SISTEM KEAMANAN RUANGAN MENGGUNAKAN FACE RECOGNITION

MENGGUNAKAN METODE HOG DAN TELEGRAM BERBASIS RASPBERRY PI

Muhammad Nurcahyo Pratomo

Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Kebayoran Lama, Jakarta Selatan 12260
Telp. (021) 5853753, Fax. (021) 5866369
E-mail : cohayfun@gmail.com

ABSTRAK

Face recognition adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem security.
Teknologi ini memungkinkan kita untuk mengidentifikasi atau memverifikasi wajah seseorang melalui citra
digital dengan mencocokan tekstur wajah. Raspberry PI adalah sebuah komputer berukuran kecil yang telah di
lengkapi layaknya sebuah komputer lengkap mengunakan SoC (System-ona-chip) ARM yang dikemas dan di
intergerasikan diatas PCB ia mengunakan kartu SD untuk booting dan penyimpanan jangka panjang. Telegram
adalah salah satu aplikasi chatting terenkripsi yang dikenal sangat aman dan mempunyai fitur telegram bot yang
dapat berfungsi sebagai user yang dapat di program. Penggunaan raspberry PI yang ditambahkan dengan
kamera kita dapat mengunakan teknologi face recognition, sedangkan aplikasi telegram akan mengirimkan foto
seseorang yang mencoba memasuki ruangan tersebut. Komunikasi yang digunakan adalah komunikasi dua arah
yakni user dapat melakukan perintah untuk mengambil foto, mengeserkan kamera, membukakan pintu,
mengunci pintu dan mengecek kondisi pintu dengan mengunakan aplikasi telegram.

Kata Kunci: Face Recognition, Face Detection, OpenCV (Open Computer Vision), Computer Vision, HOG,
Telegram, Raspberry PI, Pengaman ruangan

1. PENDAHULUAN dihadapi dalam perancangan sistem yaitu sebagai

Pada masa sekarang banyak sekali terjadi
tindak kejahatan seperti pencurian, maka dari itu
banyak orang mempekerjakan tenaga profesional,
seperti satpam untuk menjaga keamanan properti
yang dimiliki, akan tetapi hal tersebut dinilai
kurang efektif dikarenakan keterbatasan tenaga
manusia. Manusia tidak dapat memantau selama 24
jam, selain itu dibutuhkan uang yang tidak sedikit
untuk membayar tenaga profesional. Saat ini
pengaplikasian komputer telah berkembang pesat
tidak hanya dapat melaukan komputasi dasar akan
tetapi sudah bisa melakukan pemrosesan data
image (citra). Pemanfaatan teknologi dapat kita
gunakan untuk memantau keamanan, dengan
teknologi pengelolahan citra disiplin ilmu yang
mempelajari tentang teknik-teknik mengolah citra
secara digital disebut sebagai pengolahan citra
digital (Digital Image Processing).
Salah satu teknologi dari citra digital yang
banyak digunakan untuk keamanan adalah face
recognition yang dapat mengenali seseorang hanya
dengan mengunakan komputer dan kamera. Agar
dapat terhubung dengan sistem yang akan dibuat,
dibutuhkan suatu aplikasi yang dapat melakukan
komunikasi antar penguna dan sistem, maka sistem
ini dibuat mengunakan aplikasi messenger telegram
yang akan menghubungkan pemilik dengan sistem.
Berdasarkan latar belakang yang telah
disampaikan diatas, rumusan masalah yang
berikut :
a.Bagaimana peneliti ini dapat memanfaatkan
teknologi face recognition yang di gunakan untuk
mengamankan ruangann.
b.Membuat suatu aplikasi yang dapat
digunakan untuk terhubung dengan sistem
pengamanan ini.
Pada penelitian ini permasalahan yang dibahas
berhubungan dengan keamanan. Pemanfaataan
teknologi face recognition, peneliti memfokuskan
batasan masalah untuk face recognition diantaranya
sebagai berikut :
a.Algoritma pengenalan wajah (face
recognition) yang digunakan yaitu, HOG yang
akan dijalankan pada raspberry PI.
b.Aplikasi yang digunakan untuk terhubung
dengan sistem adalah aplikasi mesanger telegram
yang dapat di gunakan untuk memonitoring sistem.
2. LANDASAN TEORI
2.1 Deteksi Wajah (Face Detection)
Pendeteksian wajah (Face Detection)
adalah salah satu tahap awal yang sangat
penting sebelum dilakukan proses pengenalan
wajah (Face Recegoniton). Deteksi wajah
dianggaap sebagai kasus khusus deteksi objek.
Deteksi kelas objek tugasnya adalah
menemukan lokasi dan ukuran semua objek
dalam gambar yaitu wajah. Algorima pendeteksi
wajah dengan mencocokan gambar seseorang
sedikit demi sedikit. Pertama, daerah mata
manusia yang mungkin dideteksi dengan
menguji semua wilayah lembah pada gambar
tingkat abu-abu. Kemudian algorima genetik
digunakan untuk menghasilkan semua daerah
wajah yang mungkin termasuk alis, iris, lubang
hidung dan sudut mulut. Setiap kandidat wajah
yang mungkin dinormalisasi untuk mengurangi
efek pencahayaan, yang disebabkan oleh
pencahayaan yang tidak merata, efek shirring
yang disebabkan oleh pergerakan kepala, nilai
kesesuaian dari masing-masing kandidat diukur
berdasarkan proyeksi pada wajah eigen. Setalah
jumlah literasi semua kandidat wajah dengan
nilai tinggi dipilih untuk diverifikasi lebih
lanjut. Pada tahap ini simetri wajah diukur
untuk menentukan posisi wajah.
Keterangan :
G x , G y : citra gradien sumbu X dan Y
Bu : citra awal
Citra gradien diubah ke dalam besaran
gradien (φ) yaitu jarak Euclidean posisi X dan
Y, dan orientasi (θ) yaitu inverse tangent dari
posisi X dan Y. Proses ini identik dengan
pengubahan koordinat Cartesian dengan nilai
gradien sebagai nilai posisi pada sumbu X dan
Y menjadi koordinat Polar seperti persamaan
(4) dan (5).

2.2 Pencocokan Wajah (Face Recognition)

Face recognition adalah salah satu Pengelompokan besaran gradien sesuai
teknologi biometrik yang telah banyak kelompok orientasinya dilakukan pada setiap
diaplikasikan dalam sistem security selain bagian lokal citra atau disebut sel. Satu sel terdiri
pengenalan retina mata, pengenalan sidik jari dari piksel-piksel sesuai ukuran yang bisa
dan iris mata. Dalam aplikasinya sendiri ditentukan, dan dari satu sel pula dapat dibentuk
pengenalan wajah menggunakan sebuah kamera histogram dengan jumlah kelompok bin yang bisa
untuk menangkap wajah seseorang kemudian ditentukan. Pembentukan kelompok dapat
dibandingkan dengan wajah sebelumnya yang dilakukan dengan mengindahkan arah derajat atau
telah di simpan didalam database. Face tidak (signed atau unsigned). Penentuan besaran
recognition adalah teknologi dari komputer gradien dan orientasi dilakukan dengan metode
yang memungkinkan kita untuk interpolasi trilinier untuk mencari derajat
mengindentifikasi atau memverifikasi wajah keanggotaannya, yang terdiri dari interpolasi
seseorang melalui gambar digital. bilinier terhadap sel dan interpolasi linier terhadap
bin histogram, sehingga menghindari efek aliasing,
2.3 Deteksi Objek Dengan Histogram of yakni nilai gradien akan tetap sesuai bila
oriented (HOG) direkonstruksi. Normalisasi dilakukan di tiap grup
Histogram of Oriented Gradients (HOG) sel yang disebut blok. Normalisasi tiap blok atau
adalah teknik ekstraksi fitur dalam pengolahan bagian lokal citra dilakukan karena beragam tingkat
citra yang mengelompokkan nilai gradien piksel besaran gradien dapat terjadi dalam citra, yang
menurut orientasi arah pada setiap bagian lokal dipengaruhi oleh variasi pencahayaan dan kontras
dari citra. Tampilan dan bentuk objek lokal latar belakang dan latar depan. Proses normalisasi
seringkali dapat dikarakterisasi cukup baik oleh dalam satu blok dapat dilakukan dengan cara
distribusi gradien intensitas lokal atau arah seperti salah satu dari persamaan (4)
tepian walaupun tidak diketahui persis posisi
gradien atau tepian yang sesuai. Hal inilah yang
menjadi ide dasar dari teknik ekstraksi fitur
yang diajukan oleh Dalal dan Triggs. Distribusi
gradien atau histogram inilah yang menjadi
suatu fitur untuk pencocokan kesamaan
(similarity matching) (Utaminingrum et al.,
2017), sehingga dapat dilatihkan ke dalam suatu
pembelajaran mesin. Proses HOG diawali
dengan menghitung nilai gradien terhadap
sumbu X dan Y (G x , G y ) dari hasil selisih
nilai piksel citra (B u ) pada indeks sebelumya
dengan nilai piksel citra pada indeks sesudahnya
sesuai sumbu masing-masing seperti persamaan
(2) dan (3).
G x (x, y) = B u (x + 1, y) − B u (x − 1, y) (2)
G y (x, y) = B u (x, y + 1) − B u (x, y − 1) (3)
 Klasifikasi dengan parameter tetap, yakni Support
Vector Machine (SVM). Pemilihan kernel linier
didasarkan pada asumsi data kedua kelas dapat
dipisahkan oleh suatu fungsi linier (linear
separable). Setiap model yang dihasilkan dengan
parameter HOG yang berbeda kemudian
dibandingkan satu sama lain sehingga dapat
ditemukan parameter terbaik fitur HOG dengan
nilai hasil tertinggi.

3. ANALISIS MASALAH DAN

RANCANGAN PROGRAM
Gambar 1: Diagram alir HOG 3.1 Proses Kerja Sistem
Dengan menyesuaikan parameter jarak antar
blok (stride) atau tumpang tindihnya (overlap),
banyak blok bisa memiliki salah satu vektor dari sel
yang sama, namun dengan hasil yang berbeda
karena normalisasi yang terpengaruh sel pada blok
tersebut. Hasil normalisasi tersebut merupakan
akhir dari metode ini, menghasilkan vektor fitur
yang mewakili bentuk suatu citra. Jumlah vektor
fitur yang dihasilkan bisa dihitung dari faktor
jumlah bin, jumlah sel yang dihasilkan, dan berapa
banyak blok yang bisa terjadi dari pemilihan ukuran
blok dan langkah blok. Secara garis besar, alur
Gambar 2: Blok Diagram Kerja Alat
metode Histogram of Oriented Gradients
digambarkan pada Gambar 2. Untuk mencari
Gambar 2 menjelaskan dimana proses kerja
parameter HOG citra bagian wajah terbaik sebagai
sistem dari input kamera yang menghasilkan
basis dari klasifikasi gender, beberapa pengujian
citra digital setelah itu di proses oleh raspberry
dilakukan dengan mengubah parameter fungsi
PI mengunakan algorima HOG untuk
HOG seperti besar sel, besar blok, jumlah bin
mengektraksi fitur setelah itu terdeteksi
orientasi, penggunaan interpolasi, langkah blok
pencocokan wajah jika wajah tersebut terdaftar
normalisasi, dan jenis normalisasi. Setiap pilihan
pada database maka raspberry akan
parameter tersebut digunakan sebagai dasar untuk
mengirimkan hasil citra tersebut ke telegram
membangun fitur HOG dari semua citra bagian
dan memerintahkan arduino untuk membuka
wajah. Fitur HOG tersebut kemudian dilatih dengan
selenoid jika tidak terdaftar maka raspberry
satu jenis metode.
akan mengirimkan foto orang tersebut dan
meminta izin untuk membukakan pintu melalui
telegram user dapat memberikan izin melalui
telegram dan juga user dapat mengendalikan
arah kamera mengunakan telegram yang akan di
proses oleh raspberry dan memerintkan arduino
untuk mengerakan motor servo, LCD berfungsi
sebagai indikator hasil pemerosesan.

3.2 Rancana Perancangan Mekanik

 4.1 Tampilan Layar
Berikut ini merupakan tampilan-tampilan
yang ada pada aplikasi :

Gambar 3: Sketsa Alat

Gambar 3 menjelaskan perancangan

mekanik sistem dengan menggunakan beberapa
acrylic berukuran 120 cm x 95 cm dan acrylic
berukuran 95 cm x 95 cm untuk menjadi rumah Gambar 5: Tampilan Layar Desktop
untuk komponen yang mana pada bagian atas
Gambar 5 merupakan halaman desktop pada
dibuat lubang untuk memasukan servo dan
raspberry PI dengan OS raspbian.
webcam di pasang di atas servo untuk dapat
melakukan tracking pada bagian depan dibuat
tempat untuk LCD agar penguna dapat melihat Gambar 6: Tampilan Program Running
indikasi yang di berikan LCD pada bagian
samping di buat lubang untuk port IO pada Gambar 6 adalah tampilan program face
raspberry dan pada bagian belakang di buat recognition yang sendang berjalan, program
lubang untuk port HDMI dan power untuk melakukan pencarian wajah.
rasberry.

3.3 Rancana Perancangan Elektrik Gambar 7: Tampilan Program ketika Mengenali

Wajah

Gambar 7 adalah tampilan ketika program

menemukan wajah dan program langsung
mengenali orang tersebut dengan melebeli nya
dengan nama orang yang cocok pada database.

Gambar 4: Elektrikal Alat

Raspberry PI terhubung dengan webcam dan
arduino. Webcam dan arduino terhubung dengan
Pada gambar 4 menjelaskan schematic
rangkaian raspberry PI yang dihubungkan
dengan webcam melalui port USB untuk dapat
menerima citra digital, arduino terhubung
dengan USB pada raspberyy PI untuk menerima Gambar 8: Tampilan Data Screanshoot
data dari raspberry dan arduino terhubung
dengan servo untuk mengendalikan gerakan Gambar 8 menunjukan tempat penyimpanan
kamera juga LCD yang berfungsi untuk foto yang tersimpan pada memory raspberry pada
memberikan informasi kepada user secara folder diizinkan adalah kumpulan foto orang orang
langsung serta driver relay yang berfungsi yang dikenali oleh raspberry sedangkan folder
untuk mengendalikan selenoid. ditolak adalah kumpulan foto yang yang tidak
dikenali.
4. HASIL DAN PEMBAHASAN

Gambar 9: Tampilan Layar Pencocokan Wajah
Gambar 9 menjelaskan layar pencocokan
wajah tentang bentuk layout tampilan awal didalam
pencocokan wajah.
Gambar 10: Tampilan Layar Presensi Pegawai Karyawan
Untuk Melakukan Perekaman Wajah
Gambar 10 berfungsi untuk melakukan
pengambilan gambar untuk direkam wajah
karyawan yang baru oleh karena ini sangat penting
untuk mendapatkan gambar wajah pegawai.
Gambar 11 : Tampilan Layar Presensi Pegawai
Karyawan untuk Melakukan Pencocokan Wajah
Gambar 11 berfungsi untuk melakukan
presensi karyawan yang sudah terdaftar akan bisa
melakukan presensi jika tidak terdaftar sebelumnya
maka tidak akan bisa melakukan presensi.
Gambar 12 : Tampilan Layar Beda Wajah Presensi
Pegawai Karyawan Untuk Melakukan Pencocokan Wajah
Gambar 12 berfungsi untuk melakukan presensi
karyawan yang beda wajah dengan wajah orang
lain yang sudah terdaftar sebelumnya.
4.2 Pengujian Program
a. Melakukan Rekam Dan Deteksi Wajah Untuk
Akurasi Pencocokan Wajah
Aplikasi pencocokan wajah ini,akan diuji
coba dalam akurasi pencocokan wajah
menggunakan metode eigenface, seperti tabel
dibawah ini :
Tabel 1 : Tabel Uji Coba Akurasi Pencocokan Wajah
Dari uji coba tabel 1 diatas dapat disimpulkan
bahwa akurasi pencocokan wajah menggunakan
metode eigenface yaitu : 76%
5. KELEBIHAN DAN KEKURANGAN
PROGRAM
Adapun kelebihan dan kekurangan pada
aplikasi yang dikembangkan adalah sebagai
berikut:
a. Kelebihan Program :
1.Alat ini mudah untuk dioperasikan hanya
dengan menghubungkanya dengan
adaptor maka program akan berjalan
otomatis
2.Terdapat User interface berupa LCD 16x2
yang akan menampikan pesan dari
raspberry PI.
3.Akurasi pendeteksian cukup tinggi.
4.Mempunyai BOT yang dapat melakukan
komunikasi antara user dan alat.
b. Kekurangan Program :
1. Pengunaan raspberry dengan memorry
dan GPU yang rendah mengakibatkan
lag pada program.
2. Alat hanya dapat mengenali wajah tetapi
tidak dapat membedakan wajah yang
berasal dari foto atau wajah seseorang
secara real.
DAFTAR PUSTAKA
Devito, D., Wihandika, R. C., & Widodo, A. W.
(2019). Ekstraksi ciri untuk klasifikasi
gender berbasis citra wajah menggunakan
metode histogram of orieted gradients.
Jurnal Pengembangan Teknologi Informasi
dan Ilmu Komputer, 3 (8), 8002-8011.
Herlambang, M., & Dicki. (2016). Rancang
bangun keamanan loker dengan
autentifikasi wajah dan password berbasis
raspberry pi menggunakan notifikasi
keamanan via android. Jurusan Teknik
Komputer. Politeknik Negeri Sriwijaya.
Lianti, A. (2016). Rancang bangun sistem saklar
universal berbasis raspberry pi dengan
teknologi websocket. Jurusan Teknik
Komputer. Politeknik Negeri Sriwijaya.
Mulyasari, N .L. M. A., Sucianti, N., & Wijaya,A.
Y. (2017). Implementasi deteksi copy-
move forgery pada citra menggunakan
metode histogram of orieted gradients
(hog). Jurnal Teknik ITS, 6 (2), 2337-3520.
Nicco. (2015). Rancang bangun sistem biometrik
pengenalan wajah menggunakan principal
component analysis. Jurusan Teknik
Elektro. Politeknik Negeri Batam.
Prasetyo, H., Muharom, L. A., & Oktavianto, H.
(2016). Penerapan algoritma viola jones
pada deteksi wajah. Jurusan Teknik
 Informatika. Universitas Muhammadiyah
Jember.
Rianti, M. (2017). Rancang bangun alat ukur
intensitas cahaya dengan menggunakan
sensor bh-1750 berbasis arduino.
Departemen Fisika. Fakultas Matematika
Dan Ilmu Pengetahuan Alam. Universitas
Sumatera Utara.
Suryadi, K., & Sukumbang, S. (2015). Human
detection menggunakan metode histogram
of orieted gradients (hog) berbasis
open_cv. Jurnal Pendidikan Teknik
Elektro, 2 (2), 639-645.
Ummah, T. (2017). Deteksi kendaraan
menggunakan histogram of orieted
gradients dan real adaboost. Skripsi.
Institut Teknologi Sepuluh Nopember.
Wijaya, I. D., Nurhasan, U., & Barata, M. A.
(2017). Implementasi raspberry pi untuk
rancang bangun sistem keamanan pintu
ruang server dengan pengenalan wajah
menggunakan metode triangle face.
Jurusan Teknologi Informasi. Politeknik
Negeri Malang.