BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan Teknologi Informasi sangat cepat dirasakan dan semakin
canggih juga dalam penerapan masa kini. Teknologi yang sedang populer di masa
kini salah satunya adalah Artificial Intelegence (AI) merupakan teknologi
kecerdasan buatan yang dikembangan untuk mempelajari dan menirukan
kecerdasan manusia [1]. Face Recognition atau Pengenalan Wajah adalah salah
satu pengembangan teknologi AI yang digunakan untuk mengidentifikasi wajah
manusia. Pengenalan wajah juga merupakan bagian dari bidang penelitian
kecerdasan buatan yang berperan pada teknologi pengukuran dan analisis data
(biometric) [2].
Dalam penerapannya, Pengenalan Wajah adalah hal yang terpenting pada
ekstraksi fitur ciri wajah yang dibagi menjadi dua, yaitu Holistik (mengenal wajah
secara keseluruhan) dan Parsial (mengenal wajah secara bagian per bagian,
misalnya mata, hidung, mulut dan sebagainya). Wajah memiliki indra penting
yang saling berhubungan menjadi alat pengenal. Adapun bagian penting dari fisik
manusia sebagai identifikasi mulai bergeser dari tanda tangan, lalu fingerprint,
hingga sekarang beralih ke seleksi wajah [3].
Deteksi wajah kini menjadi peran yang penting dalam penerapan teknologi
karena penggunaannya cocok berinteraksi langsung ke akses digital pada proses
pengenalan wajah [4]. Perkembangan teknologi ini memungkinkan manusia
menciptakan suatu sistem yang dapat membantu dalam pengenalan citra digital.
Pada beberapa penelitian sebelumnya yang dilakukan dalam pengenalan citra
wajah mengalami kesulitan untuk mengindentifikasi wajah ketika citra wajah
sebagai input dari algoritma pengenalan citra wajah memiliki resolusi rendah,
dikarenakan kesulitan dalam mencari fitur – fitur wajah citra tersebut [5].
Pada pemanfaatan pengolahan citra, berbagai metode dan algoritma yang
terkait di dalamnya dapat digunakan untuk membangun suatu sistem deteksi
wajah yang handal untuk kondisi tersebut [6]. Saat ini sudah banyak berbagai
macam sistem pendeteksian pengenalan wajah yang digunakan menggunakan

1
 2

metode dan algoritma. Namun masih banyak yang harus dikembangkan dan uji
coba untuk terus mendapatkan akurasi yang lebih baik.
Pada penelitian [7] metode yang dipilih adalah Kairos Libraries, dalam
penelitian ini menerapkan dengan sistem pemungutan suara (E-Voting) berbasis
android yang didalam sistem kairos libraries terdiri dari fitur Application
Programming Interface (API) dan Software Development Kit (SDK). Hasil
pengujian pada penelitian ini menunjukkan bahwa pengenalan wajah dengan
memanfaatkan Kairos Pengenalan Wajah Libraries didapat akurasinya hingga
88% dari 3 kali pengujian dengan kondisi pencahayaan yang cukup memadai.
Penelitian sebelumnya juga pernah menerapkan pengenalan wajah daftar
pencarian orang (DPO) yang terdapat pada jurnal [8] menggunakan metode
OpenCV libraries dan juga membuat perancangan menggunakan Long Range
Radio (LoRa). Target berhasil terdeteksi apabila tegak lurus terhadap posisi
kamera sedangkan target yang bergerak tidak dapat dikenali. Untuk proses
pengiriman data hasil deteksi, penelitian ini mengunakan infrastruktur lora dengan
frekuensi kerja 915 Mhz.
Pada jurnal [9] dirumuskan seberapa besar akurasi yang dihasilkan pada
sistem pendeteksi pengenalan wajah menggunakan algoritma Haar Cascade dan
Open Computer Vision (OpenCV) sebagai libraries pengenalan wajah. Hasil
pengujian akurasi sistem, akurasi terbaik dari sistem adalah pada jarak 40 cm dan
60 cm yaitu 100% dan jarak 80 cm yaitu 91%. Berdasarkan pengujian sistem
secara keseluruhan, akurasi sistem pendeteksian adalah 97% dengan kecepatan
rata-rata 1.779 Frame Per Second (FPS).
Berdasarkan latar belakang, pada penelitian ini penulis ingin melakukan
penelitian yang merumuskan seberapa besar akurasi yang dihasilkan pada analisis
pendeteksi pengenalan wajah menggunakan Pengenalan Wajah Azure libraries
hal ini juga berkaitan dengan seberapa mampu dan membuktikan Azure Libraries
ini dalam mendeteksi wajah - wajah yang berasal dari data set berupa gambar.
Dalam pengembangan, Azure belum banyak di teliti lebih lanjut dalam
dari segi akurasi pengenalan wajah secara biometrik yang dapat mengenali wajah
orang dalam keadaan yang berbeda beda seperti ketika wajah tertutup seperti
 3

menggunakan masker, menggunakan topi, menggunakan hijab dan lain-lain yang

dapat mempengaruhi hasil deteksi wajah akibat perbedaan dan perubahan bentuk
wajah.
Analisis pendeteksian yang dikembangkan dalam tugas akhir adalah
analisis pengenalan wajah yang menggunakan Azure Pengenalan Wajah
Libraries teknik ini melibatkan pengambilan komponen utama dari data set
wajah . Untuk mengetahui keakuratan pendeteksian sehingga menghasilkan
perfomance akurasi dari Azure Pengenalan Wajah Libraries. Pengujian hasil
akurasi pengenalan wajah akan di analisa menggunakan metode Confusion
Matrix. Berdasarkan hal tersebut, maka penulis melakukan sebuah penelitian
dengan judul “Analisis Akurasi Pengenalan Wajah Azure Libraries
menggunakan Confusion Matrix”.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, permasalahan yang dapat
dirumuskan adalah bagaimana hasil analisis uji akurasi Azure Pengenalan Wajah
Libraries menggunakan Confusion Matrix ?

1.3 Ruang Lingkup dan Batasan Masalah

Untuk membatasi ruang lingkup permasalahan yang akan dibahas, maka
dalam penulisan tugas akhir ini penulis lebih menekankan pada:
1. Dataset yang digunakan adalah wajah lokal wajah lokal, diantaranya
terdiri dari 50 orang yang dibagi menjadi 25 wajah laki laki dan 25 wajah
perempuan
2. Pengujian berfokus pada 3 klasifikasi wajah yaitu ; wajah menggunakan
masker & tanpa masker, berhijab & non hijab, menggunakan topi & tanpa
topi
3. Menghitung akurasi Azure Pengenalan Wajah dengan menggunakan
Confusion Matrix
4. Dataset wajah tampak depan diambil menggunakan kamera handphone.
 4

1.4 Tujuan
Atas dasar perumusan masalah, maka tujuan dalam penelitian ini adalah
Untuk mengetahui akurasi yang dihasilkan dari Azure Pengenalan Wajah
menggunakan Confusion Matrix

1.5 Manfaat
Adapun manfaat yang akan didapatkan dalam penelitian ini adalah sebagai
berikut:
1. Dapat menjadi bahan referensi peniliti dalam mengembangkan project
pengolaan citra yang menggunakan cloud computing Azure berbasis
Application Programming Interface (API) Pengenalan Wajah
2. Memberi akses pengetahuan kepada mahasiswa tentang teknologi
terbaru pendeteksian wajah pengolaan citra berbasis cloud API
3. Sebagai akses informasi ke Microsoft Azure sendiri untuk
pengembangan pengenalan wajah, sehingga dapat di perbaharui API
recognition nya
4. Dengan adanya Analisis tentang Akurasi Azure Pengenalan Wajah ini
penggunaan Azure ini akan meluas khususnya pada bidang biometric
atau Telematika.

1.6 Metode Penulisan

Adapun metode penulisan dalam penelitian yang digunakan adalah sebagai
berikut:
1. Metode Studi Pustaka
Yaitu metode pengumpulan data mengenai fungsi dan cara kerja Azure
Libraries serta komponen-komponen lainnya yang bersumber dari buku,
internet, artikel dan lain-lain. Metode ini dilakukan untuk membantu
Penulis dalam pembuatan Tugas Akhir.
2. Metode Observasi
 5

Yaitu metode pengamatan terhadap penelitian sebelumnya tentang

berbagai macam fitur yang dapat di deteksi menggunakan Azure Libraries
3. Metode Wawancara
Yaitu metode yang dilakukan dengan cara wawancara atau konsultasi
dengan dosen pembimbing dan pihak lain yang berhubungan dengan tugas
akhir penulis.
4. Metode Cyber
Yaitu metode yang dilakukan dengan cara mencari informasi dan data
yang ada kaitannya dengan masalah yang dibahas dari internet sebagai
bahan referensi tugas akhir.

1.7 Sistematika Penulisan

Dalam penulisan proposal tugas akhir ini, sistematika penulisan terdiri dari
beberapa bab dengan perincian sebagai berikut:
BAB I PENDAHULUAN
Pada bab ini menjelaskan tentang latar belakang, rumusan
masalah, batasan masalah, tujuan, manfaat, metodologi penulisan, serta
sistematika penulisan.
BAB II TINJAUAN UMUM
Pada bab ini menjelaskan tentang teori-teori yang mendukung
dan mendasari komponen yang akan digunakan, serta perbandingan
dari penelitian sebelumnya.
BAB III METODOLOGI PENELITIAN
Pada bab ini menjelaskan metode dan proses perancangan
sistem yang akan dibuat seperti blok-blok diagram, langkah kerja dan
prinsip kerja sistem.
BAB IV HASIL DAN PEMBAHASAN
Pada bab ini menjelaskan hasil yang akan dicapai dengan menggunakan
metodologi yang telah ditentukan sebelumnya. Bab ini juga merencanakan waktu
yang dibutuhkan dalam perancangan sistem.
 BAB II
TINJAUAN PUSTAKA

2.1 Sistem Biometrika

Sistem biometrika merupakan teknologi pengenalan diri dengan
menggunakan bagian tubuh atau perilaku manusia. Sistem pengenalan diri adalah
sistem untuk mengenali identitas seseorang secara otomatis dengan menggunakan
teknologi komputer. Sistem akan mencari dan mencocokan identitas seseorang
dengan suatu basis data acuan yang yang telah disiapkan sebelumnya melalui
proses pendaftaran. Sistem pengenalan diri bertujuan untuk meningkatkan
keamanan sistem sehingga kemampuan sistem pengenalan diri dalam mengenali
target secara tepat adalah sangat penting [10].

2.2 Pengenalan Wajah

Pengenalan Wajah merupakan suatu bentuk penerapan dari Artificial
Intelligence. Menurut Electronic Frontier Foundation, Pengenalan Wajah
merupakan sebuah metode yang digunakan dalam mengidentifikasi dan
memverifikasi identitas dari seorang individu menggunakan wajah mereka.
Pengenalan Wajah dapat digunakan untuk mengidentifikasi orang dari foto, video,
atau secara real-time [11].
Pengenalan Wajah juga merupakan suatu pengenalan biometrik dan sistem
autentikasi yang banyak digunakan [12]. Hal yang menjadi tantangan adalah
mengenai akurasi dari gambar yang diambil secara real-time. Tantangan yang ada
pun semakin bertambah, seperti gambar yang terpotong, noise, distorsi, dan lain-
lain. Ada juga gambar yang mengalami proses editing yang membuat proses
Pengenalan Wajah menjadi perlu dikembangkan. Fitur SIFT (Scale Invariant
Feature Transform) menjadi fitur yang dibutuhkan dalam meningkatkan
kemungkinan keberhasilan dalam mengenali gambar yang sudah disunting
(morphed image). Proses ini akan membagi gambar yang utuh menjadi beberapa
bagian berdasarkan fitur unik yang dimiliki, seperti bagian mata, hidung, mulut,
dll. Sehingga, pada tahap pencocokan gambar nantinya, tiap bagian akan

6
 7

dicocokkan satu persatu untuk meningkatkan kemungkinan keberhasilan dalam

proses pengenalan wajah [13].
Ada 4 tahap yang umumnya dilakukan dalam proses Pengenalan Wajah,
yaitu:
1. Filtration
Tahap yang mengatasi masalah-masalah umum pada gambar yang
diambil secara langsung. Tahap ini akan melakukan penyaringan/ filtrasi
terhadap tiap noise yang ada, serta masalah-masalah lainnya. Hal ini dilakukan
sehingga hasil gambar dari filtrasi ini dapat diproses secara lebih maksimal.
2. Segmentation
Tahap kedua adalah segmentasi. Tahap ini digunakan untuk
mengidentifikasi dan membedakan tiap fitur yang ada pada gambar wajah, seperti
mata, hidung, bibir, dll. Pendekatan yang dilakukan untuk membedakan tiap fitur
di wajah adalah dengan menganalisis posisi tiap fitur di wajah.
3. SIFT Feature Extraction
Tahap ini dilakukan untuk mengekstrak tiap fitur dari wajah yang telah
ditemukan sebelumnya.
4. Distance based Recognition
Pada tahap ini, proses pengenalan akan dilakukan pada tiap fitur secara
satu persatu dengan menggunakan analisis berbasis jarak. Pengenalan akan
dilakukan pada tiap bagian, yang nantinya akan digabungkan untuk memperoleh
hasil kecocokan total dari pengenalan wajah yang dilakukan

Gambar 2.1 Blok Diagram Sistem Pengenalan Wajah [12]

2.3 Computer Vision

Computer vision merupakan salah satu cabang ilmu pengetahuan yang
bertujuan untuk membuat suatu keputusan yang berguna mengenai objek fisik
 8

nyata dan keadaan berdasarkan sebuah gambar atau citra (Shapiro & Stockman,
2001).
Computer vision merupakan kombinasi antara:
a. Pengolahan Citra
Pengolahan Citra (Image Processing) merupakan bidang yang
berhubungan dengan proses perubahan pada citra agar mendapatkan kualitas citra
yang lebih baik.
b. Pengenalan Pola
Pengenalan Pola (Pattern Recognition) merupakan bidang yang
berhubungan dengan proses identifikasi objek pada citra atau interpretasi citra,
yang bertujuan untuk mengekstrak informasi yang disampaikan oleh citra[4].

2.4 Pyhton
Python adalah bahasa pemrograman interpretatif yang dianggap mudah
dipelajari serta berfokus pada keterbacaan kode. Dengan kata lain, Python diklaim
sebagai bahasa pemrograman yang memiliki kode-kode pemrograman yang
sangat jelas, lengkap, dan mudah untuk dipahami.
Python dianggap memiliki kehebatan untuk menangani pembuatan
aplikasi-aplikasi kekinian yang mengadung kata kunci big data, data mining,
deep learning, data science, hingga machine learning. Dengan kata lain, Python
adalah bahasa pemrograman simpel untuk pembuatan aplikasi berbasis kecerdasan
buatan (artificial intelligence) [14].
Python secara umum berbentuk pemrograman berorientasi objek,
pemrograman imperatif, dan pemrograman fungsional. Python dapat digunakan
untuk berbagai keperluan pengembangan perangkat lunak dan dapat berjalan di
berbagai platform sistem operasi. Pada prinsipnya, Python dapat diperoleh dan
digunakan secara bebas oleh siapa pun, bahkan bagi para developer yang
menggunakan bahasa pemrograman ini untuk kepentingan komersial. Namun
demikian, penggunaan packages atau module-module dari pihak ketiga, mungkin
saja membutuhkan lisensi yang berbeda, misalnya lisensi berbayar.
 9

Gambar 2.2 Bahasa Pemrograman Python[14]

IDE (Integrated Development Environment) adalah program komputer

yang memiliki berbagai fasilitas yang diperlukan developer dalam membangun
suatu aplikasi atau website. Masing-masing Python IDE berisi tools yang berbeda,
serta masing-masing IDE juga berisi sebuah teks editor untuk menulis kode, tools
untuk melakukan kompilasi secara otomatis dan sebuah debugger yang
menunjukkan potensi error. Beberapa IDE secara khusus berisi berbagai tool yang
jauh lebih canggih daripada IDE pada umumnya seperti dukungan untuk
melakukan pengkodean visual, serta dukungan integrasi Artificial Intelligent (AI).
Salah satu teks editor yang dimiliki oleh Pyhton yaitu PyCharm. PyCharm
merupakan text editor atau Integrated Development Environment (IDE). PyCharm
Edu merupakan text editor dengan tampilan user interface yang mudah dipahami
sehingga mudah digunakan dalam tujuan pembelajaran. File Python menggunakan
format .py [15].

2.5 Azure Pengenalan Wajah Libraries

Azure Pengenalan Wajah Librairies merupakan teknologi berbasis Cloud
Computing yang dimiliki oleh perusahaan Microsoft . Microsoft Azure
perusahaan yang bergerak dalam bidang artificial inteligent (kecerdasan buatan)
termasuk juga seperti image processing, computer vision, machine learning
(pembelajaran mesin), Pengenalan Wajah (sistem pengenalan wajah) dan lain
sebagainya [16].
 10

Azure merupakan satu dari sekian banyak perusahaan yang bergerak

dalam bidang Teknologi Informasi yang menyediakan fasilitas API (Application
Programming Interface) atau dapat juga disebut sebagai untuk bidang deteksi
wajah (face detection) dan pengenalan wajah (Pengenalan Wajah) yang dapat
diintegrasikan oleh pengembang dalam membuat suatu proyek aplikasi ataupun
proyek penelitian dengan mudah [17].
Pada prinsipnya, fitur dari Azure ini adalah berbayar jika fitur yang
diinginkan pengembang lebih dari sekedar face detection dan Pengenalan Wajah.
Tetapi disamping itu, Azure juga menyediakan layanan integrasi oleh
pengembang secara gratis dan open source. Pada penerapannya, library Azure
memiliki fungsi yang sama dengan library-library untuk Pengenalan Wajah
lainnya seperti openCV, Tensorflow, emguCV atau library lainnya yang dapat
mengenali wajah pada suatu objek gambar sehingga memudahkan untuk
penggunaannya dalam integrasi aplikasi ataupun penelitian yang berkaitan dengan
Pengenalan Wajah [7].

Gambar 2.3 Logo Azure Libraries [18]

Hal yang menjadi perbedaan mendasar dari library Azure dibandingkan
dengan library lainnya yaitu library ini berfungsi secara online (koneksi jaringan
internet), sedangkan library lainnya seperti openCV masih beroperasi dengan
offline (tanpa ada jaringan internet). Dari segi hasil dari fitur yang dimiliki,
penerapan library Azure pada Pengenalan Wajah juga sangat lengkap jika
dibandingkan dengan library Pengenalan Wajah lainnya seperti Amazon, Goggle
API, OpenCV, IBM Watson, Face.com API, Luxand API, Face++ API, Lambda
 11

Labs Face API dan lain sebagainya [11]. Hal tersebut dikarenakan didalam
library ini juga memuat fitur-fitur yang lengkap didalam sistem kerjanya seperti :
a. Face detection.
b. Face identification.
c. Face verification.
d. Emotion analysis (joy, surprise, sadness, fear, anger, and disgust).
e. Demographics (age, gender, ethnicity, attention, dwell, glances,
blinks, facial features, glasses).
f. Multi-face detection and tracking.

Dan semua fitur-fitur tersebut tergabung dalam satu kesatuan sistem Azure
Libraries. Sehingga para pengembang (developer) dapat merasakan manfaat dari
integrasi proyek pada bidang Pengenalan Wajah dan image processing. Selain itu,
jika ditinjau dari segi penerapan keamanan data wajah ataupun image yang
menjadi objek dapat dikatakan sangat aman.

2.5.1 Pengenalan Wajah Concepts

Konsep Pengenalan wajah dan struktur data yang mendasari secara umum,
pengenalan wajah mengacu pada metode memverifikasi atau mengidentifikasi
individu dengan wajah mereka[17].
Verifikasi adalah pencocokan satu-ke-satu yang mengambil dua wajah dan
mengembalikan apakah mereka adalah wajah yang sama, dan identifikasi adalah
pencocokan satu-ke-banyak yang mengambil satu wajah sebagai masukan dan
mengembalikan sekumpulan kandidat yang cocok. Pengenalan wajah penting
dalam menerapkan skenario verifikasi identitas, yang dapat digunakan oleh
perusahaan dan aplikasi untuk memverifikasi bahwa pengguna (jarak jauh) adalah
yang mereka klaim.

2.5.2 Struktur Data Azure Libraries

 12

Operasi pengenalan terutama menggunakan struktur data berikut. Objek-

objek ini disimpan di cloud dan dapat direferensikan oleh string ID-nya untuk
membangun sistem pendeteksian wajah.
Tabel 2.1 Struktur Data Azure Libraries
Nama Struktur Fungsi
DetectedFace
PersistedFace
FaceList or LargeFaceList
Person
PersonGroup or LargePersonGroup
PersonDirectory
Deskripsi Fungsi
Representasi wajah tunggal ini diambil
oleh operasi deteksi wajah.
Saat objek DetectedFace ditambahkan
ke grup, seperti FaceList atau Orang,
objek tersebut menjadi objek
PersistentFace.
Struktur data ini adalah berbagai
macam daftar objek PersistentFace.
FaceList memiliki ID unik, string
nama, dan opsional string data
pengguna.
Struktur data ini adalah daftar objek
PersistentFace milik orang yang sama.
Ini memiliki ID unik, string nama, dan
opsional string data pengguna.
Struktur data ini adalah daftar
berbagai macam objek Person. Ini
memiliki ID unik, string nama, dan
opsional string data pengguna.
PersonGroup harus dilatih sebelum
dapat digunakan dalam operasi
pengenalan.
Struktur data ini seperti
LargePersonGroup tetapi menawarkan
kapasitas penyimpanan tambahan dan
fitur tambahan lainnya. Untuk
informasi selengkapnya, lihat
Menggunakan struktur
PersonDirectory.

2.5.3 Cara Kerja Azure Libraries

Azure Libraries juga memiliki tahapan dalam melakukan operasi
pengenalan wajah yang memalui lima tahapan untuk membangun struktur
pengenalan wajah [16] sebagai berikut :
1. Melakukan Operasi pengenalan
 13

Bagian ini merinci bagaimana operasi yang mendasarinya menggunakan

struktur data di atas untuk mengidentifikasi dan memverifikasi wajah.

2. Pembuatan dan Pelatihan PersonGroup

Membuat PersonGroup atau LargePersonGroup untuk menyimpan
kumpulan orang yang akan dicocokkan. PersonGroups menyimpan objek Person,
yang masing-masing mewakili satu orang dan menyimpan satu set data wajah
milik orang tersebut. Operasi Train menyiapkan kumpulan data untuk digunakan
dalam perbandingan data wajah.

3. Identifikasi
Operasi Identifikasi mengambil satu atau beberapa ID wajah sumber (dari
objek DetectedFace atau PersistentFace) dan PersonGroup atau
LargePersonGroup. Ini mengembalikan daftar objek Person yang mungkin
dimiliki oleh setiap wajah sumber. Objek Orang yang Dikembalikan dibungkus
sebagai objek Kandidat, yang memiliki nilai kepercayaan prediksi.

4. Verifikasi
Operasi Verifikasi mengambil ID wajah tunggal (dari objek DetectedFace
atau PersistentFace) dan objek Person. Ini menentukan apakah wajah itu milik
orang yang sama. Verifikasi adalah pencocokan satu-ke-satu dan dapat digunakan
sebagai pemeriksaan terakhir pada hasil dari panggilan API Identifikasi. Secara
opsional dapat meneruskan PersonGroup tersebut berada untuk meningkatkan
kinerja API.

5. Input data
Untuk memasukan data memiliki syarat khusus untuk memastikan bahwa gambar
masukan memberikan hasil pengenalan yang paling akurat:
1. Format gambar input yang didukung adalah JPEG, PNG, GIF (bingkai
pertama), BMP.
2. Ukuran file gambar tidak boleh lebih besar dari 6 MB.
 14

3. Saat membuat objek Orang, gunakan foto yang menampilkan berbagai

jenis sudut dan pencahayaan.
4. Beberapa wajah mungkin tidak dikenali karena kendala teknis, seperti:
Gambar dengan pencahayaan ekstrem, misalnya, pencahayaan latar yang
parah.
5. Obstruksi yang menghalangi satu atau kedua mata.

2.6 Confusion Matrix

Confusion matrix merupakan salah satu metode yang dapat digunakan
untuk mengukur kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix
mengandung informasi yang membandingkan hasil klasifikasi yang dilakukan
oleh sistem dengan hasil klasifikasi yang seharusnya [19]. Pada pengukuran
kinerja menggunakan confusion matrix, terdapat 4 (empat) istilah sebagai
representasi hasil proses klasifikasi. Keempat istilah tersebut adalah True Positive
(TP), True Negative (TN), False Positive (FP) dan False Negative (FN). Nilai
True Negative (TN) merupakan jumlah data negatif yang terdeteksi dengan benar,
sedangkan False Positive (FP) merupakan data negatif namun terdeteksi sebagai
data positif [1].
Tabel 2.2 Istilah Confusion Matrix [20]

Nilai True Negative (TN) adalah data yang di klasifikasi dengan tepat
sebagai keluaran negatif atau salah. True Positive (TP) adalah data yang
diklasifikasi dengan tepat sebagai keluaran positif atau benar. False Positive (FP)
adalah data yang diklasifikasi dengan kurang tepat apabila keluaran berupa positif
atau benar. False Negative (FN) adalah data yang diklasifikasi dengan kurang
tepat.
Precision = (1)
 15

Persamaan (1) merupakan perhitungan rata-rata nilai precision yaitu dari

data hasil klasifikasi seberapa banyak data yang benar antara nilai sebenarnya
dengan prediksi yang diberikan oleh sistem.
Recall = (2)
Persamaan (2) merupakan perhitungan rata-rata nilai recall yaitu dari
seluruh data benar seberapa banyak data yang keluar dalam hasil klasifikasi.
Evaluasi recall digunakan apabila lebih memilih nilai False Positif
daripada False Negatif .
Akurasi = (3)

Fscore = (4)

Persamaan (3) merupakan perhitungan rata-rata nilai akurasi untuk

menunjukkan tingkat efektifitas per kelas dari sebuah klasifikasi [20]. Sedangkan
persamaan (4) merupakan perhitungan rata-rata nilai Fscore yang merupakan nilai
kombinasi dari perhitungan recall dan presisi.

2.7 Penelitian terdahulu

Tabel 2.3 Penelitian terdahulu

Penulis Algoritma/
(Tahun) Judul Metode Kelebihan Kekurangan Tujuan Hasil
Fikriansyah Implementasi library pada Smart Masih Memantau Berdasark
Martunus Pengenalan open source CCTV memiliki orang-orang an hasil
(2020) [21] Wajah dengan computer menggunak kesalahan yang penelitian
Opencv Pada vision an membaca data mendekati didapatkan
Smart CCTV (opencv) dan Raspberry set yang sudah brankas dan hasil
Untuk algoritma Pi 4 di training. kemudian akurasi
Keamanan Haarcascade berbasis IoT kesalahan mengirimka dari 40-
Brankas dalam n gambar 69%
Berbasis IoT mengenali melalui terhadap
identitas aplikasi pengenala
gambar telegram n wajah
masukan pada dan
sebanyak 1:40 smartphone kesesuaian
 16

yaitu 0.025% apabila fungsi

untuk dataset orang sebesar
tersebut 100%
tidak
dikenali
Vicky, Elis Aplikasi Sistem Menggunaka berbasis Tidak Membuat sebuah
Sondang Parkir n layanan Android menjelaskan aplikasi aplikasi
Dasawaty Menggunakan Kairos API dengan klasifikasi sistem parkir
(2019) [11] Pengenalan (Application dengan
menggunak waktu/jam parkir yang
Wajah Berbasis Programmin fitur
Android g Interface). an pada dataset menggunak Pengenala
Dengan framework yang di an n Wajah,
Framework React ditraining dan Pengenalan menghasil
React Native Native di uji Wajah kan
Tingkat
akurasi
dengan
Kairos ini
mencapai
90%, yang
berarti
Pengenala
n Wajah
dengan
Kairos
API ini
akurat dan
bisa
dipercaya
Chairisni Sistem Convolution Performanc Perfomance Tujuan Algoritma
Lubis, Pendeteksian al Neural e pendeteksian penelitian YOLO
Novario Dan Network pendeteksia wajah kurang ini adalah berhasil
Jaya
Pengenalan (CNN) dan n wajah dari bagus menjadi untuk mendeteks
Perdana
(2020) [13] Ekspresi Wajah menggunaka algoritma kekurangan mengenali i citra
Dengan n Algoritma yolo algoritma ekspresi wajah
Algoritma Yolo You Only menjadi CNN wajah dengan
Dan Look Once kelebihan membandin sangat
Convolutional (YOLO) dalam gkan kedua baik,
Neural Network penelitian algoritma dengan
ini YOLO dan tingkat
menghasilk CNN keyakinan
 17

an nilai hingga
kepercayaan 85%.
yang lebih Sedangkan
besar dari performa
pada CNN CNN
kurang
bagus,
karena
hanya
berhasil
mendeteks
i ekspresi
wajah
hingga
46% saja.
Raden Isum Akurasi Sistem Open Menggunak akurasi terbaik akurasi pengujian
Suryani Pengenalan Computer an Webcam dari sistem yang sistem
Maryati, Wajah OpenCV Vision dan adalah pada dihasilkan secara
Burhanuddi Menggunakan (OpenCV) Rasberry PI jarak 40 cm pada sistem keseluruha
n Raspberry Pi dan dan 60 cm pendeteksi n, akurasi
Tryatmojo Dengan Metode algoritma yaitu 100% pengenalan sistem
(2019) [9] Haar Cascade Haarcascade dan jarak 80 wajah deteksi
Raden cm yaitu 91%. menggunak adalah
an 97%
algoritma dengan
Haar waktu
Cascade, rata-rata
1.779 FP
Yousun Real-Time Using Face Mendeteksi Tidak Tujuan Hasil dari
Kang, Emotion API of emosi, usia, menjelaskan melakukan eksperime
Takenori Estimation Microsoft dan jenis perancangan eksperimen n dapat
kelamin mendeteks
Obo, Yuta System Using Azure sistem dari pendeteksia
diekstraksi i emosi,
Ogai, and Face API of pendeteksian n emosi, usia, jenis
dari citra
Duk Shin Microsoft wajah dan usia, dan kelamin.
wajah
(2020) [22] Azure sistem cahaya jenis Sistem
secara real-
yang muncul. kelamin dapat
time
menggunak menampil
an Azure kan warna
dan cahaya
menambah sesuai
 18

sistem dengan
warna hasil
cahaya emosi
berdasarkan dengan
emosi Face API
wajah dari
Microsoft
Azure.
 BAB III
METODE PENELITIAN

3.1 Kerangka Penelitian

Kerangka penelitian ini dibuat ke dalam bentuk diagram secara
keseluruhan. Bentuk diagram merupakan bagian terpenting untuk mengetahui
tahapan-tahapan yang akan dicapai dalam penelitian ini. Keseluruhan bentuk
diagram tahapan penelitian tersebut akan menghasilkan suatu sistem yang dapat
difungsikan. Kerangka penelitian secara keseluruhan dapat dilihat pada Tabel 3.1.

Tabel 3.1 Kerangka Penelitian

Tahap & Hasil Langkah Penelitian
Tahap 1 : Studi
Literatur tentang
deteksi wajah &
(Memahami konsep
deteksi wajah &
menentukan libraries
pendeteksian wajah)

Hasil : Menentukan
Libraries
pendeteksian.

Tahap 2 :
Pengumpulan data.
(Mengumpulkan data
set yang diperlukan
berdasarkan studi
literatur dan
referensi).

Hasil : Model
pendeteksian dan
membangun struktur
fungsi-fungsi pada
coding

19
 20

Tahap 3 : Melakukan
Training Data set.
(Penulisan kode
program, pembuatan
fungsi-fungsi pada
phyton dan pre-
processing Azure
Pengenalan Wajah).

Hasil : data set yang

di pre-processing
selanjutnya
melakukan pengujian
pengenalan wajah

Tahap 4 : Melakukan
pengujian dan
pengukuran
menggunakan
confusion Matrix

Hasil : nilai yang

didapat dari
pengukuran
confussion matrix
akan menjadi data
validasi dan evaluasi
dari perfomance
Azure

3.2 Studi Literatur

Studi literatur merupakan tahapan pertama dalam melakukan
pengumpulan dan pemahaman berdasarkan referensi yang berkaitan dengan topik
penelitian dari berbagai jurnal, buku dan sumber internet. Studi literatur pada
penelitian penulis bertujuan untuk memahami konsep deteksi wajah, menentukan
 21

libraries dalam hal ini Azure Libraries, pendeteksian wajah dan memahami model
deteksi wajah.

3.3 Pengumpulan Data

Pada tahap kedua dilakukan proses pengumpulan data. Data yang
dimaksud merupakan Data capture wajah yang bersumber dari observasi penulis.
Data berupa capture wajah dari tersebut akan di simpan ke dalam database
PersonGrup yang akan dijadikan sebuah acuan ketika sistem akan mencocokan
wajah pada saat melakukan pendeteksian dengan Azure Pengenalan Wajah. Pada
tahap ini juga dilakukan pengumpulan data struktur pembangun fungsi – fungsi
pada coding pendeteksian wajah.

3.4 Flowchart
Flowchart merupakan salah satu bagian terpenting dalam perancangan
suatu penelitian, karena dari blok diagram rangkaian ini dapat diketahui cara kerja
penelitian secara keseluruhan. Sehingga keseluruhan blok diagram penelitian
tersebut akan menghasilkan suatu sistem yang dapat difungsikan Pada Gambar 3.1
merupakan alur program pendeteksian wajah.
 22

Gambar 3.1 Flowchart alur program pendeteksian wajah

Penjelasan dari Gambar 3.1 Flowchart alur program pendeteksian wajah

sebagai berikut.
1. Dataset wajah yang sudah dikumpulkan selanjutnya melakukan
proses pendeteksian wajah dengan menyeleksi bagian sisi wajah
yang akan digunakan pada tiap wajah
2. Selanjutnya data set tersebut dikelola menggunakan Azure Libraries
yang sudah disusun struktur fungsi pembangunnya pada Phyton
 23

3. Setelah itu didapatkan hasil pengenalan wajah yang selanjutnya di

proses ke confusion matrix untuk di olah menghasilkan 4 klasifikasi
nilai True Positif, True Negatif, False Positif, False Negatif.

3.5 Train Data set

Pada tahap ketiga dilakukan pelatihan Data set wajah setelah membangun
struktur fungsi program pada phyton. Pelatihan ini meliputi proses pendeteksian
wajah pada Azure Pengenalan Wajah

Gambar 3.2 Flowchart Training Data Set Application Programming Interface

(API) Azure Pengenalan Wajah

Langkah Training Data Set Azure Pengenalan Wajah terdapat pada Gambar 3.2
dapat dijelaskan melalui enam tahapan sebagai berikut
 24

1. Langkah Pertama: membuat Buat layanan Face API di Azure Pengenalan

Wajah
2. Langkah kedua: Mencatat subscription id, end point, and access keys yang
akan diperlukan dalam membangun program pendeteksian.
3. Langkah ketiga : melakukan panggilan API menggunakan layanan klien
API wajah, untuk mendapatkan Access key kunci akses.
4. Langkah keempat : membuat kelompok orang atau PersonGrup bertindak
sebagai wadah objek wajah orang. personGroupId dengan nama grup
sesuai kebutuhan (contoh: mygroup, group1).
5. Langkah kelima : Melakukan Train terhadap data set yang ada pada
PersonGrup .
6. Langkah Keenam : Melakukan identifikasi terhadap data set yang ada pada
PersonGrup

3.6 Pengujian dengan Metode Confusion Matrix

Pengujian dengan metode confusion matrix bertujuan Untuk menghitung
Akurasi, Presisi, Recall dan F1-Score dilakukan dengan cara yang dijelaskan pada
bab 2.
1. Menghitung nilai akurasi menggunakan persamaan (1)
2. Menghitung nilai presisi menggunakan persamaan (2)
3. Menghitung nilai Recall menggunakan persamaan (3)
4. Menghitung nilai F1-Score menggunakan persamaan (4)
Hasil dari pengujian ini akan ditarik analisis dan kesimpulan menjawab
rumusan masalah penulis yaitu akurasi yang dihasilkan dari Azure Libraries .

3.7 Analisis Kebutuhan Perangkat

Pada Analisis Kebutuhan Perangkat ini berfungsi untuk menjelaskan hal
pendukung sistem yang akan dijalankan yaitu perangkat lunak dan perangkat
keras. Adapun Kebutuhan yang akan diperlukan untuk mendukung kinerja dari
aplikasi ini yaitu:
 25

1) Analisis Kebutuhan Perangkat Lunak Komputer adalah suatu gabungan

dari perangkat lunak dan perangkat keras yang satu sama lainnya saling
mendukung pada proses kinerjanya. Perangkat lunak akan memerintahkan
perangkat keras untuk melakukan tugas-tugas tertentu. Adapun kriteria
dari komputer yang digunakan saat pembangunan maupun saat
menjalankan program yaitu:
Tabel 3.2 Data Spesifikasi Perangkat Keras
NO Perangkat Keras Spesifikasi
1 Processor Intel Core i3 2330M 2.20Ghz
2 Monitor Hp 14 inci
3 Memory DDR3 4GB

2) Analisis Kebutuhan Perangkat Lunak

Perangkat lunak pada proses ini digunakan untuk memberikan perintah-
perintah kepada perangkat keras untuk melakukan perintah-perintah.
Berikut ini perangkat lunak yang akan digunakan untuk mendukung proses
pendeteksian wajah:
a. Sistem Operasi : Windows 10 ultimate 64-bit
b. Bahasa Pemrograman : Python
c. Editor/compailer : PyCharm
d. Library : Microsoft Azure Face API
 BAB IV
HASIL YANG DIHARAPKAN

4.1 Hasil yang Diharapkan

Hasil yang diharapkan pada penelitian ini
adalah hasil akurasi dari pendeteksian wajah dan
pengukuran menggunakan metode Confusion Matrix
untuk mendapatkan nilai precision, recall, accuracy,
dan F-1 Score yang dikelola menjadi data analisis.
Hasil pengujian dari program atau sistem ini akan
ditampilkan pada tabel hasil pengujian.

4.2 Tabel Hasil Pengujian

Pada penelitian tugas akhir ini akan mengumpulkan 50 dataset wajah
manusia dengan tiga parameter yang diuji dengan azure library yang telah disusun
struktur programnya menggunakan coding phyton. Hasil yang diharapkan seperti
tabel dibawah ini :

Tabel 4.1 Parameter Pengujian Pengenalan Wajah

P
ar
a
m
et
er
D
at Hasil
a Deteksi
S
et
T
es
ti
n
g
Non - masker Terdete

26
 27

terdeteksi

P
ar
a
m
et
er
D
at Hasil
a Deteksi
S
et
T
es
ti
n
g
Terdete
terdeteksi

P
ar
a
m
et
er
D
at Hasil
a Deteksi
S
et
T
es
ti
n
g
Terdete
Tidak bertopi
terdeteksi
 28

4.3 Tabel Klasifikasi Confusion Matrix

Setelah mendapati hasil terdeteksi dan tidak terdeteksi pada pengujian data
set wajah menggunakan azure library, nilai yang dihasilkan kembali di proses ke
dalam metode Confusion Matrix untuk mendapatkan analisis perfomance dari
pengujian. Terdapat tiga tabel pengukuran dari metode confusion matrix ini yang
pertama bisa ditarik kesimpulan seberapa mampu kinerja azure libraries ini
mendeteksi wajah yang menggunakan master dan tidak menggunakan masker.
Tabel kedua, bisa ditarik kesimpulan seberapa mampu kinerja azure libraries ini
mendeteksi wajah yang menggunakan hijab dan tidak menggunakan hijab. Tabel
ketiga bisa ditarik kesimpulan seberapa mampu kinerja azure libraries ini
mendeteksi seseorang yang menggunakan topi dan tidak menggunakan topi.

Tabel 4.2 Pengujian data wajah menggunakan masker & non masker
data set Kelas Prediksi (Observation)
Positif Negatif
Kelas Aktual
(Expextation)
Positif
Negatif

Tabel 4.3 Pengujian data wajah menggunakan hijab & tidak berhijab

data set Kelas Prediksi (Observation)

Positif Negatif
Kelas Aktual
(Expextation)
Positif
Negatif
 29

Tabel 4.4. Pengujian data wajah menggunakan topi & tidak bertopi

data set Kelas Prediksi (Observation)

Positif Negatif
Kelas Aktual
(Expextation)
Positif
Negatif

4.4 Tabel Pengujian Keseluruhan

Hasil pengujian keseluruhan akan menghasilkan nilai yang dapat

disimpulkan dari tiga parameter pengujian menghasilkan nilai
precision, recall, accuracy, dan F1-Score

Tabel 4.5 Pengujian keseluruhan

Hasil Pengujian keseluruhan

Klasifikasi
Accurac F1-
Pengujian Precision Recall
y Score
Masker & non-
masker
Hijab – tidak
berhijab
Topi – tidak
bertopi
 30

4.5 Jadwal Penelitian

Tabel 4.6 Jadwal Penelitian

W
a
k
t
u Kel
/ uara
Kegiatan
B
u
la
n

Persiapan Men
Proposal entu
kan
judu
l
yan
g
akan
dibu
at,
Lata
r
Bela
kan
g
dan
me
mbu
 31

at
outl
ine
BA
B I.
Men
gum
pulk
an
refer
Studi ensi
Pustaka data
dala
m
pers
iapa
n
TA
Observasi Pen
gam
atan
terh
ada
p
Soft
war
e
dan
keb
utu
han
Har
 32

dwa
re
yan
g
aka
n
dig
una
kan
Mencari Men
Referensi cari
Internet refer
(Cyber ensi
atau
jurn
al
yan
g
berk
aita
n
untu
k
BA
B I-
IV
mel
alui
inter
net
dan
perp
usta
 33

kaan
yan
g
terse
dia
di
Polit
ekni
k
Neg
eri
Sriw
ijay
a

Me
mpe
rsia
pka
n
prop
Bimbinga osal
n dengan yan
Pembimb g
ing 1 dan tela
2 h di
revi
si
dan
di
perb
aiki.

Perancan Me

gan Awal mbu

 34

at
Blo
k
Alat
Dia
gra
m
Prop
Seminar
osal
Proposal
TA
 DAFTAR PUSTAKA

[1] E. W. P. S. RG guntur Alam, Rozali Toyib, “IMPLEMENTASI

ALGORITMA EIGENFACE UNTUK PENGENALAN WAJAH PADA
OBJECT FOTO ID CARD,” 2015.
[2] P. W. S. Real-time, “Seminar Nasional Industri dan Teknologi (SNIT),
Politeknik Negeri Bengkalis,” pp. 278–285, 2021.
[3] A. S. S. Anita Sindar Ros Maryana Sinaga, “SISTEM DETEKSI
BIOMETRIK KEUNIKAN WAJAH KEUNIKAN WAJAH SECARA
REALTIME,” 2019.
[4] J. Huang, Y. Shang, and H. Chen, “Improved Viola-Jones face detection
algorithm based on HoloLens,” vol. 6, 2019.
[5] F. Ugm, “Pengenalan Wajah Dengan Menggunakan Smartphone :
Sistematik Review,” vol. 2, no. 2, pp. 156–163, 2020.
[6] J. Jtik, J. Teknologi, L. B. Adrianto, M. I. Wahyuddin, and W. Winarsih,
“Implementasi Deep Learning untuk Sistem Keamanan Data Pribadi
Menggunakan Pengenalan Wajah dengan Metode Eigenface Berbasis
Android,” vol. 5, no. 1, 2021.
[7] A. I. Lubis, IMPLEMENTASI PENGENALAN WAJAH PADA APLIKASI
SIMULASI E-VOTING BERBASIS ANDROID. 2018.
[8] H. Lami, “RANCANG BANGUN SISTEM PENGENALAN WAJAH
DAFTAR PENCARIAN ORANG ( DPO ),” vol. VIII, no. 2, pp. 2–6.
[9] R. Isum, S. Maryati, and B. Tryatmojo, “Akurasi Sistem Pengenalan Wajah
OpenCV Menggunakan Raspberry Pi Dengan Metode Haar Cascade,” no.
Cv, 2019.
[10] A. B. S and H. Maulana, “Pengenalan Citra Wajah Sebagai Identifier
Menggunakan Metode Principal Component Analysis ( PCA ),” vol. 9, no.
2, pp. 166–175, 2016.
[11] E. S. D. Vicky, “APLIKASI SISTEM PARKIR MENGGUNAKAN
PENGENALAN WAJAH BERBASIS ANDROID DENGAN
FRAMEWORK REACT NATIVE,” 2019, [Online]. Available:
https://www.google.com/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=&cad=rja&uact=8&ved=2ahUK
Ewj-zoS96sT1AhW94HMBHXy3CwUQFnoECAUQAQ&url=http%3A
%2F%2Feprints.kwikkiangie.ac.id%2F85%2F&usg=AOvVaw1vMK5z0i-
uL0eGv_mAUe1X.
[12] W. Hutamaputra and F. Utaminingrum, “Implementasi Facial Landmark
dalam Pengenalan Wajah pada Sistem Pembayaran Elektronik,” Pengemb.
 Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. . 2058-2064, 2021.
[13] N. J. P. Chairisni Lubis, “SISTEM PENDETEKSIAN DAN
PENGENALAN EKSPRESI WAJAH DENGAN ALGORITMA YOLO
DAN CONVOLUTIONAL NEURAL NETWORK,” 2020.
[14] J. Enterprise, Python untuk Programmer Pemula, Gramedia. 2019.
[15] “PyCharm.” https://id.wikipedia.org/wiki/PyCharm (accessed Jan. 14,
2022).
[16] “What is Pengenalan Wajah?”
https://azure.microsoft.com/en-us/overview/what-is-face-recognition/
(accessed Jan. 15, 2022).
[17] “Face Detection and Analysis.”
https://docs.microsoft.com/en-us/azure/cognitive-services/face/overview
(accessed Jan. 17, 2022).
[18] “Azure Logo.” https://www.google.com/url?sa=i&url=https%3A%2F
%2Fgunnarpeipman.com%2Fhosting-web-application-on-azure
%2F&psig=AOvVaw2B5702X5sAXcfXG_du2KJR&ust=1643243580065
000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCJi_o8uVzvUCFQA
AAAAdAAAAABAJ (accessed Jan. 13, 2022).
[19] “What is Confusion Matrix in Machine Learning.”
https://www.google.com/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=&cad=rja&uact=8&ved=2ahUK
EwjdmdDAls71AhW57HMBHQLSCwIQFnoECAcQAw&url=https%3A
%2F%2Fmachinelearningmastery.com%2Fconfusion-matrix-machine-
learning%2F%23%3A~%3Atext%3DA%2520confusion%2520matrix
%2520is%2520a%2520summary%2520of%2520prediction%2520results
%2520on%2Ckey%2520to%2520the%2520confusion
%2520matrix.&usg=AOvVaw1yXqVps_fE-m6c1YG19oHa (accessed Jan.
14, 2022).
[20] T. Akhmad Rohim, Yuita Arum Sari, “Convolution Neural Network (CNN)
Untuk Pengklasifikasian Citra Makanan Tradisional,” 2019.
[21] F. Martunus, “Implementasi Pengenalan Wajah Dengan Opencv Pada
‘Smart Cctv’ Untuk Keamanan Brankas Berbasis Iot,” 2020.
[22] Y. Kang, T. Obo, Y. Ogai, and D. Shin, “Real-Time Emotion Estimation
System Using Face API of Microsoft Azure,” J. Soc. Photogr. Sci.
Technol. Japan, vol. 83, no. 2, pp. 112–113, 2020, doi:
10.11454/photogrst.83.112.
 ANGGARAN BIAYA

No Material Jumlah Harga Satuan (Rp) Jumlah(Rp)

1. Catridge Printer (Hitam) 1 Rp 150.000 Rp 150.000

2. Catridge Printer (Warna) 1 Rp 150.000 Rp 150.000

3. Microsoft Azure 1 Rp 3.000.000 Rp 3.000.000

4. Kertas A4 2 Rp 50.000 Rp 100.000

5. Nge-Print 1 Rp 300.000 Rp 300.000

6. Jilid Buku 5 Rp 15.000 Rp 75.000

7. Publikasi Jurnal SINTA 3 1 Rp 850.000 Rp 850.000

8. Sub Total Rp 4.625.000

Total Anggaran
1. Biaya Pembelian Alat dan Bahan Rp 4.625.000
2. Biaya Tak Terduga Rp 400.000 +

Total Keseluruhan Rp 5.025.000

 CURRICULUM VITAE

NAMA LENGKAP : FISTANIA ADE PUTRI MAHARANI

NIM : 0618 4035 1377
TEMPAT TANGGAL LAHIR : PAGARALAM, 11 SEPTEMBER 2000
ALAMAT : JL. DEMPO RAYA BANTEN 4 PALEMBANG
TELEPON : 089523026789

RIWAYAT PENDIDIKAN FORMAL

PENDIDIKAN NAMA SEKOLAH TAMAT TAHUN
SD SD NEGERI 8 PAGARALAM 2012
SMP SMP NEGERI 1 PAGARALAM 2015
SMA SMA PGRI 2 PALEMBANG 2018

PENGALAMAN ORGANISASI
NO PENGALAMAN ORGANISASI TAHUN
ANGGOTA HMJ TEKNIK ELEKTRO DIVISI
1 2019
KESTARI
KOORDINATOR DESIGN & PUBLIKASI EVENT
2 2019
ENACO DAN SPARTA HMJ TEKNIK ELEKTRO
MAJELIS MPM POLSRI & KETUA PELAKSANA
3 MAJELIS PERMUSYAWARATAN MAHASISWA 2021
DALAM SIDANG PARIPURNA

Semua data yang saya isikan dan tercantum dalam curriculum vitae ini adalah
benar dan dapat dipertanggungjawabkan.

Palembang, Februari 2022

(FISTANIA ADE PUTRI MAHARANI)