan faktor pencahayaan
sangat berpengaruh terhadap akurasi pengenalan dan pendeteksi wajah,semakin besar tingkat
kecerahan suatu tempat maka sistem akan semakin mudah untuk mengenali objek yang akan
dikenalinya.
Adapun indikator keberhasilan tugas akhir ini adalah dengan tujuan dapat
membuat aplikasi absensi wajah tanpa melakukan sentuhan dengan waktu pengambilan tidak
kurang dari 3 detik,serta dengan pencahayaan yang beragam dan tingkat keberhasilan
pengambilan absensi wajah yaitu dengan jarak maksimal 180 cm dan jarak minimal yaitu 55
cm.
Dan sistem ini sangat baik digunakan pada saat sekarang pandemi corona saat
ini dikarenakan meminimalisasi adanya sentuhan tangan terhadap suatu alat secara khusus alat
absensi.

5.2 saran
Bedasarkan hasil penelitian,hasil dan kesimpulan diatas,penulis memberikan
beberapa saran yang bertujuan untuk perbaikan pada sistem lebih lanjut,yaitu sebagai berikut:
a. Menambahkan berbagai fitur yang beragam didalam sistem absensi wajah ini agar
bekerja dengan baik.
b. Peneliti berharap kedepannya sistem absensi ini dapat direalisasikan yang
bertujuan meminimalisasi waktu dan juga membuat nya dengan metode yang lebih
simple.
c. Memakai kapasitas CPU yang lebih besar lagi agar tingkat akurasi pengenalan dan
pendeteksian wajah lebih akurat lagi.

21
 DAFTAR PUSTAKA

[1] Putra. I Nyoman Tri Anindia, Dwidasmara. Ida Bagus Gede, Astawa. I Gede Santi,
“Perancangan Dan Pengembangan Sistem Absensi Realtime Melalui Metode Pengenalan
Wajah”. Jurusan Ilmu Komputer Universitas Udayana Bukit Jimbaran Indonesia.2014
[2] Pratama. Ilham, “Aplikasi Absensi Berdasarkan Pengenalan Wajah Menggunakan
Metoda Linear Discriminant Analysis”, Program studi Teknik Informatika Politeknik
Negeri Malang,2015
[3] Suryadi, “Sistem Pengenalan Wajah Pada Absensi dengan Metode Independent
Component Analysis”. Program Studi Teknik Informatika STT Ibnu Sina Batam, 2016
[4] Saputra,Tommy, “Implementasi Metode Viola Jones Dalam Sistem Absensi Siswa
Berbasis Pendeteksi Wajah Studi Kasus Di SMPN 3 RangkaBitung”. Fakultas Teknik
Dan Ilmu Komputer universitas Komputer Indonesia,2016
[5] Rizkita Syafira,adinda, ”Pengenalan Deteksi Wajah Dengan Modifikasi Metode Viola
Jones”, Program Studi Informatika Univesitas Muhammadiyah Surakarta (UMS) Sura-
karta,Indonesia, 2017.
[6] Al-Aidid,Sayeed, ”Pengenalan Manusia Dengan Pemindaian Wajah Pada Robot
Kepala.”, D4,Teknik Mekatronika Politeknik Negeri Batam,Batam, 2017.
[7] Mijib,Khusnil, “ Pengenalan Wajah Menggunakan Local Binary Pattern (LBP) Dan
Support Vector Machine (SVM) ”, Departemen Teknik Elektro, Universitas Dipono-
rogo, 2018.

22
Biodata

Nama : Fredrik Mahardika

Tempat & Tanggal Lahir : Batam, 10 April 1996
Agama :Kristen
Alamat : JlnKatrini III Blok D No.5, Sungai
Harapan,Sekupang,Batam,Kepulauan Riau

Email : frederickmahardika@gmail.com
Riwayat Pendidikan : SMA Negeri 15 Batam
1. SMP Negeri 3 Batam
2. SD Negeri 011 Sekupang.

23
Lampiran

24