Universitas Sumatera Utara

SISTEM AKSES PINTU OTOMATIS BERBASIS PENGENALAN WAJAH
DENGAN MENGGUNAKAN EXTREME LEARNING MACHINE
SKRIPSI
ELEIDER NOTARISMAN ZAI
121402069
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
Universitas Sumatera Utara

SISTEM AKSES PINTU OTOMATIS BERBASIS PENGENALAN WAJAH
DENGAN MENGGUNAKAN EXTREME LEARNING MACHINE
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Sarjana Teknologi Informasi
ELEIDER NOTARISMAN ZAI
121402069
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2018

v
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan ke hadirat Allah SWT yang telah
memberikan rahmat serta restu-Nya sehingga penulis dapat menyelesaikan skripsi ini
sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi.
Pertama, penulis ingin mengucapkan terima kasih kepada Bapak Romi Fadillah
Rahmat, B.Comp.Sc., M.Sc. selaku pembimbing pertama dan Bapak Indra Aulia, S.TI.,
M.Kom. selaku pembimbing kedua yang telah meluangkan waktu dan tenaganya untuk
membimbing penulis dalam penelitian serta penulisan skripsi ini. Tanpa inspirasi serta
motivasi yang diberikan dari kedua pembimbing, tentunya penulis tidak akan dapat
menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Bapak
Seniman, S.Kom., M.Kom. sebagai dosen pembanding pertama dan Ibu Marischa
Elveny, S.TI., M.Kom. sebagai dosen pembanding kedua yang telah memberikan
masukan serta kritik yang bermanfaat dalam penulisan skripsi ini. Ucapan terima kasih
juga ditujukan kepada semua dosen serta pegawai di lingkungan program studi
Teknologi Informasi, yang telah membantu serta membimbing penulis selama proses
perkuliahan.
Penulis tentunya tidak lupa berterima kasih kepada orang tua penulis, yaitu
Samsudin Zai, BA (alm) dan Kasih Riang Telaumbanua, S.Pd (alm) yang telah
membesarkan penulis dengan sabar dan penuh kasih sayang, serta doa dari mereka yang
selalu menyertai. Terima kasih juga penulis ucapkan kepada saudara dari penulis, yaitu
Dika NitaPrilda Zai, S.Pd., Memori Karlansah Zai, S.H., dan Renaldin Suinto Zai yang
selalu memberikan dukungan kepada penulis.
Penulis juga mengucapkan terima kasih kepada teman-teman yang telah
memberikan dukungan dan membantu penulis dalam menyelesaikan skripsi ini serta
telah mengijinkan wajahnya untuk digunakan sebagai data penelitian pada skripsi ini,
yaitu Tito, Tommy, Efraim, Michael, Vicant, Desman, Leo, Erim, Mesra, Ros, dan
Titin.

vi
ABSTRAK
Pengamanan sangat diperlukan dalam kegiatan sehari-hari, apalagi jika

menyangkut otoritas atau privasi. Sistem keamanan tradisional membutuhkan kunci,
password, RFID card ataupun ID card untuk dapat akses. Kelemahannya adalah sulit
diingat, dapat diduplikasi, atau dicuri oleh orang lain. Oleh karena itu, dibutuhkan suatu
cara untuk meningkatkan keamanan pada ruangan tertentu yang menyangkut otoritas
atau privasi. Bentuk pengamanan yang sulit untuk ditiru, dibuka atau dimodifikasi oleh
orang lain adalah menggunakan pencirian otomatis dari karakteristik biologis yang
selalu dimiliki dan menjadi ciri khas setiap manusia. Pencirian tersebut dikenal sebagai
biometrik. Ciri khas tersebut dapat dilihat dari karakteristik fisik, seperti sidik jari, raut
wajah, retina mata, dan suara. Pengenalan wajah adalah salah satu metode biometrik
yang cukup populer. Wajah lebih sulit untuk ditiru, dimodifikasi, atau dicuri jika
dibandingkan dengan kunci atau password pada keamanan non-biometrik.
Salah satu metode jaringan saraf tiruan yang dapat digunakan untuk pengenalan
wajah adalah Extreme Learning Machine. Dan untuk pengambilan nilai ciri wajah
menggunakan Local Binary Pattern. Proses pengujian pada penelitian ini menggunakan
150 citra wajah untuk data latih dan 60 citra wajah untuk data uji. Pengujian dilakukan
dengan menggunakan beberapa 3 pilihan parameter jumlah hidden neuron, yaitu 10, 30
dan 50. Serta 5 parameter kondisi citra, yakni normal, ekspresif, arah wajah,
pencahayaan redup, dan jarak ke webcam. Hasil akurasi sistem dalam pengenalan wajah
adalah 90% dengan menggunakan jumlah hidden neuron 50.
Kata kunci: pengenalan wajah, pintu otomatis, image processing, extreme learning
machine, local binary pattern.

vii
AUTOMATIC DOOR ACCESS SYSTEM BASED ON FACE RECOGNITION

USING EXTREME LEARNING MACHINE
ABSTRACT
Security is very important issues in daily life, especially if it is regarding to

authority or privacy. Traditional security system need key, password, RFID card or ID
card to get the access. The weakness of this system are pretty difficult to remember,
duplicate or steal by stranger. So, there should be a way or a system to upgrage the
security of a room or anything else that have authority or privacy issues. Biometric
security system is a good option. It use the biological characteristics or face features,
that every humans have this unique features. It also difficult to duplicate, steal, or
modify. These unique features can be seen in physich charateristic, such as fingerprints,
palm, face, eyes retina, and voice. Face recognition is the populer one. This method use
the face as the key. Compare to the the traditional or non-biometric method, faces are
difficul to duplicate, modify, or steal.
One of the artificial neural network method that can implemented for face
recognition is Extreme Learning Machine. And use Local Binary Pattern for feature
extraction of faces. In this research, 150 image of faces as the training data and 60 image
of faces as the testing data. Parameters in testing phase use 3 options of hidden neuron,
10, 30, and 50. And also using 5 parameter of image condition: normal, expressive, face
pose direction, lights, and distance to webcam. Accuracy of face recognition system is
90% with 50 hidden neuron.
Keywords: face recognition, automatic door, image processing, extreme learning

machine, local binary pattern.

viii
DAFTAR ISI
PERSETUJUAN iii
PERNYATAAN iv
UCAPAN TERIMA KASIH v
ABSTRAK vi
ABSTRACT vii
DAFTAR ISI viii
DAFTAR TABEL xi
DAFTAR GAMBAR xii
Bab 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
1.6 Metodologi Penelitian 4
1.7 Sistematika Penulisan 5
Bab 2 LANDASAN TEORI

2.1 Wajah 6
2.2 Biometrik 6
2.3 Citra, Pengenalan Citra, dan Pengenalan Pola 7
2.4 Pengenalan Citra Digital 7
2.4.1 Perbaikan Kualitas Citra 7
2.4.2 Segmentasi Citra 8
2.4.3 Analisis Ciri 8
2.5 Computer Vision 9
2.6 Pengenalan Wajah 9
2.7 Local Binary Pattern 12
2.8 Extreme Learning Machine 14
2.9 Mikrokontroler 16

ix
2.10 Arduino Uno 18

2.11 Motor Servo 19
2.12 Webcam 20
2.13 Penelitian Terdahulu 21
Bab 3 ANALISIS DAN PERANCANGAN

3.1 Dataset 24
3.2 Arsitekstur Umum 22
3.2.1 Face Detection 23
3.2.2 Preprocessing 23
3.2.3 Ektraksi Fitur 23
3.2.4 Klasifikasi Wajah 24
3.3 Perangkat Keras (Hardware) 28
3.3.1 PC 29
3.3.2 Webcam 29
3.3.3 Mikrokontroler 30
3.3.4 Motor Servo 30
3.4 Perancangan Sistem 28
3.4.1 Perancangan Program 29
3.4.1 Perancangan Perangkat Keras 29
Bab 4 IMPLEMENTASI DAN PENGUJIAN

4.1 Implementasi Perangkat Keras 35
4.1.1 Webcam 35
4.1.2 PC 36
4.1.3 Arduino Uno 36
4.2 Pengujian Perangkat Keras 37
4.2.1 Arduino Uno 37
4.3 Implementasi Perangkat Lunak 37
4.3.1 Tampilan Awal Program 38
4.3.2 Tampilan Utama Program 38

x
4.4 Implementasi Data 39

4.5 Prosedur Operasional Program 40
4.6 Pengujian Sistem 41
Bab 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 57
5.2 Saran 58
Daftar Pustaka 59

xi
DAFTAR TABEL
Halaman
Tabel 2.1 Penelitian Terdahulu 22

Tabel 3.1 Pembagian Data Latih & Data Uji 24
Tabel 4.1 Proses Pengolahan Citra Hasil Capture Kamera 41
Tabel 4.2 Sample Data Uji 42
Tabel 4.3 Data Hasil Pengujian 46
Tabel 4.4 Hasil Pengujian Dengan Hidden Neuron 10 49
Tabel 4.7 Hasil Evaluasi Kinerja Sistem 53

xii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Wajah Manusia 6
Gambar 2.2 Struktur Umum Pengenalan Wajah 10
Gambar 2.3 Operator Dasar LBP 12
Gambar 2.4 Struktur Umum ELM 14
Gambar 2.5 Mikrokontroler 19
Gambar 2.6 Motor Servo 19
Gambar 2.7 Sinyal Lebar Pulsa Motor Servo 20
Gambar 3.1 Arsitektur Umum 25
Gambar 3.2 Face Detection (Deteksi Wajah) 26
Gambar 3.3 Preprocessing Pada Wajah 27
Gambar 3.4 Ekstraksi Fitur Wajah 27
Gambar 3.5 Klasifikasi Wajah 30
Gambar 3.6 Rancangan Antarmuka Program 32
Gambar 3.7 Rancangan Perangkat Keras 33
Gambar 4.1 Perikasi Koneksi Webcam 35
Gambar 4.2 Implementasi Arduino Uno dan Motor Servo 36
Gambar 4.3 Tampilan Awal Program 37
Gambar 4.4 Tampilan Utama Program 38
Gambar 4.5 Data Latih (Training) 39
Gambar 4.6 Tampilan Setelah Menekan Tombol Start 40
Gambar 4.7 Tampilan Setelah Menekan Tombol Proses 40
Gambar 4.8 Tampilan Setelah Menekan Tombol Test 41
Gambar 4.9 Grafik Hasil Pengujian Sistem Dengan Parameter Kondisi Citra
dan Jumlah Hidden Neuron 51
Gambar 4.10 Grafik Hasil Akurasi Sistem 54
Gambar 4.11 Grafik Perbandingan Citra Benar dan Citra Salah 55
Gambar 4.12 Pintu Tertutup 56
Gambar 4.13 Pintu Terbuka 56

BAB 1
PENDAHULUAN
1.1. Latar Belakang
Pengamanan sangat diperlukan dalam kegiatan sehari-hari, apalagi jika menyangkut

otoritas atau privasi. Misalnya adalah ruangan privasi atau ruangan yang memerlukan
hak khusus untuk melakukan akses, contohnya ruangan server. Hanya admin dan orang
tertentu yang diberikan akses ke ruangan tersebut. Dibutuhkan keamanan yang handal
untuk mengamankan aset berharga dari kemungkinan pencurian. Sistem keamanan
tradisional membutuhkan kunci, password, RFID card ataupun ID card untuk dapat
akses. Kelemahannya adalah sulit diingat, dapat diduplikasi, atau dicuri oleh orang lain
(Liu & Silverman, 2001). Bentuk pengamanan yang sulit untuk ditiru, dibuka atau
dimodifikasi oleh orang lain adalah menggunakan pencirian otomatis dari karakteristik
biologis yang selalu dimiliki dan menjadi ciri khas setiap manusia. Pencirian tersebut
dikenal sebagai biometrik. Ciri khas tersebut dapat dilihat dari karakteristik fisik, seperti
sidik jari, raut wajah, retina mata, dan suara.
Pengenalan wajah adalah salah satu metode biometrik yang cukup populer.
Wajah lebih sulit untuk ditiru, dimodifikasi, atau dicuri jika dibandingkan dengan kunci
atau password pada keamanan non-biometrik. Pada umumnya, metode biometrik
membutuhkan perangkat khusus untuk mengumpulkan data. Misalnya, fingerprint
scanner dan palmprint scanner. Pengguna harus menyentuh alat tersebut secara fisik
untuk keperluan data. Pada pengenalan wajah, wajah akan dideteksi secara otomatis
tanpa memerlukan sentuhan wajah pada perangkat pendeteksinya.
Beberapa penelitian terdahulu yang memanfaatkan pengenalan wajah untuk
keamanan pintu sudah pernah dilakukan. Januzaj et al. pada tahun 2015 menggunakan
algoritma haar-like feature untuk mendeteksi wajah, serta PCA untuk mengenali wajah.
Penelitian tersebut berhasil membuat alat yang mampu melakukan proses pelatihan dan

2
identifikasi wajah secara langsung, tanpa terhubung ke peralatan lain. Penelitian ini
menyimpulkan bahwa tingkat akurasi pengenalan wajah dapat ditingkatkan dengan
mengendalikan faktor-faktor seperti latar belakang, pencahayaan, dan jumlah data
training. Penelitian lainnya dilakukan oleh Lwin at al. pada tahun 2015. Pada penelitian
tersebut proses pendeteksian dan pengenalan wajah dilakukan di PC dengan Matlab.
Mikrokontroler jenis PIC 16F887 digunakan untuk mengendalikan sistem akses pintu,
yang tergantung pada data masuk yang dikirim dari PC. Pintu akan terbuka secara
otomatis dengan segera, ketika wajah berhasil diverifikasi. Setelah 2 detik, pintu akan
tertutup kembali secara otomatis. Metode viola-jones digunakan untuk mendeteksi
wajah pada citra. Metode ini memiliki batasan pada orientasi kepala. Metode ini hanya
dapat mendeteksi wajah dengan pandangan ke depan. Sedangkan untuk mengenali
wajah, metode yang digunakan pada penelitian ini adalah metode PCA. Metode PCA
digunakan untuk ekstraksi fitur pada citra wajah, dan kemudian menggunakan jarak
euclidian untuk mengenali citra. Penelitian terdahulu juga pernah dilakukan oleh Yang
et al. pada tahun 2014 yaitu membuat sistem kendali pintu otomatis yang
diimplementasikan ke modul multimedia berbasis DSP. Pada penelitian ini, sistem yang
dibuat mengidentifikasi orang melalui pendeteksian wajah, lalu kemudian menganalisa
path trajectoy untuk menentukan apakah orang tersebut memiliki intensi untuk
mengakses pintu atau tidak, hal inilah yang menjadi pengendali pintunya. Sistem ini
mempunyai tingkat false yang rendah (hingga 0%), tingkat aktivasi correct yang tinggi
(99,6%), dan waktu respon yang cepat (dalam 2 detik) mulai dari mendeteksi target,
konfirmasi intensi, hingga membuka pintu.
Pada penelitian ini penulis mengajukan algoritma pembelajaran berbasis
jaringan saraf tiruan yaitu Extreme Learning Machine atau biasa disingkat ELM.
Berdasarkan latar belakang diatas, maka penulis mengajukan proposal penelitian
dengan judul “SISTEM AKSES PINTU OTOMATIS BERBASIS PENGENALAN
WAJAH DENGAN MENGGUNAKAN EXTREME LEARNING MACHINE ”.

3
1.2. Rumusan Masalah
Keamanan merupakan hal yang penting dalam kehidupan setiap orang, apalagi jika
menyangkut privasi atau otoritas khusus. Tujuannya agar tidak sembarangan orang
yang dapat memasuki ruangan tersebut. Keamanan konvesional pada ruangan tertentu
tidak cukup hanya menggunakan kunci, password atau ID Card, karena sulit diingat
atau dapat dicuri. Oleh karena itu, dibutuhkan suatu cara untuk meningkatkan keamanan
pada ruangan tertentu yang menyangkut otoritas atau privasi.
1.3. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah untuk meningkatkan keamanan pada ruangan
khusus atau yang terkait privasi dengan cara mengidentifikasi wajah menggunakan
algoritma Extreme Learning Machine.
1.4. Batasan Masalah
Untuk menghidari penyimpangan dan perluasan yang tidak diperlukan, penulis

membuat batasan, yaitu:
1. Wajah tidak tertutup topeng, masker, atau penutup wajah lainnya.

2. Kamera yang digunakan adalah webcam pada laptop.
1.5. Manfaat Penelitian
Adapun manfaat yang diperoleh dari penelitian ini yaitu:
1. Meningkatkan keamanan ruangan menggunakan sistem pengenalan wajah

2. Mengetahui implementasi algoritma Extreme Learning Machine untuk pengenalan
wajah.

4
1.6. Metodologi Penelitian
Adapun tahapan – tahapan yang akan dilakukan pada penelitian ini adalah :
1. Studi Literatur
Pada tahapan ini dilakukan pengumpulan dan mempelajari informasi yang
diperoleh dari buku, skripi, jurnal, dan berbagai sumber informasi lainnya.
Informasi yang berkaitan dengan penelitian tersebut seperti pengenalan pola,
pengenalan wajah, metode untuk pengambilan ciri dan Extreme Learning Machine
(ELM) untuk identifikasi, serta perangkat keras pendukung penelitian seperti
mikrokontroler dan motor servo.
2. Analisis Permasalahan
Pada tahapan ini dilakukan analisis terhadap tahapan sebelumnya yaitu studi
literatur dimana dilakukannya pengumpulan bahan referensi untuk mendapatkan
pemahaman tentang metode yang akan digunakan dalam pengenalan wajah untuk
akses pintu otomatis.
3. Perancangan
Pada tahap selanjutnya yaitu tahapan perancangan atas hasil analisis permasalahan
yang dilakukan pada tahapan sebelumnya. Perancangan yang dilakukan seperti
perancangan arsitektur, perangkat pendukung serta antarmuka sistem.
4. Implementasi
Pada tahap ini dilakukan implementasi dari analisis yang telah dilakukan dalam
bentuk pembangunan program dan perangkat pendukung sesuai dengan
perancangan dan alur yang telah ditentukan.
5. Pengujian
Pada tahap ini dilakukan pengujian terhadap sistem yang telah dibuat guna untuk
menguji seberapa mampu metode Extreme Learning Machine (ELM) dalam hal
pengenalan wajah hingga dapat membuka pintu secara otomatis.
6. Penyusunan Laporan
Pada tahap akhir dilakukan penulisan laporan dari keseluruhan penelitian yang
telah dilakukan.

5
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri dari lima bagian, yaitu sebagai berikut:
Bab 1: Pendahuluan
Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan
penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penelitian.
Bab 2: Landasan Teori
Bab ini berisi tentang teori-teori penunjang yang digunakan untuk dapat memahami
permasalahan pada penelitian ini yaitu menjelaskan teori pengenalan pola, pengenalan
wajah, metode untuk pengambilan ciri dan Extreme Learning Machine (ELM) untuk
identifikasi, hingga perangkat keras pendukung penelitian seperti mikrokotroler dan
motor servo.
Bab 3: Analisis dan Perancangan
Bab ini berisi tentang analisis dari arsitektur umum serta analisis dari metode yang
digunakan yaitu metode Extreme Learning Machine (ELM) dan penerapannya dalam
hal pengenalan wajah serta perancangan sistem yang dibuat.
Bab 4: Implementasi dan Pengujian
Bab ini membahas tentang implementasi dari hasil analisis dan perancangan sistem
yang dibahas pada bab sebelumnya dan serta membahas tentang hasil pengujian
terhadap sistem yang telah dibangun.
Bab 5: Kesimpulan dan Saran
Bab ini berisi tentang kesimpulan dari keseluruhan penelitian yang telah dilakukan dan
saran yang diajukan untuk pengembangan untuk penelitian berikutnya.

BAB 2
LANDASAN TEORI
2.1. Wajah
Wajah atau muka adalah bagian depan dari kepala manusia, yang meliputi wilayah dari
dahi hingga dagu, termasuk rambut, dahi, alis, mata, hidung, pipi, mulut, bibir, gigi,
kulit, dan dagu. Wajah terutama digunakan untuk ekspresi wajah, penampilan, serta
identitas. Tidak ada satu wajah pun yang serupa mutlak, bahkan pada manusia kembar
identik sekalipun. Oleh karena itu, dengan melihat wajah, manusia dapat
mengidentifikasi seseorang dengan mudah.
Gambar 2.1. Wajah Manusia
2.2. Biometrik
Sistem biometrik adalah penggunaan fitur fisiologi dan perilaku untuk mengidentifikasi
individu (Sebastian, 2013). Sistem biometrik menggunakan karakteristik biologis (fisik
) dan perilaku yang mempunyai ciri khas untuk mengidentifikasi seseorang. Ciri khas
tersebut dapat dilihat dari karakteristik fisik, sepeti sidik jari, raut wajah, retina mata,
dan suara. Metode identifikasi biometrik terdiri dari 3 tahap operasi, yaitu pertama,
merekam data biometrik dari objek dan mempresentasikan data tersebut ke bentuk
digital. Kedua, mengekstraksi fitur tertentu pada representasi digital data tersebut
dengan menggunakan fitur ekstraktor, lalu terakhir membandingkan hasil fitur ekstraksi
dengan fitur ekstraksi lainnya yang telah disimpan di database (Sebastian, 2013).
Karena bertujuan untuk mengidentifikasi individu tertentu, metode biometrik

biasanya digunakan sebagai kunci akses terhadap sesuatu yang berkaitan dengan

7
otoritas atau privasi, misalnya ruangan khusus dan brankas. Metode sistem biometrik
yang umum digunakan adalah pengenalan wajah, pengenalan sidik jari, pengenalan
retina mata, pengenalan telapak tangan, serta pengenalan suara. Setiap metode memiliki
kelebihan dan kelemahannya masing-masing baik dari segi kecepatan, kehandalan,
maupun harga perangkat pendukungnya.
2.3. Citra, Pengenalan Citra, dan Pengenalan Pola
Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut
adalah sebuah koordinat pada bidang dan amplitude dari f pada pasangan koordinat
adalah intensitas atau sebuah tingkatan keabu-abuan dari suatu citra pada titik tersebut.
Jika x, y, dan nilai intensitas dari f tersebut bernilai diskrit, berhingga, citra tersebut
dinamakan citra digital (Gonzales and Woods, 2008:1).
Pengolahan citra (image processing) merupakan bidang yang berhubungan

dengan proses transformasi citra (image) yang bertujuan untuk mendapatkan kualitas
citra yang lebih baik (Fairhust, 1988:5).
Pengenalan pola (pattern recognition) merupakan bidang ilmu yang melakukan

proses analisis gambar yang inputnya adalah gambar ataupun citra digital dan
menghasilkan output suatu deskripsi dengan tujuan untuk mendapatkan informasi yang
disampaikan oleh gambar atau citra, dengan kata lain meniru kemampuan manusia (otak
manusia) dalam mengenali suatu objek atau pola tertentu (Fairhust, 1988:5).
2.4. Pengenalan Citra Digital
Pengolahan citra adalah istilah umum untuk berbagai teknik yang keberadaannya untuk
memanipulasi dan memodifikasi citra dengan berbagai cara (Efford 2000). Pengolahan
citra digital merupakan bagian dari pengolahan citra. Citra digital merupakan bilangan
nyata atau kompleks yang terdiri dari bit-bit tertentu. Berikut adalah beberapa hal yang
menjadi bagian dari proses pengolahan citra digital.
2.4.1. Perbaikan Kualitas Citra

 Resizing

8
Resizing adalah teknik untuk mengubah atau menyesuaikan ukuran citra ke

ukuran yang diinginkan. Hal ini dilakukan karena citra ini memiliki ukuran
yang berbeda-beda.
 Grayscaling
Grayscaling adalah pengkonversian citra berwarna ke dalam bentuk citra
berskala keabuan. Citra grayscale direpresentasikan dalam bentuk array dua
dimensi. Setiap bagian dalam array memperlihatkan intensitas (greylevel)
dari citra pada posisi yang bersesuaian. Warna abu-abu merupakan hasil
kombinasi antara warna merah, hijau dan biru dengan nilai intensitas yang
sama dalam ruang RGB (Hasmiati, 2013). Metode yang biasanya digunakan
yaitu:
(R+G+B)/3 (2.1)
R : Unsur warna merah

G : Unsur warna hijau
B : Unsur warna biru
2.4.2. Segmentasi Citra

Segmentasi citra merupakan proses memisahkan citra kedalam beberapa
bagian dengan suatu kriteria tertentu antara wilayah objek dengan latar
belakang agar objek mudah dianalisis (Kumaseh et al., 2013). Citra dibagi agar
tidak tumpang tindih dengan karakteristik yang sama, seperti tekstur,
intensitas dan warna. Thresholding merupakan salah satu metode segmentasi
citra di mana prosesnya didasarkan pada perbedaan derajat keabuan citra.
Tujuannya adalah untuk memisahkan objek dari latarnya. Pada proses
thresholding dilakukan pemisahan citra grayscale menjadi citra hitam dan putih
(biner).
2.4.3. Analisis Ciri

Analisis ciri atau bisa juga disebut feauture extraction adalah teknik untuk
mendapatkan ciri pada citra digital yang telah melalui tahap segmentasi. Ada

9
banyak metode yang dapat digunakan untuk analisis ciri pada citra digital.
Misalnya PCA, LDA, LBP, HoG, SIFT, SURF, Gabor, dan lain sebagainya.
2.5. Computer Vision
Computer vision merupakan ilmu yang mempelajari bagaimana komputer dapat

mengenali obyek yang diamati (Fairhust, 1988:5). Computer vision adalah kombinasi
antara pengolahan citra dan pengenalan pola. Computer vision bersama intelegensia
semu (artificial intelligence) akan mampu menghasilkan sistem intelegen visual (visual
intelligence system).
2.6. Pengenalan Wajah
Identifikasi (pengenalan) wajah atau face recognition adalah sebuah tugas yang
dikerjakan oleh manusia secara rutin dan mudah dalam kehidupan sehari-hari.
Penelitian dan pengembangan ilmu pengenalan wajah berkembang secara otomatis atas
dasar ketersediaan desktop kuat dan rendah biaya serta embedded system yang telah
menciptakan minat yang sangat besar dalam pengolahan citra digital dan video.
Motivasi penelitian dan pengembangan dari pengenalan wajah termasuk dalam lingkup
otentikasi biometric, pengawasan, interaksi manusia komputer, dan manajemen
multimedia (Li & Jain, 2005:1).
Pengenalan wajah adalah salah satu ilmu yang terdapat di dalam computer
vision, di mana sebuah komputer dapat menganalisa suatu citra wajah yang terdapat di
dalam sebuah gambar dan dapat menemukan identitas atau data diri dari citra wajah
tersebut dengan membandingkan terhadap data-data citra wajah yang sudah disimpan
sebelumnya di dalam database. Pada umumnya pengenalan wajah dilakukan dari sisi
depan dengan pencahayaan yang merata ke seluruh wajah. Akan tetapi muncul beberapa
permasalahan, seperti posisi wajah, skala atau jarak wajah, orientasi, umur, dan ekspresi
wajah.

10
Pengenalan wajah merupakan salah satu metode dari sistem biometrik dengan
tingkat akurasi yang cukup tinggi dan rendah gangguan. Konsep pengenalan wajah
adalah melakukan analisa terhadap input berupa citra wajah, kemudian melakukan
analisis, dan terakhir menentukan output berupa identifikasi wajah. Struktur umum
sistem pengenalan wajah dapat dilihat pada gambar 2.1.
Gambar 2.2. Struktur Umum Pengenalan Wajah
1. Face Detection
Pada tahap ini, citra hasil input akan dideteksi apakah terdapat pola wajah. Jika
terdapat pola wajah, maka akan dilanjutkan ke tahap selanjutnya. Biasanya, data citra
input dibagi ke dalam 2 bagian, yaitu data training dan data testing.
2. Preprocessing
Pada tahap ini, hal-hal yang tidak diinginkan seperti noise, blur, efek bayangan, akan
dihilangkan. Pada tahap ini juga biasa dilakukan proses resizing, greyscaling, dan
segmentasi.
3. Feature Extraction
Pada tahap ini, dilakukan ekstraksi fitur pada citra. Informasi dari citra diekstraksi
dan dikumpulkan. Hasil ekstraksi fitur dari data training disimpan di database, yang
nantinya digunakan sebagai pembanding. Sedangkan data testing akan dilanjutkan
ke tahap selanjutnya.
4. Face Classification
Pada tahap terakhir ini, hasil ekstraksi fitur pada tahap sebelumnya akan dianalisis,
yaitu dengan cara menggunakan hasil ekstraksi fitur yang telah disimpan di database
sebagai pembanding. Tujuannya untuk mengidentifikasi, mengklasifikasi dan
memverifikasi citra.

11
Face recognition merupakan proses penganalisa karakteristik dari bentuk muka

yang tidak berubah (Cao, 2005:7), seperti:
 Bagian atas dari rongga mata

 Area di sekitar tulang pipi
 Sisi kiri dan kanan dari mulut
Hal-hal yang menjadi tantangan dan gangguan dalam pengenalan wajah adalah
sebagai berikut:
 Posisi wajah di dalam citra bervariasi karena posisi bisa tegak, menoleh, atau dilihat
dari samping.
 Komponen pada wajah seperti misalnya kumis, jenggot, kacamata.
 Ekspresi wajah, misalnya tersenyum, tertawa, sedih dan sebagainya.
 Terhalang objek lain, misalnya terhalang oleh wajah orang lain.
 Kondisi saat pengambilan citra, dipengaruhi oleh intensitas cahaya, arah sumber
cahaya, karakteristik sensor dan lensa kamera.
 Skala atau ukuran wajah terhadap citra, yang dipengaruhi oleh jarak wajah dengan
posisi kamera.
Pengenalan wajah bisa dilihat sebagai suatu cara untuk secara tepat mengenali
citra dari sebuah wajah, dengan menggunakan data-data dari wajah yang telah lebih
dahulu dikenal. Pengenalan wajah memiliki semua hambatan dalam pengenalan yang
berdasarkan pemrosesan citra. Dikarenakan citra yang digunakan dapat berubah-ubah
secara drastis disebabkan beberapa faktor yang rumit dan membingungkan, seperti
faktor pencahayaan, posisi kamera, pengaturan kamera, dan noise (Turk, 2005:3).
Jadi hasil dari pengenalan wajah akan berupa informasi yang dikenal atau tidak
sebagai wajah dengan sebelumnya membandingkan dengan informasi dari wajah yang
diketahui. Proses pengenalan wajah ini memiliki permasalahan dari pencahayaan, posisi
kamera, parameter kamera, pose wajah dan noise yang didapatkan pada sebuah citra.

12
2.7. Local Binary Pattern
Operator LBP adalah salah satu deskriptor tekstur terbaik dan telah banyak digunakan
dalam berbagai aplikasi. LBP telah terbukti sangat diskriminatif dan keuntungan
utamanya, yaitu variasi untuk perubahan tingkat abu-abu monoton dan efisiensi
komputasi, membuatnya cocok untuk tugas gambar menuntut analisis. Ide untuk
menggunakan LBP untuk deskripsi wajah didukung oleh fakta wajah dapat dilihat
sebagai komposisi pola mikro yang dapat dijelaskan oleh sebuah operator. Local Binary
Pattern (LBP) didefinisikan sebagai ukuran tekstur grayscale invarian, berasal dari
definisi umum tekstur di daerah sekitar. Operator LBP dapat dilihat sebagai pendekatan
kesatuan dengan model statistik dan struktur tradisional berbeda dari analisis tekstur.
Secara sederhana, LBP adalah sebuah kode biner yang menggambarkan pola tekstur
lokal. Hal ini dibangun dengan lingkungan batas dengan nilai abu-abu dari pusatnya
(Ahonen, Hadid, & Pietikainen, 2004, pp. 2-3). Secara umum operator LBP
ditunjukkan pada Gambar 2.3.
Gambar 2.3. Operator Dasar LBP
Nilai desimal dari 8 bit operator LBP dapat dinyatakan dalam persamaan berikut:
𝑃−1 1, 𝑖𝑓 𝑥 ≥ 0;
𝐿𝐵𝑃 𝑃.𝑅 = ∑𝑝=0 𝑠(𝑔𝑝 − 𝑔𝑝𝑐 )2𝑝 𝑠 (𝑥 ) = { (2.2)
0, 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
Keterangan : P = Sampling Point untuk mewakili jumlah piksel tetangga
R = Radius antara piksel pusat dan piksel tetangga

gp = Pusat piksel tetangga
gc = Piksel tengah

13
Sebelum dilakukan ekstraksi fitur dengan LBP, maka citra dikonversi ke dalam
format grayscale, kemudian nilai piksel dari citra grayscale diekstraksi dengan
menggunakan LBP. Setiap piksel memiliki nilai hasil grayscale, kemudian dilakukan
threshold berpusat pada titik tengah. Piksel yang memiliki nilai sama atau lebih
dibandingkan dengan titik tengah diberi nilai 1 selain itu diberi nilai 0. Kemudian nilai
LBP didapat dari penjumlahan dua pangkat nilai angka yang bernilai satu dengan
persaamaan 2.2.
1. Nilai piksel dari citra grayscale dipecah ke beberapa region matriks 3x3.
Contoh: 6 5 2
7 6 1
9 8 7
2. Pembandingan nilai pusat dengan nilai tetangga. Nantinya akan menghasilkan nilai
matriks biner.
contoh threshold bobot

6 5 2 1 0 0 1 2 4
7 6 1 1 0 128 8
9 8 7 1 1 1 64 32 16
Pattern = 11110001
LBP = 1 + 16 + 32 + 64 + 128 = 241
3. Nilai binary yang dihasilkan dituliskan ke dalam bentuk string biner dengan cara
sirkular dari kanan ke kiri, operasi tersebut diterapkan ke setiap bagian region citra.
Setiap string biner yang dihasilkan akan dilakukan penyatuan kembali untuk
mendapatkan tekstur secara keseluruhan.

14
2.8. Extreme Learning Machine
Extreme Learning Machine (ELM) merupakan bagian dari jaringan syaraf tiruan yang
berjenis supervised learning. ELM termasuk pada Feed-Forward Neural Network yang
memiliki satu single hidden layer (Sun et al, 2008). Metode ELM dipercaya dapat
mengatasi permasalah learning speed yang selama ini terjadi pada metode-metode lain
pada Feed-Forward Neural Networks (Huang et al, 2005). Menurut mereka terdapat
dua alasan kenapa Feed-Forward Neural Networks memiliki learning speed yang
rendah :
1. Feed Forward Neural Networks menggunakan Slow Gradient Based Learning
Algorithm dalam melakukan proses training.
2. Semua parameter pada jaringan ditentukan secara iterative dengan menggunakan
metode pembelajaran tersebut.
Parameter yang dimaksud disini adalah input weight dan hidden bias yang
berhubungan antar layer sehingga learning speed berjalan sangat lama dan kejadian
terjebak dalam lokal minimal sering terjadi (Huang et al, 2005). Sedangkan pada ELM,
input weight dan hidden bias dipilih secara acak sehingga menghasilkan learning speed
yang cepat dan mampu menghasilkan performa yang baik. Gambaran umum struktur
ELM dapat dilihat pada Gambar 2.4.
....
Output layer
....
βi
Single hidden layer bi
∫ .... ∫ .... ∫
wi
Input layer ....
Gambar 2.4. Struktur Umum ELM

15
Dalam proses pembelajarannya ELM memanfaatkan teori invers matriks. Teori

yang digunakan adalah Moore Penrose Pseudoinverse. Gambar 2.4 menunjukkan
sebuah model sederhana Single-hidden Layer Feedforward Networks (SLFNs) yang
merupakan struktur umum dari ELM. Jaringan saraf tiruan ini mengacu pada hasil
generalisasi yang terbaik dengan waktu komputansi yang cepat. Struktur jaringan ELM
terdiri atas sebuah input layer, hidden layer, dan sebuah output layer. ELM memiliki
karakteristik yang berbeda bila dibandingkan dengan beberapa algoritma jaringan
syaraf tiruan yang lain. Karakteristik tersebut diantaranya adalah:
a. Waktu yang diperlukan untuk pembelajaran sangat cepat. Hal ini merupakan salah
satu kelebihan dari ELM karena jika dibandingkan dengan jaringan saraf tiruan lain
yang membutuhkan waktu yang lama dalam hal pembelajaran pola, bahkan pada
aplikasi yang sederhana.
b. ELM memiliki hasil generalisasi yang lebih baik dibandingkan dengan algoritma
berbasis gradien, seperti algoritma backpropagation. Pada beberapa algoritma
berbasis gradien biasanya akan muncul beberapa masalah, misalnya rate
pembelajaran yang tidak sesuai, dll. Untuk menghindari permasalahan tersebut pada
ELM digunakan metode tambahan, seperti metode early stopping.
Pada Extreme Learning Machine, jika terdapat N sampel (xi,ti) dengan xi = [xi1,
xi2, ... , xin] T € Rn dan ti = [ti1, ti2, ..., tim] T € Rn, kemudian standar SLFN dengan
N hidden neurons dan fungsi aktivasi g(x) didefinisikan:
(2.3)
Dimana wi = [wi1, wi2,..., win] T dianggap sama dengan nol, tetapi muncul
besar vektor yang menghubungkan hidden neuron dengan input neuron yang
didefinisikan dengan βi = [βi1, βi2, ..., βin]T dan bi adalah threshold pada hidden
neuron. Tanda “.” pada wi.xj menunjukkan perkalian titik dari wi dan xj. SLFN akan
mengecilkan perbedaan antara oj dan tj. Sehingga persamaan matematis sebelumnya
dapat dituliskan sebagai berikut:
(2.4)

16
Persamaan matematis diatas dapat diubah kedalam bentuk matriks Hβ = T

dimana:
H(a1, ., aN, bi,., bN, x1, ., xN) = N*N (2.5)
N*m (2.6)
dan T = N*m (2.7)
Matriks H adalah hidden layer output matriks dari jaringan syaraf tiruan. Jika
jumlah syaraf tiruan pada hidden layer sama dengan jumlah sampel, maka H akan
berupa matriks simetris. Namun jika tidak, persamaan sistem perlu diselesaikan dalam
metode numerik, secara konkrit dengan menggunakan persamaan berikut:
Minβ (2.8)
Sehingga akan diperoleh hasil dengan:

a. Kesalahan pada fase pelatihan minimum.
b. Besar vektor yang terkecil dengan performansi generalisasi yang terbaik.
c. Solusi minimum akhir H = T
2.9. Mikrokontroler
Mikrokontroler adalah suatu sistem komputer lengkap dalam satu chip. Lengkap dalam
artian memiliki unit CPU, port I/O (paralel dan serial), timer, counter, memori RAM
untuk penyimpanan data saat eksekusi program, dan memori ROM tempat dari mana
perintah yang akan dieksekusi. Mikrokontroler mempunyai input dan output serta
kendali dengan program yang dapat ditulis dan dihapus dengan cara khusus.
Mikrokontroler merupakan suatu komponen elektronik kecil yang mengendalikan
operasi komponen elektronik lain untuk menekankan efisiensi dan efektifitas biaya.
Mikrokontroler digunakan dalam produk dan alat yang dikendalikan secara otomatis,

17
seperti sistem kontrol mesin, remote controls, mesin kantor, peralatan rumah tangga,
alat berat, dan mainan. Dengan mengurangi ukuran, biaya, dan konsumsi tenaga
dibandingkan dengan mendesain menggunakan mikroprosesor memori, dan alat input
output yang terpisah, kehadiran mikrokontroler membuat kontrol elektrik untuk
berbagai proses menjadi lebih ekonomis.
Secara teknis hanya ada 2 macam mikrokontroler. Pembagian ini didasarkan

pada kompleksitas instruksi yang dapat diterapkan pada mikrokontroler tersebut.
Pembagian tersebut yaitu RICS dan CICS.
 RICS merupakan singkatan dari Reduced Instruction Set Computer. Instruksi yang
dimiliki terbatas, tetapi memiliki fasilitas yang lebih banyak.
 Sebaliknya, CISC kependekan dari Complex Instruction Set Computer. Instruksi bisa
dikatakan lebih lengkap tapi dengan fasilitas secukupnya.
Jenis-jenis mikrokontroler yang umum digunakan adalah:
 MCS51
Mikrokonktroler ini termasuk dalam keluarga mikrokonktroler CISC. Sebagian
besar instruksinya dieksekusi dalam 12 siklus clock. Mikrokontroler ini berdasarkan
arsitektur Harvard dan meskipun awalnya dirancang untuk aplikasi mikrokontroler
chip tunggal, sebuah mode perluasan telah mengizinkan sebuah ROM luar 64KB dan
RAM luar 64KB diberikan alamat dengan cara jalur pemilihan chip yang terpisah
untuk akses program dan memori data. Salah satu kemampuan dari mikrokontroler
8051 adalah pemasukan sebuah mesin pemroses boolean yang mengijikan operasi
logika boolean tingkatan-bit dapat dilakukan secara langsung dan secara efisien
dalam register internal dan RAM. Karena itulah MCS51 digunakan dalam rancangan
awal PLC (programmable Logic Control).
 AVR
Mikrokonktroler Alv and Vegard’s Risc processor atau sering disingkat AVR
merupakan mikrokonktroler RISC 8 bit. Karena RISC inilah sebagian besar kode
instruksinya dikemas dalam satu siklus clock. AVR adalah jenis mikrokontroler yang
paling sering dipakai dalam bidang elektronika dan instrumentasi. Secara umum,
AVR dapat dikelompokkan dalam 4 kelas. Pada dasarnya yang membedakan

18
masing-masing kelas adalah memori, peripheral dan fungsinya. Keempat kelas

tersebut adalah keluarga ATTiny, keluarga AT90Sxx, keluarga ATMega dan
AT86RFxx.
 PIC
Pada awalnya, PIC merupakan kependekan dari Programmable Interface
Controller. Tetapi pada perkembangannya berubah menjadi Programmable
Intelligent Computer. PIC termasuk keluarga mikrokonktroler berarsitektur Harvard
yang dibuat oleh Microchip Technology. Awalnya dikembangkan oleh Divisi
Mikroelektronik General Instruments dengan nama PIC1640. Sekarang Microhip
telah mengumumkan pembuatan PIC-nya yang keenam. PIC cukup popular
digunakan oleh para developer dan para penghobi ngoprek karena biayanya yang
rendah, ktersediaan dan penggunaan yang luas, database aplikasi yang besar, serta
pemrograman (dan pemrograman ulang) melalui hubungan serial pada komputer.
2.10. Arduino Uno

Arduino Uno adalah mikrokontroler jenis AVR dari keluarga ATMega. Arduino Uno
menggunakan ATMega328 sebagai mikrokontrolernya. Arduino UNO mempunyai 14
pin digital input/output (6 di antaranya dapat digunakan sebagai output PWM), 6 input
analog, sebuah osilator kristal 16 MHz, sebuah koneksi USB, sebuah power jack,
sebuah ICSP header, dan sebuat tombol reset. Arduino Uno memuat semua yang
dibutuhkan untuk menunjang mikrokontroler, mudah menghubungkannya ke sebuah
komputer dengan sebuah kabel USB atau mensuplainya dengan sebuah adaptor AC ke
DC atau menggunakan baterai untuk memulainya.
Arduino Uno berbeda dari semua board Arduino sebelumnya, Arduino Uno
tidak menggunakan chip driver FTDI USB-to-serial. Sebaliknya, fitur-fitur
Atmega16U2 (Atmega8U2 sampai ke versi R2) diprogram sebagai sebuah pengubah
USB ke serial. Revisi 2 dari board Arduino Uno mempunyai sebuah resistor yang
menarik garis 8U2 HWB ke ground, yang membuatnya lebih mudah untuk diletakkan
ke dalam DFU mode. Revisi 3 dari board Arduino Uno memiliki fitur-fitur baru sebagai
berikut:
 Pinout 1.0: ditambah pin SDA dan SCL yang dekat dengan pin AREF dan dua pin
baru lainnya yang diletakkan dekat dengan pin RESET, IOREF yang memungkinkan

19
shield untuk menyesuaikan tegangan yang disediakan dari board. Untuk ke

depannya, shield akan dijadikan kompatibel/cocok dengan board yang menggunakan
AVR yang beroperasi dengan tegangan 5V dan dengan Arduino Due yang beroperasi
dengan tegangan 3.3V. Yang ke-dua ini merupakan sebuah pin yang tak terhubung,
yang disediakan untuk tujuan kedepannya
 Sirkuit RESET yang lebih kuat
 Atmega 16U2 menggantikan 8U2
Gambar 2.5. Mikrokontroler
2.11. Motor Servo
Motor servo adalah sebuah motor DC dengan sistem umpan balik tertutup di mana
posisi rotornya akan diinformasikan kembali ke rangkaian kontrol yang ada di dalam
motor servo. Motor servo ini terdiri dari sebuah motor DC, serangkaian gearbox,
potensiometer, dan rangkaian kontrol. Potensiometer berfungsi untuk menentukan batas
sudut dari putaran servo. Sedangkan sudut dari sumbu motor servo diatur berdasarkan
lebar pulsa yang dikirim melalui kaki sinyal dari kabel motor servo.
Gambar 2.6. Motor Servo

20
Motor servo dikendalikan dengan memberikan sinyal modulasi lebar pulsa

(Pulse Wide Modulation/PWM) melalui kabel kontrol. Lebar pulsa sinyal kontrol yang
diberikan akan menentukan posisi sudut putaran dari poros motor servo. Sebagai
contoh, lebar pulsa dengan waktu 1,5 ms (mili detik) akan memutar poros motor servo
ke sudut 900. Bila pulsa lebih pendek dari 1,5 ms makan akan berputar ke arah posisi 00
atau ke kiri (berlawanan dengan arah jarum jam), sedangkan bila pulsa yang diberikan
lebih lama dari 1,5 ms maka poros motor servo akan berputar ke arah posisi 180 0 atau
ke kanan (searah jarum jam).
Gambar 2.7. Sinyal Lebar Pulsa Motor Servo
Ketika lebar pulsa kendali telah diberikan, maka poros motor servo akan
bergerak atau berputar ke posisi yang telah diperintahkan, dan berhenti pada posisi
tersebut dan akan tetap bertahan pada posisi tersebut. Jika ada kekuatan eksternal yang
mencoba memutar atau mengubah posisi tersebut, maka motor servo akan mencoba
menahan atau melawan dengan besarnya kekuatan torsi yang dimilikinya (rating torsi
servo). Namun motor servo tidak akan mempertahankan posisinya untuk selamanya,
sinyal lebar pulsa kendali harus diulang setiap 20 ms (mili detik) untuk
mengnstruksikan agar posisi poros motor servo tetap bertahan pada posisinya.
2.12. Webcam
Webcam (Web Camera) adalah sebutan bagi kamera real time yang gambarnya bisa
diakses melalui World Wide Web, program instant messaging atau aplikasi video call.
Webcam adalah sebuah kamera video digital kecil yang dihubungkan ke komputer

21
melalui port USB ataupun port COM. Sekarang ini webcam yang ada di pasaran pada
umumnya terbagi ke dalam 2 tipe: permanent webcam (fixed) dan revolving webcam.
Pada permanent webcam terdapat pengapit untuk mengapit lensa standart di posisi yang
diinginkan untuk menangkap gambar pengguna. Sedangkan pada revolving webcam
terdapat landasan dan lensa standart dipasang di landasan tersebut sehingga dapat
disesuaikan ke sudut pandang yang terbaik untuk menangkap gambar pengguna.
Sebuah webcam yang sederhana terdiri dari sebuah lensa standart, dipasang
sebuah papan sirkuit untuk menangkap sinyal gambar, casing (cover), termasuk casing
depan dan casing samping untuk menutupi lensa standart dan memiliki sebuah lubang
lensa di casing depan yang berguna untuk memasukan gambar; kabel support, yang
terbuat dari bahan yang flesksibel, salah satu ujungnya dihubungkan dengan papan
sirkuit dan ujung satu lagi memiliki konektor, kabel ini dikontrol untuk menyesuaikan
ketinggian, arah dan sudut pandang webcam. Sebuah webcam biasanya dilengkapi
dengan software untuk mengambil gambar-gambar dari kamera digital secara terus
menerus ataupun dalam interval waktu tertentu.
2.13. Penelitian Terdahulu
Beberapa penelitian terdahulu yang memanfaatkan pengenalan wajah untuk keamanan

pintu sudah pernah dilakukan. Januzaj et al. pada tahun 2015 membuat alat pengendali
askes pintu realtime. Penelitian ini menggunakan algoritma haar-like feature untuk
mendeteksi wajah, serta PCA untuk mengenali wajah. Penelitian tersebut berhasil
membuat alat yang mampu melakukan proses pelatihan dan identifikasi wajah secara
langsung, tanpa terhubung ke peralatan lain. Algoritma PCA digunakan karena cukup
cepat dan handal karena memungkinkan untuk menggunakan kamera dengan kualitas
rendah serta tidak membutuhkan jumlah wajah yang banyak di database. Penelitian ini
menyimpulkan bahwa tingkat akurasi pengenalan wajah dapat ditingkatkan dengan
mengendalikan faktor-faktor seperti latar belakang, pencahayaan, jumlah data training.
Penelitian lainnya dilakukan oleh Lwin at al. pada tahun 2015. Pada penelitian
tersebut proses pendeteksian dan pengenalan wajah dilakukan di PC dengan Matlab.
Mikrokontroler jenis PIC 16F887 digunakan untuk mengendalikan sistem akses pintu,
yang tergantung pada data masuk yang dikirm dari PC. Pintu akan terbuka secara

22
otomatis dengan segera, ketika wajah berhasil diverifikasi. Setelah 2 detik, pintu akan
tertutup kembali secara otomatis. Metode viola-jones digunakan untuk mendeteksi
wajah pada citra. Metode ini memiliki batasan pada orientasi kepala. Metode ini hanya
dapat mendeteksi wajah dengan pandangan ke depan. Sedangkan untuk mengenali
wajah, metode yang digunakan pada penelitian ini adalah metode PCA. Metode PCA
digunakan untuk ekstraksi fitur pada citra wajah, dan kemudian menggunakan jarak
euclidian untuk mengenali citra.
Penelitian terdahulu juga pernah dilakukan oleh Yang et al. pada tahun 2014
yaitu membuat sistem kendali pintu otomatis yang diimplementasikan ke modul
multimedia berbasis DSP. Pada penelitian ini, sistem yang dibuat mengidentifikasi
orang melalui pendeteksian wajah, lalu kemudian menganalisa path trajectoy untuk
menentukan apakah orang tersebut memiliki intensi untuk mengakses pintu atau tidak,
hal inilah yang menjadi pengendali pintunya. Sistem ini mempunyai tingkat false yang
rendah (hingga 0%), tingkat aktivasi correct yang tinggi (99,6%), dan waktu respon
yang cepat (dalam 2 detik) mulai dari mendeteksi target, konfirmasi intensi, hingga
membuka pintu.
Tabel 2.1. Penelitian Terdahulu
No. Peneliti Metode Keterangan

1. Januzaj et al. PCA Penelitian ini membuat perangkat
Pengendali akses pintu secara real time
berbasis pengenalan wajah
2. Lwin et al. Viola-Jones Penelitian ini membuat sistem akses

PCA pintu secara otomatis berbasis
pengenalan wajah

23
Tabel 2.1. Penelitian Terdahulu (lanjutan)
No. Peneliti Metode Keterangan

3. Yang et al. - Curve Penelitian ini membuat sistem akses
Fitting pintu otomatis berbasis kamera pintar.
- Gaussian Kamera pintar yang dimaksud adalah
Distribution kemampuan untuk menganalisa dan
- Path menentukan intensi wajah.
analysis

BAB 3
ANALISIS DAN PERANCANGAN
Bab ini menguraikan hasil analisis data, arsitektur umum, dan perangkat yang
dibutuhkan, serta perancangan sistem yang akan dibuat, yaitu perangkat lunak (program
pengenalan wajah) dan perangkat keras (webcam, pc, mikrokontroler, motor servo).
3.1. Dataset
Pada penelitian ini, basis data citra yang akan digunakan adalah dataset citra yang
diambil secara real-time melalui webcam untuk kemudian dilakukan pelatihan secara
manual serta juga langsung diuji coba dengan modul hardware untuk mengontrol kunci
pintu otomatis. Data yang berformat .jpg ini, terdiri atas 10 orang, dengan masing-
masing 15 citra latih dan 5 citra uji. Kemudian 10 citra wajah milik 2 orang dengan
masing-masing 5 citra, akan digunakan sebagai data uji untuk kasus wajah yang tidak
dikenali atau tidak di latih sebelumnya.
No. Dataset Jumlah Data

1 Data pelatihan 150
2 Data pengujian 60
Tabel 3.1. Pembagian Data Latih & Data uji
3.2. Arsitektur Umum
Pada penelitian ini, data input diambil dengan menggunakan webcam yang terhubung
ke PC, kemudian data diolah untuk proses pengenalan wajah didalam PC. Selanjutnya
mikrokontroler yang telah terhubung ke PC serta ke motor servo akan mendapat sinyal
berupa 1 atau 0, tergantung output dari hasil pengolahan di PC. Motor servo nantinya
akan menggerakkan pintu.

25
Pada proses pengenalan wajah, tahapannya dimulai dari pengumpulan dataset

untuk pelatihan dan pengujian. Kemudian pada data citra tersebut dilakukan
preprocessing, yaitu menyesuaikan ukuran seluruh data citra serta mengubah citra ke
bentuk grayscale dari sebelumnya data citra yang berbentuk RGB. Selanjutnya
dilakukan proses ekstraksi fitur untuk mendapatkan nilai ciri dari setiap citra. Hasil
ekstraksi fitur citra latih disimpan untuk digunakan sebagai pembanding dalam proses
klasifikasi dengan hasil ekstraksi fitur dari citra uji. Output dari hasil klasifikasi pada
proses pengenalan akan digunakan untuk mengontrol pintu secara otomatis. Adapun
tahapan diatas dapat dilihat dalam bentuk arsitektur umum pada gambar 3.1.
Gambar 3.1. Arsitektur Umum

26
3.2.1. Face Detection (Deteksi Wajah)

Data citra yang menjadi input terlebih dahulu dilakukan pemeriksaan, apakah
pada citra tersebut terdapat wajah atau tidak. Deteksi wajah dilakukan dengan
menggunakan metode Viola-Jones. Jika area wajah terdeteksi maka dilakukan
cropping atau pemotongan. Hingga hanya area wajah saja yang diambil dan
dilanjutkan untuk masuk ke proses berikutnya. Tujuannya adalah untuk
memastikan input citra yang akan diolah adalah wajah.
Input : Data Citra
Metode : Viola-Jones (menggunakan built-in fungsi pada matlab)
Output : Data citra wajah
Gambar 3.2. Face Detection (Deteksi Wajah)
3.2.2. Preprocessing
Pada tahapan preprocessing citra akan diolah dengan cara melakukan resizing dan
grayscaling.
1. Resizing adalah mengubah ukuran citra sesuai yang diinginkan. Tujuannya
adalah untuk menyesuaikan seluruh ukuran citra menjadi satu ukuran tertentu.
Pada penelitian ini, ukuran citra diubah menjadi 100 x 100.
Input : Data citra wajah
Metode : bicubic interpolation (built-in fungsi imcrop pada Matlab)
Output : Data citra wajah dengan ukuran seragam yakni 100 x 100
2. Setelah ukuran disesuaikan, kemudian citra diubah ke bentuk grayscaling atau
citra yang berupa keabu-abuan. Tujuannya adalah untuk mempercepat proses
pengolahan pada tahapan berikutnya.
Input : Data citra wajah (100 x 100)
Metode : grayscaling
Output : Data citra wajah (100 x 100) dengan warna keabu-abuan.

27
Gambar 3.3. Pre-processing pada Wajah
3.2.3. Ekstraksi Fitur

Ekstraksi fitur adalah tahapan untuk menganalisis ciri fitur setiap citra wajah.
Fitur wajah yang diperoleh nantinya merupakan representasi dari citra wajah
tersebut. Ekstraksi fitur merupakan tahapan yang vital dari proses pengenalan
wajah karena fitur yang didapatkan dari hasil ekstraksi seharusnya memiliki
perbedaan antara masing-masing orang sehingga dapat menjadi acuan untuk
klasifikasi wajah. Pada penelitian kali ini, metode ekstraksi fitur yang akan
digunakan adalah LBP (Linear Binary Pattern)
Input : Data citra wajah (grayscale dengan ukuran 100 x 100)
Metode : LBP
Output : Fitur dari setiap wajah
Gambar 3.4. Ekstraksi Fitur Wajah
3.2.4. Klasifikasi Wajah

Setelah didapatkan nilai ekstraksi fitur, maka nilai tersebut akan menjadi input
pada proses pengenalan wajah. Metode yang akan digunakan adalah Extreme
Learning Machine (ELM).
1. Penentuan jumlah node pada hidden layer
Jumlah node pada hidden layer yang tidak optimal dapat menyebabkan
permasalahan tertentu pada proses latih. Hidden layer yang memiliki jumlah node
terlalu sedikit dapat menyebabkan kondisi underfitting, di mana node yang
tersedia tidak dapat bekerja secara maksimal untuk mendeteksi sinyal yang

28
diterima dari input layer. Sebaliknya, jumlah node yang terlalu banyak dapat
berakibat pada bertambahnya waktu yang dibutuhkan artificial neural network
untuk memproses data. Selain itu, jumlah node yang terlalu banyak juga dapat
berakibat pada kondisi overfitting, di mana jumlah informasi yang diterima tidak
cukup untuk diproses dalam pelatihan karena banyaknya kapasitas pemrosesan
informasi yang dimiliki jaringan. Penentuan jumlah neuron pada hidden layer
dapat memenuhi aturan-aturan berikut: a. Jumlah neuron pada hidden layer harus
melebihi jumlah neuron di input layer dan tidak boleh melebihi jumlah neuron di
output layer; b. Jumlah neuron pada hidden layer harus setara dengan 2/3 (dua
per tiga) dari jumlah neuron pada input layer dan output layer; dan c. Jumlah
neuron pada hidden layer tidak boleh melebihi dua kali jumlah neuron pada input
layer. Aturan mengenai jumlah neuron pada hidden layer ini dapat digunakan
sebagai pertimbangan. Walaupun begitu, proses menentukan jumlah neuron pada
hidden layer merupakan proses trial and error. Hal ini dilakukan agar jaringan
dapat menyesuaikan diri dengan masalah yang akan diselesaikan. Pada penelitian
ini, proses latih akan dilakukan dengan jumlah neuron pada hidden layer bernilai
𝑛, di mana 𝑛 = 1,2,3,…,98,99,100. Hal ini dilakukan untuk mengetahui jumlah
neuron pada hidden layer yang sesuai untuk proses prediksi.
2. Penentuan fungsi aktivasi
Tahap yang dilakukan setelah jumlah neuron pada hidden layer adalah
menentukan fungsi aktivasi yang akan digunakan neuron dalam proses latih dan
proses uji. Fungsi aktivasi yang digunakan dalam penelitian ini adalah fungsi
sigmoid.
Fungsi sigmoid merupakan fungsi aktivasi neuron yang umumnya

digunakan pada algoritma backpropagation, yang bertujuan untuk mengurangi
waktu komputasi. Fungsi sigmoid pada artificial neural network didefinisikan
oleh persamaan 3.1:
(3.1)

29
3. Proses latih
Proses latih merupakan tahap pertama yang dilakukan oleh extreme learning
machine dalam menjalankan proses pengenalan wajah. Proses latih (training)
adalah sebuah proses di mana sebuah artificial neural network akan dilakukan
konfigurasi untuk dapat menghasilkan keluaran yang dibutuhkan dengan
memberikan sebuah kumpulan data tertentu . Hasil akhir dari proses ini adalah
sebuah artificial neural network yang telah dilatih untuk memberikan hasil yang
sesuai dengan data yang telah diberikan selama proses latih.
4. Pengacakan input weight dan bias
Tahap pertama yang dilakukan dari proses latih pada penelitian ini adalah
pemberian nilai input weight dan bias. Jumlah neuron pada input layer yang
digunakan pada penelitian ini disesuaikan dengan jumlah parameter yang diterima
dari dataset yang digunakan. Input weight dan bias dari artificial neural network
pada penelitian ini diberikan secara acak.
5. Perhitungan hidden layer output matrix
Setelah tahap pengacakan input weight dan bias selesai dilakukan, tahap yang
akan dilakukan adalah penghitungan hidden layer output matrix. Hidden layer
output matrix merupakan hasil pengolahan dari masukan yang telah diterima oleh
neuron pada hidden layer dari neuron pada input layer. Pengolahan dilakukan
menggunakan fungsi aktivasi yang telah ditentukan pada tahap sebelumnya.
6. Perhitungan output weight
Penghitungan output weight dilakukan setelah proses penghitungan hidden layer

output matrix telah selesai dilakukan. Hasil dari proses ini adalah sebuah matriks
yang merepresentasikan weight dari setiap neuron pada output layer.
7. Perhitungan uji (testing)
Artificial neural network yang telah dihasilkan pada proses latih, akan diuji pada
proses pengujian. Proses pengujian dilakukan untuk mengetahui efektivitas dari
metode extreme learning machine dalam melakukan proses pengenalan wajah.

30
8. Perhitungan keluaran
Proses penghitungan dilakukan menggunakan artificial neural network yang telah

dilatih pada proses latih sebelumnya. Hasil dari proses penghitungan akan berupa
hasil identifikasi wajah.
Setelah semua proses perhitungan ELM telah selesai dilakukan dan memberikan
output hasil identifikasi wajah, maka output ini digunakan sebagai acuan untuk
mengirim sinyal ke mikrokontroler untuk menggerakkan motor servo agar
membuka pintu, ataupun tetap membiarkan pintu tertutup.
Input : Nilai hasil ekstraksi fitur wajah

Metode : Extreme Learning Machine (ELM)
Output : Berhasil (wajah dikenali, kirim sinyal ke mikrokontroler untuk buka
pintu) atau gagal (wajah tidak dikenali).
Gambar 3.5. Klasifikasi Wajah
3.3. Perangkat Keras (Hardware)
Perangkat keras yang dibutuhkan untuk penelitian ini terdiri dari sebuah komputer,
webcam, mikrokontroler, dan motor servo. Berikut ini adalah rincian dari setiap
perangkat keras yang dibutuhkan.
3.3.1. PC
Pada penelitian ini, dibutuhkan seperangkat PC atau komputer yang akan
digunakan untuk pengolahan data. Pengolahan data yang dimaksud adalah mulai
dari pengambilan citra wajah dari webcam, penyimpanan citra wajah, proses
pengenalan citra wajah, hingga mengirim sinyal ke mikrokontroler untuk
membuka pintu.

31
3.3.2. Webcam
Spesifikasi dari webcam yang digunakan akan sangat berpengaruh pada proses
ekstraksi fitur dan hasil pengenalan citra wajah. Hal yang perlu diperhatikan
adalah resolusi citra hasil capture dari webcam. Pada penelitian ini, webcam yang
digunakan adalah webcam yang terdapat pada laptop. Kamera VGA dengan
resolusi 0,3 mega pixel tersebut mampu menangkap citra dengan dimensi
maksimum 640 x 480. Nantinya, citra yang ditangkap akan diubah lagi ukurannya
menjadi lebih kecil yaitu 100 x 100.
3.3.3. Mikrokontroler
Mikrokontroler yang digunakan pada penilitian ini adalah mikrokontroler jenis
Arduino Uno. Arduino Uno menggunakan ATMega328 sebagai
mikrokontrolernya, memiliki 14 pin I/O digital.
3.3.4. Motor Servo

Motor servo yang digunakan pada penelitian ini adalah micro servo Tower Pro
SG90. Motor servo mini tersebut sudah mampu untuk menggerakkan sebuah plat
miniatur pintu.
3.4. Perancangan Sistem
Pada bagian ini akan dijelaskan tentang perancangan dari sistem akses pintu otomatis
berbasis pengenalan wajah. Baik itu perancangan perangkat lunak dan perangkat keras.
Rancangan perangkat lunak yang dimaksud adalah rancangan program pengenalan
wajah yang akan digunakan sebagai antarmuka dengan pengguna. Sedangkan
rancangan perangkat keras adalah rancangan perangkat keras yang diperlukan untuk
sistem yang akan dibuat hingga dapat membuka pintu, mulai dari webcam, PC (tempat
program berada), mikrokontroler, dan motor servo.
3.4.1. Perancangan Program

Perancangan antarmuka dari program pengenalan wajah yang akan dibangun pada
penelitian ini dapat dilihat pada Gambar 3.2.

32
Gambar 3.6. Rancangan Antarmuka Program
Rincian penjelasan dari gambar 3.2 adalah sebagai berikut:
1. Tombol START merupakan tombol yang berfungsi untuk memulai akses ke

kamera secara realtime.
2. Tombol CAPTURE merupakan tombol yang berfungsi untuk menangkap

(capture) citra dari webcam. Setelah tombol START ditekan, dan kamera
mulai aktif, maka tombol ini digunakan untuk menangkap citra wajah.
3. Tombol PROSES merupakan tombol yang berfungsi untuk memulai proses

pengolahan terhadap citra yang telah ditangkap sebelumnya. Proses yang
pengolahan yang dilakukan adalah mulai dari preprocessing hingga ekstraksi
fitur.
4. Tombol TEST merupakan tombol yang berfungsi untuk menguji citra wajah.
Setelah citra di proses, maka selanjutnya akan dilakukan testing untuk
pengenalan wajah dengan menekan tombol ini.

33
5. HASIL adalah sebuah kontainer atau tempat dimana akan muncul output atau
hasil dari pengenalan wajah yang telah dilakukan sebelumnya. Output yang
fkeluar hanya ada dua pilihan, yaitu BERHASIL atau GAGAL. Dengan kata
lain, BERHASIL jika citra wajah terverifikasi maka pintu akan terbuka,
sedangkan GAGAL jika citra wajah tidak terverifikasi.
6. Tombol RESET merupakan tombol yang berfungsi untuk mengatur ulang

program agar kembail ke awal ketika pertama kali dijalankan.
7. Kontainer Webcam merupakan tempat akan ditampilkan hasil tangkapan

webcam secara real time, serta juga tempat ditampilkannya hasil capture dan
proses.
3.4.2. Perancangan Perangkat Keras
Perancangan perangkat keras yang dibutuhkan dapat dilihat pada gambar 3.7.
Gambar 3.7. Rancangan Perangkat Keras
Pada gambar 3.3, terdapat beberapa perangkat keras yang dibutuhkan untuk
penelitian ini. Berikut ini adalah penjelasannya.
1. Merupakan webcam yang akan digunakan untuk menangkap citra wajah

pengguna. Webcam dihubungkan ke komputer.

34
2. Merupakan seperangkat komputer (PC) yang berfungsi untuk menampilkan

antarmuka pengguna serta tempat terjadinya seluruh proses dalam pengenalan
wajah hingga mengirimkan sinyal ke mikrokontroler.
3. Merupakan mikrokontroler (arduino uno) yang berfungsi sebagai penerima

sinyal yang dikirim komputer untuk mengendalikan motor servo.
Mikrokontroler ini terhubung ke komputer dan ke motor servo.
4. Merupakan motor servo yang berfungsi untuk membuka pintu. Terhubung ke

mikrokontroler untuk menerima sinyal membuka pintu. Nantinya, motor servo
dan mikrokontroler akan diletakkan pada sebuah lempengan yang berbentuk
miniatur sebuah pintu.

BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas tentang implementasi dari hasil analisis dan perancangan sistem
yang dibahas pada bab sebelumnya dan serta membahas tentang hasil pengujian
terhadap sistem yang telah dibangun.
4.1. Implementasi Perangkat Keras
Implementasi perangkat keras dilakukan berdasarkan hasil perancangan yang telah

dibuat pada bab sebelumnya. Perangkat keras yang dibutuhkan adalah webcam, PC,
mikrokontroler (Arduino Uno) serta motor servo.
4.1.1. Webcam
Webcam yang digunakan adalah webcam yang terdapat pada laptop (PC). Driver
webcam harus telah ter-instal di dalam PC untuk memastikan bahwa webcam
telah terhubung ke PC. Juga dapat dipastikan dengan memeriksa pada imaging
device di PC, seperti ditunjukkan pada Gambar 4.6.
Gambar 4.1. Periksa Koneksi Webcam

36
4.1.2. PC
Spesifikasi PC atau komputer yang digunakan pada penelitian ini adalah sebagai
berikut:
 Processor Intel(R) Core(TM) i3-2350M CPU @ 2.30GHz
 Memory (RAM) 4.00 GB
 Sistem operasi Windows 10 Pro 64-bit
 Kapasitas Harddisk 500 GB
Komputer ini merupakan perangkat yang penting karena semua perangkat lain
terhubung ke komputer serta tempat semua proses program berjalan.
4.1.3. Arduino Uno

Mikrokontroler Arduino Uno dihubungkan ke komputer dan motor servo. Untuk
menghubungkan ke komputer yaitu dengan menggunakan kabel USB. Sedangkan
untuk menghubungkan ke motor servo, kabel dihubungkan ke port ground
(GND), port power 5V, dan port sinyal.
4.1.4. Motor servo
Motor servo dihubungkan ke Arduino Uno menggunakan tiga kabel yaitu ground,
power, dan sinyal. Ketiga kabel yang terdapat pada motor servo tersebut
dihubungkan ke board sesuai dengan port nya. Motor servo ini diletakkan pada
sebuah plat berbentuk miniatur pintu.
Gambar 4.2. Implementasi Arduino Uno dan Motor Servo

37
4.2. Pengujian Perangkat Keras
Perangkat keras yang sebelumnya telah diimplementasikan akan di ujicoba terlebih

dahulu untuk memastikan seluruh perangkat keras dapat berfungsi dengan baik.
4.2.1. Arduino Uno

Untuk memastikan apakah Arduino Uno telah terhubung ke komputer dan dapat
bekerja dengan baik, maka dilakukan pemanggilan variabel arduino melalui
Matlab. Jika yang ditampilkan adalah hasil spesifikasi dari Arduino Uno yang
digunakan serta port yang terhubung ke komputer, maka Arduino telah berhasil
dideteksi dan terhubung ke komputer. Berikut ini adalah cara untuk membangun
koneksi Matlab-Arduino:
Ketikan perintah berikut pada Matlab,
a = arduino
Maka, akan muncul spesifikasi dari arduino yang terhubung pada komputer,
seperti berikut ini:
a = arduino with properties:
Port: 'COM6'
Board: 'Uno'
AvailableAnalogPins: [0,1,2,3,4,5]
AvailableDigitalPins: [2,3,4,5,6,7,8,9,10,11,12,13]
Libraries: {'I2C', 'SPI', 'Servo'}
4.2.2. Motor Servo

Untuk menguji coba motor servo maka, dilakukan perintah untuk menggerakkan
motor servo sebesar 90 derajat melalui Arduino IDE. Jika motor servo bergerak
sesuai perintah yang diberikan, maka motor servo tersebut dapat bekerja dengan
baik.
4.3. Implementasi Perangkat Lunak
Sub bab ini merupakan implementasi dari rancangan program atau perangkat lunak
yang telah dirancang sebelumnya. Program pengenalan wajah ini dibangun dengan
menggunakan aplikasi Matlab r2016a. Alasan penggunaan aplikasi tersebut adalah
dikarenakan dukungan library yang sangat membantu dalam pembuatan program
pengenalan wajah ini. Diantaranya adalah library matlab untuk image processing,

38
arduino control, serta webcam. Matlab ini dijalankan pada PC dengan spesifikasi yang
dapat dilihat pada sub bab berikutnya dalam bab ini.
Berikut ini adalah implementasi perancangan antarmuka program pengenalan

wajah yang telah dibuat.
4.3.1. Tampilan Awal Program

Tampilan awal program adalah tampilan yang muncul ketika program pertama
kali dijalankan. Tampilan ini dapat dilihat pada Gambar 4.1.
Gambar 4.3. Tampilan Awal Program
4.3.2. Tampilan Utama Program

Tampilan utama adalah tampilan halaman utama untuk pengenalan wajah dengan
Extreme Learning Machine. Tampilan utama program ini dapat dilihat pada
Gambar 4.2.
Gambar 4.4. Tampilan Utama Program

39
4.4. Implementasi Data
Pada penelitian ini, dataset terdiri atas 210 citra wajah dengan pembagian 150 untuk
data latih serta 60 untuk data uji. Citra wajah diambil dalam beberapa variasi kondisi
yaitu wajah normal, wajah dengan ekspresi tertentu, wajah dengan orientasi pose ke
samping, atas dan bawah. Data latih dan data uji diambil secara terpisah. Data latih
terlebih dahulu diambil melalui webcam. Kemudian setelah terkumpul, data latih
tersebut dilatih secara manual menggunakan ELM. Hasil pelatihan dari data latih yaitu
nilai ekstraksi fitur (berformat .mat) akan digunakan sebagai pembanding untuk
klasifikasi wajah pada program. Kemudian, data uji diambil secara real time melalui
webcam ketika menjalankan program. Sebanyak 50 data uji merupakan citra untuk
kasus wajah yang seharusnya dikenali atau telah di training dan 10 data untuk kasus
wajah yang tidak di training. Data latih dapat dilihat pada Gambar 4.3.
Gambar 4.5. Data Latih (Training)

40
4.5. Prosedur Operasional Program
Tampilan awal program akan berjalan melalui sebuah tombol yaitu “Program” pada
Gambar 4.1. Tombol ini befungsi untuk masuk ke halaman utama program. Tampilan
utama aplikasi ditunjukkan pada Gambar 4.2. Pada halaman utama program terdapat
beberapa tombol yang memiliki fungsi masing-masing serta harus dijalankan secara
berurutan sesuai prosedur. Untuk mulai menjalankan kamera maka tekan tombol
“START”. Maka kamera akan mulai berjalan dan hasil streaming secara real time akan
tampak pada halaman utama program. Kemudian, untuk menangkap atau mengambil
citra melalui kamera, tekan tombol “CAPTURE”. Kamera akan mengambil citra secara
langsung dan hasilnya akan tampak pada program. Ditunjukkan pada Gambar 4.3.
Gambar 4.6. Tampilan Setelah Menekan Tombol Start
Seterusnya, citra hasil capture kamera akan diproses. Tekan tombol “PROSES”,
maka proses pengolahan akan mulai berjalan. Urutan proses yang akan dilakukan pada
citra dapat dilihat pada tabel 4.1. Sedangkan hasilnya dapat dilihat pada Gambar 4.4.
Gambar 4.7. Tampilan Setelah Menekan Tombol Proses

41
Tabel 4.1. Proses Pengolahan Citra Hasil Capture Kamera
No. Jenis Proses Keterangan

1 Face Detection Deteksi wajah pada citra hasil capture
2 Cropping Detected Face Crop dan ambil area wajah yang terdeteksi
3 Grayscaling Ubah citra wajah ke bentuk citra grayscale
(derajat keabu-abuan)
4 Resizing Ubah citra wajah ke ukuran 100 x 100 piksel
Berikutnya adalah, setelah semua proses selesai maka tekan tombol “TEST”
untuk proses pengenalan citra wajah. Jika citra wajah berhasil dikenali maka, akan
muncul teks pada program yaitu “BERHASIL”. Dan sebaliknya, jika citra wajah gagal
dikenali maka akan muncul teks “GAGAL”. Seperti yang ditunjukkan pada Gambar 4.5
Gambar 4.8. Tampilan Setelah Menekan Tombol Test
Ketika wajah berhasil dikenali, maka pintu mikrokontroler akan mengirim sinyal ke
motor servo untuk membuka pintu. Sebalikanya, jika gagal, maka mikrokontroler tidak
akan melakukan tindakan. Tombol ‘RESET’ berfungsi untuk mengatur ulang program
ke bentuk semula ketika dibuka.
4.6. Pengujian Sistem
Pada tahap ini dilakukan pengujian terhadap data dan sistem. Pengujian sistem
dilakukan untuk mengetahui kemampuan sistem yang dibangun. Kemampuan sistem
ini bergantung pada proses pelatihan sistem (data training). Parameter pengujian yang
digunakan adalah jumlah hidden neuron yang berbeda yaitu, 10, 30 dan 50. Sedangkan
fungsi aktivasi yang digunakan yaitu sigmoid. Kemudian, parameter kondisi citra yang

42
digunakan adalah citra dengan pencahayaan normal (≥ 200 𝑙𝑢𝑥) dan citra dengan
pencahayaan redup (≤ 20 𝑙𝑢𝑥), wajah ekspresif, orientasi arah wajah, serta jarak wajah
ke webcam (> 40 cm). Data uji yang digunakan sebanyak 60 citra wajah yang
merupakan wajah dari 12 orang yang masing-masing terdiri atas 5 wajah dengan
beberapa variasi kondisi citra. Hasil dari proses yang dilakukan pada data uji (hanya 1
wajah per orang yang akan ditampilkan) dapat dilihat pada tabel 4.2.
Hasil dari masing-masing pengujian tersebut berbeda, diperoleh bahwa semakin

tinggi jumlah hidden neuron maka nilai akurasi yang diperoleh semakin baik. Seperti
yang ditunjukkan pada Gambar 4.10.
Tabel 4.2. Sampel Data Uji
Deteksi & Grayscaling

Label Citra Awal
Cropping & Resizing
Ekstraksi Fitur (LBP)
0,103443108499050 0,0460518114268780 0,115377098321915
Des 0,070320956408977 0,105028316378593 0,0371016114950180
0,00366934365592897 0,0382384546101093 0,0445528291165829
0,0291415285319090 0,137894570827484 0,0372977368533611
0,00461532361805439 0,107396408915520 0,0439926646649838
0,0421841554343700 0,414072036743164 0,0584534592926502
0,00479727098718286 0,146608605980873 0,0735856294631958
0,0376893989741802 0,193469166755676 0,0447964482009411
0,00598277803510428 0,173712030053139 0,0447358004748821
0,0366456471383572 0,303490161895752 0,0165262222290039
0,0177617110311985 0,138052403926849 0,0260849595069885
0,00828057527542114 0,357515066862106 0,0311577096581459
0,0267836656421423 0,180523008108139 0,0278100240975618
0,0165452212095261 0,149145051836967 0,0294877402484417
0,0260453540831804 0,0952708274126053 0,0438336618244648
0,0172573737800121 0,163291350007057 0,0233102999627590
0,0407298915088177 0,0992223694920540 0,0253640394657850
0,148148655891418 0,159174367785454 0,248092085123062
0,0406701192259789 0,0947439819574356 0,312657088041306
0,0724530220031738 0,260299801826477
0,0833729505538940 0,0676602274179459 0,0598920695483685

Epe 0,0591879524290562 0,156397715210915 0,0271235108375549
0 0,0734534487128258 0,0414720587432385
0,0302024241536856 0,168150261044502 0,0699147880077362
0,00335823139175773 0,0911454483866692 0,0493198335170746
0,0739055871963501 0,135961100459099 0,0536894313991070
0,00252879317849875 0,205622255802155 0,0775116160511971
0,0494276769459248 0,186600297689438 0,0429493039846420
0,00260198325850070 0,185877501964569 0,0302451439201832
0,0237404834479094 0,284810662269592 0,0138926794752479
0,0139026865363121 0,322384536266327 0,0333844013512135
0,00685074413195252 0,332610249519348 0,0423935092985630
0,0246985275298357 0,159152358770370 0,0331254005432129
0,0404777191579342 0,128134682774544 0,0300201959908009
0,0270958766341209 0,0764200389385223 0,0272476356476545
0,0265733897686005 0,194689288735390 0,0263397786766291
0,0220000520348549 0,110600873827934 0,0229349453002214
0,0984764024615288 0,298697680234909 0,267704814672470
0,0469292029738426 0,106631129980087 0,318338930606842
0,100746348500252 0,231188908219337

43
Tabel 4.2. Sampel Data Uji (lanjutan)

Label Citra Awal
Cropping & Resizing
0,0966399759054184 0,0470843948423862 0,0742155909538269
Ken 0,0564831830561161 0,0963423773646355 0,0376357212662697
0,00341243692673743 0,0645211860537529 0,0387078225612640
0,0377797149121761 0,134752884507179 0,0551777854561806
0,00497049419209361 0,0419282205402851 0,0440632365643978
0,0633787140250206 0,123883225023746 0,0470794476568699
0,00291870813816786 0,211607262492180 0,0521574765443802
0,0279369335621595 0,203883662819862 0,0404628627002239
0,00361323496326804 0,238132670521736 0,0405720919370651
0,0307654868811369 0,165250599384308 0,0426977835595608
0,0197020918130875 0,365322917699814 0,0665752291679382
0,00631051417440176 0,239617243409157 0,0415546037256718
0,0208868160843849 0,1507315337657930,1 0,0235114619135857
0,0186706893146038 41179412603378 0,0220157224684954
0,0191526878625155 0,0806125849485397 0,0439151488244534
0,0122574437409639 0,149002343416214 0,0643236339092255
0,0181352738291025 0,0444278120994568 0,0184256602078676
0,118592247366905 0,196392253041267 0,487196326255798
0,0300394482910633 0,105734810233116 0,353696554899216
0,100018493831158 0,135858342051506
0,0777830556035042 0,0626739636063576 0,0643720701336861

Leo 0,0500531457364559 0,0978131517767906 0,0255381278693676
0,00148014037404209 0,0708114653825760 0,0488065332174301
0,0302817318588495 0,191507384181023 0,0443336851894856
0,00572207523509860 0,0821699649095535 0,0278523471206427
0,0330601036548615 0,345136046409607 0,0414558537304401
0,00338080991059542 0,386639893054962 0,0400817170739174
0,0230085551738739 0,130685389041901 0,0626249611377716
0,00565707636997104 0,197059482336044 0,0457562431693077
0,0627468153834343 0,145461931824684 0,0333621241152287
0,0312177445739508 0,358169972896576 0,0542969703674316
0,0132549554109573 0,325148254632950 0,0223315209150314
0,0251943767070770 0,156954646110535 0,0359318293631077
0,0288638267666101 0,183892503380775 0,0210724063217640
0,0181345194578171 0,101092033088207 0,0468930676579475
0,0247469469904900 0,104383707046509 0,0196121875196695
0,0319058299064636 0,0566750243306160 0,0352505780756474
0,130324766039848 0,114500395953655 0,259119510650635
0,07462079823017120, 0,1155684366822240,1 0,265863239765167
132240563631058 48983195424080
0,124352395534515 0,0660807639360428 0,0697298422455788

Loi 0,0446825549006462 0,0999106764793396 0,0620743148028851
0,00663158576935530 0,0396101474761963 0,0500170104205608
0,0734867453575134 0,138075351715088 0,0553966462612152
0,0123607674613595 0,0383237078785896 0,0418961271643639
0,0562035702168942 0,281695693731308 0,0354583635926247
0,00111008353997022 0,334753960371017 0,0449150837957859
0,0827805101871491 0,259972780942917 0,0389770194888115
0,00247257505543530 0,199662625789642 0,0431676544249058
0,0261584222316742 0,186578974127769 0,0379679873585701
0,0293415356427431 0,197109922766685 0,0627765730023384
0,0294492151588202 0,276739716529846 0,0238173231482506
0,0294032823294401 0,109569653868675 0,0557501092553139
0,0413854382932186 0,255571007728577 0,0212584529072046
0,0187840703874826 0,117346264421940 0,0327616967260838
0,0236516613513231 0,172868818044662 0,0246033128350973
0,0262519456446171 0,101483106613159 0,0428824163973331
0,0905321240425110 0,116715095937252 0,310440868139267
0,0644440278410912 0,0888238474726677 0,374768167734146
0,136797502636909 0,135532289743423

44

Label Citra Awal
Cropping & Resizing
0,0513779371976852 0,0444513745605950 0,0808824449777603
Mes 0,0515667237341404 0,100208155810833 0,0267671737819910
0 0,0409805327653885 0,0474691838026047
0,0375983268022537 0,160634949803352 0,0452567338943481
0 0,0797493085265160 0,0339282974600792
0,0571090839803219 0,245554864406586 0,0399893000721931
0 0,251137882471085 0,0674394890666008
0,0359031334519386 0,220066338777542 0,0528806000947952
0,00214420352131128 0,0937285199761391 0,0492459386587143
0,0331678800284863 0,197174757719040 0,0286782030016184
0,0135647440329194 0,203368231654167 0,0250571370124817
0,0143581740558147 0,524393975734711 0,0224209241569042
0,0305576063692570 0,250695109367371 0,0299783460795879
0,0166849214583635 0,0995481684803963 0,0231834203004837
0,00743716023862362 0,0555702149868012 0,0422290749847889
0,0156462490558624 0,171725079417229 0,0281112883239985
0,0273582227528095 0,0705487057566643 0,0232318304479122
0,126341834664345 0,136941894888878 0,247597947716713
0,0422534905374050 0,0899071618914604 0,230298668146133
0,0672942548990250 0,314585924148560
0,0409438163042069 0,0399372279644012 0,0993953123688698

Rim 0,0422434210777283 0,102554686367512 0,0207147467881441
0 0,0527427457273006 0,0387470871210098
0,0175269655883312 0,177984356880188 0,0402740538120270
0,00063787773251535 0,0813103169202805 0,0249172914773226
0,0300536733120680 0,253274440765381 0,0586363822221756
0 0,136652007699013 0,0612662732601166
0,0222961101680994 0,0774010568857193 0,0427221320569515
0 0,152453035116196 0,0316275358200073
0,0294743459671736 0,274630814790726 0,0193331483751535
0,00678553991019726 0,503362953662872 0,0208775326609612
0,00815481320023537 0,327868759632111 0,0265091042965651
0,01211445126682520, 0,247346490621567 0,0117835216224194
0173945948481560 0,118203125894070 0,0327300541102886
0,0191345904022455 0,0479054078459740 0,0280423685908318
0,0239230263978243 0,134560048580170 0,0241986233741045
0,0244093742221594 0,0793196484446526 0,0127701479941607
0,128660246729851 0,310101002454758 0,222402945160866
0,0235879439860582 0,121610224246979 0,173123717308044
0,0506656579673290 0,223824203014374
0,0531947612762451 0,0531089045107365 0,0863718017935753

Ros 0,0506808869540691 0,120230235159397 0,0225181356072426
0,00498973578214645 0,0481949262320995 0,0302450917661190
0,0311906542629004 0,162383243441582 0,0498872585594654
0 0,127161875367165 0,0416329465806484
0,0357290729880333 0,224786579608917 0,0472687222063541
0,00109721720218658 0,153260096907616 0,0473172664642334
0,0387600660324097 0,180641293525696 0,0554638318717480
0,00352986599318683 0,237119287252426 0,0275464504957199
0,0321623124182224 0,225408345460892 0,0110932430252433
0,00639096414670348 0,152561038732529 0,0146197425201535
0,0103142065927386 0,456991195678711 0,0310572385787964
0,0133524928241968 0,298571020364761 0,0403913706541061
0,0147388493642211 0,115393973886967 0,0291785988956690
0,0232017748057842 0,0582794770598412 0,0421434678137302
0,0237118732184172 0,184667512774467 0,0186452567577362
0,0202595870941877 0,0883966237306595 0,0323821492493153
0,116781450808048 0,145993575453758 0,203782737255096
0,0191873423755169 0,111259736120701 0,280583024024963
0,0661712735891342 0,362371951341629

45

Label Citra Awal
Cropping & Resizing
0,0618083104491234 0,0597688518464565 0,0981011539697650
Tin 0,0633154138922691 0,131781592965126 0,0342521965503693
0,00154338614083827 0,0641044303774834 0,0620280914008617
0,0202705673873425 0,217262044548988 0,0799292325973511
0 0,0742438733577728 0,0480742678046227
0,0517849996685982 0,259869992733002 0,0611568428575993
0,00275546242482960 0,159745588898659 0,0710815638303757
0,0248421374708414 0,185929477214813 0,0466654598712921
0,00127126008737832 0,197263896465302 0,0238422602415085
0,0571100451052189 0,200735211372376 0,0341851338744164
0,00717803183943033 0,221694573760033 0,0382007025182247
0,0133008686825633 0,477465718984604 0,0305346287786961
0,0222872756421566 0,197063595056534 0,0277208741754293
0,0253911484032869 0,163519963622093 0,0372540615499020
0,0246048066765070 0,0739351660013199 0,0444445833563805
0,0180083531886339 0,178152173757553 0,0238189138472080
0,0257910098880529 0,105591461062431 0,0137672005221248
0,114924646914005 0,184505343437195 0,252884984016418
0,0393097288906574 0,161837548017502 0,223215803503990
0,100210353732109 0,253861963748932
0,116158083081245 0,0589207038283348 0,0793589130043984

Zai 0,0416635945439339 0,113917022943497 0,0257715377956629
0,00312004098668695 0,0671346262097359 0,0603168122470379
0,0529829226434231 0,177964746952057 0,0487590730190277
0,00111500406637788 0,0846699997782707 0,0511492639780045
0,0809007212519646 0,238049566745758 0,0526279248297215
0,00304928026162088 0,229812815785408 0,0600421279668808
0,0396913997828960 0,124587565660477 0,0334893837571144
0 0,181074485182762 0,0387044809758663
0,0149270817637444 0,304734408855438 0,0189608912914991
0,0139309084042907 0,257365018129349 0,0581114329397678
0,0130683435127139 0,354386508464813 0,0242507793009281
0,0246750451624393 0,166447311639786 0,0448196120560169
0,0357843302190304 0,137061610817909 0,0331929065287113
0,0222100634127855 0,0662293657660484 0,0538611635565758
0,0261623654514551 0,133486554026604 0,0281983036547899
0,0494399592280388 0,0859604105353355 0,0355783179402351
0,132989734411240 0,210924476385117 0,263382524251938
0,0498239174485207 0,0927297100424767 0,394300490617752
0,0896078720688820 0,215052932500839
Pada tabel 4.2 terdapat sampel dari data uji sebanyak 12 citra wajah, dimana
untuk pengujian sesungguhnya data uji yang digunakan berjumlah 60 citra wajah. Tabel
4.2 menguraikan hasil dari setiap proses yang dilakukan pada data citra uji (testing)
hingga ke tahap esktraksi fitur.
Citra awal atau citra original merupakan citra hasil capture melalui webcam.
Selanjutnya, pada citra tersebut dilakukan proses face detection. Jika wajah berhasil di
deteksi, kemudian dilakukan cropping pada area wajah yang terdeteksi tersebut.
Selanjutnya, dilakukan proses resizing yaitu penyesuaian ukuran citra menjadi 100 x
100, serta grayscaling yaitu mengubah citra ke warna keabu-abuan. Setelah citra
melalui tahap semua preprocessing tersebut, selanjutnya akan dilakukan tahap ekstraksi

46
fitur pada citra tersebut. Seperti yang ditunjukkan pada tabel 4.2, hasil ekstraksi fitur
yang digunakan adalah Linear Binary Pattern atau LBP. Metode ini merupakan metode
ekstraksi fitur berbasis tekstur, yaitu mengolah dan menghitung ciri atau fitur citra
berdasarkan nilai piksel yang ada pada permukaan citra input. Jumlah ciri atau fitur dari
setiap citra yang di ekstraksi adalah 59 fitur. Nilai yang ditunjukkan pada tabel 4.2
tersebut merupakan nilai ekstraksi ciri LBP yang telah melalui proses normalisasi
hingga agar memudahkan ketika menjadi input pada jaringan saraf tiruan ELM sebagai
pengklasifikasi citra wajah.
Jumlah data uji (testing) yang digunakan adalah 60 citra wajah, dengan 5 kondisi
berbeda untuk setiap wajah yang sama. Citra Hasil pengujian setiap data citra uji dapat
dilihat pada tabel 4.3.
Tabel 4.3. Data Hasil Pengujian
Hasil Identifikasi Berdasarkan Jumlah Hidden Neuron

No Label
10 30 50
1 des1.jpg Des Des Des
4 des4.jpg Loi Des Des
6 epe1.jpg Epe Epe Epe
7 epe2.jpg Epe Tin Epe
9 epe4.jpg Tin Epe Epe
11 ken1.jpg Ken Ken Ken
16 leo1.jpg Leo Leo Leo

47
Tabel 4.3. Data Hasil Pengujian (lanjutan)

No Label
10 30 50
19 leo4.jpg Zai Leo Leo
21 loi1.jpg Loi Loi Loi
26 mes1.jpg Mes Mes Mes
29 mes4.jpg Tin Mes Mes
31 rim1.jpg Rim Rim Rim
34 rim4.jpg Mes Rim Rim
35 rim5.jpg Mes Rim Rim
36 ros1.jpg Ros Ros Ros
37 ros2.jpg Tin Ros Ros
39 ros4.jpg Tin Tin Tin
41 tin1.jpg Tin Tin Tin
46 zai1.jpg Zai Zai Zai
47 zai2.jpg Zai Leo Leo

48
Tabel 4.3. Data Hasil Pengujian (lanjutan)

No Label
10 30 50
49 zai4.jpg Leo Zai Zai
51 unknown1a.jpg Epe Tidak dikenal Tidak dikenal
52 unknown2a.jpg Zai Zai Zai
53 unknown3a.jpg Zai Tidak dikenal Tidak dikenal
54 unknown4a.jpg Zai Loi Zai
55 unknown5a.jpg Rim Des Tidak dikenal
56 unknown1b.jpg Rim Tidak dikenal Tidak dikenal
57 unknown2b.jpg Loi Tin Tin
58 unknown3b.jpg Epe Tidak dikenal Tidak dikenal
59 unknown4b.jpg Loi Tin Tidak dikenal
60 unknown5b.jpg Zai Tin Tin
Jumlah Benar 42 51 54
Jumlah Salah 18 9 6
Pada Tabel 4.3, penomoran dari masing-masing label citra menunjukkan kondisi
citra data uji. Berikut ini adalah keterangan label dari setiap nomor citra:
1. Citra nomor 1 menunjukkan citra dengan kondisi normal, yaitu pencahayaan cukup
terang (≥ 200 𝑙𝑢𝑥) serta jarak wajah ke webcam < 30 cm.
2. Citra nomor 2 menunjukkan citra dengan kondisi wajah yang ekspresif (senyum
atau mulut terbuka).
3. Citra nomor 3 menunjukkan citra dengan kondisi arah orientasi wajah ke samping.
4. Citra nomor 4 menunjukkan citra dengan kondisi pencahayaan redup (≤ 20 𝑙𝑢𝑥).
5. Citra nomor 5 menunjukkan citra dengan kondisi jarak wajah ke webcam > 40 cm.
Berdasarkan Tabel 4.3, maka dapat dihitung jumlah citra yang berhasil ataupun
gagal diidentifikasi berdasarkan kondisi citra. Hasil pengujian dengan jumlah hidden
neuron 10 ditunjukkan pada Tabel 4.4. Kemudian, hasil pengujian dengan jumlah

49
hidden neuron 30 ditunjukkan pada Tabel 4.5. Serta, hasil pengujian dengan jumlah
hidden neuron 50 ditunjukkan pada Tabel 4.6.
Tabel 4.4. Hasil Pengujian Dengan Hidden Neuron 10
Orientasi Pencahayaan Jarak ke

Wajah
Normal Arah Redup Webcam
Ekspresif
Wajah ≤ 𝟐𝟎 𝒍𝒖𝒙 (> 40 cm)
Citra Benar 58 57 58 51 57
Citra Salah 2 3 2 9 3
Akurasi 96,67 % 95 % 96,67 % 80,75 % 95 %
Tabel 4.4 menunjukkan hasil pengujian sistem dengan menggunakan jumlah

hidden neuron 10. Terlihat bahwa pada kondisi citra normal masih terdapat citra yang
salah diindentifikasi. Hal ini disebabkan karena citra unknown atau citra yang
seharusnya tidak dikenali, tetapi diidentifikasi oleh sistem sebagai citra yang dikenali.
Demikian juga halnya pada citra dengan kondisi wajah ekspresif, arah orientasi wajah,
serta jarak ke webcam. Meskipun terdapat juga citra yang memang tidak termasuk citra
unknown. Hal ini sangat jelas pada citra dengan kondisi cahaya redup karena cukup
banyak citra yang gagal dikenali. Hal ini menunjukkan intesitas cahaya pada citra
mempengaruhi hasil identifikasi.

Wajah
Ekspresif
Citra Benar 60 56 60 57 58
Citra Salah - 4 - 3 2
Akurasi 100 % 93,3 % 100 % 95 % 96,67 %

hidden neuron 30. Nilai akurasi dengan kondisi citra normal adalah 100% yang artinya

50
semua citra normal berhasil terindentifikasi. Demikian juga dengan citra dengan
orientasi wajah ke samping. Sedangkan 3 kondisi lainnya masih terdapat kesalahan
identifikasi. Hal ini juga terjadi karena terdapat citra unknown atau tidak dikenali.
Cahaya serta jarak juga mempengaruhi hasil identifikasi.

Wajah
Ekspresif
Citra Benar 60 57 60 58 59
Citra Salah - 3 - 2 1
Akurasi 100 % 95 % 100 % 96,67 % 98,3 %

hidden neuron 50. Tidak berbeda jauh dengan Tabel 4.5, nilai akurasi citra normal dan
oientasi arah wajah adalah 100% yang artinya semua citra dengan kondisi tersebut
berhasil terindentifikasi. Tiga kondisi lainnya masih terdapat kesalahan identifikasi.
Berdasarkan Tabel 4.4 dan Tabel 4.5 serta Tabel 4.6, maka dapat disimpulkan
bahwa wajah dengan kondisi normal pun tetap terdapat kesalahan identifikasi. Dengan
menggunakan hidden neuron 10, akurasinya adalah 96,67%. Kemudian digunakan
hidden neuron 30 dan 50, akurasinya meningkat menjadi 100%. Kegagalan terjadi
karena terdapat citra unknown atau citra yang seharusnya tidak dikenali tetapi dianggap
dikenal oleh sistem.
Perubahan ekspresi pada wajah juga mempengaruhi hasil identifikasi. Dengan

menggunakan hidden neuron 10, akurasinya adalah 95%. Kemudian digunakan hidden
neuron 30, akurasinya malam turun menjadi 93,3%. Dengan hidden neuron 50,
akurasinya kembali menjadi 95% lagi. Hal ini juga terjadi karena terdapat citra
unknown, meskipun tidak semuanya karena juga terdapat citra yang memang seharunya
dikenali. Ekspresi wajah yang memiliki kemiripan menjadi alasan terjadinya kegagalan.

51
Orientasi arah wajah juga berpengaruh pada hasil akurasi sistem. Dengan
menggunakan hidden neuron 10, akurasinya adalah 96,67%. Kemudian digunakan
hidden neuron 30 dan 50, akurasinya meningkat menjadi 100%.
Demikian juga dengan jarak antara wajah dan webcam. Jarak yang digunakan
pada sebagai parameter adalah >40 cm. Dengan jarak yang sedemikian, terdapat
kesalahan identifikasi. Dengan menggunakan hidden neuron 10, akurasinya adalah
95%. Kemudian digunakan hidden neuron 30, akurasinya menjadi 96,67%. Dengan
hidden neuron 50, akurasinya meningkat menjadi 98,3%. Sebagai pembanding, jarak
yang digunakan pada kondisi citra normal adalah <30 cm.
Kondisi pencahayaan pada citra juga mempengaruhi hasil identifikasi citra.

Dengan menggunakan parameter cahaya redup sebesar 20 lux ke bawah (lebih kecil dari
atau sama dengan 20 lux). Dengan menggunakan hidden neuron 10, akurasinya adalah
80,75%. Kemudian digunakan hidden neuron 30, akurasinya menjadi 95%. Dengan
hidden neuron 50, akurasinya meningkat menjadi 96,67%. Sebagai pembanding,
intensitas cahaya yang digunakan pada kondisi normal adalah 200 lux ke atas (lebih
besar atau sama dengan 200 lux).
Hasil Pengujian Sistem

100,00%
90,00%
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
Pencahayaan Jarak ke
Wajah Arah Wajah
Citra Normal Redup (≤ 20 Webcam (>
Ekspresif (Samping)
lux) 40 cm)
Hidden Neuron 50 100,00% 95,00% 100,00% 96,67% 98,30%
Hidden Neuron 30 100,00% 93,00% 100,00% 95,00% 96,67%
Hidden Neuron 10 96,67% 95,00% 96,67% 80,75% 95,00%
Hidden Neuron 50 Hidden Neuron 30 Hidden Neuron 10
Gambar 4.9. Grafik Hasil Pengujian Dengan Parameter
Kondisi Citra dan Jumlah Hidden Neuron

52
Untuk mengevaluasi kinerja hasil pengujian sistem secara keseluruhan yaitu

dengan menggunakan standar evaluasi dimana penilaian didasari atas True Positive
(TP), False Positive (FP), True Negative (TN), False Negative (FN). True Positive (TP)
merupakan jumlah wajah yang terklasifikasi dengan benar. TP menunjukkan citra wajah
yang teridentifikasi secara tepat sesuai dengan basis data. FP menunjukkan citra yang
seharusnya teridentifikasi secara tepat, tetapi ternyata dalam proses pengujian salah
identifikasi. TN merupakan citra wajah yang tidak terdapat di dalam basis dan dan tidak
dikenali. FN merupakan citra wajah yang tidak terdapat di basis data, tetapi
teridentifikasi sebagai citra milik orang lain. Nilai yang akan dihitung untuk
dibandingkan adalah True Positive Rate (TPR), False Positive Rate (FPR), dan Positive
Predicted Value (PPV). Semakin tinggi nilai TPR dan PPV maka kinerja sistem
semakin bagus dan demikian sebaliknya. Sedangkan FPR, jika nilainya semakin tinggi
maka kinerja sistem semakin menurun dan demikian juga sebaliknya.
𝑇𝑃
True Positive Rate (TPR) = Recall = (4.1)
𝑇𝑃 + 𝐹𝑁
𝐹𝑃
False Positive Rate (FPR) = Fall-out = (4.2)
𝐹𝑃 + 𝑇𝑁
𝑇𝑃
Positive Predicted Value (PPV) = Precision = (4.3)
𝑇𝑃 + 𝐹𝑃
Pada persamaan 4.1, dapat dihitung True Positive Rate (TPR) atau recall atau
disebut juga nilai sensitivitas, kemudian False Positive Rate (FPR) dengan persamaan
4.2, dan Positive Predicted Value (PPV) atau presisi dengan persamaan 4.3.
Berdasarkan persamaan tersebut, maka akan dihitung nilai TPR, FPR, dan PPV, yang
akan dihitung output-nya dalam bentuk persentase. Hasilnya dapat dilihat pada tabel
4.4.

53
1. Untuk hidden neuron 10

TPR = 42/(42 + 10) x 100 % = 80,77 %
FPR = 8/(8 + 0) x 100 % = 100 %
PPV = 42/(42 + 8) x 100 % = 84 %

TPR = 51/(51 + 6) x 100 % = 89,65 %
FPR = 3/(3 + 4) x 100 % = 42,86 %
PPV = 51/(51 + 3) x 100 % = 94 %

TPR = 54/(54 + 4) x 100 % = 94,91 %
FPR = 2/(2 + 6) x 100 % = 25 %
PPV = 54/(54 + 2) x 100 % = 96,43 %
Tabel 4.7. Hasil Evaluasi Kinerja Sistem
Jumlah Hidden Neuron

10 30 50
TPR 80,77 % 89,65 % 94,91 %
FPR 100 % 42,86 % 25 %
PPV 84 % 94 % 96,43 %
Tabel 4.7 menunjukkan hasil dari evaluasi kinerja sistem pengenalan wajah
dengan menggunakan jumlah data latih 150 citra dan data uji 60 citra. Dengan
parameternya adalah jumlah hidden neuron yang digunakan pada ELM sebagai metode
pengklasifikasi wajah. Pada tabel 4.4 terlihat bahwa nilai TPR dan PPV semakin baik
ketika jumlah hidden neuron yang digunakan semakin banyak. Sedangkan nilai FPR
semakin menurun. Hal ini menunjukkan bahwa jumlah hidden neuron yang digunakan
pada ELM akan berpengaruh pada kinerja sistem.
Berdasarkan data uji pada tabel 4.3, dapat juga dihitung nilai akurasi sistem
secara keseluruhan dengan persamaan:

54
𝐽𝑢𝑚𝑙𝑎ℎ 𝐶𝑖𝑡𝑟𝑎 𝑏𝑒𝑛𝑎𝑟

𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100%
𝐽𝑢𝑚𝑙𝑎ℎ 𝐶𝑖𝑡𝑟𝑎 𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛
1. Dengan jumlah hidden neuron 50
54
60
= 90%
51
60
= 85 %
42
60
= 70%
Hasil Akurasi Sistem

100,00%
90,00%
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
Hidden Neuron 50 Hidden Neuron 30 Hidden Neuron 10
Akurasi 90,00% 85,00% 70,00%
Akurasi
Gambar 4.10. Grafik Hasil Akurasi Sistem

55
Grafik Citra Benar dan Salah Berdasarkan Jumlah Hidden Neuron

60 54
51
50
42
40
30
18
20
9
10 6
0
Hidden Neuron 50 Hidden neuron 30 Hidden Neuron 10
Citra Benar Citra Salah
Gambar 4.11. Grafik Perbandingan Citra Benar dan Citra Salah
Berdasarkan Tabel 4.4 dan Gambar 4.7 serta penghitungan akurasi, terlihat
bahwa bahwa pengenalan wajah (menggunakan fungsi sigmoid) dengan akurasi
tertinggi dihasilkan ketika hidden neuron yang diberikan adalah 50. Meskipun
demikian, dengan jumlah hidden neuron yang sedemikian, sistem masih melakukan
kesalahan dalam mengenali wajah, khususnya ketika diuji dengan data citra wajah
unknown atau wajah yang seharusnya tidak dikenal tetapi dianggap sebagai salah satu
wajah dalam basis data sistem. Dan sebaliknya, semakin rendah hidden neuron yang di
berikan maka hasil akurasi dalam pengenalan wajah semakin menurun, grafik citra yang
benar dan yang salah dapat dilihat pada Gambar 4.8.
Pada penelitian ini digunakan sebuah miniatur pintu sederhana untuk

menunjukkan implementasi dari sistem pengenalan wajah yang telah dibuat. Pintu
tersebut dihubungkan ke motor servo yang akan menggerakkannya ketika menerima
sinyal perintah dari arduino. Ketika wajah berhasil dikenali maka pintu akan terbuka
seperti yang ditunjukkan pada Gambar 4.9. Sedangkan ketika wajah gagal dikenali
maka pintu akan tetap diam seperti yang ditunjukkan pada Gambar 4.10

56
Gambar 4.12. Pintu Tertutup
Gambar 4.13. Pintu Terbuka

BAB 5
KESIMPULAN DAN SARAN
Bab ini akan membahas tentang kesimpulan dari sistem akses pintu otomatis berbasis
pengenalan wajah yang telah dibangun serta metode yang telah digunakan untuk
pengenalan wajah. Dan juga saran-saran untuk pengembangan penelitian berikutnya.
5.1. Kesimpulan
Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem akses pintu
otomatis berbasis pengenalan wajah dengan menggunakan Extreme Learning Machine
adalah sebagai berikut :
1. Sistem akses pintu berhasil membuka pintu ketika citra wajah berhasil
diidentifikasi oleh sistem. Sedangkan pintu akan tetap tertutup ketika citra wajah
tidak dikenali atau gagal diidentifikasi. Sehingga sistem dapat digunakan sebagai
fitur keamanan pada pintu ruangan khusus atau privasi.
2. Metode Local Binary Pattern merupakan metode untuk ekstraksi ciri berbasis
tekstur yang cukup bagus dalam ekstraksi ciri wajah. Kekurangannya yaitu ketika
wajah memiliki tingkat kemiripan yang hampir sama, maka hasil fitur yang
diekstraksi LBP pun hampir sama. Sehingga keberhasilan dalam mengidentifikasi
akan sangat tergantung pada kemampuan dari metode pengklasfikasinya.
3. Metode Extreme Learning Machine (ELM) mampu melakukan pengenalan wajah
melalui citra wajah dengan sangat baik. Namun masih kurang baik ketika mencoba
mengenali wajah yang tidak ada di basis data.

58
5.2. Saran
Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut :
1. Menggunakan data pelatihan yang lebih banyak sehingga ketika data uji mampu
mendapatkan akurasi yang lebih tinggi.
2. Menggunakan kombinasi metode yang lain dalam tahapan ekstraksi ciri untuk
mendapatkan nilai ciri yang lebih akurat untuk dijadikan data latih.

DAFTAR PUSTAKA
Huang, G.-B, Zhu, Q.-Y., & Siew, C.-K. 2006. Extreme Learning Machine: Theory and
Applications. Neurocomputing 70: 489-501.
Ahonen, T., Hadid, A., & Pietik¨ainen, M. 2006. Face Description With Local Binary
Patterns: Application to Face Recognition. IEEE Transactions on Pattern
Analysis and Machine Intelligence 28(12): pp 2037-2041.
Januzaj, Y., Luma, A., & Ramaj, V. 2015. Real Time Access Control Based on Face
Recognition. International Conference on Network Security and Computer
Science (ICNSCCS-15).
Lwin, H.H., Khaing, A.S., & Tun, H. M. 2015. Automatic Door Access System Using
Face Recognition. International Journal of Scientific & Technology Research
4(6).
Yang, J.-C., Lai, C.-L., Sheu, H.-T., & Chen, J.-J. 2013. An Intelligent Automated Door
Control System Based on a Smart Camera. Sensors.
Sebastian, S. 2013. Literature Survey on Automated Person Identification Techniques.

International Journal of Computer Science and Mobile Computing. 2(5):232-
237.
Kasar, M. M., Bhattacharyya, D., & Kim, T.-h. 2016. Face Recognition Using Neural
Network: A Review. International Journal of Security and Its Applications
10(3): pp. 81-100.
Nazeer, S.A., Omar, N., & Khalid, M. 2017. Face Recognition System using Artificial
Neural Network Approach. International Conference on Signal Processing,
Communication and Networking (ICSCN), pp. 420-425.
Liu, S & Silverman, M. 2001. A Practical Guide to Biometric Security Technology. IT

Professional, pp. 27-32.

60
Paul, C.L. & Sumam, A.A. 2012. Face Recognition using Principal Component
Analysis Method. International Journal of Advance Research in Computer
Engineering & Technology (IJARCET) 1(9).
Efford, N. 2000. Digital Image Processing: A Practical Introduction Using Java.

Addison-Wesley.
Johnson, R.A. & Wichern, D.W. 2007. Applied Multivariat Statictical Analysis. Pretice
Hall: New Jersey.
Anderson, T.W. 1984. An Introduction to Multivariat Statictical Analysis. John Wiley

& Son, Inc.: New York.
http://sat.uns.ac.id/mikrokontroler-dan-jenis-jenisnya (diakses pada 2 Desember 2017)
http://ilearning.me/sample-page-162/arduino/pengertian-arduino-uno/ (diakses pada 2

Desember 2017)
http://belajarelektronika.net/motor-servo-pengertian-fungsi-dan-prinsip-kerjanya/
(diakses pada 2 Desember 2017)


Universitas Sumatera Utara

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Universitas Sumatera Utara

Diunggah oleh

Hak Cipta:

Format Tersedia

SISTEM AKSES PINTU OTOMATIS BERBASIS PENGENALAN WAJAH

DENGAN MENGGUNAKAN EXTREME LEARNING MACHINE

ELEIDER NOTARISMAN ZAI

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI