PENDAHULUAN
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
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.
6
7
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
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.
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
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
Fscore = (4)
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
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).
Tahap 4 : Melakukan
pengujian dan
pengukuran
menggunakan
confusion Matrix
libraries dalam hal ini Azure Libraries, pendeteksian wajah dan memahami model
deteksi 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
Langkah Training Data Set Azure Pengenalan Wajah terdapat pada Gambar 3.2
dapat dijelaskan melalui enam tahapan sebagai berikut
24
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
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
Tabel 4.4. Pengujian data wajah menggunakan topi & tidak bertopi
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
at
Blo
k
Alat
Dia
gra
m
Prop
Seminar
osal
Proposal
TA
DAFTAR PUSTAKA
Total Anggaran
1. Biaya Pembelian Alat dan Bahan Rp 4.625.000
2. Biaya Tak Terduga Rp 400.000 +
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.