Rancang Bangun Sistem Smart CCTV Untuk Efektivitas Energi Berbasis Yolo CNN Dan

TUGAS AKHIR (609502A)
RANCANG BANGUN SISTEM SMART CCTV UNTUK

EFEKTIVITAS ENERGI BERBASIS YOLO CNN DAN
ANDROID DI LABORATORIUM OTOMASI PPNS
Debri Hasbi Fathoni

NRP. 0915040041
DOSEN PEMBIMBING:
Dr. Eng. MOHAMMAD ABU JAMI’IN, S.T., M.T.
II MUNADHIF, S.ST., M.T.
PROGRAM STUDI D4 TEKNIK OTOMASI

JURUSAN TEKNIK KELISTRIKAN KAPAL
POLITEKNIK PERKAPALAN NEGERI SURABAYA
SURABAYA
2019
i
i
HALAMAN JUDUL
TUGAS AKHIR (609502A)

Debri Hasbi Fathoni

NRP. 0915040041
DOSEN PEMBIMBING:
Dr. Eng. MOHAMMAD ABU JAMI’IN, S.T., M.T.
II MUNADHIF, S.ST., M.T.
PROGRAM STUDI D4 TEKNIK OTOMASI

JURUSAN TEKNIK KELISTRIKAN KAPAL
SURABAYA
2019
i
Halaman Ini Sengaja Dikosongkan
ii
LEMBAR PENGESAHAN
TUGAS AKHIR
RANCANG BANGUN SISTEM SMART CCTV UNTUK EFEKTIVITAS

ENERGI BERBASIS YOLO CNN DAN ANDROID DI LABORATORIUM
OTOMASI PPNS
Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan

Program Studi Teknik Otomasi
Jurusan Teknik Kelistrikan Kapal
Disetujui oleh Tim penguji Tugas Akhir Tanggal Ujian : ……………..

Periode Wisuda : Oktober 2019
Mengetahui/menyetujui,
Dosen Penguji Tanda Tangan
1.1Penguji 1 (………………………………………)
2. Penguji 2 (………………………………………)
3. Penguji 3 (………………………………………)
4. Penguji 4 (………………………………………)
Dosen Pembimbing Tanda Tangan
1. Dr. Eng. Mohammad Abu Jami’in, S.T., M.T. (………………………)

2. Ii Munadhif, S.ST., M.T. (………………………)
Program Studi Teknik Otomasi

Jurusan Teknik Kelistrikan Kapal
Mengetahui/menyetujui Mengetahui/menyetujui
Ketua Jurusan, Koordinator Program Studi,
Mohammad Basuki Rahmat, S.T., M.T. Dr. Eng. Imam Sutrisno, S.T., M.T.
NIP. 197305222000031001 NIP. 199107102018031001
iii
iv
No. : F.WD I. 021
Date : 3 Nopember 2015
Rev. : 01
PERNYATAAN BEBAS PLAGIAT Page : 1 dari 1
PERNYATAAN BEBAS PLAGIAT
Yang bertandatangan dibawah ini :

Nama : Debri Hasbi Fathoni
NRP. : 0915040041
Jurusan/Prodi : Teknik Kelistrikan Kapal / Teknik Otomasi
Dengan ini menyatakan dengan sesungguhnya bahwa :
Tugas Akhir yang akan saya kerjakan dengan judul :

RANCANG BANGUN SISTEM SMART CCTV UNTUK EFEKTIVITAS
ENERGI BERBASIS YOLO CNN DAN ANDROID DI LABORATORIUM
OTOMASI PPNS
Adalah benar karya saya sendiri dan bukan plagiat dari karya orang lain.
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.
Surabaya, 29 Juli 2019
Yang membuat pernyataan,
( Debri Hasbi Fathoni )

NRP. 0915040041
v
vi
KATA PENGANTAR
Alhamdulillah, puji syukur kehadirat Allah SWT yang melimpahkan

segala rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir
yang menjadi salah satu syarat mutlak untuk menyelesaikan program studi Teknik
Otomasi jenjang Diploma-4 Politeknik Perkapalan Negeri Surabaya. Sholawat serta
salam kepada nabi Muhammad SAW yang telah menunjukkan dan mengajarkan
akhlak mulia sehingga didapatkan kenyamanan dan keramahan dalam berhubungan
dengan orang di sekitar.
Dengan segala kerendahan hati, Penulis menyadari penyelesaian dan
penyusunan Tugas Akhir ini tidak terlepas dari kerjasama, bantuan, dan bimbingan
dari berbagai pihak, sehingga pada kesempatan ini penulis mengucapkan
terimakasih yang sebesar-besarnya kepada :
1. Ibu tercinta Ida Purwani yang selalu mendoakan dan mendukung
penulis. Bapak Mujito yang selalu mengajarkan untuk yang terbaik bagi
penulis. Dan keluarga penulis yang selalu mendampingi penulis.
2. Bapak Ir. Eko Julianto, M.Sc., FRINA selaku Direktur Politeknik
Perkapalan Negeri Surabaya.
3. Bapak Moh. Basuki Rahmat, S.T., M.T. selaku Ketua Jurusan Teknik
Kelistrikan Kapal.
4. Bapak Dr. Eng. Imam Sutrisno, S.T., MT. selaku Koordinator Program
Studi Teknik Otomasi.
5. Bapak Dr. Eng. Mohammad Abu Jami’in, S.T., M.T. selaku
pembimbing 1 tugas akhir saya yang selalu siap memberikan waktu dan
bimbingannya, serta dapat memacu saya untuk segera menyelesaikan
tugas akhir.
6. Bapak Ii Munadhif, S.ST., M.T. selaku pembimbing 2 tugas akhir saya
yang selalu siap memberikan waktu dan bimbingannya, serta dapat
memacu saya untuk segera menyelesaikan tugas akhir.
7. Bapak dan Ibu Dosen Teknik Otomasi PPNS yang dapat memberikan
motivasi dan pengarahan dalam tugas akhir ini.
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,
Debri Hasbi Fthoni
viii
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
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
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
Tabel 2. 1 Spesifikasi Arduino Uno ..................................................................... 19

Tabel 3. 1 Daftar Software yang Diperlukan ……………………………………36
Tabel 3. 2 Dataset yang Digunakan ...................................................................... 36
Tabel 3. 3 Dataset yang Digunakan (Lanjutan) .................................................... 37
Tabel 4. 1 Hasil Deteksi pada Pencahayaan Tertentu…………………………...41
Tabel 4. 2 Hasil Deteksi pada Pencahayaan Tertentu (Lanjutan) ........................ 42
Tabel 4. 3 Percobaan Modul Relay On Off .......................................................... 44
Tabel 4. 4 Proses Feature Map ............................................................................. 45
Tabel 4. 5 Proses Feature Map (Lanjutan) ........................................................... 46
Tabel 4. 6 Proses Feature Map (Lanjutan) ........................................................... 47
Tabel 4. 7 Pembagian Dataset dan Spesifikasinya ............................................... 51
Tabel 4. 8 Vektor Output (biner) dan Klasifikasinya ........................................... 52
Tabel 4. 9 Hasil Pendeteksi Manusia ................................................................... 59
Tabel 4. 10 Hasil Pendeteksi Manusia (Lanjutan)................................................ 60
Tabel 4. 14 Waktu Upload Video ......................................................................... 65
Tabel 4. 15 Pengujian Kinerja Upload Data di Cloud Storage............................. 67
xv
xvi
DAFTAR GAMBAR
Gambar 2. 1 Real Time Detection ......................................................................... 5

Gambar 2. 2 Perbandingan Deteksi Objek dengan Klasifikasi ............................. 6
Gambar 2. 3 Jaringan Saraf Convolutional ........................................................... 6
Gambar 2. 4 Operasi Konvolusi (I Wayan Suartika E. P, 2016) ........................... 9
Gambar 2. 5 Operasi Max Pooling (I Wayan Suartika E. P,2016) ...................... 10
Gambar 2. 6 Antarmuka XAMPP........................................................................ 13
Gambar 2. 7 Jendela utama Android Studio ........................................................ 15
Gambar 2. 8 Kamera............................................................................................ 16
Gambar 2. 9 Arduino Uno ................................................................................... 18
Gambar 2. 10 Modul Relay ................................................................................. 20
Gambar 3. 1 Alur Penelitian…………………………………………………….21
Gambar 3. 2 Diagram Blok Sistem Image ........................................................... 23
Gambar 3. 3 Diagram Blok Sistem Smart CCTV ............................................... 24
Gambar 3. 4 Diagram Blok Kontrol .................................................................... 24
Gambar 3. 5 Konsep Blok Sistem ....................................................................... 25
Gambar 3. 6 Flowchart Sistem ............................................................................ 26
Gambar 3. 7 Rancangan Alat (2D) ...................................................................... 28
Gambar 3. 8 Rancangan Alat tampak depan (3D) ............................................... 29
Gambar 3. 9 Rancangan Alat tampak samping (3D) ........................................... 29
Gambar 3. 10 Rancangan Alat tampak dari sudut kiri (3D) ................................ 29
Gambar 3. 11 Rancangan Sistem ......................................................................... 30
Gambar 3. 12 Proses Pengolahan Gambar .......................................................... 31
Gambar 3. 13 Arsitektur Pengolah Citra ............................................................. 32
Gambar 3. 14 Hasil Konvolusi ............................................................................ 33
Gambar 3. 15 Pemasukan Gambar ke Small Neural Network ............................ 33
Gambar 3. 16 Mengubah Output Menjadi Array ................................................ 34
Gambar 3. 17 Max Pooling.................................................................................. 34
Gambar 3. 18 Cara Kerja CNN ........................................................................... 35
Gambar 4. 1 Webcam Modifikasi……………………………………………….40
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. 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
1.1 Latar Belakang

Pada era modern ini banyak sekali terjadi tindak kejahatan yang dilakukan
atas dasar sengaja ataupun karena ada kesempatan. Pada dasarnya semua manusia
punya rasa takut dan ingin merasa aman dengan lingkungan di sekitarnya. Dengan
majunya dunia teknologi sekarang, banyak orang memanfaatkan teknologi sebagai
alat pengaman ataupun pelindung diri dari berbagai macam kejahatan. Salah satu
teknologinya adalah kamera CCTV yang berguna untuk mengawasi atau mencegah
akan terjadinya tindak kriminal. Hampir setiap ruangan atau gedung-gedung
terutama di daerah perkotaan banyak ditemui kamera CCTV.
Kamera CCTV atau kepanjangan dari Closed Circuit Television adalah
sebuah kamera video digital yang berfungsi untuk memantau dan mengirimkan
sinyal video pada suatu ruang yang kemudian sinyal itu akan diteruskan ke sebuah
layar monitor. Fungsi kamera CCTV adalah untuk memantau keadaan dalam suatu
tempat yang biasanya berkaitan dengan keamanan atau tindak kejahatan. Jadi
apabila terjadi hal-hal kriminal akan dapat terekam kamera yang nantinya akan
dijadikan sebagai bahan bukti. Biasanya kamera CCTV dipasang pada tempat-
tempat umum seperti bank, bandara, hotel, tempat atm, universitas, dll. Pada saat-
saat tertentu kamera CCTV akan sangat berguna sebagai barang bukti, seperti
ketika terjadi pencurian dalam suatu ruangan atau peristiwa-peristiwa penting yang
tidak sempat dipantau oleh manusia.
Dibalik semua fungsi dan kegunaan dari kamera CCTV tersebut, ada
beberapa kelemahan yang semestinya diperbaiki dengan melihat teknologi yang
berkembang saat ini. Salah satu kelemahan kamera CCTV yaitu penyimpanan
perekaman yang terbatas dan tidak efisien. Dengan adanya fakta itu, penulis
mencoba memperbaiki masalah yang terjadi diatas. Penulis mencoba menyematkan
sebuah metode image processing pada kamera CCTV agar kamera CCTV tersebut
hanya menyimpan ketika mendeteksi adanya manusia. Dengan penyematan metode
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.
1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini antara lain :
1. Bagaimana implementasi monitoring manusia dalam suatu ruangan
berbasis YOLO (You Only Look Once).
2. Bagaimana implementasi rancangan sistem penyimpanan cloud storage
yang langsung terhubung dengan perangkat android.
3. Bagaimana implementasi rancangan alat dalam sistem kamera CCTV
untuk mematikan perangkat elektronik di Laboratorium Otomasi.
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
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:
2.1.1 YOLO (You Only Look Once)

Kebanyakan sistem deteksi sebelumnya menggunakan pengklasifikasian
atau localizer untuk melakukan deteksi dengan menerapkan model ke gambar
di beberapa lokasi atau skala dan memberi nilai pada gambar sebagai bahan
untuk pendeteksian. YOLO menggunakan pendekatan yang sangat berbeda
dengan algoritma sebelumnya, yakni menerapkan jaringan saraf tunggal pada
keseluruhan gambar. Jaringan ini akan membagi gambar menjadi wilayah-
wilayah kemudian memprediksi kotak pembatas dan probabilitas. Setiap kotak
wilayah pembatas ditimbang probalitasnya untuk mengklasifikasi sebagai
objek atau bukan seperti pada Gambar 2.1.
Gambar 2. 1 Real Time Detection
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.
Gambar 2. 2 Perbandingan Deteksi Objek dengan Klasifikasi
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.
Gambar 2. 3 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)
Cara menggunakan YOLO pertama adalah memasukkan gambar,

kemudian YOLO akan memproses dengan jaringan konvolusional dalam sekali
jalan. Dan keluar (output) menjadi 13x13x125 tensor yang menggambarkan
kotak pembatas untuk sel-sel grid. Yang terakhir adalah menghitung skor akhir
untuk kotak pembatas dan mambuang yang lebih rendah dari 30%.
2.1.2 CNN (Convolution Neural Network)

Secara umum konvolusi didefinisikan sebagai cara untuk
mengkombinasikan dua buah deret angka yang menghasilkan deret angka yang
ketiga. Secara matematis, konvolusi adalah integral yang mencerminkan
jumlah lingkupan dari sebuah fungsi a yang digeser atas fungsi b sehingga
menghasilkan fungsi c. Konvolusi dilambangkan dengan asterisk. Sehingga,
bila fungsi a dikonvolusikan dengan fungsi b menghasilkan fungsi c.
Konvolusi diskrit banyak digunakan dalam pengolahan citra untuk
image smoothing, edge detection dan efek-efek lainnya, konvolusi dilakukan
berdasarkan jumlah bobot dari piksel-piksel tetangga dengan bobot ditentukan
berdasarkan ukuran window berupa matriks. Window atau disebut juga sliding
window bergerak sepanjang piksel yang ada pada citra berukuran kecil yang
biasa disebut convolution mask atau convolution kernel. Orde matriks biasanya
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.
Gambar 2. 4 Operasi Konvolusi
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.
Gambar 2. 5 Operasi Max Pooling
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.
Nama xampp merupakan singkatan dari x (empat sistem operasi),

apache, mysql, php dan perl. Program ini tersedia di bawah GNU (general
public license) dan bebas. GNU ini mudah untuk menggunakan web server
yang dapat melayani tampilan halaman web yang dinamis seperti pada Gambar
2.6 ini yang merupakan tampilan antarmuka dari XAMPP
Gambar 2. 6 Antarmuka XAMPP
Bagian Penting pada XAMPP :

 Htdoc adalah folder untuk meletakkan file yang akan dijalankan, seperti
file PHP, HTML dan script lainnya.
 PhpMyAdmin adalah bagian untuk mengelola database MySQL yang
dikomputer. untuk membukanya, membuka browser dan ketik alamat
Http: // Localhost / PhpMyAdmin, halaman PhpMyAdmin akan muncul.
 Control panel yang berfungsi untuk mengelola layanan (service) XAMPP.
seperti stop service (berhenti), atau mulai.
13
2.1.6 Android Studio
Android Studio adalah Lingkungan Pengembangan Terpadu - Integrated

Development Environment (IDE) untuk pengembangan aplikasi Android,
berdasarkan IntelliJ IDEA . Selain merupakan editor kode IntelliJ dan alat
pengembang yang berdaya guna, Android Studio menawarkan fitur lebih
banyak untuk meningkatkan produktivitas saat membuat aplikasi Android,
misalnya:
 Sistem versi berbasis Gradle yang fleksibel
 Emulator yang cepat dan kaya fitur
 Lingkungan yang menyatu untuk pengembangan bagi semua perangkat

Android
 Instant Run untuk mendorong perubahan ke aplikasi yang berjalan tanpa

membuat APK baru
 Template kode dan integrasi GitHub untuk membuat fitur aplikasi yang
sama dan mengimpor kode contoh
 Alat pengujian dan kerangka kerja yang ekstensif
 Alat Lint untuk meningkatkan kinerja, kegunaan, kompatibilitas versi,

dan masalah-masalah lain
 Dukungan C++ dan NDK
 Dukungan bawaan untuk Google Cloud Platform, mempermudah

pengintegrasian Google Cloud Messaging dan App Engine
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
1. Bilah alat untuk melakukan berbagai jenis tindakan, termasuk

menjalankan aplikasi dan meluncurkan alat Android.
2. Bilah navigasi membantu bernavigasi di antara proyek dan membuka file

untuk diedit. Bilah ini memberikan tampilan struktur yang terlihat lebih
ringkas dalam jendela Project.
3. Jendela editor adalah tempat untuk membuat dan memodifikasi kode.

Bergantung pada jenis file saat ini, editor dapat berubah. Misalnya,
ketika melihat file tata letak, editor menampilkan Layout Editor.
4. Bilah jendela alat muncul di luar jendela IDE dan berisi tombol yang
memungkinkan untuk meluaskan atau menciutkan jendela alat
individual.
5. Jendela alat memberikan akses ke tugas tertentu seperti pengelolaan

proyek, penelusuran, kontrol versi, dan banyak lagi.
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 :
2.2.1 Kamera Web

CCTV menggunakan kamera video untuk menampilkan dan merekam
gambar pada waktu dan tempat di mana pun perangkat dipasangkan. CCTV
adalah singkatan dari Closed Circuit Television, yang menyiratkan viktimisasi
sinyal buatan tertutup atau tersembunyi, berbeda dengan sinyal siaran TV
biasa.
CCTV banyak digunakan untuk sistem keamanan komplementer dan juga

digunakan secara luas di berbagai lokasi seperti bandara, militer, kantor,
pabrik, dan toko. Bahkan banyak teknologi canggih, CCTV telah dimasukkan
ke dalam suasana rumah non-publik.
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.
Laptop secara signifikan lebih lambat daripada komputer desktop. tetapi

kemajuan teknologi manufaktur telah memungkinkan laptop melakukan
hampir sama dengan Komputer PC desktop. Bahkan, laptop high-end sering
melakukan lebih baik daripada komputer desktop yang mempunyai spesifikasi
rendah. Kebanyakan laptop juga mencakup beberapa I / O port, seperti USB
port, yang memungkinkan keyboard standar dan mouse untuk digunakan
dengan laptop. Laptop modern sering termasuk adaptor jaringan nirkabel /
wireless, yang memungkinkan pengguna untuk mengakses Internet tanpa
memerlukan kabel.
Sebuah komputer laptop, biasanya disebut komputer notebook oleh

produsen, terdiri dari baterai atau AC-powered komputer pribadi umumnya
lebih kecil daripada tas yang dapat dengan mudah diangkut dan mudah
digunakan di perpustakaan, kantor,atau pada pertemuan tertentu. Sebuah laptop
biasanya berat kurang dari 5 kg tergantung ketebalannya. Di antara pembuat
paling terkenal dari komputer laptop adalah IBM, Apple, Compaq, Dell, dan
Toshiba.
Laptop komputer umumnya lebih biaya dari komputer desktop dengan

kemampuan yang sama karena mereka lebih sulit untuk merancang dan
memproduksi. Sebuah laptop secara efektif dapat berubah menjadi sebuah
komputer desktop dengan docking station , bingkai hardware yang memasok
koneksi untuk input / output perangkat periferal seperti printer atau monitor
yang lebih besar. Port replikator memungkinkan Anda untuk menghubungkan
laptop ke sejumlah peripheral melalui colokan tunggal.
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
Gambar 2. 9 Arduino Uno
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.
Secara umum, Arduino terdiri dari dua bagian, yaitu:
 Hardware papan PCB input/output (I/ O) yang open source.
18
 Software Arduino Yang juga open source, meliputi software Arduino
IDE untuk menulis program dan driver untuk koneksi dengan komputer.
Arduino Uno adalah papan mikrokontroler berbasis ATmega328 yang

memiliki 14 pin digital input/output (di mana 6 pin dapat digunakan sebagai
output PWM), 6 input analog, clock speed 16 MHZ, koneksi USB, jack listrik,
header ICSP, dan tornbol reset. Board ini menggunakan daya yang terhubung
ke komputer dengan kabel USB atau daya eksternal dengan adaptor AC-DC
atau baterai.
Tabel 2. 1 Spesifikasi Arduino Uno
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
Relay adalah Saklar (Switch) yang dioperasikan secara listrik dan

merupakan komponen Electromechanical (Elektromekanikal) yang terdiri dari
2 bagian utama yakni Elektromagnet (Coil) dan Mekanikal (seperangkat
Kontak Saklar/Switch) seperti pada Gambar 2.13. Relay menggunakan Prinsip
Elektromagnetik untuk menggerakkan Kontak Saklar sehingga dengan arus
listrik yang kecil (low power) dapat menghantarkan listrik yang bertegangan
lebih tinggi. Sebagai contoh, dengan Relay yang menggunakan Elektromagnet
5V dan 50 mA mampu menggerakan Armature Relay (yang berfungsi sebagai
saklarnya) untuk menghantarkan listrik 220V 2A seperti pada Gambar 2.10.
19
Gambar 2. 10 Modul Relay
Modul relay ini dapat digunakan sebagai switch untuk menjalankan

berbagai peralatan elektronik. Misalnya lampu listrik, motor listrik, dan
berbagai peralatan elektronik lainnya.
Kendali ON/OFF switch (relay) sepenuhnya ditentukan oleh nilai output
sensor, yang setelah diproses mikrokontroler akan menghasilkan perintah
kepada relay untuk melakukan fungsi ON/OFF.
Fungsi dan Aplikasi Relay

Beberapa fungsi Relay yang telah umum diaplikasikan kedalam peralatan
Elektronika diantaranya adalah :
1. Relay digunakan untuk menjalankan Fungsi Logika (Logic Function)
2. Relay digunakan untuk memberikan Fungsi penundaan waktu (Time Delay
Function)
3. Relay digunakan untuk mengendalikan Sirkuit Tegangan tinggi dengan
bantuan dari Signal Tegangan rendah.
4. Ada juga Relay yang berfungsi untuk melindungi Motor ataupun
komponen lainnya dari kelebihan Tegangan ataupun hubung singkat
(Short).
20
BAB 3
METODOLOGI PENELITIAN
3.1 Alur Penelitian

Dalam bab ini akan menjelaskan langkah-langkah tugas akhir untuk
memecahkan permasalahan yang ada, sehingga proses penelitian tugas akhir ini
dapat berjalan sesuai tujuan. Alur Penelitian pada tugas akhir ini, ditunjukan
flowchart pada gambar 3.1.
Mulai A
Identifikasi Masalah Pembuatan Software
Studi Literatur Pengolahan Metode
Analisa Kebutuhan
Sistem Pengujian Sistem
Perancangan Sistem Tidak

Uji Coba
Berhasil ?
Perancangan Alat Ya
Analisa Implementasi
Sistem
Pembuatan Hardware
Pembuatan Laporan
A
Selesai
Gambar 3. 1 Alur Penelitian
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 :
3.2 Tahap Identifikasi Awal

Tahap identifikasi merupakan langkah awal dalam pelaksanan penelitian
sehingga dapat dilakukan identifikasi permasalahan serta tujuan yang akan dicapai.
Adapun isi dari tahap ini digambarkan sebagai 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 ”.
b. Penetapan Tujuan dan Rumusan Manfaat Penelitian

Pada tahap ini dilakukan penetapan tujuan apa yang ingin dicapai dan
manfaatnya bagi pihak terkait serta bagi penelitian selanjutnya. Tahap ini
sebagai dasar tentang apa yang akan dilakukan selama penelitian. Rumusan
masalah ini adalah berkaitan dengan pembuatan prototype sistem Smart CCTV
yang akan diterapkan di lab. Otomasi. Oleh sebab itu tujuan dari penelitian ini
untuk efektivitas energi, baik itu energi listrik, waktu, bahkan energi fisik.
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.
3.2.1 Diagram Blok Sistem Image
Menyimpan Menyimpan
Video Aktuator Plan Video
Kontroler
+ text Laptop
Kotak Mendeteksi
Input + Indikator Manusia Output
Sensor
Kamera
Gambar 3. 2 Diagram Blok Sistem Image
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.
3.2.2 Diagram Blok Sistem Smart CCTV
Lampu Mati Aktuator Plan Lampu Mati

Kontroler
+ + Arduino
Lampu Mematikan
Input + Indikator Lampu Output
Sensor
Kamera
Gambar 3. 3 Diagram Blok Sistem Smart CCTV
Berdasarkan Gambar 3.3 Diagram Blok Sistem Smart CCTV untuk

mematikan lampu dan peralatan listrik lainnya. Penggunaan kontroler Arduino
untuk menjalankan aktutor berupa lampu melalui relay. Hasil dari pengontrolan ini
akan membuat lampu mati secara otomatis jika tidak mendeteksi adanya manusia.
3.2.3 Diagram Blok Kontrol
Timer yang Mengatur Lampu Mati

Diinginkan Timer + text
Sesuai Timer
-
Mendeteksi
Orang
Gambar 3. 4 Diagram Blok Kontrol
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.
3.2.4 Konsep Sistem
Input Output
Lampu
Kamera YOLO CNN
Video
User
Android Laptop
Gambar 3. 5 Konsep Blok Sistem
Berdasarkan Gambar 3.5 dapat dijelaskan bahwa dalam sebuah sistem

terdapat konsep blok sistem yang digunakan pada perancangan sistem. Pada konsep
blok sistem tersebut digambarkan bahwa di dalam sistem terdapat 1 besaran fisik
sebagai input yang berupa kamera. Input tersebut akan mengirim data masukan
berupa video kedalam laptop/PC untuk dilakukan proses pengolahan citra
menggunakan YOLO (You Only Look Once). Selanjutnya hasil pengolahan citra
digunakan sebagai data masukan untuk proses pengendalian actuator sebagai
output. Aktuator yang digunakan ada 2 yaitu hasil penyimpanan video dan lampu.
Kemudian sistem tersebut dapat terpantau oleh operator melalui interface yang
terdapat pada Android dan laptop/monitor, sehingga dapat mempermudah
pekerjaan operator baik dalam pengendalian actuator secara otomatis maupun
memonitoring suatu ruangan.
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
Gambar 3. 6 Flowchart Sistem
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.
3.3 Analisa Kebutuhan Sistem

Analisis kebutuhan sistem merupakan proses dalam merancang sistem
dengan memperhitungan kebutuhan yang diperlukan. Berdasarkan diagram sistem
yang telah dibuat, pada tahapan ini dilakukan analisis terhadap data dan teknologi
yang dibutuhkan. Data yang dibutuhkan berupa data temperatur, tekanan dan kadar
Ph yang digunakan pada prototype. Selain itu juga dilakukan analisis tentang
teknologi apa saja yang dibutuhkan untuk membangun sistem pada prototype ini.
Kebutuhan teknologi yang dibutuhkan diantaranya:
1. Webcam
Pada sistem ini dibutuhkan sebuah kamera yang dapat merekam video.
Digunakan webcam karena kamera ini mudah dalam hal konektivitas, hanya
tinggal menancapkan saja kabel usb ke port usb yang tersedia di PC/Laptop.
Kelebihan lainnya adalah kecepatan transfer data, karena menggunakan kabel
jadi tidak ada hambatan yang terlalu mengganggu dalam proses realtime data.
2. Laptop/PC
Laptop/PC ini dibutuhkan untuk dapat mengolah hasil dari perekaman ip
kamera tadi. Selain itu laptop juga digunakan untuk melihat hasil perekaman
dari ip kamera tersebut. Dibutuhkan laptop yang mempunyai spesifikasi
lumayan tinggi agar pengolahan citra menjadi lebih cepat. Dianjurkan juga
menggunakan laptop yang sudah ada vga-nya diutamakan vga nvidia karena
mendukung untuk sistem YOLO (You Olny Look Once).
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.
3.4 Rancangan Alat
Kamera
Kayu
V
0
22
am
hl
Bo
ga
ang
ny
Pe
Penyangga
Gambar 3. 7 Rancangan Alat (2D)
28
Gambar 3. 8 Rancangan Alat tampak depan (3D)
Gambar 3. 9 Rancangan Alat tampak samping (3D)
Gambar 3. 10 Rancangan Alat tampak dari sudut kiri (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
Gambar 3. 11 Rancangan Sistem
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
Gambar 3. 12 Proses Pengolahan Gambar
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.
3.6 Arsitektur YOLO CNN

Pada tugas akhir ini menggunakan metode YOLO yang merupakan
kelanjutan dari metode CNN. Tujuan utama dari penelitian ini adalah untuk
mendapatkan hasil klasifikasi yang diinginkan dari proses pengambilan
data. Pada proses umum CNN, terdapat 3 tahap utama yaitu pre-processing,
processing, dan classifying. Pada proses pre-processing yang artinya
pembentukan input. Proses kedua adalah processing yang terdiri dari
konvolusi citra, reduksi dimensi citra, max pooling, training dengan neural
network, dan sofmax. Selanjutnya proses yang ketiga adalah classifying
yang artinya penentuan output.
31
Gambar 3. 13 Arsitektur Pengolah Citra
Pada Gambar 3.13 merupakan alur dari proses klasifikasi citra.

Kotak warna kuning merupakan feature map input dengan ukuran 227x227.
Kotak warna hijau merupakan lapisan convolusi/convolution layer. Kotak
warna orange merupakan lapisan max pooling dengan ukuran yang berbeda-
beda tiap step. Lingkaran warna biru merupakan fully connected layer.
Panah menunjukkan aliran data. Dropout 0,5 menunjukkan bahwa lapisan
dropout ada diantara 2 lapisan fully connected dengan kemungkinan
probability 0,5. Output menunjukkan jumlah feature map yang dihasilkan
oleh layer dan dimensinya ditentukan oleh ukuran. RFS adalah ukuran
bidang resptif dari lapisan. Pada Gambar 3.10 pertama-tama tersedia input
layer/input gambar dengan ukuran 227x227x3. Kemudian dikonvolusi
dengan kernel/filter ukuran 11x11 dan stride 4. Kemudian menghasilkan
ukuran 55x55x96 dengan activation map ReLu. Selanjutnya pada kotak
warna merah dilakukan max pooling dengan ukuran 3x3 dan stride 2. Dan
menghasilkan feature map dengan ukuran 27x27x96. Begitu seterusnya
sampai masuk ke tahap Fully Connected dengan jumlah node 1024. Pada
fully connected pertama menghasilkan 4096 node dengan activation
function tanh dan dropout 0,5. Begitu seterusnya sampai menghasilkan
output layer dengan 1000 node dan menggunakan activation function
softmax.
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.
Gambar 3. 14 Hasil Konvolusi
Pada Gambar 3.14, gambar asli dari seorang anak kecil dapat
dipecah menjadi 77 gambar yang lebih kecil dengan konvolusi
yang sama.
 Tahap 2 : Memasukkan setiap gambar yang lebih kecil ke small neural

network. Setiap gambar kecil dari hasil konvolusi tersebut kemudian
dijadikan input untuk menghasilkan sebuah representasi fitur. Hal ini
memberikan CNN kemampuan mengenali sebuah objek, dimanapun
posisi objek tersebut muncul pada sebuah gambar.
Gambar 3. 15 Pemasukan Gambar ke Small Neural Network
Pada Gambar 3.15 dilakukan proses pengulangan sebanyak

77 kali pada masing-masing gambar kecilnya. Proses ini dilakukan
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.
 Tahap 3 : Menyimpan hasil dari masing-masing gambar kecil ke dalam

array baru.
Gambar 3. 16 Mengubah Output Menjadi Array
Pada Gambar 3.16 menunjukkan bahwa input tiles dirubah menjadi

data array dengan small neural network.
Gambar 3. 17 Max Pooling
Pada Gambar 3.17 dilakukan max pooling untuk mengecilkan

ukuran array tapi tidak menghilangkan sifat dari array tersebut.
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.
 Tahap 5 : Membuat prediksi. Setelah merubah gambar yang berukuran

besar menjadi array yang cukup kecil, array tersebut nantinya akan
menjadi input dari jaringan saraf lain. Jaringan saraf yang paling
terakhir akan memutuskan apakah gambarnya cocok atau tidak. Untuk
memberikan perbedaan dari langkah konvolusi, maka bisa kita sebut
dengan “fully connected” network. Secara garis besar, langkah-
langkahnya seperti Gambar 3.18.
Gambar 3. 18 Cara Kerja CNN
Pada Gambar 3.18 dijelaskan cara dari mulai input image sampai
menjadi output sehingga dapat mengklasifikasikan sebuah gambar yang
diinginkan.
3.8 Instalasi Software Pendukung

Sebelum memasuki tahap training pada proses selanjutnya, perlu
adanya instalasi software untuk menjalankan program. Ada beberapa
software dan beberapa pendukung lainnya yang perlu di install. Tabel 3.1
akan menunjukkan software dan pendukung apa saja yang perlu di install
pada komputer / laptop.
35
Tabel 3. 1 Daftar Software yang Diperlukan
No. Nama Software Versi

1. Anaconda 3 4.2.0 (64-bit windows 10 / windows 8 / windows 7)
2. Python 3.5.5 / 3.5.4
3. Spyder 3.2.8
4. OpenCV 2 3.4 / 3.3.1 (atau versi lebih lama)
5. Theano 1.02 / 1.0
6. Keras 1.2.2 / 1.2.0
7. Tensorflow 1.2.1 / 1.1.0
8. Numpy 1.12.1 (atau versi lebih lama)
Semua versi diatas disesuaikan dengan Operating System yang
digunakan. Pada penelitian ini, Operating System yang digunakan adalah
Windows 10 64-bit.
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.
Tabel 3. 2 Dataset yang Digunakan
Gambar Dataset Keterangan Jumlah
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 Dataset Keterangan Jumlah
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
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.
4.1 Pengujian Hardware

Dalam pembuatan hardware, peneliti merancang desain serta fungsi dari
masing – masing komponen sehingga ketika dijalankan dapat menghasilkan
output sesuai dengan yang diinginkan. Dalam tahap pengujian hardware ini
dilakukan dengan tujuan untuk mengetahui keakuratan serta mengetahui error
yang ditimbulkan dari masing – masing komponen tersebut.
Peneliti menggunakan rumus yang digunakan oleh Arief Hendra Saptadi (2014)
dalam menghitung error dan persentase error sebagai berikut :
Error = |Xi – Xp| (4.1)
𝑋𝑖−𝑋𝑝
%Error = | | × 100 % (4.2)
𝑋𝑝
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
Dalam pembuatan proyek tugas akhir ini, peneliti menggunakan webcam

sebagai perekaman untuk CCTV. Tipe webcam ini adalah Logitech c310
dengan sedikit modifikasi seperti pada Gambar 4.1.
Gambar 4. 1 Webcam Modifikasi
Tes kamera menggunakan aplikasi bawaan Logitech.
Gambar 4. 2 Tes Aplikasi Kamera Bawaan Logitech
Pada Gambar 4.2 merupakan hasil perekaman menggunaka kamera

Logitech dan hasilnya lumayan bagus. Untuk kondisi cahaya yang cukup,
gambar terlihat jelas. Selain itu fps nya juga lumayan cepat, sekitar 30 fps. Tapi
dengan spesifikasi 5 mp, maka kamera ini tidak cukup jernih atau tidak full hd.
Walaupun begitu, sudah cukup untuk bisa mengamati/merekam di sebuah
ruangan tertutup seperti lab otomasi.
40
Tabel 4. 1 Hasil Deteksi pada Pencahayaan Tertentu
No. Intensitas Hasil Pengukuran Hasil Pengujian Keterangan

Cahaya
1. 172,6 lux Terdeteksi
41
Tabel 4. 2 Hasil Deteksi pada Pencahayaan Tertentu (Lanjutan)
No. Intensitas Hasil Pengukuran Hasil Pengujian Keterangan

Cahaya
10. 2,49 lux Tidak

Terdeteksi
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
Gambar 4. 4 Percobaan Modul Relay On
Pada Gambar 4.4 terlihat bahwa ketika kita mengetik angka

1 pada serial monitor, maka lampu akan nyala. Nyala lampu ini
disebabkan oleh relay yang langsung terhubung dengan lampu.
Gambar 4. 5 Percobaan Modul Relay Off
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.
Tabel 4. 3 Percobaan Modul Relay On Off
No Data Dikirim Data Diterima Persentase Error

1. 1 On 0%
2. 2 Off 0%
3. 1 On 0%
4. 2 Off 0%
5. 1 On 0%
6. 2 Off 0%
7. 1 On 0%
8. 2 Off 0%
9. 1 On 0%
10. 2 Off 0%
Rata-rata Error 0%
4.2 Hasil Hardware

Peneliti mencoba membuat hardware seperti pada Gambar 4.6 :
Gambar 4. 6 Hardware dan Mekanik
44
4.3 Pengujian Software
4.3.1 Feature Map

Feature map merupakan hasil dari proses konvolusi yang sudah
dilakukan konvolusi beberapa kali dengan menggunakan kernel/filter
dan melewati max pooling beserta activation map. Pada penelitian ini
konvolusi dilakukan sebanyak 5 kali dan max pooling dilakukan
sebanyak 3 kali dengan activation map menggunakan ReLu. Ukuran
dari setiap layer bervariasi begitu juga dengan kernel dan stride. Seperti
pada Tabel 4.2 yang merupakan hasil konvolusi dari input gambar awal
hingga max pooling ketiga.
Tabel 4. 4 Proses Feature Map
Keterangan
No Gambar 1 Gambar 2
Layer
Gambar
1.
Asli
150 x 200 150 x 200
2. Konvolusi 1
112 x 174 112 x 174
Max
3.
Pooling 1
47 x 73 47 x 73
45
Tabel 4. 5 Proses Feature Map (Lanjutan)
Keterangan
Layer
4. Konvolusi 2
212 x 139 212 x 139
Max
5.
Pooling 2
47 x 72 47 x 72
6. Konvolusi 3
143 x 218 143 x 218
7. Konvolusi 4
144 x 217 144 x 217
46
Tabel 4. 6 Proses Feature Map (Lanjutan)
Keterangan
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.
4.3.2 Contoh Perhitungan YOLO CNN

Untuk dapat lebih memahami cara kerja dari proses konvolusi,
peneliti akan menggunakan sampel deret angka pada input dikarenakan
keterbatasan penulis dengan ukuran 150 x 200 maka peneliti menggunakan
sampel deret angka pada input dengan ukuran 10 x 10 dan menggunakan
gaussian karnel dengan ukuran 3x3. Untuk contoh sebagai citra konvolusi
seperti Gambar 4.7.
Gambar 4. 7 Gambar Berukuran 10 x 10 sebelum daialkukan konvolusi
Pada Gambar 4.7 adalah gambar yang berukuran 10 x 10. Seperti

yang dapat kita lihat. Gambar tersebut terdiri dari 2 huruf, yaitu To. Peneliti
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 0 0 1 0 0 254 255 255 255
255 255 255 0 255 255 255 255 255 255
255 255 255 0 255 0 0 0 0 255
255 255 255 0 255 0 255 255 0 255
255 255 255 0 255 0 255 255 0 255
255 255 255 0 255 1 255 255 0 255
255 255 255 0 255 0 255 255 0 255
255 255 255 255 255 0 0 0 0 255
255 255 255 255 255 255 255 255 255 255
Gambar 4. 8 Gambar Berukuran 10 x 10 dalam bentuk array
Adapun gaussian karnel yang berukuran 3 x 3 yang akan digunakan

untuk konvolusi dapat dilihat pada Gambar 4.9.
0.1096 0.1118 0.1096

0.1118 0.1141 0.1118
0.1096 0.1118 0.1096
Gambar 4. 9 Gaussian Kernel 3 x 3
Dengan menggunakan filter 3x3 dengan stride atau langkah yang

digunakan dalam perhitungan konvolusi tersebut adalah 1 maka proses
perhitungan konvolusi tersebut dapat divisualisasikan seperti pada Gambar
4.10 dan 4.11 dibawah ini.
(A)
Gambar 4. 10 Posisi proses konvolusi , (A) posisi 1
48
(B)
(C)
Gambar 4. 11 Posisi proses konvolusi, (B) posisi 2, (C) posisi 3 (Lanjutan)

Proses konvolusi berlangsung sampai sudut kanan paling bawah.
Adapun perhitungan manual dapat dilihat pada keterangan dibawah ini :
- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(0 𝑥 0.1141) + (0 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1096) = 𝟏𝟗𝟕
- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (0 𝑥 0.1118) +
(0 𝑥 0.1141) + (1 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(0 𝑥 0.1096) = 𝟏𝟒𝟏
- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (0 𝑥 0.1118) +
(1 𝑥 0.1141) + (0 𝑥 0.1118) + (255 𝑥 0.1096) + (0 𝑥 0.1118) +
(255 𝑥 0.1096) = 𝟏𝟒𝟎
- … … … … ….
- … … … … ….
- (255 𝑥 0.1096) + (0 𝑥 0.1118) + (255 𝑥 0.1096) + (0 𝑥 0.1118) +
(0 𝑥 0.1141) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1096) = 𝟏𝟔𝟗
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
199 114 113 86 142 143 170 199
255 170 169 114 169 141 141 169
255 170 169 86 141 141 114 141
255 170 169 86 169 171 171 169
255 171 169 86 169 171 171 169
255 171 169 86 141 114 114 141
255 199 197 142 169 141 141 169
Gambar 4. 12 Hasil Konvolusi Menghasilkan Feature Maps Berukuran 8 x 8
Untuk lebih jelasnya mengenai maxpooling. Penulis melanjutkan

dari hasil konvolusi pada 4.13. Hasil konvolusi dari yaitu citra berukuran 8
x 8. Setelah melewati proses Max pooling akan menghasilkan citra baru
yang berukuran 4 x 4. Pada Gambar 4.13 dapat dilihat proses Max pooling.
Gambar 4. 13 Hasil Max Pooling 4 x 4
Setelah proses max pooling ini selesai, maka masuk ke proses

selannjutnya,yaitu proses flattening. Proses ini merupakan proses terpenting
karena proses ini akan menghasilkan nilai yang akan digunakan untuk proses
Training dengan neural network. Proses ini berguna untuk mempermudah
komputasi dengan cara merubah array yang berdimensi n x m menjadi 1 deret
bilangan sebagai Vektor Input. Mengacu pada contoh sebelumnya, hasil
maxpooling 4 x 4 akan berubah menjadi 16x1.
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.
Tabel 4. 7 Pembagian Dataset dan Spesifikasinya
Data Training Data Validasi

Jumlah Data 352 352
Resolusi 150x200 150x200
Ruang warna RGB RGB
Pada Tabel 4.7 terdapat beberapa parameter yang harus ditentukan

terlebih dahulu diantaranya jumlah iterasi, jumlah iterasi yang digunakan
pada penelitian ini adalah 90. Menggunakan hidden layer backpropagation
neural network dengan jumlah Neuron pada hidden layer sebanyak 64
Neuron. Serta fungsi aktivasi yang digunakan yaitu sigmoid.
Vektor output pada penelitian ini berupa bilangan biner dengan 2
vektor output sesuai dengan klasifikasi citra Manusia dan Kosong. Untuk
lebih jelasnya dapat dilihat pada Tabel 4.6. Vektor output berupa biner
digunakan untuk mempermudah klasifikasi. hal tersebut digunakan untuk
proses penamaan atau labeling objek.
51
Tabel 4. 8 Vektor Output (biner) dan Klasifikasinya
No. Vektor Output (Biner) Klasifikasi

1 [ 1 0 0 0 0 0] Manusia
2 [ 0 1 0 0 0 0] Kosong
Mean Squared Error (MSE) adalah metode untuk mengevaluasi

metode prediksi. Dari hasil masing-masing kesalahan atau sisa akan
dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah
observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena
kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-
kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil,
tetapi kadang menghasilkan perbedaan yang besar. Dalam kasus klasifikasi
biner, dimana hanya terdapat dua kelas dengan label kelas 0 dan 1, tidak ada
perbedaan dalam penggunaan MSE. Hal ini karena nilai error hanya
mempunyai dua kemungkinan, 0 jika prediksi benar dan 1 jika prediksi
kelas berbeda dengan kelas sebenarnya. Hasil kuadrat ataupun absolut
dari error tersebut akan sama sehingga nilai MSE pun akan identik.
Pada penelitian ini penulis mencoba beberapa nilai Hidden Neuron
diantaranya 64 Hidden Neuron, 128 Hidden Neuron, 192 Hidden Neuron
dan 256 Hidden Neuron. Pengujian ini sangat penting sebagai dasar
keputusan untuk menggunakan 256 Hidden Neuron.
Proses validasi bertujuan untuk menentukan performa CNN
terhadap data citra yang belum diketahui sebelumnya.
1. Training dengan Hidden Neuron 64

Percobaan training pertama menggunakan Hidden Neuron 64
dengan konfigurasi sebagai berikut :
- JumlahEpoch = 70
- Fungsi Aktivasi = sigmoid
- Learning = 224 menit
- Hidden Neuron = 64
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.
Gambar 4. 14 Grafik Training Akurasi Hidden Neuron 64
Gambar 4.14 menunjukkan perbedaan antara hasil training dan

validasi. Pada epoch 12 menunjukkan data akurasi sebesar 80% yang
cenderung stabil hingga pada epoch ke 70.
Gambar 4. 15 Grafik MSE Hidden Neuron 64
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.
Kelebihan dari Hidden Neuron 16 ini adalah cepat dalam proses

computing. Namun dalam pendeteksian masih ada yang kurang akurat. Dan
akhirnya penulis mencoba untuk menambah Hidden Neuron menjadi 256.
- Jumlah Epoch = 70

validasi. Pada epoch 28 menunjukkan data akurasi cenderung stabil hingga
pada epoch ke 70 dengan rata-rata 95%.
54

Kelebihan dari Hidden Neuron 128 ini adalah cepat dalam proses
computing. Namun dalam pendeteksian masih ada yang kurang akurat. Dan
akhirnya penulis mencoba untuk menambah Hidden Neuron menjadi 192.
- Jumlah Epoch = 70
55

validasi. Pada epoch 12 menunjukkan data akurasi sebesar 90% yang
cenderung stabil hingga pada epoch ke 70.

Dengan neuron 192 penulis masih mencoba hasil pendeteksian
dengan menambah yang mencapai akurasi 100%. Dan akhirnya penulis
mencoba untuk menambah Hidden Neuron menjadi 256.
56
4. Training dengan neuron 256
- Jumlah Epoch = 70
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.

dimulai pada kisaran 0.15 dan bergerak mendekati 0.00, setelah iterasi ke
20 rata-rata kuadrat kesalahan disetiap iterasi adalah 0.005 dan stabil hingga
epoch ke 70.
57
Menggunakan lebih banyak Hidden Neuron memiliki hasil akurasi

yang lebih bagus. Dari hal tersebut masih memiliki sisi negatif jika
menggunakan banyak Hidden Neuron, yaitu pada proses komputasi training
akan menjadi lebih lama. Namun setelah melakukan percobaan untuk
menggunakan Hidden Neuron 256 dan menjalankan program, hasilnya
hampir memiliki perbedaan yang kecil namun pada neuron tersebut
memiliki keakurasian 100%.
4.3.4 Deteksi Manusia

Pada percobaan yang dilakukan peneliti, yaitu mendeteksi
manusia memerlukan banyak sekali percobaan. Berikut salah satu
percobaan yang berhasil atau hamper sempurna menurut peneliti.
Gambar 4. 22 Percobaan Deteksi Manusia
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 :
1. Ruangan memiliki dimensi berukuran 3 x 4 x 3 meter

2. Intensitas cahaya pada ruang tersebut adalah 130 – 150 lux
3. Kamera terletak pada ketinggian 2 meter dari lantai
Selain itu terdapat juga spesifikasi manusia yang dideteksi yaitu :
1. Posisi manusia menghadap ke depan, samping, dan belakang
2. Manusia dalam keadaan berdiri maupun duduk
Berikut ini hasil dari percobaan mendeteksi manusia dengan 3
kondisi, yaitu menghadap depan, samping, dan belakang dari kamera.
Tabel 4. 9 Hasil Pendeteksi Manusia
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
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
Keterangan Tidak
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
4 orang
Hadap ke
4 orang
Hadap ke
16. samping, 1 0
bediri, 2 orang
61
Keterangan Tidak
Gambar Terdeteksi
Hadap ke
17 samping, 0 1
duduk, 0 orang
Hadap ke
3 orang
Hadap ke
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
1 orang
62
Keterangan Tidak
Gambar Terdeteksi
Hadap ke
belakang,
24. 1 0
berdiri, 1
orang
Hadap ke
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
Persentase keberhasilan 96,67 %
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.
4.3.5 Penyimpanan Data

Pada percobaan ini, ketika kamera mendeteksi manusia maka
sistem pada kamera tersebut akan otomatis menyimpan ke dalam file
yang sudah ditentukan. Hasil dari penyimpanan ini akan langsung
diberi nama sesuai dengan tanggal pada laptop/pc yang terhubung
dengan kamera.
Gambar 4. 23 Hasil Penyimpanan kamera pada Laptop
Pada Gambar 4.23 merupakan hasil dari perekaman yang

berupa video dengan format avi. Selanjutnya data dari video tersebut
akan dikirim ke cloud database seperti pada gambar 4.24.
Gambar 4. 24 Database pada MySQL
64
Pada Gambar 4.24 merupakan database yang diterima dari
laptop/PC berupa video yang tersimpan beserta keterangan waktu
pengambilan video.
Tabel 4. 14 Waktu Upload Video
Ukuran Panjang Rata-rata per

No Waktu Upload
File Video 1 menit
5 menit 11
1. 422 kb 11 detik 57 detik
detik
1 menit 49 4 menit 33
2. 1,02 mb 24 detik
detik detik
3. 121 kb 2 detik 24 detik 12 menit
4. 404 kb 12 detik
detik detik
4 menit 16
5. 679 kb 28 detik 2 menit 4 detik
detik
9 menit 40
6. 88,1 kb 3 detik 29 detik
detik
7. 509 kb 16 detik
detik detik
8. 584 kb 18 detik
detik detik
Ukuran Panjang Rata-rata per
No Waktu Upload
File Video 1 menit
8 menit 36
detik
6 menit 52
detik
6 menit 52
Rata-rata waktu upload per menit
detik
Pada Tabel 4.12 merupakan hasil durasi waktu yang diperlukan

untuk mengupload sebuah file ke cloud storage. Rata-rata waktu upload
video berkisar 6 menit 52 detik untuk video dengan durasi 1 menit.
4.3.6 Interface pada Android

Pada percobaan ini, hasil dari penyimpanan yang ada di
laptop/PC akan bisa langsung di monitoring melalui android. Tapi
monitoring ini memerlukan waktu yang agak lama karena proses
pengunggahan data tergantung dari koneksi internet yang digunakan.
65
Gambar 4. 25 Interface pada Android
Pada Gambar 4.25 merupakan tampilan interface pada android

untuk memonitoting video yang telah tersimpan. Dapat dilihat pada
Gambar 4.25 terdapat juga keterangan waktu dan tanggal
pengambilan video tersebut. Peneliti hanya perlu memilih video yang
ingin kita lihat, lalu tinggal klik tombol play untuk melihat video
tersebut. Dengan begitu kita dapat memonitoring dari jarak jauh untuk
menghemat waktu.
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
Gambar 4. 26 Tombol untuk Mengatur Timer
66
Setelah itu nanti akan diarahkan ke layer selanjutnya seperti pada
Gambar 4.27.
4.5 Pengujian Kinerja Penyimpanan Data
Gambar 4. 27 Cara Setting Timer
Pada Gambar 4.27 merupakan cara untuk menentukan timer yang

diinginkan. Timer ini digunakan untuk mengatur selang waktu lampu mati. Jadi
jika semisal di set timer 16:29 artinya lampu akan mati setelah tidak mendeteksi
orang yang membutuhkan waktu 16 menit 29 detik untuk mati.
Tabel 4. 15 Pengujian Kinerja Upload Data di Cloud Storage
No Waktu Setting Hasil Setting Delay Data

1. 60 detik 64 detik 4 detik
Rata – rata Error 4,1 detik
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 :
1. Sebaiknya menggunakan laptop/PC Gaming karena memiliki

spesifikasi yang tinggi, supaya fps yang dihasilkan mencapai 30 fps.
2. Mengembangkan lagi dataset dan arsitektur YOLO CNN sehingga
dapat mendeteksi manusia dengan baik walaupun terhalang benda
sekalipun.
70
DAFTAR PUSTAKA
Admin. “Apa pengertian Dari Laptop dan Fungsinya?”, di

https://www.it-jurnal.com/apa-pengertian-dari-laptop-dan-fungsinya/
(diakses Januari 2019).
Developers. 2018. “Mengenal Android Studio”, di

https://developer.android.com/studio/intro/?hl=id (diakses Januari 2019).
GSI, Admin. 2017. “Pengertian CCTV Serta Perangkat-Perangkat Didalamnya”, di

https://www.gsicctv.co.id/pengertian-cctv-serta-perangkat-perangkat-
didalamnya/ (diakses Januari 2019).
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).
Kho, Dickson. “Pengertian Relay dan Fungsinya”, di

https://teknikelektronika.com/pengertian-relay-fungsi-relay/ (diakses Januari
2019).
Lina, Qolbuyatul. 2019. “Apa itu Convolution Neural Network?”, di

https://mc.ai/apa-itu-convolutional-neural-network/ (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
Octavianus, Boni. 2016. “[Android] Apa itu Firebase?”, di

https://coolnetkid.wordpress.com/2016/09/08/android-apa-itu-firebase/
Rahyagara, Andiki. 2018. “Tutorial Deteksi Objek Menggunakan YOLO (You

Only Look Once)”, di https://medium.com/@andikirahyagara/tutorial-yolo-
you-only-look-once-for-absolutely-noob-c4d5f3751e1f (diakses Januari
2019).
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.
Wikipedia. “Microsoft Visual Studio”, di

https://id.wikipedia.org/wiki/Microsoft_Visual_Studio (diakses Januari
2019).
Yanuar, Aditya. 2018. “YOLO (You Only Look Once)”, di

http://machinelearning.mipa.ugm.ac.id/2018/08/05/yolo-you-only-look-
once/ (diakses Januari 2019).
Yulias, Zaerfani. 2013. “Arduino Mega 2560”, di

http://blog.famosastudio.com/2013/09/produk/arduino-mega-2560/531
72

Rancang Bangun Sistem Smart CCTV Untuk Efektivitas Energi Berbasis Yolo CNN Dan

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Rancang Bangun Sistem Smart CCTV Untuk Efektivitas Energi Berbasis Yolo CNN Dan

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS AKHIR (609502A)

RANCANG BANGUN SISTEM SMART CCTV UNTUK

Debri Hasbi Fathoni

PROGRAM STUDI D4 TEKNIK OTOMASI

TUGAS AKHIR (609502A)

RANCANG BANGUN SISTEM SMART CCTV UNTUK

Debri Hasbi Fathoni

PROGRAM STUDI D4 TEKNIK OTOMASI

RANCANG BANGUN SISTEM SMART CCTV UNTUK EFEKTIVITAS

Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan

Disetujui oleh Tim penguji Tugas Akhir Tanggal Ujian : ……………..

Dosen Pembimbing Tanda Tangan

1. Dr. Eng. Mohammad Abu Jami’in, S.T., M.T. (………………………)

Program Studi Teknik Otomasi

NIP. 197305222000031001 NIP. 199107102018031001

PERNYATAAN BEBAS PLAGIAT

Yang bertandatangan dibawah ini :

Dengan ini menyatakan dengan sesungguhnya bahwa :

Tugas Akhir yang akan saya kerjakan dengan judul :

Surabaya, 29 Juli 2019

Yang membuat pernyataan,

( Debri Hasbi Fathoni )

Alhamdulillah, puji syukur kehadirat Allah SWT yang melimpahkan

Debri Hasbi Fthoni

Tabel 2. 1 Spesifikasi Arduino Uno ..................................................................... 19

Gambar 2. 1 Real Time Detection ......................................................................... 5

1.1 Latar Belakang

1.2 Rumusan Masalah

2.1.1 YOLO (You Only Look Once)

Gambar 2. 1 Real Time Detection

Gambar 2. 2 Perbandingan Deteksi Objek dengan Klasifikasi

Gambar 2. 3 Jaringan Saraf Convolutional

Cara menggunakan YOLO pertama adalah memasukkan gambar,

2.1.2 CNN (Convolution Neural Network)

Gambar 2. 4 Operasi Konvolusi

Gambar 2. 5 Operasi Max Pooling

Nama xampp merupakan singkatan dari x (empat sistem operasi),

Gambar 2. 6 Antarmuka XAMPP

Bagian Penting pada XAMPP :

Android Studio adalah Lingkungan Pengembangan Terpadu - Integrated

 Sistem versi berbasis Gradle yang fleksibel

 Emulator yang cepat dan kaya fitur

 Lingkungan yang menyatu untuk pengembangan bagi semua perangkat

 Instant Run untuk mendorong perubahan ke aplikasi yang berjalan tanpa

 Alat pengujian dan kerangka kerja yang ekstensif

 Alat Lint untuk meningkatkan kinerja, kegunaan, kompatibilitas versi,

 Dukungan C++ dan NDK

 Dukungan bawaan untuk Google Cloud Platform, mempermudah

1. Bilah alat untuk melakukan berbagai jenis tindakan, termasuk

2. Bilah navigasi membantu bernavigasi di antara proyek dan membuka file

3. Jendela editor adalah tempat untuk membuat dan memodifikasi kode.

5. Jendela alat memberikan akses ke tugas tertentu seperti pengelolaan

2.2.1 Kamera Web

CCTV banyak digunakan untuk sistem keamanan komplementer dan juga

Laptop secara signifikan lebih lambat daripada komputer desktop. tetapi

Sebuah komputer laptop, biasanya disebut komputer notebook oleh

Laptop komputer umumnya lebih biaya dari komputer desktop dengan

Gambar 2. 9 Arduino Uno

Secara umum, Arduino terdiri dari dua bagian, yaitu:

 Hardware papan PCB input/output (I/ O) yang open source.

Arduino Uno adalah papan mikrokontroler berbasis ATmega328 yang

Tabel 2. 1 Spesifikasi Arduino Uno

Relay adalah Saklar (Switch) yang dioperasikan secara listrik dan