1. PENDAHULUAN
Sistem keamanan rumah (home security
system) adalah suatu kebutuhan yang wajib
diperhatikan bagi setiap pemilik rumah.
Berbagai cara telah dilakukan dalam
mengamankan rumah mulai dari cara tradisional Gambar 1. Blok Diagram Sistem
hingga cara modern. Salah satu contoh cara metode k- Nearest Neighbor dengan akurasi
tradisional yang banyak digunakan adalah alarm keberhasilan 87,74%.
rumah. Tetapi pada masa sekarang ini, telah
banyak teknologi yang sudah diterapkan dalam Penelitian sebelumnya yang berkaitan
sistem keamanan rumah (Shandy, Rakhmatsyah, dengan ekstraksi fitur menggunakan metode
& Suwastika, 2015). Histogram of Oriented Gradients oleh
(Munawaroh, Ciksadan, & Salamah, 2018).
Penerapan teknologi keamanan sekarang ini Penelitian tersebut berfokus pada analisa
sudah berkembang dengan pesat. Dalam hal perbandingan antara metode Histogram of
pengamanannya, semua metode membutuhkan Oriented Gradients (HOG) dengan metode
password untuk validasi. Dalam penggunaannya Gaussian Mixture Mode (GMM) dalam
ada banyak jenis password yang digunakan. mendeteksi manusia. Hasil akurasi pada
Seperti penggunaan huruf, angka, wajah, sidik penelitian ini menunjukkan bahwa metode HOG
jari, bahkan ada yang menggunakan retina mata lebih baik dibanding metode GMM.
sebagai passwordnya. Namun, penggunaan
password masih terdapat banyak kekurangan, Sistem bekerja dengan mengekstraksi fitur
seperti password yang menggunakan angka dan wajah yang telah dideteksi menggunakan
huruf yang sangat sering terjadi kesalahan dan metode Histogram of Oriented Gradient (HOG).
rentan untuk dibobol. Fitur akan didapat dengan menghitung orientasi
Wajah merupakan ciri fisiologis yang paling gradient dalam suatu citra wajah. Fitur dari citra
mudah dan digunakan untuk membedakan wajah tersebut akan digunakan untuk proses
identitas setiap individu. Sehingga pengenalan klasifikasi menggunakan metode k-nearest
wajah merupakan salah satu teknologi neighbor. Selanjutnya sistem akan membuka
biometrics yang sering dipelajari dan solenoid door lock dan menyalakan LED
dikembangkan (Saragih, 2007). berwarna hijau jika citra wajah baru yang
Berdasarkan permasalahan yang terjadi dideteksi dikenali oleh sistem sebagai penghuni
seperti yang telah dijelaskan diatas, maka rumah. Namun apabila sistem tidak mengenali
diperlukan adanya sebuah sistem yang mampu citra wajah baru tersebut, maka solenoid door
memberikan keamanan yang lebih optimal yang lock akan tetap terkunci, LED akan menyala
dapat mengatasi kelemahan yang sudah merah, buzzer akan berbunyi, dan sms notifikasi
disebutkan sebelumnya dengan cara menerapkan akan dikirim ke nomor pemilik rumah.
pengenalan wajah sebagai autentikasi. Secara
umum, ada 4 tahap dalam sistem pengenalan 2. PERANCANGAN DAN
wajah yaitu pengambilan citra wajah, IMPLEMENTASI
preprocessing, ekstraksi fitur, dan klasifikasi
citra wajah tersebut. Tahapan ekstraksi fitur dan 2.1 Gambaran Umum Sistem
klasifikasi merupakan tahapan yang penting Pada Gambar 1 dapat diketahui bahwa
dalam sistem pengenalan wajah. kamera memiliki peran penting dalam sistem ini.
Kamera akan mengambil gambar dan akan
Penelitian sebelumnya yang dilakukan oleh
dideteksi wajah menggunakan algoritme
(Kim, Kim, & Savarese, 2012) dengan judul
HaarCascade Classifier.
Comparing Image Classification Methods K-
Nearest-Neighbor and Support-Vector- Kemudian citra wajah akan diekstraksi fitur
Machine. Pada penelitian tersebut berhasil menggunakan algoritme HOG Hasil fitur HOG
mengenali wajah dengan baik menggunakan akan dproses kembali menggunakan metode
KNN untuk pengambilan keputusan.
+ NC
GPIO 27 IN
GPIO 8 VCC
rumah. Namun apabila sistem tidak mengenali USB USB USB USB
40
4 4 0 0 100%
cm
60
4 3 0 1 87.5%
cm
80
3 3 1 1 75%
cm
Gambar 10. Implementasi Prototype Pengenalan 100
3 3 1 1 75%
Wajah cm
fitur citra tersebut melalui ekstraksi fitur HOG. Pengujian ini dilakukan jarak 40 cm, 60 cm, 80
Nilai fitur HOG akan digunakan sebagai input cm, dan 100 cm dan dengan intensitas cahaya
dari klasifikasi KNN untuk menentukan wajah 40-100 lux.
beru tersebut sama seperti wajah dalam database Dari Tabel 2 diketahui bahwa hasil akurasi
atau tidak deteksi wajah berbeda-beda. Deteksi wajah pada
jarak 40 cm merupakan deteksi wajah terbaik
2.3 Implementasi Sistem dengan akurasi sebesar 100%. Sehingga pada
Dari perancangan sistem yang telah jarak tersebut akan dilakukan pengujian
dirancang sebelumnya, Gambar 10 adalah hasil pengenalan wajah.
implementasi perancangan prototype dari sistem
pengenalan wajah. Prototype ini menggunakan 3.2 Pengujian Akurasi Nilai k
bahan akrilik sebagai kotak yang diasumsikan Pengujian kedua yaitu pengujian pengaruh
sebagai rumah. nilai k tarhadap akurasi data latih pada KNN.
Pengujian ini bertujuan untuk mencari nilai k
3. PENGUJIAN DAN ANALISIS yang mempunyai akurasi tertinggi untuk
dijadikan sebagai batas jumlah ketetanggaan
3.1 Pengujian Deteksi Wajah terdekat.
Pada pengujian ini, gambar diambil melalui Dari tabel 3 dapat dilihat bahwa tingkat
kamera. Setelah itu dilakukan proses deteksi akurasi tertinggi didapat berdasarkan nilai k = 2.
wajah menggunakan metode haar Cascade Sehingga dapat disimpulkan bahwa semakin
classifier dan disimpan sebagai citra wajah. besar nilai k, maka tingkat akurasi pada datalatih
akan semakin berkurang.
Tabel 3. Hasil Pengujian Akurasi Nilai k sistem dengan citra input yang diterima. Akurasi
No Nilai k Jumlah Citra Datalatih Akurasi integrasi antara software dengan hardware
1 2 160 93,1% sudah baik dan berjalan sesuai yang diharapkan.
2 3 160 92,5% Tingkat akurasi yang dihasilkan antara software
dengan hardware yaitu sebesar 100%.
3 4 160 87,5%
4 5 160 84,9% 3.5 Pengujian Waktu Pengenalan Wajah
5 6 160 84,5%
6 7 160 81,2% Pengujian ini dilakukan untuk mengetahui
berapa lama waktu yang dibutuhkan dalam
7 8 160 80%
mengenali suatu wajah. Setelah dilakukannya
8 9 160 75% pengujian ini, diketahui bahwa rata-rata waktu
9 10 160 69,3% yang diperlukan dalam proses pengenalan wajah
19 11 160 69% yaitu selama 13.28839 detik.
4. KESIMPULAN
Tabel 4. Hasil Pengujian Pengenalan Wajah Pada
Jarak 40 cm (objek penghuni rumah) Berdasarkan berbagai pengujian yang telah
Citra Uji Cahaya Mirip
Sistem Mengenali dilakukan, maka dapat disimpulkan bahwa :
Dengan Benar
1. Sistem ini berjalan dengan baik dalam
bagus40.png 62 lux BAGUS3 ya
mendeteksi dan mengenali wajah penghuni
edi40.png 64 lux EDI2 ya rumah maupun orang lain dan dapat
nurhayati40.
64 lux NURHAYATI ya berjalan secara real time.
png
2. Tingkat akurasi deteksi wajah yaitu sebesar
tanthy40.png 66 lux TANTHY1 ya
100% pada jarak 40 cm.
3. Hasil pengujian pengaruh nilai k terhadap
Tabel 5. Hasil Pengujian Pengenalan Wajah Pada tingkat akurasi data latih pada algoritme
Jarak 40 cm (objek orang lain) KNN sebesar 93,1% untuk nilai k=2.
Sistem Mengenali
Citra Uji Cahaya Mirip
Dengan Benar
4. Hasil akurasi pengujian pengenalan wajah
berdasarkan intensitas cahaya (40 – 100
Intruder
agung40.png 75 lux
Found
ya lux) dengan jarak 40 cm yaitu sebesar
edo40.png 73 lux TANTHY tidak 87,5%.
Intruder
5. Hasil akurasi dari integrasi software dengan
Intan40.png 76 lux ya
Found hardware yaitu sebesar 100%
putri40.png 71 lux
Intruder
ya
6. Waktu rata-rata yang diperlukan dalam
Found proses pengenalan wajah adalah selama
13.28839 detik.
3.3 Pengujian Pengenalan Wajah
Tahap selanjutnya dilakukan pengujian
pengenalan wajah berdasarkan intensitas cahaya
40 lux – 100 lux dengan jarak 40 cm.
Hasil pengujian pengenalan wajah deangan
objek penghuni rumah dapat dilihat pada Tabel
4 dan didapatkan hasil akurasi sebesar 100%.
Sedangkan pada Tabel 5 merupakan hasil
pengujian pengenalan wajah denga objek selain
penghuni rumah dan menghasilkan akurasi
sebesar 75%. Sehingga total akurasi pengenalan
wajah adalah sebesar 87,5%.
5. DAFTAR PUSTAKA
Kim, J., Kim, B.-S., & Savarese, S. (2012).
Comparing Image Classification
Methods K-Nearest-Neighbor and
Support-Vector-Machines. Comparing
Image Classification Methods K-
Nearest-Neighbor and Support-Vector-
Machines, 133-138.
Munawaroh, Y. F., Ciksadan, & Salamah, I.
(2018). Analisa Perbandingan
Algoritma Histogram of Oriented
Gradient (HOG) . 251-255.
Saragih, R. A. (2007). Pengenalan Wajah
Menggunakan Metode Fisherface.
Pengenalan Wajah Menggunakan
Metode Fisherface, 7, 50-62.
Shandy, Y. D., Rakhmatsyah, A., & Suwastika,
N. A. (2015). Implementasi Sistem
Kunci Pintu Otomatis Untuk Smart
Home Menggunakan SMS Gateway.
Implementasi Sistem Kunci Pintu
Otomatis Untuk Smart Home
Menggunakan SMS Gateway, 2, 6395-
6407.