Anda di halaman 1dari 44

IMPLEMENTASI RASPBERRY PI

PADA SISTEM ABSENSI


BERBASIS PENGENALAN
WAJAH

M. Hablul Barri
Dosen Pembimbing
Ronny Mardiyanto, ST., MT., PhD
Dr.Ir Djoko Purwanto, M.Eng

2210100094

LATAR BELAKANG

Harus berada didekat


device

LATAR BELAKANG

Lebih efisien
3

RUMUSAN MASALAH

Bagaimana merancang suatu sistem multiabsensi


dengan menggunakan pengenalan wajah.
Bagaimana menerapkan sistem terintegrasi dalam
sistem multiabsensi.

BATASAN MASALAH

1. Sistem hanya bisa mengenali wajah maksimal 7 orang.


2. Komunikasi antara client dan server menggunakan jaringan
lokal.
3. Komputer client menggunakan Single Board Computer (SBC)
jenis Raspberry pi
4. Jarak maksimal wajah dengan kamera maksimal 60 cm
5. Kondisi cahaya dan background saat pengenalan harus sama
dengan kondisi cahaya ketika menyimpan database.
6. Pengenalan wajah dilakukan secara bergantian.

TUJUAN

Mampu merancang suatu sistem


multiabsensi berdasarkan pengenalan
wajah
Mampu menerapkan sistem terintegrasi
dalam sistem multiabsensi

PERANCANGAN SISTEM

server

client
CLIENT

PERANCANGAN SISTEM

CLIENT
Akses Kamera

Deteksi wajah

SERVER
Akses database
server

Ada wajah?
Pindai komputer
client

Kirim gambar
ke database

Cek hasil di
database

Ada hasil?

Deteksi wajah

Kenali wajah

Kirim hasil ke
database

Tampilkan
hasil

PERANCANGAN SISTEM

Modem wifi

Alphanumeric LCD
Kamera

BUZZER

PERANCANGAN SISTEM

10

PERANCANGAN SISTEM

WEB
Pencarian berdasarkan tanggal

Combo box lokasi

Button lokasi

11

PERANCANGAN SISTEM

mulai

Akses database

Ada wajah di
client 1?
Ada wajah di
client 2?

...
Ada wajah di
client n?

Deteksi wajah

Kenali wajah
selesai

12

PERANCANGAN SISTEM

Load camera di
server

Preprocessing

Simpan Wajah

Hitung PCA

Penyimpanan data wajah


Simpan data (*xml)

Buka gambar wajah


*.pgm

Pengenalan

Preprocessing

Hitung PCA

Identifikasi
kemiripan

Simpan di database
server

Hasil identifikasi

13

PERANCANGAN SISTEM

Grayscale

Deteksi zonawajah

Ada wajah?

Cropping

resize

14

PERANCANGAN SISTEM

1. Tahap pemrosesan awal, pada proses ini


dicari citra rata-rata dari semua citra latih,
kemudian mengurangkannya. Proses ini juga
dilakukan perhitungan matriks kovarian
untuk himpunan citra latih
2. Tahap reduksi dimensi, semua citra latih
kemudian ditransformasikan ke matriks
dengan dimensi yang lebih rendah.

15

PERANCANGAN SISTEM

Menyiapkan himpunan citra


= 1 2
Menghitung mean image

1
=

=1
Mengurangi matrik wajah dengan mean image
=
Menyusun vektor wajah menjadi matriks kolom
W = 1 2
Menghitung matriks kovarian

1
= . =

=1

16
1

PERANCANGAN SISTEM

Mendefinisikan matriks Z

1
= . =

=1

Mencari eigenvector dan eigenvalue


. = .
. . = .

Eigenvektor

Eigenvalue

Kedua ruas dikali dengan D

. . . = . .
C. . = . .

Matriks kovarian yang berdimensi U X 1

17
1

PERANCANGAN SISTEM

Mencari proyeksi
=
Eigenvalue wajah dari matriks C

SIMPAN DATA

18
1

PERANCANGAN SISTEM

menghitung jarak yang akan dikenali dalam


posisinya pada eigenface dengan tiap-tiap
wajah dalam database dengan menggunakan
koefisien proyeksi
2 =

Proyeksi wajah yang diuji


Proyeksi wajah dalam database
Threshold= 0,5 x jarak maksimum
Mencari jarak minimum untuk proses
pengenalan.
Jika jarak minimum > threshold; maka
dikenali sebagi objek asing
Jika jarak minimum <threshold ; maka akan
dikenali sesuai dengan data yang tersimpan
19
1

600,00

700

500,00

600

400,00
resolusi 160 x120

300,00

resolusi 176 x 144

200,00

resolusi 240 x360

100,00

Lama deteksi (ms)

Lama deteksi (ms)

PENGUJIAN

500
400
resolusi 160 x120
300

resolusi 176 x 144

200

resolusi 240 x360

100

0,00

0
1 2 3 4 5 6 7 8 9 10

1 2 3 4 5 6 7 8 9 10

Pengujian ke-

Pengujian ke-

Waktu rata-rata yang dibutuhkan untuk deteksi


wajah pada jarak 60 cm

Waktu rata-rata yang dibutuhkan untuk deteksi


wajah pada jarak 30 cm

20
1

PENGUJIAN

No
1
2
3
4

Kondisi Pencahayaan
Face detection
Sumber cahaya merata dari lampu
100%
neon pada malam hari
Sumber cahaya dari arah kamera
100%
(pagi hari)
Sumber cahaya berhadapan
0%
dengan kamera (sore hari)
Sumber cahaya berasal dari
100%
samping

Presentase keberhasilan deteksi wajah tanpa sumber


cahaya tambahan

No
1
2
3
4

Kondisi Pencahayaan
Face detection
Sumber cahaya merata dari lampu
100%
neon pada malam hari
Sumber cahaya dari arah kamera
100%
(pagi hari)
Sumber cahaya berhadapan
100%
dengan kamera (sore hari)
Sumber cahaya berasal dari
100%
samping

Presentase keberhasilan deteksi wajah dengan


sumber cahaya tambahan

21
1

PENGUJIAN

logika vgpio
buuzer

vce

v buzzzer

0 0,01 v

4,27 v

1,01 v

1 3,31 v

0,01 v

5,2 v

AVO meter

22
1

PENGUJIAN

Indikator koneksi ke
database sukses

Dari hasil pengujian keberhasilan koneksi ke server adalah 100 %

23
1

PENGUJIAN

Status gambar
telah di upload
Gambar yang
telah diupload

Dari hasil pengujian keberhasilan pengiriman data adalah 100 %

24
1

PENGUJIAN

Presentase keberhasilan deteksi wajah dengan resolusi kamera 320 x 240

Presentase keberhasilan deteksi wajah dengan resolusi kamera 176 x 144


25
1

PENGUJIAN

Presentase keberhasilan deteksi wajah dengan resolusi kamera 160 x120


Untuk menentukan ukuran scanning window harus menyesuaikan resolusi
kamera yang digunakan

26
1

PENGUJIAN

100

70

90

60

70
60
resolusi 160 x120

50
40

resolusi 176 x 144

30

resolusi 240 x360

Lama deteksi (ms)

Lama deteksi (ms)

80

50
40
resolusi 160 x120
30

resolusi 176 x 144


resolusi 240 x360

20

20
10

10
0

0
1

10

Pengujian ke-

Waktu rata-rata yang dibutuhkan untuk


deteksi wajah pada jarak 60 cm

9 10

Pengujian ke-

Waktu rata-rata yang dibutuhkan untuk


deteksi wajah pada jarak 30 cm

27
1

PENGUJIAN

Jumlah variasi wajah


no

objek uji

10

15

20

1 barri

0%

5%

0%

0%

2 reza

0%

0%

0%

0%

3 deddy

5%

10%

0%

0%

4 arman

0%

0%

0%

5 farid

20%

15%

0%

0%

6 restu

0%

0%

0%

5%

7 irwin

0%

0%

10%

0%

Semakin
banyak variasi
wajah yag
disimpan error
pengenalan
akan semakin
kecil

28
1

PENGUJIAN

kondisi

error pengenalan

pagi

45%

siang

25%

sore

0%

malam

15%

Pada pengujian ini dilakukan


pengambilan data base pada
sore hari, sehingga error pada
sore hari sebesar 0% dengan
pengujian sebanyak 20 kali.
Error paling tinggi terjadi pada
pagi hari sebesar 45 %, karena
banyaknya sinar matahari yang
memasuki ruangan

29
1

PENGUJIAN

Hasil inisialisasi awal ketika


komputer server mengakses
database, semua status
dibuat 0
Semua tanda dibuat
nol

Id pada kamera
client

30
1

PENGUJIAN

Lokasi dari objek yang


dikenali

Hasil dari pengenalan wajah


diupload ke database untuk
ditampilkan dalam web

Hasil pengenalan yang


diupload server

31
1

PENGUJIAN

Implementasi perangkat
absensi pada lab b202(a)
dan b202b(b)
Menggunakan jaringan
wifi b202

(a)

(b)

32
1

PENGUJIAN

Sistem dijalankan selama 2 x


24 jam menggunakan
jaringan wifi b202

33
1

PENGUJIAN

34
1

PENGUJIAN

No

lama proses (ms)


SSID:B201 AP SSID:B202

JTE

345,83

48,83

225,08

141,53

91,97

42,15

160,39

137,38

76,6

130,44

194,25

61,29

108,11

83,6

41,76

133,14

33,3

100,53

15,45

128,1

10,88

117,53

62,93

148,31

123,47

91,77

53,98

10

443,5

104,24

61,67

171,939

97,637

82,225

rata-rata

Pada SSID B201-AP ada 29 komputer yang


terhubung, pada SSID B201 ada 8 komputer
yang terhubung dan pada SSID JTE ada 11
komputer yang terhubung

35
1

PENGUJIAN

Grafik jumlah pengguna wifi elka b202


dalam satu minggu

Grafik jumlah pengguna wifi JTE dalam


satu minggu

12
10
8

pagi

siang

sore

Hari

Jumlah Pengguna

Jumlah Pengguna

14
18
16
14
12
10
8
6
4
2
0

pagi
siang
sore

Hari

36
1

PENGUJIAN

40

35

Jumlah Pengguna

30
25
20

pagi

15

siang
sore

10

RATA-RAT
KEPADATAN
B202 YANG
PALING
RENDAH

5
0
Senin

Selasa

Rabu

Kamis

Jum'at

Sabtu

Minggu

Hari

37
1

PENGUJIAN

OBJEK BELUM
DISIMPAN

38
1

KESIMPULAN

Untuk pengenalan wajah dengan metode PCA masih banyak kelemahannya


terutama dari variasi pencahayaan
Kecepatan pendeteksian wajah dipengaruhi oleh luas window, tetapi harus
memperhatikan resolusi dari kamera yang digunakan. Apabila ukuran size window
lebih besar dari resolusi yang digunakan maka pendeteksian wajah akan gagal.
Bandwith dan traffict dari jaringan memengaruhi kecepatan transmisi data,
semakin padat traffict dari jaringan yang dipakai, maka semakin lambat
pengiriman dan penerimaan gambar sehingga waktu pengenalan akan semakin
lama
Untuk keakurasian dari metode yang diguanakan pada tugas akhir ini yaitu 80 %
dengan kondisi pecahayaan yang sama dan jumlah objek uji sebanyak 14 orang
dan objek simpan 10 orang.
Total rata-rata waktu yang dibutuhkan untuk proses pengenalan sebesar 553 ms
atau 9,22 detik
Untuk menjaga cahaya yang disekitar kamera perlu ditambah sumber cahaya
tambahan berupa bohlamp 25 watt , karena dengan sumber cahaya bohlam error
pengenalan sebesar 13,35%.
39

DEMONSTRASI ALAT

40

THANK YOU

TERIMA KASIH

41