Pendahuluan
Sistem absensi
sudah banyak digunakan pada perusahaan � perusahaan dan instansi bidang
pendidikan sebagai pencatatan kehadiran (Darmansah et al., 2021). Salah satunya yaitu Yayasan Pengembangan Anak Indonesia
(YPAI) biMBA AIUEO menerapkan sistem absensi sebagai hal yang penting.
Pencatatan kehadiran dilakukan untuk mengetahui kedisiplinan karyawan dalam
bekerja dan sebagai penentu besar atau kecilnya karyawan dalam mendapatkan
imbalan (Hardiansyah et al., 2018). Selain itu sistem absensi ini juga dapat membantu
divisi personalia dalam menghitung jumlah kehadiran dari masing � masing
karyawan, terutama saat mendekati tanggal gajian. Data � data yang diperoleh
dari sistem absensi berupa waktu kedatangan dan waktu kepulangan karyawan di
YPAI biMBA AIUEO.
Prosedur absensi
YPAI biMBA AIUEO yang diterapkan selama adanya pandemi atau� corona virus, untuk karyawan pasif
menggunakan fingerprint setiap harinya dengan mengisikan data diri.
Dengan adanya dampak dari pandemi, tidak ada lagi karyawan dari biMBA pusat
untuk melakukan pengambilan data � data absensi fingerprint pada setiap
unit. Jumlah laporan yang masuk sesuai dengan banyaknya jumlah nama � nama
karyawan yang telah melakukan absensi. Kemudian admin akan melakukan proses
rekap data absen ke dalam file microsoft excel yang dijadikan sebagai
data absensi karyawan. Dalam melakukan proses tersebut admin tidak menghadapi
kesulitan dalam melakukan rekap data absen karyawan, akan tetapi waktu yang
dibutuhkan saat melakukan rekap data absensi membutuhkan waktu yang lama,
sehingga mengganggu efektifitas dan efisiensi admin dalam bekerja. Dengan
sistem absensi yang masih menggunakan fingerprint dengan memerlukan
bantuan orang lain dan sulit untuk memantau keadaan secara real karyawan
dan melakukan perhitungan absensi tidak bisa dilakukan secara otomatis, jadi
tetap manual (Rahmawati, 2020).
Sistem kehadiran
yang ada saat ini perlu adanya pembaharuan ke sistem yang baru. Tentunya sistem
baru akan berdampak baik untuk yayasan, dari segi efektifitas, efesiensi dan kecepatan
dalam pengerjaannya. Sistem absensi yang dibangun memanfaatkan teknologi
biometrik yaitu face recognition (Prima & Prabowo, 2020).
Dengan menggunakan face recognition �ini dapat mengurangi interaksi penyebaran
virus (Arisandy & Rudi, 2020). Dalam mengaplikasikan face recognition menggunakan
metode eigenface dengan bantuan kamera sebagai alat untuk menangkap
wajah sebagai perbandingan dengan wajah � wajah yang lebih dulu tersimpan di database.
Pengenalan wajah ini merupakan bagian pengolahan citra dengan bantuan algoritma
Principal Component Analysis yang disesuaikan bersama sistem absensi dan
akan menjadi menarik apabila di implementasikan karena sistem ini dilakukan
dengan wajah.
Tinjauan Teoritis
A. Citra
Citra merupakan
imitasi benda tiga dimensi yang direpresentasikan ke dalam bentuk dua dimensi
melalui kombinasi garis,titik, bentuk dan warna. Dalam bidang teknologi
digital, citra adalah kombinasi dari pixel yang mengandung warna. Maka
akan membentuk sebuah imitasi objek yang mengandung tekstur
(Sultoni et al., 2019). Informasi dasar tersebut akan dianalisis dan dikenali
oleh komputer, agar dapat mengidentifikasi peristiwa atau situasi tertentu.
Dalam melakukan pemilihan informasi diolah tergantung dari permasalahannya yang
dianalisis (Dwiparaswati &
Hilmawan, 2022).
B. Akusisi Citra Digital
Sistem akusisi
citra digital adalah lingkungan yang ditangkap menggunakan sensor elektronik
yang terbuat dari sensor cahaya CCD (Charge-Coupe- Device) atau CMOS
(Complementary Metal Oxide Semiconductor) (Kirana & Kom, 2021). Sensor elektronik dapat merubah intensitas cahaya
menjadi gelombang analog. Gelombang analog selanjutnya diruah menjadi sinyal
digital (Dwiparaswati &
Hilmawan, 2022).
Gambar 1. Akusisi
Citra Yang di Tangkap
Citra atau
gambar merupakan dua dimensi yang tersusun dari banyaknya pixel
(Harianto, 2014). Pixel atau Picture Elements merupakan
puluhan ribu atau berjuta titik yang tersusun hingga membentuk rangkaian foto
digital. Citra yang tersusun ini berbentuk kotak-kotak segi empat dengan
teratur bersamaan oleh susunan horizontal dan vertikal dari pixel didalam
semua bidang citra. Citra berupa suatu fungsi continue yang terdapat
dibagian dua dimensi dari intensitas cahaya, dimana (x,y) melambangkan
koordinat atau derajat keabuan. Citra digital juga berupa array dua
dimensi yang bernilai f(x,y) setelah dibuah ke dalam wujud distrik dalam
koordinat citra dan kecerahannya (Dwiparaswati &
Hilmawan, 2022)..
Citra sebagai
gabungan dari elemen-elemen gambar yang mampu merekam semua adegan melalui
indra visual. Citra digital pada tiap-tiap elemen-elemen sering disebut sebagai
elemen gambar atau pixel (Pratama, 2018). Elemen-elemen dasar tersebut dimanipulasi saat
pengolahan citra dan diekploitasi lebih lanjut dalam computer. Elemen-elemen
dasar yang penting diantaranya (Dwiparaswati &
Hilmawan, 2022):
1.
Kecerahan
untuk intensitas cahaya, kecerahan di dalam citra bukanlah intensitas yang
sebenernya, tetapi sebenarnya adalah intensitas rata-rata dari suatu area yang
melingkupinnya.
2.
Kontras,
citra dengan kontras yang rendah dicirikan oleh sebagian besar komposisi
citranya terang atau sebagian besar gelap.
3.
Kontur,
jika terjadi perubahan intensitas pada pixel-pixel yang bertetangga.
4.
Warna,
sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh
objek. Dimana warna merah memiliki gelombang paling tinggi, sedangkan warna
ungu (violet) mempunyai warna gelombang paling rendah.
5.
Bentuk,
memiliki instrinsik utama sebagai visual manusia. Dimana informasi objek
diekstraksikan dari citra pada permulaan pra-pengolahan dan segmentasi citra.
6.
Tekstur
merupakan kumpulan pixel - pixel yang bertetanggaan dan mengakibatkan pixel
tidak dapat didefinisikan.
Agar citra dapat
diproses oleh mesin komputer ada baiknya citra direpresentasikan pada bentuk
numerik oleh nilai distrik. Citra sebagai fungsi malar (continue) dari
intensitas cahaya secara matematika dapat disimpulkan pada f(x,y), yang mana :
(x,y) : koordinat dalam bagian dwi warna f (x,y) : intensitas cahaya dalam
titik (x,y). Nilai f(x,y) adalah perkalian dari : i(x,y) = hasil jumlah dari
cahaya yang bermula dari awal nilainya direntang 0 sampai tak terhingga, r(x,y)
= derajat kekuatan objek untuk melakukan pantulan cahaya, nilainya ada pada
rentang 0 dan 1 seperti gambar 1.3 (Subiantoro &
Sardiarinto, 2018).
Maka
f(x,y)=i(x,y) . r(x,y)
Gambar 2. Pengolahan
Akusisi Citra Digital
C. Representasi Ruang Warna Citra
1.
Citra Biner
Citra
biner memiliki dua peluang nilai yaitu 1 (putih) dan 0 (hitam) dan dikodekan
dengan 1 bit nilai. Dalam proses konversi menjadi nilai biner diterapkan
pengambang batas (ehreshold) untuk melihat kecenderungan suatu pixel bernilai
1 atau 0. Penerapan pengambang batas pada persamaan gambar 1.5 (Dwiparaswati &
Hilmawan, 2022).
2.
Citra Keabuan
Citra
keabuan memiliki interval nilai [0,255], dimana 255 cenderung pada warna putih
dan 0 pada warna hitam yang dikodekan dengan 8 bit nilai (2⁸). Citra ini
hanya memiliki satu layer atau lapis warna dan dapat dikonversikan menggunakan
persamaan (Dwiparaswati &
Hilmawan, 2022).
3.
Citra Berwarna
Citra
berwarna memiliki interval nilai [0,255], dimana 255 cenderung pada warna putih
dan 0 pada warna hitam. Citra berwarna memiliki nilai yang lebih besar dari
pada citra grayscale karena memiliki 2 layer. Sebagai contoh adalah
ciitra RGB yang memiliki 3 layer yaitu merah (red), hijau (green)
dan biru (blue). Kombinasi warna tersebut dapat membentuk warna yang
lain seperti kuning, ecyan, magenta dan putih. Citra ini dikodekan dengan 24
bit nilai (2�⁴) (Dwiparaswati &
Hilmawan, 2022).
Gambar 3. Citra pada
RGB
D. Pengolahan Citra
Pengolahan citra
adalah teknik untuk mengolah citra dengan memakai komputer sebagai alat yang
menjadikan citra mempunyai keunggulan yang mumpuni. Proses ini untuk
memperbaharui keunggulan sebuah citra agar mudah diolah oleh mesin dan mudah
diproses oleh manusia. Konteks dalam pengolahan citra menjadi pengolah citra
yang berbasis dua dimensi (Dwiparaswati &
Hilmawan, 2022).
Untuk memperoleh
citra digital, sinyal analog harus menjalani proses digitalisasi yang terdiri
dari sampling dan kuantisasi. Sampling adalah penentuan jumlah sampel pixel,
seperti pada gambar berikut:
Gambar 4. Sampling Gelombang Analog
E. Pengenalan Wajah
Pengenalan wajah
merupakan salah satu cara pendekatan pengenalan pola untuk mengidentifikasi
wajah seseorang dengan pendekatan biometrik. Pendekatan ini memiliki sifat unik
yang dapat digunakan untuk mengenali identitas seseorang. Proses pengenalan
biometrik dibagi menjadi dua karakteristik, yaitu sifat fisik dan perilaku.
Biometrik fisik berasal dari pengukuran dan data yang ada langsung dari bagian
manusia misalnya sidik jari, pengenalan wajah, iris, retina dan tangan.
Sedangkan biometrik mengacu pada terintegrasi antara perangkat keras dan
perangkat lunak untuk melakukan proses identifikasi dan verifikasi (Pratama, 2018).
Banyak peneliti
yang tertarik mengambil topik terkait dengan pengenalan wajah manusia. Sebuah
sistem pengenalan sudah banyak ditemukan aplikasi dari berbagai bidang seperti
Interaksi Manusia dan Komputer (IMK), Sistem Keamanan dan lain-lain (Muntholib, 2019). Pengenalan wajah secara digital atau biasa dikenal
dengan face recognition bekerja dengan cara mengkonversikan foto, sketsa dan
gambar video menjadi serangkaian angka, yang disebut faceprint. Kemudian
membandingkannya dengan serangkaian angka lain yang mewakili wajah-wajah yang
sudah dikenal. Dalam proses pengenalan citra wajah oleh sistem dapat dibagi
menjadi lima tahap yaitu deteksi, pengenalan posisi, normalisasi, pengkodean
dan perbandingan (Pratama, 2018).
Algoritma
pengenalan wajah dimulai dengan membuat matriks kolom dari wajah yang diinput
ke dalam database. Rata-rata vector citra dari matriks kolom dihitung
dengan cara membaginya dengan jumlah banyaknya citra yang disimpan didalam database
(Muntholib, 2019). Pengenalan wajah adalah proses untuk mengidentifikasi
atau melakukan verifikasi citra wajah pada seseorang yang tidak diketahui
dengan algoritma komputasi dan membandingkannya dengan data wajah yang ada.
Pengenalan wajah dengan menggunakan webcam akan mengeluarkan output teks
berupa nama wajah yang dikenal dan dinilai akurasi dari program. Jika wajah
tidak dikenal maka akan mengeluarkan output berupa �tidak dikenali� dengan
diikuti nilai akurasi yang rendah (Mulyono et al., 2012).
F.
Eigenface
Eigenface
adalah kumpulan eigenvector untuk
mengatasi masalah computer vision pada face recognition dengan
cara mencari nilai eigen citra dan sebagainya. Sehingga perlu mendukung
metode eigenface dengan melakukan ekstrasi ciri. Metode eigenface dapat
dilakukan ekstrasi ciri yang memiliki metode-metode antara lain metode PCA
(Principal Component Analysis), SPCA (Simple Principal Component Analysis), LDA
(Linier Discriminant Analysis) dan lain-lain. Eigenface merupakan salah
satu algoritma pengenalan wajah yang berdasarkan pada (Principal Component
Analysis) PCA yang dikembangkan oleh MIT. Pendekatan eigenface untuk
pengenalan wajah dikembangkan oleh Sirovich dan Kirby (1987) dan digunakan oleh
Matthew Turk dan Alex Pentland pada klasifikasi wajah (Mulyono et al., 2012).
Eigenface
dikenal dengan pengenalan wajah dengan dasar Principal Component Analysis (PCA)
yang memiliki prinsip untuk mengambil data unik dari wajah yang tertera,
kemudian di encode dan dibandingkann lewat hasil code yang lebih
dulu (Mulyono et al., 2012). Metode ini digunakan untuk perhitungan decoding dengan
eigenvector dan di representasikan dengan matriks yang besar. Eigenvector
adalah karakteristik atau mencirikan variasi pada image wajah.
Setiap image wajah memberikan kontribusi yang lebih atau kurang untuk
setiap eigenvector, sehingga tampilan eigenvector seperti wajah
yang samar [9]. Maka metode ini dikenal dengan eigenfaces. Agar eigenface
berhasil, gambar digital wajah diambil dalam kondisi pencahayaan yang sama,
dinormalisasi dan kemudian diproses resolusi yang sama� seperti m X n dan komponen diturunkan dari
nilai pixel (Kosasih, 2020).
Implementasi praktis
Dalam membuat
satu set eigenfaces ada beberapa hal yang perlu diperhatikan sebagai
berikut (Kosasih, 2020):
a.
Menyiapkan
satu set pelatihan gambar wajah dengan kondisi pencahayaan yang sama dan harus
dinormalisasi agar mata dan mulut sejajar pada semua gambar. Gambar tersebut
disampel ulang dengan resolusi pixel umum yaitu r x c, dimana gambar
diperlakukan sebagai satu vektor dengan cukup menggabungkan baris pixel pada
gambar aslinya. Sehingga menghasilkan satu kolom dengan elemen r � c. Cara
pengimplementasiannya semua citra yang telah di training set akan disimpan
dalam satu matriks T, dimana setiap kolom dari matriks tersebut adalah sebuah
citra.
b.
Mengurangi
rata � rata dengan cara harus menghitung rata-rata gambar a dan kurangkan pada
setiap gambar asli yang berada di T.
c.
Menghitung
eigen dan nilai eigen dari matriks kovarians S. Setiap vektor eigen
memiliki dimensi (jumlah komponen) yang sama dengan gambar aslinya, dan dengan
demikian dapat dilihat sebagai gambar. Oleh karena itu, vektor eigen
dari matriks kovarians ini disebut wajah eigen. Mereka adalah arah di
mana gambar berbeda dari gambar rata-rata. Biasanya ini akan menjadi langkah
komputasi yang mahal (jika memungkinkan), tetapi penerapan praktis dari eigenface
berasal dari kemungkinan untuk menghitung vektor eigen dari S secara
efisien, tanpa pernah menghitung S secara eksplisit.
d.
Pilih
komponen utama. Urutkan nilai eigen dalam urutan menurun dan atur vektor
eigennya. Jumlah komponen utama k ditentukan secara sewenang - wenang dengan
menetapkan ambang pada varians total.
Wajah eigen yang
digunakan untuk mewakili wajah yang ada dan wajah baru. Kita dapat
memproyeksikan gambar baru (dikurangi rata � rata) pada wajah eigen dengan
demikian dapat menerkam wajah baru tersebut yang berbeda dari wajah rata �
rata. Nilai eigen terkait pada setiap eigenface dengan mewakili seberapa banyak
gambar dalam set pelatihan yang bervariasi dari gambar rata-rata ke arah itu.
Informasi hilang dengan memproyeksikan gambar pada subset dari vektor eigen,
tetapi kerugian diminimalkan dengan menjaga wajah eigen tersebut dengan nilai
eigen terbesar (Kosasih, 2020).
Menghitung vektor eigen
Menghitung
vektor eigen dengan melakukan PCA secara langsung pada matriks kovarians
gambar dengan komputasi, terkadang terdapat gambar yang tidak layak. Sebagai
contohnya gambar kecil menggunakan 100 x 100 pixels, dimana
setiap gambar dalam ruang 10.000 dimensi dan matriks kovarians S yaitu 10.000 x
10.000 =10⁸ elemens. Namun peringkat matriks kovarians dibatasi oleh
jumlah. Jika jumlah contoh pelatihan lebih kecil dari dimensi gambar, komponen
utama dapat dihitung dengan lebih mudah dengan membiarkan T menjadi matriks
sebagai contoh pelatihan yang telah diproses sebelumnya, dimana setiap kolom
berisi satu gambar yang dikurangi rata - rata.
Metode Penelitian
A.
Alur Penelitian
Alur penelitian merupakan langkah � langkah yang
dilakukan penulis yang disusun secara kronologis dan memiliki hubungan sebab
dan akibat. Penulis berusaha mengembangkan atau memajukan sebuah sistem yang
lebih baik dengan menyesuaikan pengetahuan yang ada. Oleh karena itu, setiap
permasalahan yang telah diteliti harus menggunakan metode yang tepat. Metode
yang digunakan pada penelitian ini adalah deskriptif (Setiawan et al., 2022). Metode ini dapat berupa variabel tunggal atau lebih.
Dalam pelaksanaannya, penelitian deksriptif memiliki langkah � langkah� sebagai berikut:
1.
Membuat
rumusan masalah
2.
Menentukan
informasi yang diperlukan
3.
Melakukan
pengumpulan data
4.
Menentukan
cara pengolahan data
5.
Menarik
kesimpulan penelitian
Gambar 5. Alur
Penelitian
B.
Mengidentifikasi Masalah
Pada tahap mengidentifikasi masalah penulis melakukan
proses pendeteksian berdasarkan citra wajah untuk mengetahui ada atau tidaknya
wajah tersebut dapat terdeteksi. Berdasarkan identifikasi masalah tersebut,
dengan adanya pengenalan wajah dapat menghindari kecurangan saat melakukan
absensi yang tidak dapat diwakilkan oleh orang lain.
C. Menentukan Tujuan Penelitian
Tujuan
penelitian dari tahap identifikasi masalah dengan menggunakan metode eigenface
dalam pengenalan wajah agar wajah bisa dikenali dan dianalisa tingkat
akurasinya sehingga tujuannya dapat tercapai.
D.
Studi Literatur
Tahap ini dilakukan penulis untuk mengumpulkan informasi
melalui beragam referensi yang terkait. Referensi yang diperlukan dapat berupa
skripsi, jurnal ilmiah, buku atau artikel yang berhubungan dengan pengenalan
wajah (face recognition) pada pengamanan dengan metode eigenface.
Pencarian data - data literatur untuk perangkat keras
dari masing - masing komponen, informasi melalui internet dan konsep teoritis
dari buku sebagai penunjang tugas akhir ini, serta materi yang didapat selama
perkuliahan dan perancangan perangkat lunak menggunakan perangkat lunak lengkap yang
dapat digunakan untuk melakukan pengembangan aplikasi menggunakan visual studio code.
E.
Pengumpulan Data
Dalam tahap ini perlu melakukan survei atau pengamatan
terhadap Yayasan Pengengembangan Anak Indonesia biMBA � AIUEO dilakukan secara
langsung untuk mendapatkan informasi terkait dengan kebutuhan pengembangan atau
memajukan sistem.
F.
Pengolahan Data Dan Analisa Data
Dalam penelitian ini membutuhkan sumber data yang
dikumpulkan oleh penulis melalui wawancara dan observasi secara langsung.
Dengan hal itu, penulis akan melakukan analisa data yang diperoleh berupa citra
wajah yang kemudian akan di simpan dalam database.
Selanjutnya perlu melakukan analisis data yang telah
diperoleh dan disesuaikan dengan kebutuhan untuk sistem yang akan dibangun
menggunakan metode eigenface dengan algoritma principal component analysis.
Serta menentukan model proses dan model data dengan tujuan mendapatkan
keinginan kebutuhan dari penggunanya. Berikut�
ini merupakan pengolahan data wajah:
Gambar 6.
Pengolahan Data Wajah
G. Rancangan Aplikasi
Dalam membuat perancangan sistem, terdapat beberapa
langkah rancangan sistem yang dianbil antara lain:
1.� Membuat flowchart pada proses sistem secara
keseluruhan.
2.� Melakukan perancangan perangkat keras seperti, mengantur webcam
untuk menjangkau objek wajah, mengukur jarak terhadap objek dan menentukan
pencahayaan yang ideal objek wajah.
3.� Melakukan perancangan perangkat lunak seperti membuat
program objek wajah menggunakan metode eigenface, posisi terkait dengan layout,
pembuatan database dan membuat program untuk mengenali objek wajah
yang telah terdeteksi.
H.
Pengujian
Dalam penelitian ini melakukan pengujian menggunakan
metode eksperimental karena untuk menguji hubungan sebab akibat antara variabel
yang satu dengan yang lain yang dilakukan oleh pengguna terhadap sistem.
Proses black box testing ini diuji sesuai dengan
kebutuhan dari user.
I.
Kesimpulan dan Saran
Pada tahap ini kesimpulan dan saran akan diperoleh
setelah penelitian ini selesai sesuai dengan tahapan metode penelitian yang
dilakukan secara kronologis. Dalam pembuatan tahap kesimpulan dan saran dibuat
menjadi poin penting yang dijadikan sebagai simpulan dari tahapan � tahapan
dalam penelitian ini.
J.
Jenis Penelitian
Jenis penelitian ini berdasarkan fungsinya menggunakan
penelitian terapan yang berkaitan dengan bidang teknologi dan pendidikan dengan
tujuan untuk menguji kegunaan dalam suatu bidang. Dan menggunakan pendekatan
kuantitatif. Pendekatan ini bersifat korelatif dan asosiatif. Sifat ini melihat
hubungan antara dua variabel atau lebih yang terkait dengan sebab � akibat.
Dasar teori yang digunakan pun teruji empiris yang berdasarkan dengan fakta
yang ada (Setiawan et al., 2022). Dengan adanya penelitian dapat mengetahui variabel
dalam sistem tersebut, kemudian memodifikasinya agar dapat mengembangkan sistem
tersebut.
Karena untuk mendapatkan data dan keterangan diperoleh
dari hasil pengamatan langsung di Yayasan Pengembangan Anak Indonesia� biMBA � AIUEO dengan menggunakan beberapa
teknik. Adapun teknik dalam pengumpulan data, sebagai berikut (Setiawan et al., 2022):
1.
Observasi
2.
Wawancara
3.
Studi
Pustaka
4.
Perancangan
Pembahasan
Sebelum
membuat system absensi website perlu melakukan langkah-langkah berikut pada proses pengolahan image eigenface:
A. Rekam Data Wajah
Proses rekam data
wajah menggunakan metode eigenface. Sebelum mengubah foto asli menjadi grayscale
perlu mencari nilai pada RGB. Untuk memudahkan dalam mencari nilai RGB
perlu melakukan zoom image untuk mengetahui pixel-pixel �yang ada di wajah, perhatikan gambar 6.
Gambar 7. Zoom Image
B.
Selanjutnya akan menampilkan gambar grayscale pada
gambar 4.4 transformasi citra RGB ke grayscale.
Gambar 8.
Transformasi Image RGB Ke Grayscale
Pada gambar 7
merupakan proses pengenalan citra menggunakan metode eigenface. Dimana taap
awal sistem belum mengenali maka lanjut ke proses berikutnya sampai wajah dapat
terdeteksi oleh sistem.
C. Pada tahapan processing di area waja pada rectangle
seperti dilakukan script berikut:
face_img
= gray[y:y+h, x:x+w]
����������� face_img = cv2.resize(face_img,
(100, 100))
����������� idx, confidence =
model.predict(face_img)
����������� label_text = "%s (%.2f
%%)" % (labels[idx], confidence)
����������� frame = draw_ped(frame, label_text,
x, y, x + w, y + h, color=(0,255,255), text_color=(50,50,50))
������� cv2.imshow('Detect Face', frame)
��� else :
������� break
��� if cv2.waitKey(10) == ord('q'):
������� break
Gambar 9. Sistem
Mengenali Wajah
Pada script di atas sistem akan mulai melakukan processing
pengenalan wajah karyawan secara realtime. Seperti pada gambar 8
menunjukan label nama karyawan dan nilai akurasi wajah yang ditampilkan oleh
sistem. Alur proses pengolahan pendeteksian wajah dapat dilihat pada gambar 3.
D.
Pada tampilan menu absensi karyawan terlebih dahulu capture
wajah sebelum melakukan absensi sebagai validasi pencocokan data latih.
Jika dikenali karyawan dapat melakukan absensi, namun jika tidak karyawan tidak
dapat melakukan absensi.
Gambar
10. Tampilan View Menu Absensi Pada Karyawan
Kesimpulan
Berdasarkan
hasil analisa dan perancangan sistem informasi absensi wajah pada Yayasan
Pengembangan Anak (YPAI) biMBA-AIUEO, maka dapat disimpulkan hal-hal sebagai
berikut: (1) Dengan diterapkannya sistem absensi wajah
ini diharapkan segala kendala mengenai keterlambatan perhitungan gaji
transportasi dan tidak akurat data absensi dapat diatasi.
(2) Dengan adanya UML (Unified
Modelling Language) dalam
perancangan sistem informasi absensi pada YPAI biMBA-AIUEO secara keseluruhan
dapat tergambar cukup jelas melalui diagram-diagram. (4) Sistem ini dapat memudahkan staff personalia
untuk menangani absensi karyawan.
BIBLIOGRAFI
Arisandy, D., & Rudi, R. (2020). Perancangan Voice
User Interface (VUI) Aplikasi Presensi Karyawan Dengan Speech Recognition. Jurnal
SIFO Mikroskil, 21(2), 61�70.
Darmansah, D. D., Wardani, N. W., & Fathoni, M. Y.
(2021). Perancangan Absensi Berbasis Face Recognition Pada Desa Sokaraja Lor
Menggunakan Platform Android. JATISI (Jurnal Teknik Informatika Dan Sistem
Informasi), 8(1), 91�104.
Dwiparaswati, W., & Hilmawan, S. V. (2022). Implementasi
Face Recognition secara Real-time dengan Metode Haar Cascade Classifier
menggunakan OpenCV-Python. UG Journal, 16(2).
Hardiansyah, A. T., Amelia, A., & Santika, M. (2018).
Kepuasan Kerja Sebagai Faktor Terbentuknya Sikap Kerja Pegawai Negeri Sipil
Kantor Kecamatan Klampis, Bangkalan. Competence: Journal of Management
Studies, 12(2).
Harianto, K. (2014). Penerapan Teknik Selisih Matriks untuk
Menemukan Perbedaan Dua Buah Citra Digital. Sains Dan Teknologi Informasi,
3(1), 16�21.
Kirana, K. C., & Kom, M. (2021). PENGOLAHAN CITRA
DIGITAL: Teori dan Penerapan Pengolahan Citra Digital pada Deteksi Wajah.
Ahlimedia Book.
Kosasih, R. (2020). Kombinasi Metode Isomap dan KNN Pada
Image Processing Untuk Pengenalan Wajah. CESS (Journal of Computer
Engineering, System and Science), 5(2), 166�170.
Mulyono, T., Adi, K., & Gernowo, R. (2012). Sistem
Pengenalan Wajah Dengan Metode Eigenface Dan Jaringan Syaraf Tiruan (Jst). Berkala
Fisika, 15(1), 15�20.
Muntholib, A. (2019). Prototipe Absensi STMIK Amik Riau
Berbasis Face Recognition Menggunakan Metode Eigenface. Sains Dan Teknologi
Informasi, 4(2), 76�83.
Pratama, R. B. (2018). Penerapan metode eigenface pada sistem
parkir berbasis image processing. Jurnal Disprotek, 9(2), 86�96.
Prima, A. N., & Prabowo, C. (2020). Sistem Absensi dengan
OpenCV Face Recognition dan Raspberry Pi. JITSI: Jurnal Ilmiah Teknologi
Sistem Informasi, 1(2), 57�66.
Rahmawati, S. R. (2020). Pengaruh Efektivitas Penerapan
Absensi Fingerprint dan Insentif Terhadap Disiplin Pegawai FPOK UPI. Service
Management Triangle: Jurnal Manajemen Jasa, 2(1).
Setiawan, A., Gunawan, H., Hidayatullah, A., Putra, M. A. S.,
Sugema, R. C., Pane, A. H., Nasution, A. R., & Irsyad, M. (2022). Black Box
Testing Dengan Teknik State Transition Testing Pada Inventori Alat-Alat Medis. Jurnal
Sains Dan Teknologi (JSIT), 2(3), 151�158.
Subiantoro, S., & Sardiarinto, S. (2018). Perancangan
Sistem Absensi Pegawai Berbasis Web Studi Kasus: Kantor Kecamatan Purwodadi. Swabumi
(Suara Wawasan Sukabumi): Ilmu Komputer, Manajemen, Dan Sosial, 6(2).
Sultoni, M. I., Hidayat, B., & Subandrio, A. S. (2019).
Klasifikasi jenis batuan beku melalui citra berwarna dengan menggunakan metode
local binary pattern dan k-nearest neighbor. TEKTRIKA-Jurnal Penelitian Dan
Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, Dan Elektronika, 4(1),
10�15.
|
Copyright
holder: Rifky Kurniawan (2022) |
|
First
publication right: Syntax
Literate: Jurnal Ilmiah
Indonesia |
|
This
article is licensed under:
|
