Abstrak – Wajah merupakan bagian muka kepala pada manusia dari dahi sampai dagu. Wajah berguna
untuk mengenali individu dengan cara natural dan paling umum. Selain mengurangi kecurangan siswa, guru atau
karyawan dan pemakaian fingerprint secara bergantian yang sangat beresiko menularnya covid-19, presensi
dengan pengenalan wajah akan lebih aman dan tersistem. Penelitian ini menggunakan metode Local Binary
Patterns (LBP) dalam ekstraksi fitur, sedangkan untuk klasifikasi membandingkan akurasi algoritma perhitungan
jarak yaitu Euclidean dan Manhattan yang diterapkan pada proses pengujian dengan beberapa skenario jumlah
data training dan data testing. Hasil akurasi tertinggi terdapat pada algoritma euclidean distance yang mencapai
100%, dibandingkan dengan algoritma manhattan distance yang hanya mencapai 85%. Semakin banyak data latih
yang digunakan, semakin tinggi tingkat akurasi pengujian.
2.2 Klasifikasi
Menurut KBBI, klasifikasi adalah penyusunan
bersistem dalam kelompok atau golongan menurut
kaidah atau standar yang ditetapkan. Sedangkan
pengertian secara umum klasifikasi adalah suatu
kegiatan dengan mengelompokkan benda yang
memiliki beberapa ciri yang sama dan memisahkan
Gambar 1. Diagram Alur Sistem Citra Latih dan Uji benda yang tidak sama [8].
Keterangan :
𝑑 = Jarak
𝑥1 = Koordinat latitude 1
Gambar 2. Operator LBP Asli 𝑥2 = Koordinat latitude 2
𝑦1 = Koordinat longitude 1
Jika koordinat dari piksel pusat adalah (𝑥𝑐 , 𝑦𝑐 )
maka koordinat dari tetangga 𝑃(𝑥𝑝 , 𝑦𝑝 ) pada tepi 𝑦2 = Koordinat longitude 2
lingkaran dengan jari-jari R dapat ditentukan dengan
persamaan 2 dan 3.
2.4 Manhattan Distance
2𝜋𝑝
𝑥𝑝 = 𝑥𝑐 + 𝑅 cos( ) ................................... (2) Manhattan distance adalah metode perhitungan
𝑝
pada ruang jarak dengan menerapkan konsep selisih
2𝜋𝑝 mutlak [11].
𝑦𝑝 = 𝑦𝑐 + 𝑅 sin( ) .................................... (3)
𝑝
220
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 24 Juli 2021 p-ISSN: 2580-3336
Untuk menghitung manhattan distance Kode melatih data dalam folder pilihan :
menggunakan persamaan 7.
TrainFiles =
𝑑(𝑥, 𝑦) = ∑𝑛𝑖=1|𝑥𝑖 − 𝑦𝑖 | ............................ (7) dir(TrainDatabasePath);
Train_Number = 0;
for i = 1:size(TrainFiles,1)
Keterangan :
if
𝑑(𝑥, 𝑦) = Jarak not(strcmp(TrainFiles(i).name,'
𝑥 = Koordinat lokasi 1 .')|strcmp(TrainFiles(i).name,'
𝑦 = Koordinat lokasi 2 ..')|...
strcmp(TrainFiles(i).name,'Thum
bs.db'))
2.5 Akurasi Train_Number =
Perhitungan akurasi digunakan untuk Train_Number + 1;
mengetahui tingkat keberhasilan dalam suatu end
pengujian. Tingkat keberhasilan dalam suatu end
pengujian, dapat dicari dengan membagi total data Kode ekstraksi fitur dengan LBP :
yang benar dengan jumlah seluruh data yang diuji
dikalikan 100. Secara matematis, perhitungan akurasi for i = 1:row_max
for j = 1:col_max
ditunjukan persamaan 8.
A = Input_Im(i:i+L-1,
∑ 𝐵𝑒𝑛𝑎𝑟 j:j+L-1);
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = ∑ 𝐷𝑎𝑡𝑎 𝑈𝑗𝑖 × 100% ................ (6) A = A+1-A(C,C);
A(A>0) = 1;
LBP_Im(i,j) = A(C,L) +
A(L,L)*2 + A(L,C)*4 + A(L,1)*8
3. HASIL DAN PEMBAHASAN + A(C,1)*...
3.1 User Interface 16 + A(1,1)*32 +
A(1,C)*64 + A(1,L)*128;
end;
end;
C1=max(max(LBP_Im));
LBP =LBP_Im./C1;
Kode tombol Testing :
set(handles.uipanel1,'visible',
'off')
set(handles.uipanel2,'visible',
'on')
end
Kode algoritma manhattan distance :
Man_dist = [];
for i = 1 : Train_Number
q = ProjectedImages(:,i);
temp = sum (abs(
ProjectedTestImage - q ));
Man_dist = [Man_dist temp];
end
Skenario 7 terdapat 70 data training, masing- Gambar 9. Grafik Perbedaan Akurasi Setiap
masing karyawan ada 7 citra yang dilatih. Skenario
Skenario 8 terdapat 80 data training, masing-
masing karyawan ada 8 citra yang dilatih.
4. SIMPULAN
Skenario 9 terdapat 90 data training, masing-
masing karyawan ada 9 citra yang dilatih. Berdasarkan Analisa uji coba dengan beberapa
skenario yang telah dilakukan, dapat diambil
kesimpulan sebagai berikut :
3.3 Hasil Uji Coba 1. Algoritma penghitungan jarak dengan
Dari sembilan skenario uji coba, setiap proses presentase tetinggi adalah Euclidean
uji coba terdapat 20 data uji, yang diperoleh dari 10
223
Seminar Nasional Inovasi Teknologi e-ISSN: 2549-7952
UN PGRI Kediri, 24 Juli 2021 p-ISSN: 2580-3336
Distance yang mana mencapai 100%, Smartphone Android. Jurnal Teknik Elektro
dibandingkan dengan algoritma Manhattan ITP, 5(2), 130-13.
Distance yang hanya mencapai 85%. [10] Mustofa, Z., & Suasana, I. S. 2018. Algoritma
2. Semakin banyak data latih yang Clustering K-Medoids Pada E-Government
digunakan, akan semakin akurat hasil uji Bidang Information And Communication
cobanya untuk algoritma Euclidean Technology Dalam Penentuan Status Edgi.
Distance. Jurnal Teknologi Informasi dan Komunikasi,
3. Akurasi maksimal diperoleh saat data latih 9(1).
berjumlah minimal 8 citra setiap [11] Buaton, R., Sundari, Y., & Maulita, Y.
karyawan. (2016). Klustering Tindak Kekerasan Pada
Anak Menggunakan Algoritma K-Means
Dengan Perbandingan Jarak Kedekatan
5. SARAN Manhattan City Dan Euclidean. Media
Informasi Analisa dan Sistem, 1(2), 47-53.
Adapun saran untuk selanjutnya mengenai
pengenalan wajah berbasis penghitungan jarak yaitu
perlu menambahkan data latih agar semakin akurat
dalam pengujian.
DAFTAR PUSTAKA
224