DOSEN PEMBIMBING:
Dr. Eng. MOHAMMAD ABU JAMI’IN, S.T., M.T.
II MUNADHIF, S.ST., M.T.
i
i
HALAMAN JUDUL
DOSEN PEMBIMBING:
Dr. Eng. MOHAMMAD ABU JAMI’IN, S.T., M.T.
II MUNADHIF, S.ST., M.T.
i
Halaman Ini Sengaja Dikosongkan
ii
LEMBAR PENGESAHAN
TUGAS AKHIR
Mengetahui/menyetujui,
Dosen Penguji Tanda Tangan
1.1Penguji 1 (………………………………………)
2. Penguji 2 (………………………………………)
3. Penguji 3 (………………………………………)
4. Penguji 4 (………………………………………)
Mengetahui/menyetujui Mengetahui/menyetujui
Ketua Jurusan, Koordinator Program Studi,
Mohammad Basuki Rahmat, S.T., M.T. Dr. Eng. Imam Sutrisno, S.T., M.T.
iii
Halaman Ini Sengaja Dikosongkan
iv
No. : F.WD I. 021
Date : 3 Nopember 2015
Rev. : 01
PERNYATAAN BEBAS PLAGIAT Page : 1 dari 1
Apabila dikemudian hari terbukti terdapat plagiat dalam karya ilmiah tersebut,
maka saya bersedia menerima sanksi sesuai ketentuan peraturan yang berlaku.
Demikian surat pernyataan ini saya buat dengan penuh tanggung jawab.
v
Halaman Ini Sengaja Dikosongkan
vi
KATA PENGANTAR
vii
8. Sahabat-sahabat saya di kos Update 2 yang telah membantu saya dalam
pengerjaan tugas akhir saya.
9. Sahabat-sahabat saya kelas TOB yang terus mendukung dan membantu
saya dalam pengerjaan tugas akhir saya.
10. Seluruh pihak yang telah membantu saya yang tidak dapat saya sebutkan
satu-persatu.
11. Terima kasih untuk semua kenangan indah yang telah membuat hidup
saya semakin seru dan berwarna di Surabaya.
Penulis menyadari tugas akhir ini masih banyak kekurangan, oleh karena itu
kritik dan saran sangat diharapkan demi kesempurnaan tugas akhir ini. Penyusun
berharap semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang
membacanya.
Akhir kata, penulis mengucapkan banyak terima kasih kepada semua
pihak yang telah banyak membantu, semoga Allah SWT selalu melimpahkan
rahmat dan hidayah-Nya kepada kita semua. Aamiin.
Penulis,
viii
RANCANG BANGUN SISTEM SMART CCTV UNTUK
EFEKTIVITAS ENERGI BERBASIS YOLO CNN DAN
ANDROID DI LABORATORIUM OTOMASI PPNS
Debri Hasbi Fathoni
ABSTRAK
Kamera CCTV yang banyak berkembang saat ini mempunyai beberapa
kelemahan. Salah satu diantaranya yaitu pada faktor penyimpanan dan efektivitas
monitoring. Untuk mengatasi masalah tersebut penulis mencoba menyematkan
sebuah teknologi baru yaitu teknologi YOLO (You Only Look Once) pada kamera
CCTV. Pertama terdapat sebuah kamera CCTV yang siap untuk merekam, kamera
CCTV ini akan mendeteksi keberadaan manusia di ruangan tersebut. Jika kamera
tersebut mendeteksi manusia maka kamera itu akan menyimpan hasil perekaman
ke memori kemudian akan di upload ke penyimpanan cloud storage. Lalu dari
cloud storage itu nanti akan langsung dikirimkan ke perangkat android sebagai hasil
monitoring untuk pengguna / user. Jika kamera tesebut tidak mendeteksi manusia
maka sistem CCTV tersebut akan mematikan perangkat elektronik yang sudah
terhubung dengan sistem. Tapi sistem tidak akan langsung mematikan perangkat
secara langsung, namun setelah beberapa menit sesuai program yang telah
ditentukan pada interface. Tingkat keberhasilan pada sistem ini mencapai 96,67 %
yang artinya memiliki error sebesar 3,33 %.
Kata kunci : Cloud Storage, You Only Look Once (YOLO), Human Real Time
Detection
ix
Halaman Ini Sengaja Dikosongkan
x
PROTOTYPE OF SMART CCTV FOR ENERGY
EFFECTIVENESS BASED YOLO CNN AND ANDROID IN PPNS
AUTOMATION LABORATORY
Debri Hasbi Fathoni
ABSTRACT
CCTV cameras that are currently developing have several weaknesses. One
of them is the storage factor and effectiveness of monitoring. To overcome this
problem the author tries to embed a new technology that is YOLO technology (You
Only Look Once) on CCTV cameras. First there is a CCTV camera that is ready to
record, this CCTV camera will detect the presence of humans in the room. If the
camera detects humans, the camera will save the results of recording to memory
and then upload them to cloud storage. Then from the cloud storage will be sent
directly to the Android device as a result of monitoring for users / users. If the
camera does not detect humans, the CCTV system will turn off electronic devices
that are already connected to the system. But the system will not immediately turn
off the device directly, but after a few minutes according to the program specified
on the interface. The success rate on this system reaches 96,67% which means it
has an error of 3,33 %.
Keyword : Cloud Storage, You Only Look Once (YOLO), Human Real Time
Detection
xi
Halaman Ini Sengaja Dikosongkan
xii
DAFTAR ISI
HALAMAN JUDUL................................................................................................ i
LEMBAR PENGESAHAN ................................................................................... iii
PERNYATAAN BEBAS PLAGIAT ...................................................................... v
KATA PENGANTAR .......................................................................................... vii
ABSTRAK ............................................................................................................. ix
ABSTRACT ........................................................................................................... xi
DAFTAR ISI ........................................................................................................ xiii
DAFTAR TABEL ................................................................................................. xv
DAFTAR GAMBAR .......................................................................................... xvii
BAB 1 PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang .............................................................................................. 1
1.2 Rumusan Masalah ......................................................................................... 2
1.3 Batasan Masalah............................................................................................ 3
1.4 Tujuan ........................................................................................................... 3
1.5 Manfaat ......................................................................................................... 3
BAB 2 TINJAUAN PUSTAKA ............................................................................. 5
2.1 Metode dan Software yang Digunakan ......................................................... 5
2.1.1 YOLO (You Only Look Once)................................................................ 5
2.1.2 CNN (Convolution Neural Network) ..................................................... 7
2.1.3 Python .................................................................................................. 11
2.1.4 MySQL................................................................................................. 12
2.1.5 XAMPP ................................................................................................ 12
2.1.6 Android Studio ..................................................................................... 14
2.2 Hardware yang Digunakan ......................................................................... 16
2.2.1 Kamera Web......................................................................................... 16
2.2.2 Laptop / PC .......................................................................................... 16
2.2.3 Arduino ................................................................................................ 18
2.2.4 Relay .................................................................................................... 19
BAB 3 METODOLOGI PENELITIAN................................................................ 21
3.1 Alur Penelitian ............................................................................................ 21
3.2 Tahap Identifikasi Awal .............................................................................. 22
3.2.1 Diagram Blok Sistem Image ................................................................ 23
xiii
3.2.2 Diagram Blok Sistem Smart CCTV ..................................................... 24
3.2.3 Diagram Blok Kontrol .......................................................................... 24
3.2.4 Konsep Sistem ...................................................................................... 25
3.2.5 Flowchart Sistem .................................................................................. 26
3.3 Analisa Kebutuhan Sistem........................................................................... 27
3.4 Rancangan Alat............................................................................................ 28
3.5 Perancangan Software ................................................................................. 31
3.6 Arsitektur YOLO CNN ............................................................................... 31
3.7 Cara Pembacaan Citra ................................................................................. 33
3.8 Instalasi Software Pendukung ..................................................................... 35
3.9 Dataset ......................................................................................................... 36
BAB 4 HASIL DAN PEMBAHASAN ................................................................. 39
4.1 Pengujian Hardware .................................................................................... 39
4.1.1 Kamera.................................................................................................. 40
4.1.2 Relay ..................................................................................................... 42
4.2 Hasil Hardware ........................................................................................... 44
4.3 Pengujian Software ...................................................................................... 45
4.3.1 Feature Map .......................................................................................... 45
4.3.2 Contoh Perhitungan YOLO CNN......................................................... 47
4.3.3 Training Dataset ................................................................................... 51
4.3.4 Deteksi Manusia ................................................................................... 58
4.3.5 Penyimpanan Data ................................................................................ 64
4.3.6 Interface pada Android ......................................................................... 65
4.4 Timer ........................................................................................................... 66
4.5 Pengujian Kinerja Penyimpanan Data ......................................................... 67
BAB 5 KESIMPULAN DAN SARAN ................................................................. 69
5.1 Kesimpulan .................................................................................................. 69
5.2 Saran ............................................................................................................ 70
DAFTAR PUSTAKA ............................................................................................ 71
xiv
DAFTAR TABEL
xv
Halaman Ini Sengaja Dikosongkan
xvi
DAFTAR GAMBAR
xvii
Gambar 4. 2 Tes Aplikasi Kamera Bawaan Logitech .......................................... 40
Gambar 4. 3 Rangkaian Modul Relay Dengan Arduino Uno .............................. 43
Gambar 4. 4 Percobaan Modul Relay On ............................................................ 43
Gambar 4. 5 Percobaan Modul Relay Off............................................................ 43
Gambar 4. 6 Hardware dan Mekanik ................................................................... 44
Gambar 4. 7 Gambar Berukuran 10 x 10 sebelum daialkukan konvolusi ........... 47
Gambar 4. 8 Gambar Berukuran 10 x 10 dalam bentuk array ............................. 48
Gambar 4. 9 Gaussian Kernel 3 x 3 ..................................................................... 48
Gambar 4. 10 Posisi proses konvolusi , (A) posisi 1 ........................................... 48
Gambar 4. 11 Posisi proses konvolusi, (B) posisi 2, (C) posisi 3 (Lanjutan) ...... 49
Gambar 4. 12 Hasil Konvolusi Menghasilkan Feature Maps Berukuran 8 x 8 ... 50
Gambar 4. 13 Hasil Max Pooling 4 x 4................................................................ 50
Gambar 4. 14 Grafik Training Akurasi Hidden Neuron 64 ................................. 53
Gambar 4. 15 Grafik MSE Hidden Neuron 64 .................................................... 53
Gambar 4. 16 Grafik Training Akurasi Hidden Neuron 128 ............................... 54
Gambar 4. 17 Grafik MSE Hidden Neuron 128 .................................................. 55
Gambar 4. 18 Grafik Training Akurasi Hidden Neuron 192 ............................... 56
Gambar 4. 19 Grafik MSE Hidden Neuron 192 .................................................. 56
Gambar 4. 20 Grafik Training Akurasi Hidden Neuron 256 ............................... 57
Gambar 4. 21 Grafik MSE Hidden Neuron 256 .................................................. 58
Gambar 4. 22 Percobaan Deteksi Manusia .......................................................... 58
Gambar 4. 23 Hasil Penyimpanan kamera pada Laptop ...................................... 64
Gambar 4. 24 Database pada MySQL ................................................................. 64
Gambar 4. 25 Interface pada Android .................................................................. 66
Gambar 4. 26 Tombol untuk Mengatur Timer ..................................................... 66
Gambar 4. 27 Cara Setting Timer ........................................................................ 67
xviii
BAB 1
PENDAHULUAN
1
ini diharapkan penyimpanan dari kamera CCTV tersebut berkurang dan lebih
efisien.
Permasalahan selanjutnya yang muncul adalah ketidakefektivitasan
pengguna dalam memantau hasil perekaman dari kemera CCTV. Disini penulis
mencoba memecahkan permasalahan yang terjadi dengan memanfaat teknologi
yang sudah ada. Penulis mencoba mengkoneksikan hasil dari perekaman video
dengan perangkat android melalui penyimpanan cloud storage. Nantinya pengguna
dapat melihat secara langsung kejadian yang terekam kamera dengan perangkat
android. Video ini akan tersimpan secara langsung dalam beberapa hari. Pengguna
tidak perlu repot-repot melihat ke monitor dan tidak perlu juga melihat semua
durasi video, karena kamera CCTV hanya merekam kejadian yang didalamnya
terlibat dengan manusia.
Selanjutnya penulis menambahkan fungsi lain dari kamera CCTV yang
tujuannya adalah untuk menghemat listrik. Penulis mengambil studi kasus di
Laboratorium Otomasi PPNS. Biasanya kebanyakan mahasiswa lupa dalam
mematikan perangkat elektronik di lab. setelah melakukan praktek. Disini penulis
mencoba mengintegrasikan kelistrikan dalam lab. dengan kamera CCTV. Jadi
ketika di lab. tersebut tidak ada orang maka selang beberapa detik semua perangkat
elektronik di dalam lab. akan dimatikan secara otomatis dengan sistem yang ada
pada kamera CCTV. Dengan begini penggunaan listrik di laboratorium akan lebih
hemat.
2
1.3 Batasan Masalah
Batasan-batasan masalah pada penelitian ini antara lain :
1. Menggunakan kamera Logitech sebagai prototype.
2. Menggunakan pengolah citra YOLO (You Only Look Once) dan hanya
mendeteksi manusia.
3. Plan yang dibuat hanya berupa prototype dengan skala uji laboratorium.
4. Percobaan dilakukan pada intensitas cahaya sekitar 130 – 200 lux.
5. Studi kasus dilakukan di dalam ruangan Laboratorium Otomasi
1.4 Tujuan
Adapun tujuan yang ingin dicapai dalam tugas akhir ini adalah :
1. Mengimplenmentasikan rancang bangun sistem smart CCTV sebagai
pendeteksi manusia.
2. Mengimplementasikan rancang bangun sistem smart CCTV dalam
menghemat kapasitas penyimpanan video.
3. Mengimplementasikan rancang bangun sistem smart CCTV dalam
menghemat energi listrik.
1.5 Manfaat
Manfaat yang diperoleh dari pengerjaan tugas akhir ini adalah :
1. Memberikan referensi sebegai bahan pembelajaran tentang
perkembangan teknologi otomasi.
2. Memberikan efisiensi dan efektivitas dalam memonitoring sebuah
ruangan.
3. Menghemat energi listrik yang dikeluarkan.
3
Halaman Ini Sengaja Dikosongkan
4
BAB 2
TINJAUAN PUSTAKA
Pada bab ini berisi tentang tinjauan pustaka yang menjelaskan tentang objek
yang digunakan pada penelitian terdahulu, metode yang digunakan, software
ataupun hardware apa saja yang digunakan dalam pembuatan tugas akhir ini.
Penjelasan dari tinjauan pustaka ini dijelaskan secara berurutan.
2.1 Metode dan Software yang Digunakan
Dalam tugas akhir ini menggunakan sebuah metode yaitu:
5
Deteksi merupakan hal yang kompleks dibandingkan dengan
pengklasifikasian, klasifikasi dapat mengenali objek tetapi tidak dapat
memberi tahu dimana letak objek tersebut secara tepat yang berada di dalam
gambar. Dan pengklasifikasian tidak akan bekerja dengan baik jika dalam
gambar tesebut mengandung lebih dari satu objek seperti pada Gambar 2.2.
YOLO adalah jaringan syaraf yang pintar untuk melakukan deteksi secara
real-time. YOLO memiliki arsitektur yang sederhana yaitu jaringan saraf
convolutional. Pada Gambar 2.3 ditampilkan beberapa data tentang jaringan
saraf convolutional.
6
Jaringan saraf ini hanya menggunakan jenis lapisan standar. Konvolusi C
dengan kernel 3 × 3 dan max-pooling dengan 2 × 2 kernel. Lapisan
konvolusional terakhir memiliki 1 × 1 kernel digunakan untuk mengecilkan
data ke bentuk 13 × 13 × 125. 13×13 ini seharusnya terlihat familier. Itu adalah
ukuran grid yang dibagi menjadi 125 gambar. 125 merupakan Channel untuk
setiap grid. 125 ini berisi data untuk kotak pembatas dan prediksi kelas. Kenapa
125, karena setiap sel grid memprediksi 5 kotak sekeliling dan dijelaskan oleh
25 elemen data.
X,Y untuk lebar dan tinggi kotak pembatas ( dua elemen data)
Skor keyakinan ( satu elemen data)
Distribusi probabilitas yang lebih dari 20 kelas ( 20 elemen data)
7
ganjil sehingga hasil konvolusi tepat berada ditengah-tengah, semakin besar
ukuran window, beban komputasi akan semakin meningkat.
Konvolusi seringkali dilibatkan dalam operasi ketetanggaan piksel.
Konvolusi pada citra sering disebut sebagai konvolusi dua-dimensi (konvolusi
2D). Konvolusi 2D didefinisikan sebagai proses untuk memperoleh suatu
piksel didasarkan pada nilai piksel itu sendiri dan tetangganya, dengan
melibatkan suatu matriks yang disebut kernel yang merepresentasikan
pembobotan. Terdapat empat fungsi konvolusi yang sering dipergunakan
dalam pengolahan citra yaitu embossing, blurring, menajamkan (sharpening),
mendeteksi tepi (edge detection), berikut adalah penjelasannya.
1. Embossing
Embossing adalah kernel yang digunakan untuk mengubah citra
menjadi gelap (shadow) dan terang (highlight), tergantung pada batas terang
atau gelap pada gambar aslinya. Area dengan kontras rendah diganti dengan
latar belakang abu-abu atau hitam. Koefisien jendela konvolusi memiliki
bobot tengah bernilai 0 & jumlah seluruh bobot = 0.
2. Blurring
Blurring (pengaburan) yaitu filter spasial low-pass yang melenyapkan
detil halus dari suatu citra. Pengaburan dicapai melalui konvolusi dari
seluruh koefisien mask bernilai sama. Blurring ini perataan nilai pixel-pixel
tetangga, makin besar ukuran mask maka makin besar efek pengaburan
3. Sharpening
Sharpening (penajaman) yaitu memperjelas detail suatu citra
(menambah kontras) dengan penjumlahan atas citra tepi dengan citra aslinya
maka bagian tepi objek akan terlihat berbeda dengan latarnya, sehingga citra
terkesan lebih tajam.
4. Edge detection
Deteksi tepi yaitu proses menentukan lokasi titik-titik yang merupakan
tepi objek.
Convolution neural network sendiri adalah perpaduan antara konvolusi
citra untuk proses ekstraksi feature, dan neural network untuk klasifikasi.
Berdasarkan aristektur LeNet5 (Stanford, 2016), terdapat 4 macam layer utama
8
pada sebuah CNN yaitu convolution layer, relu layer, subsampling layer, dan
fully connected layer. Fungsi layer awal sebagai metode ekstraksi fitur, maka
jumlah layer dalam sebuah CNN tidak memiliki aturan universal dan berlaku
berbeda-beda tergantung dataset yang digunakan. Karena hal tersebut, jumlah
layer pada jaringan serta jumlah neuron pada masing-masing layer dianggap
sebagai hyper parameter dan dioptimasi menggunakan pendekatan searching.
Berikut ini adalah penjelasan mengenai masing-masing layer.
1. Convolution layer
Convolution layer melakukan operasi konvolusi pada Output dari
layer sebelumnya. Layer tersebut adalah proses utama yang mendasari
sebuah CNN. Konvolusi adalah suatu istilah matematis yang berarti
mengaplikasikan sebuah fungsi pada Output fungsi lain secara berulang.
Dalam pengolahan citra, konvolusi berati mengaplikasikan sebuah kernel
(kotak kuning) pada citra disemua ofset yang memungkinkan seperti yang
ditunjukkan pada Error! Reference source not found.. Pada kotak hijau
ecara keseluruhan adalah citra yang akan dikonvolusi, kernel bergerak
dari sudut kiri atas ke kanan bawah. Ukuran dimensi kernel pada
penelitian ini memiliki ordo 3x3. Sehingga hasil konvolusi dari citra
tersebut dapat dilihat pada konvolusi fitur.
Tujuan dilakukannya konvolusi pada data citra adalah untuk
mengekstraksi fitur dari citra Input. Konvolusi akan menghasilkan
transformasi linear dari data Input sesuai informasi spasial pada data.
Bobot pada layer tersebut menspesifikasikan kernel konvolusi yang
digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan Input
pada CNN seperti pada Gambar 2.4.
9
2. ReLu layer
ReLu atau rectified linear unit layer, pada layer ini dapat diibaratkan
seperti thresholding atau sama halnya seperti fungsi aktivasi pada jaringan
syaraf tiruan. Dengan tujuan untuk menjaga hasil citra proses konvolusi
berada pada domain definit positif. Angka yang dihasilkan harus bernilai
positif dikarenakan fungsi aktivasi pada jaringan syaraf tiruan propagasi
balik pada penelitian ini menggunakan fungi sigmoid. Sehingga setiap
angka hasil proses konvolusi yang bernilai negatif akan terlebih dahulu
melalui proses ReLu yang menjadikan nilai negatif bernilai sama dengan
nol.
3. Subsampling layer
Subsampling adalah proses mereduksi ukuran sebuah data citra. Dalam
pengolahan citra, subsampling juga bertujuan untuk meningkatkan
invariansi posisi dari fitur. Dalam sebagian besar CNN, metode
subsampling yang digunakan adalah max pooling. Max pooling membagi
Output dari convolution layer menjadi beberapa grid kecil lalu mengambil
nilai maksimal dari setiap grid untuk menyusun matriks citra yang telah
direduksi seperti yang ditunjukkan pada Error! Reference source not
ound.. Grid yang berwarna merah, hijau, kuning dan biru merupakan
kelompok grid yang akan dipilih nilai maksimumnya. Sehingga hasil
dari proses tersebut dapat dilihat pada kumpulan grid disebelah kanannya.
Proses tersebut memastikan fitur yang didapatkan akan sama meskipun
objek citra mengalami translasi (pergeseran) seperti pada Gambar 2.5.
10
Penggunaan pooling layer pada CNN hanya bertujuan untuk
mereduksi ukuran citra sehingga dapat dengan mudah digantikan dengan
sebuah convolution layer dengan stride yang sama dengan pooling layer
yang bersangkutan.
4. Fully connected layer
Layer tersebut adalah layer yang biasanya digunakan dalam penerapan
MLP dan bertujuan untuk melakukan transformasi pada dimensi data
agar data dapat diklasifikasikan secara linear. Setiap neuron pada
convolution layer perlu ditransformasi menjadi data satu dimensi terlebih
dahulu sebelum dapat dimasukkan ke dalam sebuah fully connected
layer. Karena hal tersebut menyebabkan data kehilangan informasi
spasialnya dan tidak reversibel, fully connected layer hanya dapat
diimplementasikan di akhir jaringan. Convolution layer dengan ukuran
kernel 1 x 1 melakukan fungsi yang sama dengan sebuah fully connected
layer namun dengan tetap mempertahankan karakter spasial dari data.
2.1.3 Python
Python adalah bahasa pemrograman model skrip (scripting language)
yang berorientasi obyek. Python dapat digunakan untuk berbagai keperluan
pengembangan perangkat lunak dan dapat berjalan di berbagai platform sistem
operasi. Python merupakan bahasa pemrograman yang freeware atau perangkat
bebas dalam arti sebenarnya, tidak ada batasan dalam penyalinannya atau
mendistribusikannya. Lengkap dengan source codenya, debugger dan profiler,
antarmuka yang terkandung di dalamnya untuk pelayanan antarmuka, fungsi
sistem, GUI (antarmuka pengguna grafis), dan basis datanya.
Python adalah salah satu bahasa pemrograman tingkat tinggi yang
bersifat interpreter, interaktif, object-oriented dan dapat beroperasi di hampir
semua platform, seperti keluarga UNIX, mac, windows, dan lainnya. Sebagai
bahasa tingkat tinggi, Python termasuk salah satu bahasa pemrograman yang
mudah untuk dipelajari karena sintaks yang jelas dan elegan, dikombinasikan
11
dengan penggunaan modul-modul siap pakai dan struktur data tingkat tinggi
yang efisien.
2.1.4 MySQL
Istilah SQL dapat diartikan sebagai suatu bahasa yang digunakan untuk
mengakses suatu data dalam database relasional dan terstruktur sedangkan
MySQL dalam hal ini menjadi software atau tools untuk mengelola atau
memanajemen SQL dengan menggunakan Query atau Bahasa khusus. Pada
dasarnya database yang dikelola dalam MySQL memang tidak jauh berbeda
dari Microsoft Acces yakni berbentuk tabel – tabel yang berisi informasi
tertentu. Perbedaannya terletak pada penggunaan serta
pengelolaan database tersebut.
MySQL ini tergolong suatu software yang open source dan berlisensi
GPL atau General Public License. Lisensi GPL ini hanya ditujukan pada
perangkat lunak tertentu untuk keperluan proyek GNU, inilah yang menjadi
faktor banyaknya pengguna MySQL di seluruh dunia. Selain mudah
digunakan, anda dapat mengelola data dengan lebih efektif karena
menggunakan script atau Bahasa tertentu dan secara otomatis akan menjadi
perintah ke sistem.
Beberapa fitur lain yang ada pada MySQL saat ini tersedianya tipe
data yang sangat beragam seperti Float, Double, Char, Date dan lain – lain.
MySQL juga mendukung penggunaan field sebagai index serta memiliki
tingkat keamanan yang cukup bagus dengan adanya Subnetmask, nama Host
serta sandi yang terenkripsi.
2.1.5 XAMPP
XAMPP Ialah perangkat lunak bebas yang mendukung banyak sistem
operasi, merupakan campuran dari beberapa program yang mempunyai
fungsi sebagai server yang berdiri sendiri (localhost), yang terdiri dari program
12
mysql database, apache, http, server, dan penerjemah ditulis dalam bahasa
pemrograman php dan perl.
13
2.1.6 Android Studio
Template kode dan integrasi GitHub untuk membuat fitur aplikasi yang
sama dan mengimpor kode contoh
Antarmuka Pengguna
Jendela utama Android Studio terdiri dari beberapa bidang logika yang
diidentifikasi dalam Gambar 2.7.
14
Gambar 2. 7 Jendela utama Android Studio
4. Bilah jendela alat muncul di luar jendela IDE dan berisi tombol yang
memungkinkan untuk meluaskan atau menciutkan jendela alat
individual.
6. Bilah status menampilkan status proyek Anda dan IDE itu sendiri, serta
setiap peringatan atau pesan.
15
2.2 Hardware yang Digunakan
Dalam tugas akhir ini terdapat beberapa hardware yang di gunakan, antara
lain :
Gambar 2. 8 Kamera
Kamera adalah alat pengambilan gambar seperti pada Gambar 2.8. Kamera
ini nantinya digunakan untuk sebagai CCTV untuk merekam video. Kamera
terdiri dari berbagai macam ukuran yang dibedakan dalam hal performa,
kualitas dan pemakaian.
2.2.2 Laptop / PC
Laptop adalah komputer bergerak (bisa dipindahkan dengan mudah) yang
berukuran relatif kecil dan ringan, beratnya berkisar dari 1-6 kg, tergantung
ukuran, bahan, dari spesifikasi laptop tersebut, laptop dapat digunakan dalam
lingkungan yang berbeda dari komputer. Mereka termasuk layar, keyboard,
16
dan trackpad atau trackball, yang berfungsi sebagai mouse . Karena laptop
dimaksudkan untuk digunakan di mana saja, Laptop memiliki baterai yang
memungkinkan untuk beroperasi tanpa terhubung ke stopkontak (sumber
listrik). Laptop juga termasuk adaptor daya yang memungkinkan untuk
menggunakan daya dari stopkontak dan mengisi kembali baterai.
17
Laptop biasanya menggunakan teknologi layar tipis.terdiri dari transistor
atau layar matriks aktif lebih cerah dan pandangan yang lebih baik pada sudut
yang berbeda dari STN atau layar dual-scan. Laptop menggunakan beberapa
pendekatan yang berbeda untuk mengintegrasikan mouse ke dalam keyboard,
termasuk touch pad ,trackball , dan pointing stick. Sebuah port serial juga
memungkinkan mouse biasa bisa terpasang. PC Card adalah perangkat keras
insertable untuk menambahkan modem atau network card ke laptop. CD-ROM
dan digital hard disk serbaguna memungkin built-in atau attachable.
2.2.3 Arduino
Pada Gambar 2.9 Arduino Uno adalah kit elektronik atau papan
rangkaian elektronik open source yang di dalamnya terdapat komponen utama,
yaitu sebuah chip mikrokontroler dengan jenis AVR dari perusahaan Atmel.
Mikrokontroler itu sendiri adalah chip atau IC (integrated circuit) yang bisa
diprogram menggunakan komputer. Tujuan menanamkan program pada
mikrokontroler adalah agar rangkaian elektronik dapat membaca input,
memproses input tersebut dan kemudian menghasilkan output sesuai yang
diinginkan. jadi mikrokontroler bertugas sebagai ‘otak’ yang mengendalikan
input, proses dan output sebuah rangkaian elektronik.
18
Software Arduino Yang juga open source, meliputi software Arduino
IDE untuk menulis program dan driver untuk koneksi dengan komputer.
Tegangan Operasi 5V
Tegangan Input (disarankan) 7—12V
Batas Tegangan
6—2OV
Input
Pin Digital I/O 14 (di mana 6 pin output PWM)
Pin Analog Input 6
Arus DC per I/O Pin 40 mA
Arus DC untuk pin 3.3V 50 mA
32 KB (ATmega328) , di mana 0,5 KB
Flash Memory
digunakan olehbootloader
SRAM 2 KB (Atmega328)
EEPROM 1 KB (Atmega328)
Clock 16 MHz
2.2.4 Relay
19
Gambar 2. 10 Modul Relay
20
BAB 3
METODOLOGI PENELITIAN
Mulai A
Analisa Kebutuhan
Sistem Pengujian Sistem
Perancangan Alat Ya
Analisa Implementasi
Sistem
Pembuatan Hardware
Pembuatan Laporan
A
Selesai
21
Berdasarkan flowchart Alur penelitian pada Gambar 3.1 dapat dijelaskan
bahwasanya penelitian Tugas Akhir ini dimulai dengan mengidentifikasi
permasalahan dari lingkungan sekitar, baik berupa permasalahan yang ada di
industri maupun di masyarakat. Dari beberapa permasalahan tersebut dipilih mana
yang dapat diangkat di Tugas Akhir dengan melakukan kajian studi pustaka dari
literatur yang sudah ada. Setelah identifikasi masalah selesai dilanjutkan ke proses
menganalisa berbegai kebutuhan sistem yang diperlukan, baik berupa hardware,
software, dan mekanik, kemudian dilanjutkan dengan melakukan perancangan
hardware dan mekanik sesuai konsep tersebut. Setelah perancangan plant selesai
dilanjutkan dengan pembuatan berbagai aplikasi yang diperlukan sebagai
monitoring dan controling dari kinerja alat tersebut. Setelah hardware, software
dan mekanik selesai, perlu dilakukan integrasi antara komponen dan komponen
penunjangnya supaya sistem dapat diijalankan. Setelah alat dapat bekerja sesuai
proses yang sudah ditentukan dan dapat termonitori dengan jelas maka perlu
dilakukan analisa dan pembahasan mengenai kinerja plan tersebut supaya dapat
diketahui berbagai permasalahan dan penyelesaian dari plan.
Berdasarkan Flowchart Alur Penelitian diatas, dapat dijelaskan di uraian
berikut :
a. Identifikasi Masalah
Pada tahap ini dilakukan identifikasi beberapa permasalahan yang di
dapatkan pada saat melakukan pengamatan sehingga dapat dilakukan sebuah
penelitian. Masalah yang terjadi pada kamera CCTV salah satunya adalah
kapasitas penyimpanan yang terbatas. Selain itu waktu yang dibutuhkan untuk
mengamati sebuah kejadian dalam rekaman CCTV. Dan juga kurang
efektifitasannya dalam memonitoring sebuah ruangan serta pemborosan
energi. Dari beberapa masalah diatas, penulis dapat mengambil judul sebagai
22
tugas akhir yaitu “ Rancang Bangun Sistem Smart CCTV untuk Efektivitas
Energi Berbasis YOLO CNN dan Android di Laboratorium Otomasi PPNS ”.
c. Studie Literature
Studi literature akan dilakukan untuk pemahaman konsep, teori, dan
teknologi yang akan digunakan dapat berupa referensi dari internet, paper, e-
book, serta dokumentasi dari komponen teknologi yang akan digunakan.
Sebelum melangkah ke dalam pengerjaan sistem dari tugas akhir ini hal yang
perlu dilakukan adalah observasi, karena dengan melakukan observasi terlebih
dahulu dapat mempermudah apa saja yang dilakukan dalam membuat tugas
akhir. Dalam observasi dapat mengetahui kondisi nyata di lab. Otomasi tentang
semua yang berhubungan dengan rumusan masalah yang telah di tentukan
dalam tugas akhir ini.
Menyimpan Menyimpan
Video Aktuator Plan Video
Kontroler
+ text Laptop
Kotak Mendeteksi
Input + Indikator Manusia Output
Sensor
Kamera
23
Berdasarkan Gambar 3.2 Diagram Blok Sistem Image untuk mendeteksi
manusia di area yang tertangkap kamera. Penggunaan kontroler menggunakan
laptop adalah untuk menjalankan metode yang digunakan yaitu YOLO CNN. Hasil
pengontrolan ini akan didapatkan video yang berisi pengklaisfikasian adanya
manusia atau tidak.
Sensor
Kamera
Mendeteksi
Orang
24
Berdasarkan Gambar 3.4 Diagram Blok Kontrol untuk mengatur timer selang
waktu antara lampu hidup ke mati. Pertama mengatur timer yang ingin ditentukan
melalui android. Lalu tinggal menunggu saja lampu akan mati otomatis sesuai timer
yang diatur ketika tidak mendeteksi manusia.
Input Output
Lampu
Kamera YOLO CNN
Video
User
Android Laptop
25
3.2.5 Flowchart Sistem
MULAI
KONDISI
AWAL RELAY
CLOSE LOOP
KAMERA
PENGOLAH VIDEO
DENGAN YOLO
CNN
APAKAH MENDETEKSI
ADANYA MANUSIA ATAU
TIDAK ?
TIDAK
YA
SELANG WAKTU
3/5/7 MENIT
OPEN
PENYIMPANAN
LOOP
KE DATABASE
RELAY
DITERUSKAN
KE ANDROID
SELESAI
26
Berdasarkan flowchart pada Gambar 3.6 sistem diatas kamera bertindak
sebagai alat perekam layaknya sensor. Kemudian hasil dari perekaman tadi
akan diproses di laptop dengan sistem YOLO (You Only Look Once). Sistem
ini nantinya dapat mendeteksi manusia. Setelah itu dalam perekaman di video
itu apakah didalamnya ada manusia atau tidak. Jika ada maka akan lanjut ke
proses selanjutnya yaitu penyimpanan ke cloud storage dan nanti akan
diteruskan ke pengguna melalui perangkat android. Jika tidak ada manusia
maka selang 1 menit atau lebih akan mematikan perangkat elektronik di
ruangan tersebut melalui perubahan yang terjadi pada coil di relay.
27
3. Mikrokontroler (Arduino)
Arduino berfungsi sebagai mikrokontroler agar dapat mengatur relay
(close loop/open loop) sebagai aktuator. Selain itu agar dapat mengatur jeda
waktu yang ditentukan untuk mengubah coil pada relay tersebut. Penulis
memilih Arduino sebagai mikrokontroler karena mudah dalam penggunaan dan
penerapannya.
4. Modul Relay
Relay ini dibutuhkan sebagai aktuator untuk mematikan perangkat alat
elektronik. Relay yang digunakan adalah relay yang menggunakan
electromagnet 5v dan 50 mA yang mampu menggerakkan armature (yang
berfungsi sebagai saklarnya) untuk menghantarkan listrik 220v dan 2A.
5. Lampu
Lampu ini digunakan sebagai indicator apakah relay bekerja atau tidak. Dan
juga digunakan untuk sebagai contoh perangkat listrik yang digunakan dalam
rancang bangun sistem smart CCTV ini.
Kamera
Kayu
V
0
22
am
hl
Bo
ga
ang
ny
Pe
Penyangga
28
Gambar 3. 8 Rancangan Alat tampak depan (3D)
29
Pada Gambar 3.8 sampai Gambar 3.10 ditampilkan rancangan alat yang
akan dibuat oleh penulis. Rancangan alat tersebut terdiri dari:
1 buah kamera
2 buah bohlam 220 V AC
1 penyangga yang terbuat dari kayu
Alat tersebut kira-kira tingginya sekitar 2 meter, sedangkan lebarnya 1
meter.
KETERANGAN :
KONEKSI
= MENGGUNAKAN
KABEL
KONEKSI
= MENGGUNAKAN
WIRELESS
30
3.5 Perancangan Software
Processing
Akuisi Data
Konvolusi Konvolusi
Max Pooling
Pre-Processing Citra Citra
Kernel
Training dataset
Output Softmax Dataset
dengan YOLO CNN
YOLO adalah singkatan dari You Only Look Once. Ini adalah detektor
objek yang menggunakan fitur yang dipelajari oleh deep convolutional neural
network untuk mendeteksi objek. Sebelum itu, kita harus memahami cara kerja
YOLO.
31
Gambar 3. 13 Arsitektur Pengolah Citra
32
3.7 Cara Pembacaan Citra
Ada beberapa tahapan dalam mengolah citra supaya dapat
diinputkan ke dalam fully connected layer. Berikut beberapa tahapan dalam
mengolah citra.
Tahap 1 : Memecah gambar menjadi gambar yang lebih kecil, hasil dari
proses konvolusi dapat diilustrasikan seperti pada Gambar 3.14.
Pada Gambar 3.14, gambar asli dari seorang anak kecil dapat
dipecah menjadi 77 gambar yang lebih kecil dengan konvolusi
yang sama.
33
untuk semua bagian dari masing-masing gambar kecilnya, dengan
menggunakan filter yang sama. Dengan kata lain, setiap bagian gambar
akan memiliki faktor pengali yang sama, atau dalam konteks neural
network disebut sebagai weights sharing. Jika ada sesuatu yang tampak
menarik di setiap gambarnya, maka akan ditandai bagian itu
sebagai object of interest.
34
Tahap 4 : downsampling. Pada tahap ke-3, data array masih terlalu
besar, maka untuk mengecilkan ukuran array nya
digunakan downsampling yang penggunaannya dinamakan max
pooling atau mengambil nilai pixel terbesar di setiap pooling
kernel. Dengan begitu, sekalipun mengurangi jumlah parameter,
informasi terpenting dari bagian tersebut tetap diambil.
Pada Gambar 3.18 dijelaskan cara dari mulai input image sampai
menjadi output sehingga dapat mengklasifikasikan sebuah gambar yang
diinginkan.
35
Tabel 3. 1 Daftar Software yang Diperlukan
3.9 Dataset
Dataset merupakan objek yang merepresentasikan data dan relasi
yang telah dibuat pada penyimpanan. Dataset ini digunakan untuk
klasifikasi objek. Semakin banyak variasi input dataset yang dibuat semakin
tinggi juga akurasi kalsifikasinya, tapi semakin berat jalannya sebuah
program yang berpengaruh pada PC/laptop yang digunakan. Dataset yang
diguakan kali ini merupakan gambar manusia dari berbagai sudut
penglihatan.
Gambar manusia
dari arah depan, 150
pria dan wanita
Gambar manusia
dari arah
150
samping, pria dan
wanita
36
Tabel 3. 3 Dataset yang Digunakan (Lanjutan)
Gambar manusia
dari arah
150
belakang, pria dan
wanita
Pada Tabel 3.3 terdapat beberapa varian posisi manusia. Varian posisi ini
dimaksudkan supaya kalsifikasi dapat memperoleh data yang maksimal dan akurat,
walaupun gambar menghadap ke banyak arah. Pengambilan dataset ini juga
dipengaruhi oleh kualiatas kamera yang digunakan beserta pencahayaan. Semakin
bagus dataset yang diambil semakin bagus juga kalsifikasi yang diperoleh. Dari
keseluruhan dataset yang telah diambil yaitu berjumlah sekitar 450 gambar
manusia.
37
Halaman Ini Sengaja Dikosongkan
38
BAB 4
HASIL DAN PEMBAHASAN
Pada bab 4 ini membahas tentang hasil pengujian dan analisis data dari
komponen-komponen penunjang Tugas Akhir ini. Peneliti melakukan pengujian
untuk memastikan komponen-komponen berjalan sesuai dengan rancangan yang
telah dibuat. Adapun beberapa pengujian yang dilakukan sebagai berikut :
1. Pengujian Hardware : terdiri dari pengujian kamera dan relay
2. Pengujian Software : terdiri dari pengujian interface dan metode
3. Pengujian Sistem : terdir dari pengujian sistem secara keseluruhan
Berikut ini adalah penjelasan dari masing-masing pengujian yang dilakukan
dari Tugas Akhir ini.
Keterangan :
Xi = Nilai pengukuran pada kontroler
Xp = Nilai pengukuran sesungguhnya pada alat ukur
Berikut adalah hasil pengujian tingkat keakuratan dan error dari masing – masing
komponen yang digunakan pada Tugas Akhir ini.
39
4.1.1 Kamera
40
Tabel 4. 1 Hasil Deteksi pada Pencahayaan Tertentu
41
Tabel 4. 2 Hasil Deteksi pada Pencahayaan Tertentu (Lanjutan)
Dari Tabel 4.1 dan 4.2 merupakan hasil dari pengujian intensitas cahaya
terhadap objek yang akan dideteksi. Pada ruangan dengan lux 172,6 sampai
15,90 terlihat bahwa kamera dapat mengenali objek yang dideteksi yaitu
manusia. Sedangkan pada lux 2,49 kamera tidak dapat mengenali bahwa
diruangan tersebut terdapat manusia.
4.1.2 Relay
Percobaan modul relay ini dilakukan dengan menggunakan metode sebagai
berikut:
1. Membuat rangkaian komunikasi antara modul relay dengan Arduino yaitu
menghubungkan :
VCC relay 5 v Arduino
GND relay GND Arduino
IN relay pin 13 Arduino
2. Membuat program on off menggunakan software Arduino
3. Membuat inialisasi pada software, 1 artinya on dan 2 artinya off
42
Modul relay 1
channel
Gambar 4. 3 Rangkaian Modul Relay Dengan Arduino Uno
43
Pada Gambar 4.5 terlihat bahwa ketika kita mengetik angka
2 pada serial monitor, maka lampu akan mati. Mati lampu ini
disebabkan oleh relay yang langsung terhubung dengan lampu.
44
4.3 Pengujian Software
Keterangan
No Gambar 1 Gambar 2
Layer
Gambar
1.
Asli
2. Konvolusi 1
Max
3.
Pooling 1
47 x 73 47 x 73
45
Tabel 4. 5 Proses Feature Map (Lanjutan)
Keterangan
No Gambar 1 Gambar 2
Layer
4. Konvolusi 2
Max
5.
Pooling 2
47 x 72 47 x 72
6. Konvolusi 3
7. Konvolusi 4
46
Tabel 4. 6 Proses Feature Map (Lanjutan)
Keterangan
No Gambar 1 Gambar 2
Layer
Max
9.
Pooling 3
47 x 72 47 x 72
Dari Tabel 4.2 sampai Tabel 4.4 terlihat perubahan pada tiap-
tiap proses yang dilakukan. Proses tersebut bertujuan untuk
memperkecil ukuran matrix /gambar yang nantinya akan digunakan
sebagai input pada proses connected layer.
47
akan mengubah gambar diatas menjadi sebuah array yang berukuran 10 x
10 seperti pada Gambar 4.8.
255 255 255 255 255 255 255 255 255 255
255 255 255 255 255 255 255 255 255 255
(A)
48
(B)
(C)
49
Pada proses perhitungan manual akan menghasilkan sebuah array
baru yang berukuran 8 x 8. Untuk nilai keseluruhan dapa dilihat pada
Gambar 4.12.
197 141 140 141 197 226 255 255
50
4.3.3 Training Dataset
Setelah proses konvolusi citra maka masuk ke tahap training. Tahap
ini dilakukan menggunakan aplikasi spyder dengan dibantu library keras.io.
keras adalah library untuk jaringan syaraf tingkat lanjut dengan skala
komputasi yang besar (deep learning). Pada proses pemrograman tahap ini
memerlukan algoritma semua library yang diperlukan. Seperti dense yang
merupakan variable untuk mendeklarasi penentuan Neuron pada hidden
layer, activation untuk menentukan aktivasi yang digunakan. Fasilitas
Convolution 2D sebagai proses konvolusi citra dengan berbagai karnel
didalamnya serta Maxpool 2D untuk proses subsampling dimana matrix
max pooling dapat diatur sesuai kebutuhan.
Pada tahap ini diperlukan dataset yang telah disiapkan seperti pada
bab sebelumnya. Dengan total dataset yang ditentukan berjumlah 750 citra,
akan di bagi untuk kebutuhan tahap ini. Bagaimana sistem pembagian
dataset dan spesifikasinya dapat dilihat pada Tabel 4.7.
51
Tabel 4. 8 Vektor Output (biner) dan Klasifikasinya
52
Dengan menggunakan konfigurasi seperti diatas, didapatkan akurasi
data validasi sebesar 90%. Saat konfigurasi diatas dilakukan beberapa
testing dan semuanya menunjukkan jawaban yang benar. Adapun lebih
jelasnya dapat dilihat grafik akurasi pada Gambar 4.14.
53
Pada Gambar 4.15 nilai rata-rata kesalahan untuk data training
dimulai pada kisaran 0.1 dan bergerak mendekati 0.00 setelah iterasi ke 20.
Pada akhirnya berjalan stabil hingga epoch ke 70.
54
Gambar 4. 17 Grafik MSE Hidden Neuron 128
55
Gambar 4. 18 Grafik Training Akurasi Hidden Neuron 192
56
4. Training dengan neuron 256
Percobaan training pertama menggunakan Hidden Neuron 256
dengan konfigurasi sebagai berikut :
- Jumlah Epoch = 70
- Fungsi Aktivasi = sigmoid
- Learning = 347 menit
- Hidden Neuron = 256
Dengan menggunakan konfigurasi seperti diatas, didapatkan akurasi
data validasi sebesar 100%. Adapun lebih jelasnya dapat dilihat grafik
akurasi.
Gambar 4.20 menunjukkan hasil konfigurasi dengan menggunakan
Hidden Neuron 256. Pada grafik akurasi dengan Hidden Neuron 256 lebih
cenderung stabil mulai epoch 9 pada 99%. Hingga sampai epoch 70 nilai
iterasi tetap stabil diantara range nilai mendekati 1.
57
Gambar 4. 21 Grafik MSE Hidden Neuron 256
58
Gambar 4.22 merupakan hasil perekaman dari kamera yang sudah
berisi program YOLO untuk mendeteksi adannya manusia. Pada
gambar diatas manusia yang dideteksi hanya 1 orang, sedangkan
benda-benda yang disebelahnya tidak di deteksi. Pecobaan
pendeteksian manusia ini dilakukan dengan melihat kondisi ruangan
sebagai berikut :
Keterangan Tidak
No Gambar Terdeteksi
Gambar Terdeteksi
Hadap ke
1. depan, berdiri, 1 0
2 orang
Hadap ke
samping,
2. 1 0
berdiri, 2
orang
Hadap ke
3. samping, 1 0
duduk, 3 orang
59
Tabel 4. 10 Hasil Pendeteksi Manusia (Lanjutan)
Keterangan Tidak
No Gambar Terdeteksi
Gambar Terdeteksi
Hadap ke
4. depan, duduk, 1 0
3 orang
Hadap ke
belakang,
5. 1 0
berdiri, 2
orang
6. Hadap ke
belakang,
1 0
duduk, 2 orang
Hadap ke
belakang,
7. 1 0
duduk , 3
orang
Hadap ke
8. samping, 1 0
duduk, 2 orang
Hadap ke
9. samping, 1 0
duduk, 3 orang
Hadap ke
belakang,
10. 1 0
berdiri, 2
orang
60
Tabel 4. 11 Hasil Pendeteksi Manusia (Lanjutan)
Keterangan Tidak
No Gambar Terdeteksi
Gambar Terdeteksi
Hadap ke
11. samping, 1 0
duduk, 1 orang
Hadap ke
samping,
12. 1 0
berdiri, 3
orang
Hadap ke
belakang,
13. 1 0
berdiri, 2
orang
Hadap ke
14. belang, berdiri, 1 0
4 orang
Hadap ke
15. depan, berdiri, 1 0
4 orang
Hadap ke
15. depan, berdiri, 1 0
4 orang
Hadap ke
16. samping, 1 0
bediri, 2 orang
61
Tabel 4. 12 Hasil Pendeteksi Manusia (Lanjutan)
Keterangan Tidak
No Gambar Terdeteksi
Gambar Terdeteksi
Hadap ke
17 samping, 0 1
duduk, 0 orang
Hadap ke
18. depan, berdiri, 1 0
3 orang
Hadap ke
19. depan, berdiri, 1 0
5 orang
Hadap ke
samping,
20. 1 0
berdiri, 5
orang
Hadap ke
samping,
21. 1 0
berdiri, 2
orang
Hadap ke
belakang,
22. 1 0
berdiri, 4
orang
Hadap ke
23. depan, berdiri, 1 0
1 orang
62
Tabel 4. 13 Hasil Pendeteksi Manusia (Lanjutan)
Keterangan Tidak
No Gambar Terdeteksi
Gambar Terdeteksi
Hadap ke
belakang,
24. 1 0
berdiri, 1
orang
Hadap ke
25. depan, berdiri, 1 0
3 orang
Hadap ke
26. depan, bawa 1 0
kucing
Hadap ke
27. depan, bawa 1 0
kucing
Hadap ke
28. depan, dengan 1 0
kucing
Hadap ke
29. depan, dengan 1 0
kucing
30. kucing 0 1
63
Dari percobaan yang dilakukan pada Tabel 4.7 sampai 4.11
dapat disimpulkan bahwa sistem ini dapat mendeteksi manusia dari
sisi manapun dengan persentase 96,67 % yang artinya terjadi error
3,33 %. Pada Tabel 4.13 bagian akhir terdapat pengujian pada kucing
yang tidak dideteksi oleh sistem, yang artinya sistem benar-benar
hanya mendeteksi manusia.
64
Pada Gambar 4.24 merupakan database yang diterima dari
laptop/PC berupa video yang tersimpan beserta keterangan waktu
pengambilan video.
65
Gambar 4. 25 Interface pada Android
4.4 Timer
Pada tahap ini, peneliti akan melakukan pengujian timer pada ouput
(disini output yang digunakan adalah lampu sebagai indicator) apakah
berfungsi dengan baik atau tidak. Pertama yang kita lakukan adalah
membuka aplikasi android yang sudah tersedia seperti pada Gambar 4.26.
Klik disini
66
Setelah itu nanti akan diarahkan ke layer selanjutnya seperti pada
Gambar 4.27.
4.5 Pengujian Kinerja Penyimpanan Data
67
Berdasarkan Tabel 4.13 Pengujian Kinerja Data di Cloud Storage,
merupakan waktu delay yang diperoleh dari pengunggahan file ke cloud storage
yang memiliki delay error rata-rata sebesar 4,1 detik. Delay ini dipengaruhi oleh
kecepatan koneksi internet yang digunakan, semakin cepat koneksi internet yang
digunakan, semakin sedikit pula delay yang dihasilkan.
68
BAB 5
KESIMPULAN DAN SARAN
Pada tahapan ini merupakan bagian akhir pada penelitian tugas akhir ini,
tahapan ini berisi tentang kesimpulan dari penelitian yang telah dilakukan dan saran
untuk peneliti selanjutnya yang ingin mengambil topik tugas akhir ini.
5.1 Kesimpulan
Dari pengujian yang telah dilakukan, hasil penelitian pada tugas akhir ini
dapat disimpulkan bahwa :
1. Kinerja dari sistem YOLO CNN ini saat mendeteksi manusia memiliki
keakuratan berbeda-beda dari setiap arah yang berbeda. Umumnya
sistem ini dapat mendeteksi manusia jika manusia yang terdeteksi
berada pas ditengah frame kamera tanpa terhalang benda apapun.
Sedangkan jika ada sesuatu yang menghalangi kamera dalam
mengambil gambar manusia, maka sistem tidak akan bisa mendeteksi
keberadaan manusia tersebut. Dari percobaan yang telah dilakukan,
sistem mengalami tingkat keberhasilan sebesar 96,67 % dan error
sebesar 3,33 %.
2. Ketika video yang diupload ke database memiliki jumlah ukuran file
yang besar, maka akan butuh waktu lama untuk dapat memonitoring
dari android. Setelah dilakukan percobaan ternyata rata-rata
pengunggahan file ke database dengan durasi video 1 menit
membutuhkan waktu rata-rata 6 menit 30 detik.
3. Timer pada kontrol dari android berjalan dengan baik tapi memiliki
selisih waktu rata-rata 4,1 detik. Itu semua tergantung dari jarigan
internet yang digunakan.
69
5.2 Saran
Dari pengujian yang telah dilakukan dalam penelitian ini, maka
terdapat beberapa hal yang dapat diperhatikan dan ditingkatkan lagi pada
penelitian selanjutnya :
70
DAFTAR PUSTAKA
Kathuria, Ayoosh. 2018. “How to Implement a YOLO (v3) Object Detector from
Scratch in PyTorch: Part 1”, di
https://www.kdnuggets.com/2018/05/implement-yolo-v3-object-detector-
pytorch-part-1.html (diakses Januari 2019).
Nu’man Lutfi, Muhammad. 2018. “Pendeteksi Objek Api dan Boneka pada Robot
Pemadam Api Berkaki Menggunakan Video Processing Berbasis Mini PC”.
Surabaya:PPNS
71
Rizal Al Fatah, Mochammad. 2018. Rancang Bangun Sistem Monitoring
Evaporator And Condenser Tank With Vacuum System Unit ST. Penguapan
Berbasis Microcontroller PID Pada PT. PN X PG Ngadirejo. Surabaya:
PPNS.
72