plagiat merupakan tindakan tidak terpuji · 4. bapak eko hari parmadi, s.si., m.kom. dan ibu dr....

79
i Penerapan Metode Eigenface Untuk Pencocokan Wajah Dengan Menggunakan Klasifikasi Naive Bayesian SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika Oleh : Ega Bima Putranto 115314059 PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2015 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Upload: hoangdan

Post on 15-Mar-2019

222 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

i

Penerapan Metode Eigenface Untuk Pencocokan Wajah

Dengan Menggunakan Klasifikasi Naive Bayesian

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar

Sarjana Komputer Program Studi Teknik Informatika

Oleh :

Halaman Judul

Ega Bima Putranto

115314059

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 2: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

ii

Application of Eigenface Method For Face Recognize Use

Naïve Bayesian Classified

A Thesis

Presented as Partial Fulfillment of the Requirements to Obtain Sarjana

Komputer Degree in Informatics Engineering Study Program

Written By:

Halaman Judul (English)

Ega Bima Putranto

115314059

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 3: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

iii

HALAMAN PESETUJUAN

SKRIPSI

Penerapan Metode Eigenface Untuk Pencocokan Wajah

Dengan Menggunakan Klasifikasi Naive Bayesian

Disusun oleh:

Ega Bima Putranto

115314059

Telah disetujui oleh:

Dosen Pembibing

Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. Tanggal: Juli 2015

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 4: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

iv

HALAMAN PENGESAHAN

SKRIPSI

Penerapan Metode Eigenface Untuk Pencocokan Wajah

Dengan Menggunakan Klasifikasi Naive Bayesian

Dipersiapkan dan disusun oleh:

Nama : Ega Bima Putranto

NIM : 115314059

Telah dipertahankan di depan panitia penguji

pada tanggal 22 Juli 2015

dan dinyatakan memenuhi syarat

Susunan Panitia Penguji:

Nama Lengkap Tanda Tangan

Ketua : Dr. Anastasia Rita Widiarti, M.Kom ___________

Sekretaris : Eko Hari Parmadi, S.Si., M.Kom ___________

Anggota : Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. ___________

Yogyakarta, Juli 2015

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

(Paulina Heruningsih Prima Rosa, S.Si., M.Sc)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 5: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

v

HALAMAN PERSEMBAHAN

“One way to forget about pain is to do something you will be in

completely…So Computer Games”-- Danil Ishutin (Dendi)

“Real life just like dota 2 because no support no win”-- PTZ

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 6: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini

tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan

dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.

Yogyakarta, 30 Juni 2015

Penulis

Ega Bima Putranto

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 7: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata

Dharma:

Nama : Ega Bima Putranto

NIM : 115314059

Demi pengembangan ilmu pengetahuan, saya memberikan kepada

perpustakaan

Universitas Sanata Dharma karya ilmiah yang berjudul:

PENERAPAN METODE EIGENFACE UNTUK PENCOCOKAN

WAJAH DENGAN MENGGUNAKAN KLASIFIKASI NAIVE BAYESIAN

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya

memberikan kepada perpustakaan Universitas Sanata Dharma hak untuk

menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk

pangkalan data, mendistribusikan secara terbatas, dan mempublikasikan di

internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari

saya maupun memberikan royalty kepada saya selama tetap mencatumkan nama

saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Yogyakarta, 30 Juli 2015

Yang menyatakan,

Ega Bima Putranto

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 8: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

viii

PENERAPAN METODE EIGENFACE UNTUK

PENCOCOKAN WAJAH DENGAN MENGGUNAKAN

KLASIFIKASI NAIVE BAYESIAN

ABSTRAK

Wajah adalah biometrik yang secara alamiah dipunyai dan menjadi ciri

khas setiap manusia. Ciri khas wajah yang unik ini dapat dimanfaatkan untuk

membantu komputer mengenali wajah seseorang. Di antara metode yang ada,

supaya komputer dapat mengenali ciri wajah digunakan metode eigenface di tahap

preprocessing dan metode naïve bayesian untuk proses klasifikasi. Kedua metode

ini yang digunakan untuk pencocokan wajah dalam tulisan ini. Setiap hasil dari

proses klasifikasi akan dihitung akurasinya dengan menggunakan confusion

matrix. Dari hasil percobaan yang telah dilakukan, dengan menggunakan metode

ini dapat dicapai akurasi 88% dari 200 citra wajah yang berasal dari 20 mahasiswa

dimana setiap mahasiswa mempunyai 10 citra wajah. Berdasarkan hasil akurasi

ini dapat disimpulkan bahwa untuk pengenalan wajah dengan menggunakan

komputer dapat digunakan metode eigenface dan naïve bayesian.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 9: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

ix

APPLICATION OF EIGENFACE METHOD FOR FACE

RECOGNIZE USE NAÏVE BAYESIAN CLASSIFIED

ABSTRACT

Face is a biometric that naturally belongs to human race and become one

of human characteristic. This unique characteristic can be used to help computers

recognize an image of person's face. In order to help computer recognize an image

of person’s face, eigenface method can be used in the image preprocessing stage

and naïve bayesian method for the classification process. Both of these methods

are used for face recognize in this paper. Each result of the classification process

will be calculated using confusion matrix to gain the accuracy of the

classification. The results of the experiments that have been conducted, the

accuracy reach up to 88% obtained from 200 face images by 20 students where

each student have 10 face images. Based on this result, eigenface and naïve

bayesian concluded as suitable method for recognize an image of person’s face.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 10: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

x

KATA PENGANTAR

Dengan kerendahan hati terucap puji dan syukur kepada Tuhan Yang

Maha Esa karena dengan perlindungan dan kuasa-Nya penulis dapat

menyelesaikan skripsi yang berjudul “Penerapan Metode Eigenface Untuk

Pencocokan Wajah Dengan Menggunakan Klasifikasi Naïve Bayesian”. Pada

proses penulisan tugas akhir ini, terucap banyak terimakasih kepada:

1. Kedua orang tua penulis, Bapak M. Alim Bimo Gunarto dan Ibu Siti

Baroyani yang menyemangati penulis.

2. Kedua saudara penulis, Antonius Aryanto Nugroho dan Mita Kurnianti

yang tanpa henti memberi semangat kepada penulis.

3. Romo Dr. Cyprianus Kuntoro Adi, SJ, MA, M.Sc. selaku dosen

pembimbing, terima kasih atas bimbingan, kesabaran, inspirasi, dan

motivasi yang telah diberikan sehingga penulis dapat menyelesaikan

skripsi ini.

4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita

Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

masukan terhadap skripsi ini.

5. Romo Poldo Situmorang, Benedictus Reynusa Paradhipta dan Aluisius

Bayu Saputra yang bersama-sama memberikan ide, inspirasi dan

semangat dengan cara membantu ataupun menyusahkan.

6. Seluruh civitas akademika Teknik Informatika angkatan 2011, terutama

anggota C++ yang telah berjuang bersama dan saling memberi

semangat dan inspirasi.

7. Teman-teman Dota 2 Yogo, Niel, Pantrek, Angga, Nusa dan yang tidak

bisa disebut satu persatu, yang telah menemani dan menghibur penulis.

8. Semua pihak baik langsung maupun tidak langsung, yang telah

membantu dalam proses penyelesaian skripsi ini.

Yogyakarta, 22 Juli 2015

Penulis,

Ega Bima Putranto

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 11: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

xi

Daftar Isi

Halaman Judul ....................................................................................... i

Halaman Judul (English) ....................................................................... ii

HALAMAN PESETUJUAN ............................................................... iii

HALAMAN PENGESAHAN ............................................................. iv

HALAMAN PERSEMBAHAN ........................................................... v

PERNYATAAN KEASLIAN KARYA .............................................. vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ............. vii

ABSTRAK ......................................................................................... viii

ABSTRACT ......................................................................................... ix

KATA PENGANTAR .......................................................................... x

Daftar Isi .............................................................................................. xi

Daftar Gambar.................................................................................... xiii

Daftar Tabel ....................................................................................... xiv

BAB I PENDAHULUAN .................................................................... 1

1.1 Latar Belakang Masalah.............................................................. 1

1.2 Rumusan Masalah ....................................................................... 2

1.3 Tujuan ......................................................................................... 2

1.4 Batasan Masalah ......................................................................... 2

BAB II LANDASAN TEORI .............................................................. 3

2.1 Pengenalan Wajah ....................................................................... 3

2.1.1 Pengertian Pengenalan Wajah .............................................. 3

2.1.2 Tahapan Pengenalan Wajah ................................................. 4

2.1.3 Ekstrasi Ciri ......................................................................... 5

2.2 Metode Eigenface ....................................................................... 5

2.2.1 Principal Component Analysis (PCA) ................................. 7

2.2.2 Proses Principal Component Analysis (PCA) / Eigenface .. 7

2.2.3 Contoh PerhitunganEigenface ............................................. 8

2.3 Naive Bayesian ......................................................................... 16

2.3.1 Klasifikasi Naive Bayesian ................................................ 16

2.3.2 Contoh Perhitungan Naive Bayesian ................................. 18

2.4 Confusion Matrix ...................................................................... 20

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 12: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

xii

BAB III METODOLOGI ................................................................... 22

3.1 Metode Pengumpulan Data ....................................................... 22

3.2 Teknik Analisis Data ................................................................. 22

3.3 Desain User Interface ................................................................ 28

3.4 Spesifikasi Software dan Hardware .......................................... 30

BAB IV IMPLEMENTASI DAN ANALISIS HASIL ...................... 31

4.1 Implementasi ............................................................................. 31

4.1.1 Pengolahan Data ................................................................ 31

4.1.1.1 Preprocessing ............................................................. 32

4.1.1.2 Proses .......................................................................... 34

4.1.1.3 Output ......................................................................... 35

4.1.1.4 Akurasi ........................................................................ 35

4.1.2 User Interface ..................................................................... 36

4.2 Analisis ..................................................................................... 39

BAB V KESIMPULAN DAN SARAN ............................................ 43

5.1 Kesimpulan ............................................................................... 43

5.2 Saran ......................................................................................... 43

Daftar Pustaka ..................................................................................... 45

LAMPIRAN ........................................................................................ 46

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 13: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

xiii

Daftar Gambar

Gambar 2.1 PengenalanWajah (Zhao dan Chellapa, 2006) ........................ 4 Gambar 3.1 Diagram Block ...................................................................... 22 Gambar 3.2 User Interface ........................................................................ 29 Gambar 4.1 Data Awal I ........................................................................... 31 Gambar 4.2 Data Awal II .......................................................................... 32

Gambar 4.3 Cropping dan Resize ............................................................. 32 Gambar 4.4 Data I ..................................................................................... 33 Gambar 4.5 Data II ................................................................................... 33 Gambar 4.6 Tabel Hasil Confusion matrix ............................................... 35

Gambar 4.7 Hasil Matrix .......................................................................... 36 Gambar 4.8 User Interface ........................................................................ 37

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 14: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

xiv

Daftar Tabel

Tabel 2.1 Hasil eigen value dan eigen vektor ........................................... 13 Tabel 2.2 Tabel IPK .................................................................................. 18 Tabel 2.3 Hasil IPK ................................................................................... 19 Tabel 2.4 Hasil Uji IPK ............................................................................ 19 Tabel 2.5 Confusion Matrix ...................................................................... 20

Tabel 2.6 Contoh Confusion Matrix ......................................................... 21 Tabel 3.1 Pembagian Data ........................................................................ 27 Tabel 3.2 Contoh Hasil Confusion Matrix (akurasi 88%) ........................ 28 Tabel 4.1 Hasil Percobaan Akurasi ........................................................... 40

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 15: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

1

1 BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Indonesia merupakan negara yang maju. Teknologi di Indonesia juga

sudah bisa dikatakan maju karena penggunaan teknologi yang banyak. Bisa

dibuktikan dengan salah satunya adalah biometrik. Biometrik adalah metode

mengenali karakteristik biologis manusia dari ciri fisik biologisnya. Contoh

penerapan biometrik di Indonesia beberapa diantaranya adalah sistem absensi

yang menggunakan sidik jari, raut wajah, dan retina mata.

Walaupun banyak yang menerapkan biometrik ini, sangat disayangkan di

Indonesia belum banyak yang membuatnya sendiri. Banyak perkantoran atau

instansi-instansi lainya yang masih membelinya dari luar negeri. Hal ini membuat

Indonesia di mata dunia masih sebagai konsumen bukan sebagai pengembang

perangkat lunak.

Metode eigenface pernah digunakan untuk citra wajah beperapa karyawan

Universitas Sanata Dharma Yogyakarta. Penelitian tersebut menggunakan metode

ecludian distance sebagai pencocokan wajahnya. Tingkat keberhasilan dari

metode ecludian distance adalah 97.143% yang didapat dari salah satu kombinasi

data dari proses 3 fold cross validation. (Putri, 2012)

Penelitian ini ingin membantu penerapkan metode eigenface untuk ekstrak

ciri wajah dan naïve bayesian sebagai klasifikasinya. Diharapkan penelitian ini

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 16: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

2

mampu membantu pengembang perangkat lunak untuk mendalami metode

tersebut sehingga dapat mengurangi permasalahan yang sudah disebutkan diatas.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah disebutkan sebelumnya, maka dapat

dirumuskan permasalahan, yaitu:

1. Bagaimana metode eigenface dapat mengekstrasi ciri citra wajah?

2. Berapa akurasi pengenalan wajah menggunakan klasifikasi naive bayesian

dalam mengenali wajah?

1.3 Tujuan

Adapun tujuan dari penelitian ini, antara lain :

1. Menerapkan metode eigenface untuk mengektraksi ciri citra wajah dengan

baik.

2. Mengetahui akurasi pengenalan wajah menggunakan klasifikasi naive

bayesian.

1.4 Batasan Masalah

1. Citra digital hanya dapat menggunakan tampilan background polos

sehingga tidak ada obyek-obyek dibelakangnya.

2. Sistem hanya berbentuk prototype yang dibuat menggunakan MATLAB.

3. Data sebanyak 200 citra wajah dari 20 orang dimana setiap orang memiliki

10 citra wajah dengan berbagai ekspresi.

4. Data citra wajah berukuran 150x150 pixels. Proses resize dan cropping

dilakukan diluar sistem.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 17: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

3

2 BAB II

Landasan Teori

Landasan teori digunakan untuk menjelaskan teori yang akan digunakan

pada penelitian ini, diantaranya pengertian wajah, eigenface, naive bayesian dan

Principal Component Analysis (PCA).

2.1 Pengenalan Wajah

Wajah atau muka adalah bagian depan dari kepala manusia meliputi

wilayah dari dahi hingga dagu, termasuk rambut, alis, mata, hidung, pipi, mulut,

bibir, gigi, kulit, dan dagu (Sugiono, 2008). Elemen-elemen itulah yang menjadi

pembeda antara wajah satu dengan yang lain. Selain elemen fisik ada faktor-faktor

lain yang mempengaruhi wajah yaitu: syaraf dan pembuluh darah, trauma fisik

dan hasil pembedahan, ekspresi karena pembuluh, air mata dan keringat,

kesakitan dan kelelahan, gender, ras, pertumbuhan dan usia. Oleh karena itu tidak

ada satu wajahpun yang serupa mutlak, bahkan pada manusia kembar identik

sekalipun karena wajah terutama digunakan untuk ekspresi wajah, penampilan

serta identitas (Sitorus dkk, 2006).

2.1.1 Pengertian Pengenalan Wajah

Pengenalan wajah adalah suatu teknologi yang disebut biometrik yang

sudah lama digunakan. Teknologi biometrik pada wajah ini sudah banyak

digunakan pada isntansi-instansi pemerintah maupun swasta seperti perkantoran

swasta maupun negeri, kepolisian, kemiliteran, dan perumahan. Teknologi

biometrik itu diaplikasikan pada sistem absesnsi, sistem pembuatan SIM (Surat

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 18: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

4

Izin Mengemudi), sistem keamanan rumah,dan sistem pengamanan komputer

pribadi.

Pada pengenalan wajah langkah yang dikerjakan adalah melakukan

pengenalan wajah secara mandiri atau otomatis yang lalu akan disimpan pada

suatau basis data tertententu.

2.1.2 Tahapan Pengenalan Wajah

Dalam melakukan pengenalan wajah (face recognition), ada beberapa

tahapan proses yang harus dilalui, seperti :

Gambar 2.1 PengenalanWajah (Zhao dan Chellapa, 2006)

Deteksi wajah (face detection) merupakan proses awal yang harus

dilakukan pada citra input untuk mendeteksi adanya citra wajah di dalam citra

masukan. Namun, berdasarkan Gambar 2.1 tahap-tahap proses pengenalan wajah

dikelompokkan menjadi 2 bagian, yaitu proses ekstraksi ciri dan proses

pengenalan wajah (Zhao dan Chellapa, 2006). Proses deteksi wajah akan

dilakukan bersama dalam proses ekstraksi ciri. Hal ini dikarenakan dalam proses

deteksi wajah diperlukan ekstraksi ciri di dalam citra masukan yang akan

mendeteksi apakah citra masukan merupakan citra yang mengandung ciri wajah.

Citra InputDeteksi Wajah

Ektrak CiriPengenalan

WajahVertifikasi

Bersamaan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 19: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

5

2.1.3 Ekstrasi Ciri

Secara umum, (Zhao dan Chellapa 2006) menjelaskan ada dua macam ciri

(feature) pada wajah, yaitu holistic features dan facial feature. Facial feature

contoh cirinya adalah warna dan bentuk, besar dan letak hidung, mulut, mata,

telinga, dan lain-lain. Sedangkan pada holistic features setiap cirinya adalah

merupakan suatu karakteristik dari seluruh wajah. Wajah dianggap sebagai

kesatuan yang utuh. Untuk melakukan ekstrak ciri pada wajah, (Zhao dan

Chellapa, 2006) membedakan teknik pengenalan wajah menjadi tiga metode,

sebagai berikut:

a) Holistic methods

Metode ini digunakan untuk menyelesaikan kasus holistic features

yaitu mencari informasi secara keseluruhan pada wajah.

b) Features-based

Metode ini digunakan untuk menyelesaikan kasus facial features

yaitu mencari informasi berdasarkan ciri yang ada pada wajah seperti

hidung, mata, telinga, dan lain-lain.

c) Hybrid methods

Metode ini merupakan penggabungan dari metode holistic methods

dan features-based.

2.2 Metode Eigenface

Kata eigenface sebenarnya berasal dari bahasa jerman yaitu “eigenwert”

dimana “eigen” artinya karakteristik dan “wert” artinya nilai. Eigenface adalah

salah satu algoritma pengenalan pola wajah yang berdasarkan pada Principle

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 20: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

6

Component Analysis (PCA) yang dikembangkan di MIT. Banyak penulis lebih

menyukai istilah eigen image. Teknik ini telah digunakan pada pengenalan tulisan

tangan, pembacaan bibir, pengenalan suara dan pencitraan medis. Menurut

layman (Al Fatta, 2009) Eigenface adalah sekumpulan unsur wajah yang telah

dibuat standar yang diambil dari analisis statistik dari banyak gambar wajah.

Algoritma eigenface secara keseluruhan cukup sederhana. Training image

direpresentasikan dalam sebuah vector flat (gabungan vektor) dan digabung

bersama-sama menjadi sebuah matriks tunggal. Eigenface dari masing-masing

citra kemudian diekstraksi dan disimpan dalam file temporary atau database. Test

image yang masuk didefinisikan juga nilai eigenfaces-nya dan dibandingkan

dengan eigenfaces dari image database atau file temporary (Prasetyo dan

Rahmatun, 2008).

Cara perhitungannya dilakukan dengan cara:

1. Pencarian matriks A berukuran N x N dapat dihitung dengan :

𝐴. 𝑥 = 𝜆 . 𝑥 (2.1)

λ dinamakan eigenvalue dari matriks A, sedangkan x merupakan

eigenvector yang sama dengan scalar (λ).

2. Pencarian determinan dari matriks A dengan rumus :

|𝐴 − 1𝜆| = 0 (2.2)

3. Setelah nilai eigenvalue (𝜆) ditemukan langkah selanjutnya adalah mencari

eigenvektor dengan menggunakan rumus :

𝐴 − 𝜆𝐼 . 𝑥 = 0 (2.3)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 21: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

7

2.2.1 Principal Component Analysis (PCA)

Principal Component Analysis (PCA) adalah sebuah transformasi linier

yang biasa digunakan untuk mereduksi data. Principal Component Analysis

(PCA) adalah sebuah teknik statistika yang berguna pada bidang pengenalan,

klasifikasi dan mereduksi data citra. PCA juga merupakan teknik yang umum

digunakan. Karena Principal Component Analysis (PCA) sangat ampuh untuk

mereduksi data baik seperti teks, citra, dan sinyal.

2.2.2 Proses Principal Component Analysis (PCA) / Eigenface

Proses perhitungan PCA dapat dilakukan dengan langkah-langkah sebagai

berikut (Fatta, 2009)

1. Mengambil satu set training citra wajah (M). Misalkan M berjumlah 10 buah

citra wajah.

2. Inisialisasi 𝑟 untuk tiap citra wajah dari set training. r adalah sebuah vektor

𝑁2 × 1 berdasarkan matriks dari citra wajah yang berukuran NxN.

3. Menghitung rata-rata vektor citra wajah

𝑌 = 1

𝑀∑ 𝑟𝑖

𝑀𝑖=1 (2.4)

4. Melakukan normalisasi ukuran citra dengan melakukan pengurangan

vektor citra wajah dengan nilai rata-rata tersebut.

𝑄 = 𝑟𝑖 − 𝑌 (2.5)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 22: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

8

5. Menghitung matriks kovarian

𝐶 =1

𝑀∑ 𝑄𝑛𝑄𝑛

𝑇 = 𝐴𝐴𝑇(𝑚𝑎𝑡𝑟𝑖𝑘𝑠𝑁2𝑥𝑁2)𝑀𝑛=1 (2.6)

Dimana

𝐴 = [𝑄1𝑄2𝑄3 … . 𝑄𝑀](𝑚𝑎𝑡𝑟𝑖𝑘𝑠 𝑁2𝑥 𝑀) (2.7)

6. Dikarenakan ukuran matriks terlalu besar, maka pencarian matriks

kovarian menjadi :

𝐶 = 𝐴𝑇𝐴 (2.8)

7. Menghitung eigenvalue (λ) dan eigenvector (x) dari matriks kovarian

𝐶 = 𝐴𝑡𝐴 (2.9)

8. Menghitung eigenvector sebanyak M dari matriks kovarian

𝐶 = 𝐴𝐴𝑇 (2.10)

dengan persamaan :

𝑢𝑖 = 𝐴. 𝑥𝑖 (2.11)

9. Melakukan normalisasi terhadap u.

10. Mengumpulkan eigenvector sebanyak K.

2.2.3 Contoh Perhitungan Eigenface

1. Terdapat 3 buah image yang masing-masing mempunyai 2x2 matriks.

Image1 = [1 23 4

][

1234

]

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 23: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

9

Image1 = [3 68 5

][

3685

]

Image1 = [9 84 5

][

9845

]

2. Lalu ditransformasikan ke matriks 𝑁2 × 𝑖𝑚𝑎𝑔𝑒

S = [

1 3 92 6 834

85

45

]

3. Mencari rata-rata vector

𝑌1

1 + 3 + 9

3=

13

3= 4.333333333

𝑌2

2 + 6 + 8

3=

16

3= 5.333333333

𝑌3

3 + 8 + 4

3=

15

3= 5

𝑌4

4 + 5 + 5

3=

14

3= 4.666666667

Sehingga didapatkan :

𝑌 = |

4.333333333 5.333333333

54.666666667

|

4. Mengurangi vector citra wajah dengan nilai Y

𝑄1 [

1234

] − |

4.333333333 5.333333333

54.666666667

| = [

−3.333333333−3.333333333

−2−0.666666667

]

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 24: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

10

𝑄2 [

3685

] − |

4.333333333 5.333333333

54.666666667

| = [

−1.3333333330.666666667

30.333333333

]

𝑄3 [

9845

] − |

4.333333333 5.333333333

54.666666667

| = [

4.6666666672.666666667

−10.333333333

]

5. Selanjutnya, 𝑄1, 𝑄2, 𝑄3 digabungkan menjadi satu matriks A

𝐴 = [

−3.333333333−3.333333333

−2−0.666666667

−1.3333333330.666666667

30.333333333

4.6666666672.666666667

−10.333333333

]

6. Menghitung kovarian menggunakan rumus 𝐴𝑇𝐴

𝐶 = [−3.333333333−1.3333333334.666666667

−3.3333333330.6666666672.666666667

−23

−1

−0.6666666670.3333333330.333333333

] ×

[

−3.333333333−3.333333333

−2−0.666666667

−1.3333333330.666666667

30.333333333

4.6666666672.666666667

−10.333333333

]

𝐶 = [22.66666667

−4−22.66666667

−411.33333333

−7.333333333

−22.66666667−7.333333333

30]

7. Menghitung eigenvalue dan eigenvector dari korvarian matriks 𝐶. (Untuk

mempermudahkan perhitungan maka angka dirubah)

𝐶 = [ 2−1−1

042

1−1 0

]

𝐷𝑒𝑡 [(2 − 𝜆)

−1−1

0(4 − 𝜆)

2

1−1−𝜆

] = 0

((2 − 𝜆) ∗ {(4 − 𝜆)(−𝜆) − (2)(−1)}) − (0 ∗ {(−1)(−𝜆) − (−1)(−1)}) + (1

∗ {(−1)(2) − (4 − 𝜆)(−1)}) = 0

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 25: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

11

(2 − 𝜆){−4𝜆 + 𝜆2 + 2} − 0 + (−𝜆 + 2) = 0

(2 − 𝜆){(𝜆2 − 4𝜆 + 2} + 1 = 0

(2 − 𝜆){(𝜆2 − 4𝜆 + 3} = 0

(2 − 𝜆)(𝜆 − 1)(𝜆 − 3)

𝜆1 = 2𝜆2 = 1 𝜆3 = 3

8. Eigenvalue 𝜆1, 𝜆2, 𝜆3 yang didapat dari matriks 𝐶 digunakan untuk

menghitung eigenvektor

Untuk 𝜆1 = 2

[(2 − 2)

−1−1

0(4 − 2)

2

1−1−2

] [

𝑥1

𝑥2

𝑥3

] = 0

[0

−1−1

022

1−1−2

] [

𝑥1

𝑥2

𝑥3

] = 0

Diperolehlah persamaan:

−𝑥1 + 2𝑥2 = 0

−𝑥1 + 2𝑥2 = 0

−𝑥1 + 2𝑥2 = 0

Langkah selanjutnya dilakukan proses eliminasi sehingga diperoleh,

[

𝑥1

𝑥2

𝑥3

] = [2𝑥2

𝑥2

0]

Eigenvektornya adalah

𝑥2 [210

]

Untuk 𝜆2 = 1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 26: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

12

[(2 − 1)

−1−1

0(4 − 1)

2

1−1−1

] [

𝑥1

𝑥2

𝑥3

] = 0

[1

−1−1

032

1−1−1

] [

𝑥1

𝑥2

𝑥3

] = 0

Diperolehlah persamaan:

𝑥1 − 𝑥3 = 0

−𝑥1 + 3𝑥2−𝑥3 = 0

−𝑥1 + 2𝑥2−𝑥3 = 0

Langkah selanjutnya dilakukan proses eliminasi sehingga diperoleh,

[

𝑥1

𝑥2

𝑥3

] = [

−𝑥3

0𝑥3

]

Eigenvektornya adalah

𝑥3 [−101

]

Untuk 𝜆3 = 3

[(2 − 3)

−1−1

0(4 − 3)

2

1−1−3

] [

𝑥1

𝑥2

𝑥3

] = 0

[1

−1−1

032

1−1−1

] [

𝑥1

𝑥2

𝑥3

] = 0

Diperolehlah persamaan:

−𝑥1 = 𝑥3

−𝑥1 + 𝑥2−𝑥1 = 0

−𝑥1 + 2𝑥2−3𝑥1 = 0

Langkah selanjutnya dilakukan proses eliminasi sehingga diperoleh,

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 27: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

13

[

𝑥1

𝑥2

𝑥3

] = [

𝑥1

2𝑥1

]

Eigenvektornya adalah

𝑥1 [121

]

9. Menghitung eigenvektor sebanyak M dari matriks𝐴.

𝑢𝑖 = 𝐴. 𝑥𝑖

𝑢1 = [

−3.333333333−3.333333333

−2−0.666666667

−1.3333333330.666666667

30.333333333

4.6666666672.666666667

−10.333333333

] × [210

] = [

−8−6−1−1

]

𝑢2 = [

−3.333333333−3.333333333

−2−0.666666667

−1.3333333330.666666667

30.333333333

4.6666666672.666666667

−10.333333333

] × [−101

] = [

8611

]

𝑢3 = [

−3.333333333−3.333333333

−2−0.666666667

−1.3333333330.666666667

30.333333333

4.6666666672.666666667

−10.333333333

] × [121

] = [

−1.33330.6667

30.3333

]

10. Setelah itu eigenvalue diurutkan dari yang paling kecil sampai yang

paling besar.

Tabel 2.1 Hasil eigen value dan eigen vektor

Eigenvalue Eigenvektor

λ=3 -1.3333

0.6667

3

0.3333

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 28: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

14

λ=2 -8

-6

-1

-1

λ=1 8

6

1

1

11. Memproyeksikan 𝑄𝑖kedalam eigenspace

𝑤1 =

[−1.3333 0.6667 3 0.3333] × [

−3.333333333−3.333333333

−2−0.666666667

] = −4.0002

[−1.3333 0.6667 3 0.3333] × [

−1.3333333330.666666667

30.333333333

] = 11.3333

[−1.3333 0.6667 3 0.3333] × [

4.6666666672.666666667

−10.333333333

] = −7.3331

𝑤2 =

[−8 −6 −1 −1] × [

−3.333333333−3.333333333

−2−0.666666667

] = 49.3333

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 29: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

15

[−8 −6 −1 −1] × [

−1.3333333330.666666667

30.333333333

] = 3.3333

[−8 −6 −1 −1] × [

4.6666666672.666666667

−10.333333333

] = −52.6667

𝑤3 =

[8 6 1 −1] × [

−3.333333333−3.333333333

−2−0.666666667

] = −49.3333

[8 6 1 −1] × [

−1.3333333330.666666667

30.333333333

] = −3.3333

[8 6 1 −1] × [

4.6666666672.666666667

−10.333333333

] = 52.6667

12. Memasukkan nilai 𝑊𝑖kedalam sebuah vector

𝛺 = [−4.000211.3333−7.3331

49.33333.3333

−52.6667

−49.3333−3.333352.6667

]

13. Langkah selanjutnya dari matriks omega ini di cari mean (µ) dan standar

deviasi (σ).

14. 𝛺 = [−4.000211.3333−7.3331

49.33333.3333

−52.6667

−49.3333−3.333352.6667

]

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 30: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

16

2.3 Naive Bayesian

Bayesian filter atau Naive Bayes Classifier merupakan metode terbaru

untuk mengklasifikasikan dokumen. Algoritma ini adalah metode probabilitas dan

dikemukakan oleh ilmuwan Inggris bernama Thomas Bayes, yaitu memprediksi

probabilitas di masa depan berdasarkan pengalaman sebelumnya. Dasar dari

teorema Naive Bayes digunakan dalam pemrograman adalah rumus Naive Bayes

sebagai berikut ini:

𝑃 (𝐴│𝐵) = (𝑃 (𝐵│𝐴) ∗ 𝑃(𝐴))/𝑃(𝐵) (2.12)

P (A|B) = Probabilitas yang dihitung (Posterior) dari peristiwa A karena

adanya informasi yang dikandung dalam peristiwa B.

P (B|A) = Probabilitas yang dihitung (Posterior) dari peristiwa B karena

adanya informasi yang dikandung dalam peristiwa A.

P (A) = Probabilitas tak bersyarat atau disebut probabilitas awal (Prior)

dari peristiwa A.

P (B) = Probabilitas tak bersyarat atau disebut probabilitas awal (Prior)

dari peristiwa B.

2.3.1 Klasifikasi Naive Bayesian

Jika X adalah vektor masukkan yang berisi fitur dan Y adalah label kelas,

Naïve Bayes dituliskan dengan P (X|Y). Notasi tersebut berarti probabilitas label

kelas Y didapatkan setelah fitur-fitur X diamati. Notasi ini disebut juga

probabilitas akhir (posterior probability) untuk Y, sedangkan P (Y) disebut

probabilitas awal (prior probability) Y.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 31: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

17

Selama proses pelatihan harus dilakukan pembelajaran probabilitas akhir P

(Y|X) pada model untuk setiap kombinasi X dan Y bedasarkan informasi yang

didapat dari data latih. Dengan membangun model tersebut, suatu data uji X’

dapat diklasifikasikan dengan mencari nilai Y’ dengan memaksimalkan nilai

P(X’|Y’).

Yang lalu didapatkan rumus Naïve Bayes untuk klasifikasi sebagai

berikut:

𝑃(𝑌|𝑋) = 𝑃(𝑌) ∏ 𝑃(𝑋𝑖|𝑌)

𝑞𝑖=1

𝑃(𝑋) (2.13)

P(Y|X) adalah probabilitas data dengan vektor X pada kelas Y. P(Y)

adalah probabilitas awal kelas Y. ∏ 𝑃(𝑋𝑖|𝑌)𝑞𝑖=1 adalah probabilitas independen

kelas Y dari semua fitur dalam vektor X. Nilai P(X) selalu tetap sehingga dalam

perhitungan prediksi selanjutnya tinggal menghitung bagian

𝑃(𝑌) ∏ 𝑃(𝑋𝑖|𝑌)𝑞𝑖=1 dengan memilih yang terbesar sebagai kelas yagg dipilih

sebagai hasil prediksi. Sementara probabilitas independen ∏ 𝑃(𝑋𝑖|𝑌)𝑞𝑖=1 tersebut

merupakan pengaruh semua fitur dari data terhadap setiap kelas Y.

Naive bayesian memiliki bentuk peluang kelas bersyarat untuk atribut

kontinyu. Distribusi dikarakterisasi dengan dua parameter yaitu mean, , dan

varian, 2 . Untuk tiap kelas jy , peluang kelas bersyarat untuk atribut iX adalah

ij

ijix

ij

jii yYxXP2

2

2exp2

1

(2.14)

Parameter ij dapat diestimasi berdasarkan sampel mean iX x untuk seluruh

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 32: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

18

training record yang dimiliki kelas jy . Dengan cara sama, ij2 dapat diestimasi

dari sampel varian 2s training record tersebut.

2.3.2 Contoh Perhitungan Naive Bayesian

Terdapat data sebagai berikut:

Tabel 2.2 Tabel IPK

IPK

Tidak Lulus

2 3.5

3 3.25

2 2.75

2.5 3.5

1.6 4

2.5 3.75

2.3 2.25

3.25 3.8

Jika terdapat IPK 3.5 nilai tersebut dikategorikan lulus atau tidak. Langkah

pertama adalah menentukan rata-rata dan standar deviasi untuk masing-masing

kelas.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 33: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

19

Tabel 2.3 Hasil IPK

IPK

Tidak Lulus

2 3.5

3 3.25

2 2.75

2.5 3.5

1.6 4

2.5 3.75

2.3 2.25

3.25 3.8

Mean 2.39375 3.35

Standar Deviasi 0.544083 0.586759

Kemudian nilai mean dan standar deviasi dimasukkan kedalam rumus

naive bayesian bersarat pada rumus (2.14). Setelah itu dihasilkan nilai sebagai

berikut:

Tabel 2.4 Hasil Uji IPK

g(IPK=3.25,m,σ|Tidak) 0.73342325 0.289865

0.212593567

g(IPK=3.25,m,σ|Lulus) 0.680081055 0.985582

0.670275732

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 34: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

20

Dihasilkan nilai IPK 3,25 mirip dengan data training lulus jadi dapat

disimpulkan bahwa jika IPK 3,25 kemungkinan besar lulus.

2.4 Confusion Matrix

Fungsi confusion matrix adalah mebghitung seberapa tepat dan lengkap

klasifikasi terhadap suatu kelas data. Isi dari confusion matrix adalah informasi

hasil actual dan prediksi yang dihasilkan oleh pengklasifikasian.

Tabel 2.5 Confusion Matrix

Prediksi

negatif positif

Asli negatif A B

positif C D

A adalah jumlah nilai prediksi benar ketika contoh negatif.

B adalah jumlah nilai prediksi salah ketika contoh positif.

C adalah jumlah nilai prediksi salah ketika contoh negatif.

D adalah jumlah nilai prediksi benar ketika contoh positif.

Akurasi adalah hasil dari penjumlahan nilai diagonal dibagi dengan jumlah

total keseluruhan data dan selajutnya dikalikan 100%.

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑎+𝑑

𝑎+𝑏+𝑐+𝑑× 100% (2.14)

Contoh perhitungan akurasi dapat dicontohkan sebagai berikut:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 35: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

21

Tabel 2.6 Contoh Confusion Matrix

1 1 1 1 1 1

0 2 2 0 2 0

0 1 1 2 1 1

0 0 0 6 0 0

0 0 0 0 6 0

0 0 0 0 0 6

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 22

36× 100 = 61%

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 36: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

22

3 BAB III

METODOLOGI

Berdasarkan pada landasan teori yang telah disampaikan pada bab kedua

di atas, pada bab ini dibahas metodologi yang akan digunakan pada penelitian ini.

Bab ini berisi tentang blok diagram, data, tatap muka pengguna dan contoh

perhitungan.

3.1 Metode Pengumpulan Data

Mengambil 200 citra wajah mahasiswa Universitas Sanata Dharma

Program Studi Teknik Informatika angkatan 2011 dikarenakan data sangat mudah

untuk didapat dan data yang dihasilkan adalah data yang nyata.

3.2 Teknik Analisis Data

Hasil yang diperoleh dari pengumpulan data selanjutnya dianalisa dengan

tahap- tahap sebagai berikut :

ProsesData Preprocessing Output Akurasi

Eigenface

Greyscale

Naivebayesian Data Model ConfusionmatrixCropping dan

Resize

Gambar 3.1 Diagram Block

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 37: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

23

1. Data

Data yang diambil adalah citra wajah dari mahasiswa Universitas Sanata

Dharma Fakultas Teknik Program Studi Teknik Informatika. Dengan jumlah

mahasiswa 20 dan setiap mahasiswa mempunyai 10 citra wajah sehingga total

data keseluruhan adalah 200 citra wajah. citra asli berukuran 3456 x 5184 pixel

yang di ambil menggunakan kamera Digital Single Lens Reflex (DSLR).

2. Preprocessing

Data citra asli pada awal preprocessing dipotong fokus pada bagian wajah

menjadi 150 x 150 pixel karena data yang diperkecil terlebih dahulu untuk

mempermudah proses perhitungan di dalam sistem. Proses memperkecil citra

wajah menggunakan program Adobe Photoshop CS 5 Version 12.0 (64x bits).

Data yang sudah didapat lalu diproses melalui grayscale, sehingga citra

menjadi putih keabu-abuan. Matriks akan berbentuk seperti ini (contoh

perhitungan menggunakan matriks berukuran 2x2 yang seharusnya 150x150).

𝑎 = [1 32 4

] 𝑏 = [5 67 8

] 𝑐 = [7 65 7

] 𝑑 = [1 21 5

] 𝑒 = [6 26 4

] 𝑓 = [7 23 4

]

𝑔 = [1 21 6

] ℎ = [6 27 5

] 𝑖 = [1 28 4

] 𝑗 = [1 21 2

]

Langkah berikutnya adalah tahap eigenface, merupakan langkah awal

yang diterapkanpada setiap citra. Data dirubah ukurannya (reshape) menjadi

bentuk N1 * N2 *1, kemudian disimpan ke matriks S.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 38: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

24

Langkah selanjutnya mengurangi matriks S dengan rata-ratanya untuk

setiap kolom menggunakan zero mean. Dan hasil disimpan pada matriks A.

Setelah didapatkan matriks A, penghitungan kovarian dilakukan.

Perhitungan dilakukan dengan cara C=A*A’. Berikut adalah hasil dari

perhitungan tersebut

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 39: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

25

Hasil C selanjutnya akan dinormalisasi menggunakan zscore. Berdasarkan

nilai kovarian, matriks C menghasilkan eigenvalue dan eigenvektor.

Eigenvalue diurutkan (sorting) berdasarkan nilai yang paling tinggi ke

paling rendah. Tahap ini adalah tahap akhir dari proses eigenface. Selanjutnya

eigenvektor diurutkan berdasarkan indeks eigenvalue yang telah diurutkan

sebelumnya. Langkah terakhir dari proses eigenface adalah pembentukan dataset

yang baru dengan nama matriks u.

Agar bentuk akhir sama dengan matriks asli yang digunakan pada sistem

maka matriks u ini di transpose terlebih dahulu maka hasil matriks u adalah

seperti matriks

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 40: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

26

Proses yang telah disebutkan di atas adalah perhitungan setiap orang,

dimana masing-masing orang mempunyai 10 citra wajah maka ukuran matriks

yang akan terbentuk adalah berukuran 22500x100 seperti matriks

u=[1 ⋯ 10⋮ ⋱ ⋮

22500 ⋯ 225000] dimana setiap baris merupakan atribut (feature).

Matriks u selanjutnya di normalisasi menggunakan zscore data matriks u agar

dapat dipotong sesuai keinginan, data yang digunakan mempunyai panjang

feature 22500 jika feature ini dipotong maksimal yang dapat dipotong adalah

22499 dan minimal adalah satu. Proses pemotongan adalah memotong baris dari

matriks u diatas.

3. Proses

Hasil eigenface dari 10 citra wajah per orang dibagi menjadi fivefold.

Fungsi fivefold adalah membuat lima buah bagian dari 10 citra wajah untuk

diambil satu bagian (dua citra wajah) untuk testing dan empat bagian untuk

training, sehingga data training terdapat delapan buah citra wajah dan data testing

terdapat dua buah citra wajah. Langkah ini dilakukan berulang sebanyak iterasi

jumlah orang. Hasil dari fivefold disimpan dan digabungkan. Langkah selanjutnya,

data training diproses menggunakan NaiveBayes.fit dan data testing menggunakan

predict. Proses NaiveBayes.fit menggunakan fungsi matlab, data training diolah

menggunakan fungsi ini. Hasil proses ini menghasilkan data model yang disebut

mean dan varian. Data testing diolah menggunakan fungsi matlab juga yaitu

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 41: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

27

predict, hasil model dari pengolahan data training lalu di predict menggunakan

data testing.

4. Output

Proses output akan menghasilkan keluaran data model. Data model ini

berisi mean dan varian yang dihasilkan dari proses NaiveBayes.fit. Proses predict

menghasilkan prediksi klasifikasi dari data testing.

5. Akurasi

Proses akurasi bertujuan untuk menguji keakuratan dan keberhasilan suatu

sistem. Setiap proses menghasilkan confusion matrix, lalu proses ini diulang

samapai semua bagian pernah menjadi data testing. Pembagian data dibagi seperti

berikut :

Tabel 3.1 Pembagian Data

Sehingga didapat hasil akhir yang berupa confusion matrix. Pembagian

data ini terjadi ketika proses setelah eigenface.

I II III IV V

1 1 1 1 1

2 2 2 2 2

3 3 3 3 3

4 4 4 4 4

5 5 5 5 5

6 6 6 6 6

7 7 7 7 7

8 8 8 8 8

9 9 9 9 9

10 10 10 10 10

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 42: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

28

Tabel 3.2 Contoh Hasil Confusion Matrix (akurasi 88%)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

1 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

2 0 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

3 0 0 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

4 0 0 0 8 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

5 0 0 0 0 7 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0

6 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0

7 0 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0 1 0 0 0

8 0 0 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0 1 0 0

9 0 0 0 0 0 0 0 0 9 0 0 0 0 0 0 0 0 1 0 0

10 0 0 0 0 0 0 0 0 1 9 0 0 0 0 0 0 0 0 0 0

11 0 0 0 0 1 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0

12 0 0 0 0 2 0 0 0 0 0 0 7 0 0 0 0 1 0 0 0

13 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 0 0 0 2 0

14 0 0 0 0 0 0 0 1 0 0 0 0 0 9 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 8 0 0 1 0

17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 9 0 1 0

18 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 8 1 0

19 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 9 0

20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10

Confusion matrix mempresentasikan hasil dari pencocokan data training

dan data testing. Setiap data yang memiliki nilai sama antara data training dan

data testing dapat dikatakan bernilai benar. Setiap hasil pencocokan yang bernilai

benar akan dihitung dengan dijumlahkan kemudian dibagi dengan jumlah data dan

dikalikan dengan 100%, sehingga menghasilkan akurasi. Pencocokan data yang

bernilai benar membentuk diagonal pada matriks, dengan kata lain penjumlahan

dari diagonal confusion matrix merupakan akurasi dari sistem.

3.3 Desain User Interface

Agar proses dapat mudah dilihat oleh pengguna maka dirancang interface

secara keseluruhan. Rancangan user interface dapat digambarkan sebagai berikut:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 43: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

29

Gambar 3.2 User Interface

Pada data input diinputkan jumlah orang, jumlah foto, jumlah atribut,

ekstensi foto dan grayscale. Pada interface juga terdapat citra asli dan citra

eigenface agar pengguna juga dapat melihat perubahan citra. Lalu confusion

matrix dan akurasi juga ditampilkan akan mempermudah pengguna untuk

memantau sistem.

Panel di bawahnya menunjukkan hasil analisis untuk beperapa kali

percobaan yang disertai dengan informasi grafik sehingga pengguna akan

dipermudah untuk menganalisa sistem.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 44: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

30

3.4 Spesifikasi Software dan Hardware

Untuk proses membuat sistem dan data digunakan software dan hardware

sebagai berikut :

1. Software

a) Sistem operasi : Windows 8.1 Single Language 64-bit

b) Bahasa pemprograman : Matlab version 8.0.0.783 (R2012b)

c) Program pengolah citra : Adobe Photoshop CS5 v.12.0 64-bit

2. Hardware

a) Processor : Intel(R) Core(TM) i7-4800MQ CPU @ 2.70GHz

b) Memory : 16 GB

c) Hardisk : 2 TB

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 45: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

31

4 BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

Metodologi yang dijelaskan pada bab-bab sebelumnya diimplementasikan

pada bab ini yang meliputi implementasi, pengolahan data, preprocessing, proses,

output, akurasi, user interface dan analisis.

4.1 Implementasi

Landasan teori yang telah dipaparkan akan lebih berguna jika

diimplementasikan. Imlementasi yang akan dipaparkan pada bab ini meliputi

pengolahan data dan user interface.

4.1.1 Pengolahan Data

Data mentah yang diambil menggunakan kamera Digital Single Lens

Reflex (DSLR) sejumlah 200 citra wajah dengan rincian 20 orang yang setiap

orangnya mempunyai 10 citra wajah.

Gambar 4.1 Data Awal I

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 46: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

32

Gambar 4.2 Data Awal II

Data mentah ini belum bisa diolah kedalam sistem karena ukuran dan

tidak fokusnya citra terhadap wajah. Data mentah ini harus diproses dalam tahap

preprocessing.

4.1.1.1 Preprocessing

Tahap awal sebelum data masuk ke pengolahan data mining data masih

bisa dikatakan sebagai data mentah yang harus melelaui proses preprocessing.

Tahap preprocessing yang harus dilalui adalah:

1. Cropping dan Resize

Gambar 4.3 Cropping dan Resize

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 47: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

33

Proses pemotongan dan pengecilan citra menggunakan Adobe Photoshop

CS 5 Version 12.0 (64x bits). Proses ini bertujuan mefokuskan citra pada wajah

dan memperkecil ukuran citra yang awalnya berukuran 3456 x 5184 pixel bisa

dilihat pada gambar 4.3 menjadi 150x150 pixel pada gambar 4.4 dan gambar 4.5.

Gambar 4.4 Data I

Gambar 4.5 Data II

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 48: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

34

2. Grayscaling

Proses awal preprocessing adalah grayscaling (keabu-abuan). Data citra

yang berjumlah 200 citra wajah dirubah menjadi citra keabu-abuan dan disimpan

kedalam matriks S. Setiap baris matriks tersimpan satu orang yang mempunyai

citra wajah 10 citra. Proses ini berulang hingga 20 kali sesuai dengan jumlah

orang, sehingga data citra wajah yang berjumlah 200 ini bisa masuk ke proses

berikutnya yaitu eigenface.

3. Eigenface

Data yang sudah menjadi grayscale memasuki proses kedua dari

reprocessing yaitu eigenface. Pada proses ini citra wajah diubah menjadi citra

eigenface. Hasil eigenface disimpan ke dalam matriks u yang di dalam setiap

kolom tersimpan satu citra wajah yang sudah berbentuk citra eigenface, setiap

proses eigenface menyimpan satu set data satu orang di dalam matriks u yang

panjang kolomnya sepanjang 22500. Panjang kolom ini bisa dipotong sesuai

dengan keinginan pengguna. Setelah dipotong hasil pemotongan data ini disimpan

kedalam matriks hasileigface yang menampung 200 citra wajah eigenface yang

telah dipotong.

4.1.1.2 Proses

Pada proses ini adalah memproses data citra wajah menggunakan

klasifikasi naïve bayes. Sebelum masuk inti proses naïve bayes data dipisah

terlebih dahulu menjadi data training dan data testing. Hasil dari pemisahan ini

disimpan kedalam 2 matriks yaitu trainingsmuaorang dan testingsemuaorang,

trainingsmuaorang untuk menyimpan data citra wajah training dan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 49: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

35

testingsemuaorang untuk menyimpan data citra wajah testing. Perhitungan naïve

bayesian menggunakan fungsi matlab yaitu naivebayes.fit dan predict,

trainingsemuaorang diproses menggunakan naivebayes.fit kemudian

testingsemuaorang diproses menggunakan predict. Fungsi model =

naivebayes.fit(trainingsemuaorang) adalah fungsi matlab yang digunakan untuk

mengolah data training sedangkan fungsi model.predict(testingsemuaorang)

untuk mengolah data testing.

4.1.1.3 Output

Berdasarkan proses naïve bayesian, maka dihasilkan mean dan varian

sebagai data model yang diperoleh dari data training, kemudian hasil prediksi

kelas yang didapat dari data testing. Selanjutnya, langkah yang dilakukan adalah

mencocokan data testing dengan kelas training proses ini akan digunakan untuk

proses selanjutnya yaitu perhitungan akurasi.

4.1.1.4 Akurasi

Proses menghitung akurasi terbentuk dari perhitungan jumlah hasil

confusion matrix. Penjumlahan diagonal matriks ini akan memberikan nilai

akurasi sistem. Hasil dari confusion matrix dapat dilihat gambar 4.6

Gambar 4.6 Tabel Hasil Confusion Matrix

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 50: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

36

Hasil confusion matrix diambil ketika dilakukan pemotongan feature

sejumlah 19095. kemudian dari confusion matrix dapat dihitung akurasinya

dengan cara jumlah diagonal dibagi dengan seluruh jumlah data jadi jumlah

diagonal dari gambar 4.6 adalah 175 dan lalu dibagi dengan keseluruhan data 200

yang menghasilkan nilai 0,875 selanjutnya dikalikan dengan 100 agar hasil

menjadi perseratus, akurasi yang didapat adalah 87.5%. Pemotongan feature

minimal sehingga didapatkan akurasi 87.5% adalah 19095 dari total feature

22500.

Gambar 4.7 Hasil Matrix

4.1.2 User Interface

Pembuatan User interface sistem pencocokan wajah menggunakan sarana

yang diberikan oleh Matlab version 8.0.0.783 (R2012b), user interface ini berguna

untuk mempermudahkan pengguna di dalam penginputan data yang dibutuhkan

untuk sistem. User interface yang terbentuk tersimpan di file Input.m dan

Input.fig bentuk dari user interface dapat dilihat pada gambar 4.8

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 51: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

37

Gambar 4.8 User Interface

Gambar tersebut menjelaskan bahwa input dialog terdapat interaksi yang

dibutuhkan oleh pengguna. Panel input dialog membutuhkan inputan berupa

jumlah orang, jumlah foto, jumlah atribut, ekstensi foto, grayscale, tombol save

dan proses.

Jumlah orang menjelaskan jumlah orang yang akan diproses di dalam

sistem.

Jumlah foto menjelaskan jumlah foto setiap orang yang akan diproses di

dalam sistem.

Jumlah atribut mendeskripsikan jumlah atribut atau feature yang sudah

melalui proses eigenface menurut keiinginan pengguna.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 52: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

38

Ekstensi foto menjelaskan ekstensi citra yang akan digunakan meliputi

*.jpg, *.bmp, *.jpeg.

Grayscale menjelaskan data citra sudah berbentuk citra grayscale atau

tidak.

Tombol save digunakan untuk menyimpan model data.

Tombol proses digunakan utnuk menjalankan sistem.

Selanjutnya bagian proses foto menampilkan citra wajah yang

berbentuk grayscale dan citra wajah yang berbentuk eigenface. Bagian

confusion matrix menampilkan jumlah confusion matriks, dalam confusion

matrix terdapat tombol biru yang berguna untuk memperbesar tabel dari

confusion matrix. Terakhir dari user interface adalah bagian akurasi dalam

akurasi akan menampilkan jumlah akurasi yang didapatkan dari perhitungan

confusion matrix.

Panel input foto tedapat check box graysclae, tombol input foto, foto

testing, foto hasil, nama file testing, label dan keterangan benar atau salah

kegunaanya adalah:

Check box graysclae berguna untuk jika inputan citra testing sudah berupa

grayscale.

Tombol input foto adala tombol untuk memilih dan memproses inputan

citra.

Foto testing dan foto hasil menampilkan citra yang diinputkan dan hasil

citra setelah diolah.

Nama file testing adalah menampilkan nama file citra yang diinputkan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 53: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

39

Label adalah menampilkan hasil label yang didapatkan setelah proses.

Keterangan benar dan salah adalah keterangan yang didapatkan saat data

testing dan data hasil dicocokkan menghasilkan citra yang benar atau

salah.

Panel Uji Akurasi dan Hasil Uji Tertinggi terdapat min atribut, max

atribut, range, jumlah atribut, akurasi dan tombol proses uji kegunaan panel

tersebut adalah:

Min Atribut adalah inputan pengguna yang memasukkan batas minimal

atribut yang sudah melalui proses eigenface yang akan digunakan.

Max Atribut adalah inputan pengguna yang memasukkan batas maksimal

atribut yang sudah melalui proses eigenface yang akan digunakan.

Range adalah inputan pengguna yang memasukkan jarak atribut yang

sudah melalui proses eigenface sesuai keinginan.

Jumlah Atribut menunjukkan titik atribut yang sudah melalui proses

eigenface tertinggi menunjukkan akurasi tertinggi.

Akurasi menunjukkan akurasi teringgi yang didapatkan.

Grafik Hasil Uji Akurasi menampilkan grafik dalam bentuk garis dari

beperapa percobaan akurasi.

4.2 Analisis

Implementasi yang telah ditulis diatas membantu analisis terhadap

penerapan pengenalan pola citra wajah metode eigenface menggunakan naïve

bayesian. Percobaan untuk menguji sistem dengan akurasi sebagai berikut:

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 54: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

40

Tabel 4.1 Hasil Percobaan Akurasi

No Panjang Atribut

Akurasi(%)

No Panjang Atribut

Akurasi(%)

1 1 8

62 20949 88

2 2 8.5

63 20950 88

3 3 9.5

64 20951 88

4 4 10

65 20952 88

. . .

66 20953 88

. . .

67 20954 88

5 100 37

68 20955 88

6 101 37

69 20956 88

7 102 36.5

70 20957 88

8 103 38.5

71 20958 88

9 104 37.5

72 20959 88

10 105 37.5

73 20960 88

11 106 36

74 20961 88

. . .

. . .

. . .

. . .

12 113 36

75 21066 88

13 114 36.5

76 21067 88

14 115 36.5

77 21068 88

15 116 37

78 21069 88

16 117 37.5

79 21070 88

17 118 38

80 21071 88

18 119 38

81 21072 88

19 120 37.5

82 21073 88

. . .

83 21074 88

. . .

84 21075 88

20 1000 51.5

85 21076 87.5 21 1001 51.5

. . .

22 1002 51

. . .

23 1003 51.5

85 22467 87.5

24 1004 51.5

86 22468 87.5

25 1005 51.5

87 22469 87.5

26 1006 51.5

88 22470 87.5

27 1007 51.5

89 22471 87.5

28 1008 51.5

90 22472 87.5

29 1009 51.5

91 22473 87.5

30 1010 51.5

92 22474 87.5

. . .

. . .

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 55: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

41

. . .

. . .

31 20000 87.5

93 22493 87.5

32 20001 87.5

94 22494 87.5

33 20002 87.5

95 22495 87.5

34 20003 87.5

96 22496 87.5

35 20004 87.5

97 22497 87.5

36 20005 87.5

98 22498 87.5

37 20006 87.5

99 22499 87.5

38 20007 87.5

100 22500 87.5

39 20008 87.5

40 20009 87.5

41 20010 87.5

42 20011 87.5

43 20012 87.5

44 20013 87.5

45 20014 87.5

46 20015 87.5

47 20016 87.5

48 20017 87.5

49 20018 87.5

50 20019 87.5

51 20020 87.5

. . .

. . .

52 20939 87.5

53 20940 88

54 20941 88

55 20942 88

56 20943 88

57 20944 88

58 20945 88

59 20946 88

60 20947 88

61 20948 88

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 56: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

42

Gambar 4.6 Hasil Atribut dan Akurasi

Berdasarkan tabel 4.1 dengan 22500 kali percobaan didapatkan hasil

seperti yang tertera di dalam percobaan. Percobaan dilakukan dengan mengambil

dari minimum feature dengan nilai nol sampai 22500, dengan jarak satu feature

setiap percobaan.

Nilai akurasi tertingi adalah 88% pada panjang feature 20940.

Nilai akurasi terendah adalah 8% pada panjang feature 1.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 57: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

43

5 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan penelitian, penerapan metode eigenface untuk pencocokan

wajah dengan menggunakan naïve bayesian dapat disimpulkan beperapa hal,

yaitu:

1. Ekstraksi ciri menggunakan metode eigenface dan klasifikasi menggunakan

metode naïve bayesian terbukti mampu mengenali wajah dengan baik, karena

didapatkan akurasi yang tinggi sebesar 88%.

2. Hasil dari percobaan menggunakan semua feature sepanjang 22500 akurasi

metode eigenface menggunakan naive bayesian membantu mengenali wajah

sebesar 87.5%. Hasil akurasi terbesar yang didapatkan adalah sebesar 88%

dari panjang feature 20940.

3. Berdasarkan penelitian dari panjang feature 0-20940 sampai 0-21075

didapatkan akurasi yang stabil sebesar 88%.

5.2 Saran

Untuk penelitian lebih lanjut, ekstrak ciri menggunakan metode eigenface

dan klasifikasi menggunakan metode naïve bayesian dapat digunakan untuk

membuat sistem informasi seperti sistem absensi, sistem keamanan rumah, sistem

identifikasi seseorang dan lain-lain.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 58: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

44

Untuk memudahkan pengguna sistem, citra wajah bisa terdapat obyek-

obyek lain yang terdapat di dalam citra. Sehingga citra wajah yang diinputkan

oleh pengguna dapat lebih sedikit mempunyai batasan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 59: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

45

Daftar Pustaka

Depdiknas. (2002). Kamus Besar Bahasa Indonesia (Edisi Ketiga). Jakarta: Balai

Pustaka.

Fatta, H. A. (2009). Rekayasa Sistem Pengenalan Wajah. Yogyakarta: Andi

Offset.

Prasetyo, E. (2012). Konsep dan Aplikasi menggunakan MATLAB. Yogyakarta:

Andi Offset.

Prasetyo, E. (2014). Mengolah Data Menjadi Informasi Menggunakan Matlab.

Yogyakarta: Andi Offset.

Prasetyo, E., & Rahmatun, I. (2008). Desain System Pengenalan Wajah Dengan

Variasi Ekspresi dan Posisi Menggunakan Metode EIGENFACE. Jurnal

Ilmiah Informatika dan Komputer, Vol.11, No.01, pp.33.

Putri, Y. W. (2012). Penerapan Face Recognition Menggunakan Metode

Eigenface Pada Sistem Presensi Karyawan Universitas Sanata Dharma.

Skripsi. Yogyakarta: Fakultas Sains dan Teknologi, Universitas Sanata

Dharma.

Sitorus, S. d. (2006). Pengolahan Citra Digital. Medan: USU Press.

Sugiono, D. (2008). Kamus Besar Bahasa Indonesia Pusat Bahasa Edisi

Keempat. Jakarta: PT Gramedia Pustaka Utama.

Zhao, W., & Chellapha, R. (2006). Face Processing Advanced Modeling and

Methods. London: Elsevier Inc.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 60: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

46

LAMPIRAN

Source Code

1. Bayes.m

function [ ConMatrix,model ] = Bayes(

class_train,class_test,trainingSemua,testingSemua ) %UNTITLED5 Summary of this function goeBayess here % Detailed explanation goes here

model = NaiveBayes.fit(trainingSemua,class_train); class_predict = model.predict(testingSemua);

ConMatrix=hitungConfusionmat (class_test,class_predict);

function confMat=hitungConfusionmat(class_test,class_predict) yu=unique(class_test); confMat=zeros(length(yu)); for i=1:length(yu) for j=1:length(yu) confMat(i,j)=sum(class_test==yu(i) &

class_predict==yu(j)); end end ConMatrix=confMat; end

% assignin('base','class_predict',class_predict); end

2. Eigface.m

function [hasilEig,eigPic]=eigface(S,irow,icol) [jmlBaris,jmlKolom] = size(S); rerataData = mean(S,2); S=double(S); A=S; for i=1:jmlBaris for j=1:jmlKolom A(i,j)=S(i,j)-rerataData(i,1); end end

ADbl=A; % ADbl=[]; % for i=1:jmlKolom % temp=double(A(:,i)); % ADbl=[ADbl temp]; % end

% % Normlalisasi zscore

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 61: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

47

% ADbl=zscore(ADbl);

C=ADbl'*ADbl; C=zscore(C);

% 3. Hitung eigenvector dan eigenvalue dari covariance matrix. [eigenvector,eigenvalue]=eig(C);

% 4. Pilih component dan bentuk vector feature dan principal

component dari % eigenvector yang memiliki eigenvalue paling besar diambil

(decreasing order). eigenvalue=diag(eigenvalue); [~, indeks]=sort(eigenvalue,'descend'); featureVector=eigenvector(:,indeks);

% 5. Menurunkan data set yang baru. u = ADbl*featureVector; % assignin('base','u',u);

% % PCA denggan PCA dari Matlab % ADbl=double(S); % [~,u,~] = princomp(ADbl);

% Normalisasi u= zscore(u);

% % Potong PC % cutU=u(1:jmlPC,:);

% Hasil akhir hasilEig=u;

% Tampilan foto eigenface for i=1:size(u,2) img=reshape(u(:,i),icol,irow); img=img'; img=histeq(img,255); eigPic=img; end end

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 62: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

48

3. Input.fig

4. Input.m

function varargout = Input(varargin) %INPUT M-file for Input.fig % INPUT, by itself, creates a new INPUT or raises the

existing % singleton*. % % H = INPUT returns the handle to a new INPUT or the handle

to % the existing singleton*. % % INPUT('Property','Value',...) creates a new INPUT using the % given property value pairs. Unrecognized properties are

passed via % varargin to Input_OpeningFcn. This calling syntax produces

a % warning when there is an existing singleton*. % % INPUT('CALLBACK') and INPUT('CALLBACK',hObject,...) call

the % local function named CALLBACK in INPUT.M with the given

input % arguments. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows

only one

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 63: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

49

% instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help Input

% Last Modified by GUIDE v2.5 29-Jul-2015 20:43:54

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Input_OpeningFcn, ... 'gui_OutputFcn', @Input_OutputFcn, ... 'gui_LayoutFcn', [], ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before Input is made visible. function Input_OpeningFcn(hObject, ~, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % varargin unrecognized PropertyName/PropertyValue pairs from

the % command line (see VARARGIN)

clc; % Choose default command line output for Input handles.output = hObject; axes(handles.Logo1) imshow('Icons\logo.png') axes(handles.axeGreyTraining) imshow('Icons\whos.jpg') axes(handles.axeEigenfaceTraining) imshow('Icons\whos.jpg') axes(handles.axFotoTesting) imshow('Icons\whos.jpg') axes(handles.axFotoHasil) imshow('Icons\whos.jpg')

% Icon button zoom in confusion matriks set(handles.BtnFigureTable,'Visible','off');

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 64: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

50

icon=imread('Icons\figure.jpg'); set(handles.BtnFigureTable,'CData',icon);

% Icon button zoom in set(handles.btnZoomIn,'Visible','off'); icon=imread('Icons\zoom_in.jpg'); set(handles.btnZoomIn,'CData',icon);

% Icon button zoom out set(handles.btnZoomOut,'Visible','off'); icon=imread('Icons\zoom_out.jpg'); set(handles.btnZoomOut,'CData',icon);

% Icon button hand set(handles.btnHand,'Visible','off'); icon=imread('Icons\hand.jpg'); set(handles.btnHand,'CData',icon);

% Icon button figure axes grafik hasil uji set(handles.btnFigAxGrafikUji,'Visible','off'); icon=imread('Icons\figure.jpg'); set(handles.btnFigAxGrafikUji,'CData',icon);

% Axes grafik hasil uji set(handles.axGrafikUji,'Visible','off');

% Update handles structure guidata(hObject, handles);

% UIWAIT makes Input wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Input_OutputFcn(~, ~, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes during object creation, after setting all

properties. function Logo1_CreateFcn(~, ~, ~) %#ok<DEFNU> % hObject handle to Logo1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 65: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

51

% Hint: place code in OpeningFcn to populate Logo1

% --- Executes on button press in btnDataTraining. function btnDataTraining_Callback(hObject, ~, handles) %#ok<DEFNU> % hObject handle to btnDataTraining (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

clc;

try set(handles.tblConMatrik,'Visible','off'); set(handles.txtAkurasi,'Visible','off'); set(handles.txtPersen,'Visible','off'); set(handles.BtnFigureTable,'Visible','off'); set(handles.btnSave,'Enable','inactive'); set(handles.BtnFigureTable,'Enable','inactive'); warning('off'); %#ok<WNOFF> handles.folder= uigetdir; if handles.folder ~= 0 jmlOrang=str2double(get(handles.etJumlahOrang, 'String')); jmlFoto=str2double(get(handles.etJumlahFoto, 'String')); jmlPC=str2double(get(handles.edJumlahPC, 'String'));

handles.jmlOrang=jmlOrang; handles.jmlFoto=jmlFoto;

if get(handles.popFormat,'Value') == 1 handles.format='.jpg'; elseif get(handles.popFormat,'Value') == 2 handles.format='.bmp'; else handles.format='.jpeg'; end

% Mengambil nama file, menghilangkan angka dan ekstensi files =

dir(fullfile(strcat(handles.folder,'\*',handles.format))); namaFile=cell(1,jmlOrang); namaSemua=cell(1,jmlOrang);

for i=1:jmlFoto*jmlOrang nama=files(i).name;

nama=regexprep(nama,strcat('[12345678910]+',handles.format),''); namaSemua{i}=nama; if mod(i,jmlFoto)==0 namaFile{i}=nama; end end

namaFile=namaFile(~cellfun('isempty',namaFile));

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 66: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

52

handles.nama=namaFile;

% Pengambilan file dan memulai proses eigenface chkBox=get(handles.chkBoxGrey,'Value');

for i=1:jmlOrang S=[]; for j=1:jmlFoto

str=strcat(handles.folder,'\',char(handles.nama(i)),int2str(j),han

dles.format); gambar=imread(str);

if chkBox==0 gambar=rgb2gray(gambar); % Berarti foto yang

digunakan % adalah foto berwarna else % gambar=rgb2gray(gambar); end

axes(handles.axeGreyTraining); %#ok<LAXES> imshow(gambar); % Gambar grey untuk axeGreyTraining % pause(0.1);

[irow,icol]=size(gambar); a=gambar'; temp=reshape(a,irow*icol,1); S=[S temp]; %#ok<AGROW>

set(handles.txtDimensiData,'String',['[m , n] =

[',num2str(irow),' , ',num2str(icol),'] => Size: ',

num2str(irow*icol)]);

end

handles.S=S;

% Proses eigenface [hasilEig,eigPic]=eigface(S,irow,icol);

hasilSemuaEigFace{i}=hasilEig; %#ok<AGROW> % Menampung

seluruh hasil eigenface % ke dalam cell

% Foto eigenface untuk axeEigenfaceTraining axes(handles.axeEigenfaceTraining); %#ok<LAXES> imshow(eigPic); end

% Potong PC [~,n]=size(hasilSemuaEigFace); hasilEigFace=[];

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 67: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

53

hasilEigFaceMtx=[]; for i=1:n hasilEigFace{i}=hasilSemuaEigFace{i}(1:jmlPC,:);

%#ok<AGROW>

hasilEigFaceMtx=[hasilEigFaceMtx;hasilSemuaEigFace{i}(1:jmlPC,:)']

; %#ok<AGROW> end

handles.hasilSemuaEigFace=hasilSemuaEigFace;

% Pembentukan class training dan testing jmlTesting=2;%str2double(get(handles.edJmlTesting,'String')); handles.jmlTesting=jmlTesting; class_semuaData=zeros(1,(jmlOrang*jmlFoto)); class_train=zeros(1,(jmlOrang*jmlFoto)-(jmlOrang*jmlTesting)); class_test=zeros(1,jmlOrang*jmlTesting);

class=1; idxSemuaData=1; idxTrain=1; idxTest=1; for i=1:jmlOrang for j=1:jmlFoto class_semuaData(idxSemuaData)=class; idxSemuaData=idxSemuaData+1; end for j=1:jmlFoto-jmlTesting class_train(idxTrain)=class; idxTrain=idxTrain+1; end for k=1:jmlTesting class_test(idxTest)=class; idxTest=idxTest+1; end class=class+1; end handles.class_semuaData=class_semuaData'; class_train=class_train'; class_test=class_test'; handles.class_train=class_train; handles.class_test=class_test;

handles.hasilEigFaceMtx=hasilEigFaceMtx; model = NaiveBayes.fit(hasilEigFaceMtx,class_semuaData); handles.dataModelSemua=model.Params;

% assignin('base','class_semuaData',class_semuaData); % assignin('base','hasilEigFaceMtx',hasilEigFaceMtx); %

assignin('base','dataModelSemua',handles.dataModelSemua);

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 68: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

54

[testing,training,dataModel,ConMatrix,akurasi]=klafikasiAkurasi

(hasilEigFace,jmlOrang,jmlFoto,class_train,class_test,jmlTesting); handles.testing=testing; handles.training=training;

handles.conMax=ConMatrix; [~,n]=size(dataModel); dataModel{n+1}=handles.dataModelSemua; handles.model=dataModel;

% assignin('base','dataModel',dataModel);

% Menampilkan confius matriks set(handles.tblConMatrik,'Data',ConMatrix); set(handles.tblConMatrik,'ColumnWidth',{30}); set(handles.tblConMatrik,'Visible','on'); set(handles.BtnFigureTable,'Visible','on');

% Menampilkan hasil akurasi set(handles.txtAkurasi,'String',num2str (akurasi)); set(handles.txtAkurasi,'Visible','on');

% Menampilkan logo persen set(handles.txtPersen,'Visible','on'); % Mengaktifkan tombol Save dan figure tabel set(handles.btnSave,'Enable','on'); set(handles.BtnFigureTable,'Enable','on');

% Set max PC untuk percobaan uji akurasi set(handles.edPercobaanMax,'String',num2str(irow*icol)); end catch err uiwait(msgbox(strcat('ADA

ERROR:',err.message),'Peringatan','modal')); end guidata(hObject, handles); %=========================================================END OF

TRAINING

% --- Executes on button press in BtnFigureTable. function BtnFigureTable_Callback(~, ~, handles) %#ok<DEFNU> % hObject handle to BtnFigureTable (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Hint: get(hObject,'Value') returns toggle state of

BtnFigureTable

X=handles.conMax;

% Konversi matrix dari nomor ke cell array string XX = reshape(strtrim(cellstr(num2str(X(:)))), size(X));

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 69: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

55

% Penentuan yang akan diberi warna dengan fotmat html [m,n]=size(X); for i=1:m for j=1:n if i==j XX(i,j) = strcat(... '<html><span style="color: #429808; font-weight:

bold;font-size:18;">', ... XX(i,j), ... '</span></div></html>'); else if X(i,j)> 0 XX(i,j) = strcat(... '<html><span style="color: #FF0000; font-

weight: bold;font-size:15;">', ... XX(i,j), ... '</span></html>'); end end

end end

% Membuat tabel f = figure; h = uitable('Parent',f, 'Units','normalized', 'ColumnWidth',{30},

'Position',[0.05 0.05 0.9 0.9]);

% Menset data tabel set(h, 'Data',XX)

% --- Executes on button press in btnSave. function btnSave_Callback(~, ~, handles) %#ok<DEFNU> % hObject handle to btnSave (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

[namaFile,alamatFile] = uiputfile({'*.xls';'*.xlsx'},'Simpan',... 'Data Simpan\'); if isequal(namaFile,0) || isequal(alamatFile,0) msgbox('Proses simpan telah Anda batalkan.','Peringatan'); else alamatNamaFile=fullfile(alamatFile,namaFile); [~,nModel]=size(handles.model); for i=1:nModel [m,n]=size(handles.model{i}); ditulisTemp=[]; ditulis=[]; for j=1:m for k=1:n ditulisTemp=[ditulisTemp handles.model{i}{j,k}];

%#ok<AGROW>

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 70: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

56

end ditulis=[ditulis;ditulisTemp]; %#ok<AGROW> ditulisTemp=[]; end % Menulis di excel % excel hanya bs menyimpan maksimal 255 column (PC), % maka data 'ditulis' ditranspose xlswrite(alamatNamaFile,ditulis',i); end

% Merubah nama sheet di file excel simpanan e = actxserver('Excel.Application'); % Mengaktifkan Activex

server ewb = e.Workbooks.Open(alamatNamaFile); % Membuka file for i=1:nModel if i ~= nModel namaSheet=strcat('Params-',int2str(i)); % Pembentukan

nama sheet ewb.Worksheets.Item(i).Name = namaSheet; % Mengganti

nama sheet else namaSheet='Params-ALL'; % Pembentukan nama sheet ewb.Worksheets.Item(i).Name = namaSheet; % Mengganti

nama sheet end end ewb.Save % Menyimpan file kembali ewb.Close(false) e.Quit e.delete

% Keterangan selesai menyimpan uiwait(msgbox('Proses simpan telah berhasil

dilakukan.','Peringatan','modal')); end

% --- Executes on button press in btnProsesPercobaan. function btnProsesPercobaan_Callback(hObject, eventdata, handles)

%#ok<INUSL,DEFNU> % hObject handle to btnProsesPercobaan (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) clc; set(handles.axGrafikUji,'Visible','off'); set(handles.btnFigAxGrafikUji,'Visible','off'); set(handles.btnZoomIn,'Visible','off'); set(handles.btnZoomOut,'Visible','off'); set(handles.btnHand,'Visible','off'); try minPC=str2double(get(handles.edPercobaanMin, 'String')); maxPC=str2double(get(handles.edPercobaanMax, 'String')); rangeInput=str2double(get(handles.edPercobaanRange,

'String')); jmlOrang=handles.jmlOrang; jmlFoto=handles.jmlFoto;

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 71: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

57

hasilSemuaEigFace=handles.hasilSemuaEigFace; jmlTesting=handles.jmlTesting; class_train=handles.class_train; class_test=handles.class_test; % assignin('base','hasilSemuaEigFace',hasilSemuaEigFace);

batasUji=maxPC-minPC; rangePC=int16(batasUji/rangeInput); pcUji=0; pcUjiTemp2=0; pcUjiTemp1=minPC+rangeInput; pcUjiTemp2=pcUjiTemp2+pcUjiTemp1; for i=1:rangePC if pcUjiTemp2 <= maxPC pcUji(i,1)=pcUjiTemp2; %#ok<AGROW> pcUjiTemp2=pcUjiTemp2+rangeInput; end end

[m,~]=size(pcUji); [~,n]=size(hasilSemuaEigFace); progresTemp=100/m; progres=0; set(handles.txtProgres,'Visible','on'); set(handles.txtPersenProgres,'Visible','on'); set(handles.txtProgres,'String',num2str(progres)); for i=1:m % Potong PC hasilEigFace=[]; for j=1:n hasilEigFace{j}=hasilSemuaEigFace{j}(1:pcUji(i,1),:);

%#ok<AGROW> end [~,~,~,ConMatrix,akurasi]=klafikasiAkurasi

(hasilEigFace,jmlOrang,jmlFoto,class_train,class_test,jmlTesting);

progres=progres+progresTemp; set(handles.txtProgres,'String',num2str(int8(progres))); pause(0.1); ConMatrixUji{i,1}=ConMatrix; %#ok<AGROW> akurasiUji(i,1)=akurasi; %#ok<AGROW> end assignin('base','ConMatrixUji',ConMatrixUji);

hasilUji=[pcUji,akurasiUji]; handles.hasilUji=hasilUji;

set(handles.txtProgres,'Visible','off'); set(handles.txtPersenProgres,'Visible','off'); assignin('base','hasilUji',hasilUji);

% Tampilkan grafik di axes axes(handles.axGrafikUji); plot(pcUji,akurasiUji,'-s',... 'LineWidth',2,...

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 72: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

58

'MarkerSize',2,... 'MarkerEdgeColor','auto',... 'MarkerFaceColor','auto'); xlim([min(pcUji)-50 max(pcUji)+50]); ylim([min(akurasiUji)-0.2 max(akurasiUji)+0.2]); xlabel('Principal Component'); ylabel('Akurasi'); % set(gca,'XColor',[0.4,0.4,0.4],'YColor',[0.4,0.4,0.4]);

[M,I]=max(hasilUji(:,2)); set(handles.edUjiJmlPC,'String',num2str(hasilUji(I,1))); set(handles.edUjiAkurasi,'String',num2str(M));

set(handles.axGrafikUji,'Visible','on'); set(handles.btnFigAxGrafikUji,'Visible','on'); set(handles.btnZoomIn,'Visible','on'); set(handles.btnZoomOut,'Visible','on'); set(handles.btnHand,'Visible','on'); catch err uiwait(msgbox(strcat('ADA

ERROR:',err.message),'Peringatan','modal')); end guidata(hObject, handles);

% --- Executes on button press in btnFigAxGrafikUji. function btnFigAxGrafikUji_Callback(hObject, eventdata, handles)

%#ok<INUSL,DEFNU> % hObject handle to btnFigAxGrafikUji (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % Membuat tabel

pcUji=handles.hasilUji(:,1); akurasiUji=handles.hasilUji(:,2); figure; plot(pcUji,akurasiUji,'-s',... 'LineWidth',2,... 'MarkerSize',2,... 'MarkerEdgeColor','auto',... 'MarkerFaceColor','auto'); xlim([min(pcUji)-50 max(pcUji)+50]); ylim([min(akurasiUji)-0.2 max(akurasiUji)+0.2]); title('\fontsize{14}\color{red}Grafik Hasil Uji Akurasi'); xlabel('Principal Component'); ylabel('Akurasi'); % set(gca,'XColor',[0.4,0.4,0.4],'YColor',[0.4,0.4,0.4]);

% --- Executes on button press in btnInputFoto. function btnInputFoto_Callback(hObject, eventdata, handles)

%#ok<INUSL,DEFNU> % hObject handle to btnInputFoto (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 73: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

59

clc;

try axes(handles.axFotoTesting) imshow('Icons\whos.jpg') axes(handles.axFotoHasil) imshow('Icons\whos.jpg') set(handles.edNamaFile,'String',''); set(handles.edNmFileTest,'String',''); set(handles.edNmClass,'String',''); set(handles.txtTandaBenar,'String','?','ForegroundColor','k'); jmlPC=str2double(get(handles.edJumlahPC, 'String')); jmlFoto=str2double(get(handles.etJumlahFoto,'String')); chkBox=get(handles.chkBoxGreyTest,'Value');

[namaFoto, alamatFoto] = uigetfile({'*.jpg'}, 'Pilih foto

Anda');

if namaFoto ~=0 idx = strfind(alamatFoto, 'DataTesting'); if idx ~= 0 alamatNamaFile=fullfile(alamatFoto,namaFoto); set(handles.edNamaFile,'String',alamatNamaFile); set(handles.edNmFileTest,'String',namaFoto); axes(handles.axFotoTesting) imshow(alamatNamaFile) class_train=handles.class_train; testingSemua=handles.testing; trainingSemua=handles.training;

if str2double(namaFoto(:,1:end-4)) <=

handles.jmlOrang*handles.jmlTesting &&

str2double(namaFoto(:,1:end-4)) > 0

dataTesting=testingSemua(str2double(namaFoto(:,1:end-4)),:);

model = NaiveBayes.fit(trainingSemua,class_train); class_predictTest = model.predict(dataTesting);

fotoTest=strcat(handles.folder,'\',char(handles.nama(class_predict

Test)),int2str(1),handles.format); axes(handles.axFotoHasil) imshow(fotoTest)

set(handles.edNmClass,'String',handles.nama{class_predictTest}); %

set(handles.edIdxClass,'String',class_predictTest);

feature('DefaultCharacterSet','UTF-8');

set(handles.txtTandaBenar,'String',char(hex2dec('2713')),'Foregrou

ndColor',[0 0.5 0]); else

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 74: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

60

gambar=imread(alamatNamaFile);

if chkBox==0 gambar=rgb2gray(gambar); % Berarti foto yang

digunakan % adalah foto berwarna else % gambar=rgb2gray(gambar); end

[irow,icol]=size(gambar); a=gambar'; temp=reshape(a,irow*icol,1);

S=[temp,handles.S];

[hasilEig,~]=eigface(S,irow,icol);

model = NaiveBayes.fit(trainingSemua,class_train); class_predictTest =

model.predict(hasilEig(1:jmlPC,1)');

fotoTest=strcat(handles.folder,'\',char(handles.nama(class_predict

Test)),int2str(1),handles.format); axes(handles.axFotoHasil) imshow(fotoTest)

set(handles.edNmClass,'String',handles.nama{class_predictTest});

set(handles.txtTandaBenar,'String','X','ForegroundColor','r'); end else uiwait(msgbox('ADA ERROR: Anda tidak mengambil file

dari folder "DataTesting"','Peringatan','modal')); end end catch err uiwait(msgbox(strcat('ADA

ERROR:',err.message),'Peringatan','modal')); end

function

[testing,training,dataModel,ConMatrix,akurasi]=klafikasiAkurasi

(hasilEigFace,jmlOrang,jmlFoto,class_train,class_test,jmlTesting)

hasilEigFaceTemp=hasilEigFace;

testingSemuaOrang=[]; trainingSemuaOrang=[];

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 75: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

61

dataModel=[]; ConMatrix=0; idx1=1; idx2=2;

for i=1:jmlFoto/jmlTesting for j=1:jmlOrang testing=hasilEigFaceTemp{j}(:,idx1:idx2); trainingTemp=hasilEigFaceTemp(j); trainingTemp{:}(:,idx1:idx2)=[]; ttaining=trainingTemp{:}; testingSemuaOrang=[testingSemuaOrang;testing'];

%#ok<AGROW> trainingSemuaOrang=[trainingSemuaOrang;ttaining'];

%#ok<AGROW> end

% Perhitungan bayesian [ ConMatrixTemp,model ] = Bayes(

class_train,class_test,trainingSemuaOrang,testingSemuaOrang );

testing=testingSemuaOrang; training=trainingSemuaOrang; idx1=idx1+2; idx2=idx2+2; testingSemuaOrang=[]; trainingSemuaOrang=[]; ConMatrix=ConMatrix+ConMatrixTemp;

% Data model dataModel{i}=model.Params; %#ok<AGROW>

end % Perhitungan akurasi akurasi=sum(diag(ConMatrix))/sum(ConMatrix(:)); akurasi=akurasi*100;

% --- Executes on button press in btnZoomIn. function btnZoomIn_Callback(hObject, eventdata, handles)

%#ok<INUSL,DEFNU> % hObject handle to btnZoomIn (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) hZoomIn=zoom; hZoomIn.Enable='on'; hZoomIn.Direction='in'; setAllowAxesZoom(hZoomIn,handles.axGrafikUji,1);

% --- Executes on button press in btnZoomOut. function btnZoomOut_Callback(hObject, eventdata, handles)

%#ok<INUSL,DEFNU> % hObject handle to btnZoomOut (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 76: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

62

% handles structure with handles and user data (see GUIDATA) hZoomIn=zoom; hZoomIn.Enable='on'; hZoomIn.Direction='out'; setAllowAxesZoom(hZoomIn,handles.axGrafikUji,1);

% --- Executes on button press in btnHand. function btnHand_Callback(hObject, eventdata, handles)

%#ok<INUSL,DEFNU> % hObject handle to btnHand (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) hPan=pan; hPan.Enable = 'on'; setAllowAxesPan(hPan,handles.axGrafikUji,1);

function edJumlahPC_Callback(~, ~, ~) %#ok<DEFNU> % hObject handle to edJumlahPC (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edJumlahPC as

text % str2double(get(hObject,'String')) returns contents of

edJumlahPC as a double

% --- Executes during object creation, after setting all

properties. function edJumlahPC_CreateFcn(hObject, ~, ~) %#ok<DEFNU> % hObject handle to edJumlahPC (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function etJumlahFoto_Callback(~, ~, ~) %#ok<DEFNU> % hObject handle to etJumlahFoto (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of etJumlahFoto as

text % str2double(get(hObject,'String')) returns contents of

etJumlahFoto as a double

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 77: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

63

% --- Executes during object creation, after setting all

properties. function etJumlahFoto_CreateFcn(hObject, ~, ~) %#ok<DEFNU> % hObject handle to etJumlahFoto (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function etJumlahOrang_Callback(~, ~, ~) %#ok<DEFNU> % hObject handle to etJumlahOrang (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of etJumlahOrang

as text % str2double(get(hObject,'String')) returns contents of

etJumlahOrang as a double

% --- Executes during object creation, after setting all

properties. function etJumlahOrang_CreateFcn(hObject, ~, ~) %#ok<DEFNU> if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on selection change in popFormat. function popFormat_Callback(~, ~, ~) %#ok<DEFNU>

% --- Executes during object creation, after setting all

properties. function popFormat_CreateFcn(hObject, ~, ~) %#ok<DEFNU> if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 78: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

64

function edJmlTesting_Callback(~, ~, ~) %#ok<DEFNU>

% --- Executes during object creation, after setting all

properties. function edJmlTesting_CreateFcn(hObject, ~, ~) %#ok<DEFNU> if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in chkBoxGrey. function chkBoxGrey_Callback(~, ~, ~) %#ok<DEFNU> function edPercobaanMin_Callback(hObject, eventdata, handles) function edPercobaanMin_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edPercobaanMax_Callback(hObject, eventdata, handles) function edPercobaanMax_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edPercobaanRange_Callback(hObject, eventdata, handles) function edPercobaanRange_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edUjiJmlPC_Callback(hObject, eventdata, handles) function edUjiJmlPC_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edUjiAkurasi_Callback(hObject, eventdata, handles) function edUjiAkurasi_CreateFcn(hObject, eventdata, handles)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 79: PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI · 4. Bapak Eko Hari Parmadi, S.Si., M.Kom. dan Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku dosen penguji yang telah memberikan banyak

65

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edNamaFile_Callback(hObject, eventdata, handles) function edNamaFile_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edNmFileTest_Callback(hObject, eventdata, handles) function edNmFileTest_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edNmClass_Callback(hObject, eventdata, handles) function edNmClass_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edIdxClass_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in chkBoxGreyTest. function chkBoxGreyTest_Callback(hObject, eventdata, handles)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI