HALAMAN PERSETUJUAN
Pembimbing I Pembimbing II
Mengetahui:
Ketua Program Studi
Teknik Informatika
KATA PENGANTAR
Bismillahirrahmanirrahim
Parepare (UM Parepare). Tak lupa pula kita kirimkan Shalawat serta salam kepada
Adapun judul penelitian yang penulis rencanakan pada proposal ini adalah
pada penulis sehingga penulis masih memiliki keterbatasan dalam penelitian ini.
Meskipun masih jauh dari kata kesempurnaan, penulis berharap proposal ini
bermanfaat tidak hanya bagi penulis pribadi, tetapi juga bermanfaat untuk pembaca
pada umumnya. Untuk itu, penulis mengharapkan kritik dan saran dari pembaca.
iv
DAFTAR ISI
HALAMAN JUDUL i
HALAMAN PERSETUJUAN ii
DAFTAR ISI v
BAB I PENDAHULUAN 1
A. Latar Belakang 1
B. Rumusan Masalah 2
C. Batasan Masalah 2
D. Tujuan Penelitian 2
E. Manfaat Penelitian 3
F. Sistematika Penulisan 3
C. Dlib 7
D. Python 7
E. PyCharm 9
F. Library 10
G. Face_recognition Library 11
H. NumPy 17
I. OpenCV 18
vi
J. Webcam 18
K. Flowchart 19
M. Kerangka Pikir 28
A. Jenis Penelitian 29
D. Desain Sistem 30
F. Metode Pengujian 34
DAFTAR PUSTAKA 36
vii
DAFTAR TABEL
Halaman
Tabel 2.1 Simbol Flowchart 20
DAFTAR GAMBAR
Halaman
Gambar 2.1 Penggunaan Sistem Pengenalan
PENDAHULUAN
A. Latar Belakang
Wajah adalah organ pusat untuk ekspresi, pengenalan dan komunikasi manusia.
Wajah tersebut merukapan salah satu ukuran fisiologis yang digunakan untuk
seseorang, maka suatu individu dapat melakukan penetapan identitas orang yang
sidik jari, telapak tangan dan wajah. Deteksi wajah merupakan subjek penelitan
yang penting dibidang pengenalan pola dan computer vision. Deteksi wajah telah
B. Rumusan Masalah
Berdasarkan dari uraian latar belakang diatas, maka rumusan masalah yang
C. Batasan Masalah
Muhammadiyah Parepare
D. Tujuan Penelitian
Sesuai dengan permassalahan dan batasan masalah yang telah diuraikan diatas,
2
3
E. Manfaat Penelitian
F. Sistematika Penulisan
Agar pembahasan lebih sistematis, maka tulisan ini dibuat dalam lima bab,
yaitu:
BAB I PENDAHULUAN
Dalam bab ini berisikan tentang teori-teori yang berkaitan dengan computer
pengumpulan data, alat, dan bahan penelitian, tahapan penelitian, metode pengujian
Dalam bab ini menjelaskan mengenai rancangan sistem yang telah dibuat,
3
4
Dalam bab ini dipaparkan mengenai kesimpulan dan saran dari hasil.
4
BAB II
TINJAUAN PUSTAKA
pengujian terhadap data yang telah di testing. Adapun kelemahan penelitian ini
“Sistem Pengenalan Wajah dengan Algoritma Haar Cascade dan Local Binary
Pattern Histogram” memiliki kelebihan yaitu sistem ini dapat mendeteksi wajah
manusia dan wajah bukan manusia, dengan menggunakan algoritma Haar Cascade
kecepatan yang dihasilkan sistem ini cukup cepat. Adapun kelemahansistem ini
yaitu wajah yang akan dikenali disimpan dalam database dimana gambar tersebut
bersifat grayscale.
Pada penelitian Abd. Rasman. Syahirun Alam, Marlina. (2021) yang berjudul
sehingga menghasilkan akurasi hingga 90% dengan waktu komputasi sekitar 19,6
detik. Kelemahan sistem ini yaitu sistem ini menggunakan centroid method and
Neural Network.
dari perangkat biometric yaitu pengenalan suara, pengenalan sidik jari dan retina
mata atau pengenalan iris. Teknologi pengenalan wajah sebagian besar digunakan
untuk keamanan dan penegakan hukum, akan tetapi tidak kecil kemungkinan
teknologi ini akan berkembang dan tersebar luas pemanfaatannya lebih dari yang
6
7
C. Dlib
Dlib adalah toolkit C++ modern yang berisi algoritma pembelajaran mesin
kompleks dalam C++ untuk memecahkan masalah dunia nyata. Dlib digunakan di
ponsel dan lingkungan komputasi berkinerja tinggi yang besa. Selain dengan
keunggulan Dlib sebagai library yang powerful, Dlib juga merupakan library yang
bersifat open-source.
D. Python
berorientasi objek dengan semantic dinamis. Dengan struktur data bawaan tingkat
7
8
sintaks penulisan yang sederhana dan mudah dipelajari. Bahasa python mendukung
modul dan paket yang mendorong modularitas program dan penggunaan kembali
sebuah kode, python interpreter dan pustaka standar yang tersedia dalam bentuk
sumber(source) tanpa biaya untuk semua platform utama dan dapat didistribusikan
8
9
E. PyCharm
yang nyaman bagi pengembangan python, web dan data science development.
Edisi Komunitas adalah edisi gratis dan bersumber terbuka yang ditujukan
2. Professional (paid)
penerapan dan dukungan untuk kerangka kerja web popular seperti Django dan
Flask, dukungan basis data, dan scientific tools termasuk Jupyter dan alat Big
Data.
9
10
educational tools).
F. Library
Library adalah kumpulan modul terkait yang berisi kumpulan kode yang dapat
digunakan berulang kali dalam program yang berbeda. Adanya library membuat
pemrograman menjadi lebih sederhana dan nyaman bagi programmer karena tidak
perlu menulis kode yang sama berulang kali untuk program yang berbeda.
10
11
mesih, data science, visualisasi data, aplikasi manipulasi gambar dan data dan
G. Face_recognition Library
memanipulasi wajah dari bahaasa pemrograman python dengan baris kode paling
recognition dengan metode deep learning sehingga tecaatat model ini memiliki
tingkat akurasi 99,38% pada situs Benchmark Labeled Face in the Wild.
gambaran dari baris perintah. Library ini juga memiliki fitur seperti menemukan
pada gambar dan dapat digunakan pada library lain pada bahasa pemrograman
python.
1. Face Encodings
11
12
Dua gambar berbeda dari orang yang sama akan memiliki penyandian yang
sama dan dua orang yang berbeda akan memiliki penyandian yang sama
sekali berbeda.
labelnya dari semua wajah yang dikenal di direktori pelatihan. Terakhir, API
mendeteksi semua wajah dalam gambar uji yang Anda berikan dan SVC
Sumber: (https://medium.com/codex/face-recognition-25f7421a2268)
12
13
Sumber: (https://medium.com/codex/face-recognition-25f7421a2268)
Sumber: (https://medium.com/codex/face-recognition-25f7421a2268)
13
14
CNN adalah salah satu jenis arsitektur neural network yang biasa
digunakan pada data image. Sebenarnya CNN ini tidak jauh berbeda dengan
neural network pada umumnya. CNN juga terdiri dari neuron yang
dan pooling layer. Convolution bekerja dengan prinsip sliding window dan
14
15
(misal klasifikasi). Struktur dari CNN dapat dilihat pada gambar di bawah
ini.
Sumber: (https://adeshpande3.github.io/adeshpande3.github.io/A-Beginner%27s-
Guide-To-Understanding-Convolutional-Neural-Networks/)
juga dikenal sebagai HOG, adalah deskriptor fitur seperti Detektor Tepi
Canny, SIFT (Scale Invariant and Feature Transform). Ini digunakan dalam
computer vision dan pemrosesan gambar untuk tujuan deteksi objek. Teknik
berfokus pada struktur atau bentuk suatu objek. Ini lebih baik daripada
deskriptor tepi mana pun karena menggunakan besaran serta sudut gradien
15
16
Sumber: (https://www.eeweb.com/real-time-face-detection-and-
recognition-with-svm-and-hog-features/)
ekstraksi deskriptor fitur yaitu, HOG. Deskriptor adalah vektor gradien yang
piksel lebih dari 8 x 8 blok dikuantisasi menjadi 9 bin, di mana setiap bin
mewakili sudut arah gradien dan nilai dalam bin itu, yang merupakan
16
17
Sumber: (https://www.analyticsvidhya.com/blog/2019/09/feature-
engineering-images-introduction-hog-feature-descriptor/)
H. NumPy
array multidimensi, berbaagai objek turunan seperti array dan matriks, berbagai
macam rutinitas untuk operasi cepat pada array, termasuk matematika, logika,
17
18
linier dasaram operasi statistic dasar, simulasi acak dan banyak lagi.
I. OpenCV
OpenCv (Open Source Computer Vision Library) adalah sebuah library open
programing terkait citra digital. Di dalam OpenCV sudah mempunyai banyak fitur,
antara lain : pengenalan wajah, pelacakan wajah, deteksi wajah, Kalman filtering,
pemrograman C/C++ dan telah dikembangkan ke python, java dan matlab. Intel
meluncurkan versi pertama dari OpenCV pada 1999, dan awalnya memerlukan
windows ataupun linux, dan sekarang telah mendukung MacOSX dan android.
J. Webcam
keadaan pada saat ini juga) yang gambarnya bisa diakses atau dilihat melalui World
Wide Web, program instant messaging, atau aplikasi video call. Selama ini, aplikasi
webcam hanya digunakan untuk merekam dan menampilkan objek. (Julfikar Ali
Andre. 2016).
18
19
Fungsi dari webcam telah kita ketahui yaitu untuk memudahkan kita dalam
mengolah pesan cepat seperti chat melaui video atau bertatap muka melalui video
secara langsung. Webcam juga berfungsi sebagai alat untuk men-transfer sebuah
Gambar yang didapat pun langsung dapat diolah secara digital dan
disebarluaskan melalui internet. Hanya saja, berbeda dengan kamera digital, sebuah
webcam tidak dilengkapi kartu memori atau flash memory card. Webcam dirancang
untuk tidak perlu “menyimpan” gambar karena fungsi utamanya hanya merekam
K. Flowchart
menggambarkan urutan proses secara mendetail dan hubungan antara suatu proses
Dalam perancangan flowchart sebenarnya tidak ada rumus atau patokan yang
bersifat mutlak (pasti). Hal ini didasari oleh flowchart (bagan alir) adalah sebuah
komputer. Karena setiap analisa akan menghasilkan hasil yang bervariasi antara
satu dan lainnya. Kendati begitu secara garis besar setiap perancangan flowchart
selalu terdiri dari tiga bagian, yaitu input, proses dan output. (Ilham Aksanu Ridlo
2017)
19
20
Berikut ini adalah beberapa simbol yang digunakan dalam menggambar suatu
flowchart :
20
21
dikembangkan, yaitu :
1. Sesuatu (things)
a. Structural things
b. Behavorial things
c. Grouping things
21
22
d. Annotational things
komentar yang menjelaskan fungsi serta ciri-ciri tiap element dalam model
UML.
2. Relasi (reationship)
(UML) :\
a. Ketergantungan (dependency)
b. Asosiasi
22
23
c. Generalisasi
Adalah hubungan dimana objek anak berbagai perilaku dan struktur data
dari objek yang ada diatasnya (objek induk). Arah dari objek induk ke objek
generalisasi.
d. Realisasi
3. Diagram
Diagram use case menyajikan interaksi antara use case dan aktor,
dimana aktor dapat berupa orang, peralatan, atau sistem lain yang
23
24
24
25
25
26
Initial Pseudo
2
Bagaimana objek dibentuk atau diawali
State
26
27
3 Initial Node
Bagaimana objek dibentuk atau diawali.
Actifity Final
4
Bagaimana objek dibentuk dan dihancurkan
Node
27
28
M. Kerangka Pikir
28
BAB III
METODE PENELITIAN
A. Jenis Penelitian
Penelitian ini dilakukan melalui internet yang dapat memberikan sumber data dan
penelitian tersebut. Berikut ini merupakan penjelasan dari hardware dan software
yang digunakan.
1. Perangkat keras
(4CPUs), ~2.6GHz
2. Perangkat lunak
D. Desain Sistem
30
31
eksternal dan pengguna. Dengan kata lain, secara grafis menggambarkan siapa yang
akan menggunakan sistem dan dengan cara apa pengguna mengharapkan untuk
untuk melakukan komunikasi dengan sistem. Hubungan antar actor dengan use-
case dihubungkan dengan garis lurus. Use-case diagram pada sistem ini dapat
31
32
tersebut, kemudian sistem akan mendeteksi setiap user yang terjangkau kamera.
2. Flowchart
menggambarkan urutan proses secara mendetail dan hubungan antara suatu proses
32
33
dengan objek yang diteliti, mengumpulkan data image yang akan ditraining dan
mempelajari kode-kode program dan literasi yang berkaitan dengan penelitian yang
bersumber dari buku-buku, jurnal-jurnal, literatur yang disusun oleh para ahli untuk
melengkapi data yang diperlukan dalam penelitian baik secara offline maupun
online.
33
34
F. Metode Pengujian
Pengujian sistem dilakukan secara uji kode program dan uji implementasi hasil
program dengan melakukan test-case pada lingkup tempat penelitian. Jika struktur
program sudah bagus, maka pengujian yang tak kalah pentingnya adalah pengujian
unit. Pengujian unit digunakan untuk menguji setiap modul untuk menjamin setiap
modul menjalankan fungsinya dengan baik. Ada 2 metode untuk melakukan unit
testing, yaitu :
Coba white box testing merupakan metode perancangan test case yang
mengunakan struktural untuk mendapatkan test case, test ini digunakan untuk
meramal cara kerja perangkat lunak secara rinci kepada logic path ( jalur logika ),
Contoh pengujian white box testing ini merupakan peringatan ketika user
menginputkan password user yang salah, untuk kesalahan semacam ini akan
Berdasarkan hasil uji coba yang dilakukan, seluruh navigasi dan tombol
fasilitas program lainnya serta proses yang di jalankan tidak terjadi kesalahan, tetapi
aplikasi mempunyai aturan-aturan yang sudah di tetapkan dan harus di ikuti karena
apabila di hiraukan maka sistem akan menolak perintah yang tidak sesuai seperti
34
35
kesalahan ketika user belum menginput data yang harusnya di input sesuai
userkarena data yang ingin diproses belum lengkap atau tidak memenuhi ketentuan
35
36
DAFTAR PUSTAKA
Al-Aidid, S., & Pamungkas, D. S. (2018). Sistem Pengenalan Wajah dengan Algoritma Haar
Cascade dan Local Binary Pattern Histogram. Jurnal Rekayasa Elektrika Vol.14,
No.1, 62.
Baburajan, A. (2020, February 19). Geeksforgeeks. Retrieved from Python | Multiple Face
Recognition using dlib: https://www.geeksforgeeks.org/python-multiple-face-
recognition-using-dlib/
Davis E. King. (2022, Januari 24). dlib.net. Retrieved from dlib.net: http://dlib.net/
Hanugra Aulia Sidharta, S. M. (2017, Oktober 28). Intoduction to open cv. Retrieved from
binus.ac.id: https://binus.ac.id/malang/2017/10/introduction-to-open-cv/
Jetbrains.com. (2022, Maret 27). PyCharm Quick Start Guide: Jetbrains.com. Retrieved
from Jetbrains.com: https://www.jetbrains.com/help/pycharm/quick-start-
guide.html
Kaspersky. (n.d.). What Is Facial Recognition - Definition and Explanation. Retrieved from
Resouce-center:Kaspersky: https://www.kaspersky.com/resource-
center/definitions/what-is-facial-recognition
36
37
Rasman, A., Alam, S., & Marlina. (2021). DETEKSI IDENTITAS BERDASARKAN WAJAH.
JURNAL SINTAKS LOGIKA Vol. 1 No. 3, 1-7.
Singh, A. (2019, September 4). Feature Engineering for Images: A Valuable Introduction to
the HOG Feature Descriptor. Retrieved from Analiiitucs Vidya:
https://www.analyticsvidhya.com/blog/2019/09/feature-engineering-images-
introduction-hog-feature-descriptor/
Solihah, N. (25, Juni 2018). Fully Connected Layer CNN dan Implementasinya. Retrieved
from Universitas Gadjah Mada Menara Machine Learning:
https://machinelearning.mipa.ugm.ac.id/2018/06/25/fully-connected-layer-cnn-
dan-implementasinya/
Thaware, R. (2018, Mei 28). Real-Time Face Detection and Recognition with SVM and HOG
Features. Retrieved from EEWeb: https://www.eeweb.com/real-time-face-
detection-and-recognition-with-svm-and-hog-features/
Travis Oliphan. (2022, Maret 7). NumPy Documentation. Retrieved from Numpy.org:
https://numpy.org/doc/stable/
37