TUGAS AKHIR
Universitas
Hasanuddin Makassar
Oleh :
FADEL MUHAMMAD
D411 14 307
FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
LEMBAR PENGESMtaN
FADkL MLIHAMMAD
f7isahlcan oleh:
Pcmbimbing I
Pcinbimbing II
Mengctahui.
Kctua I3cpartcnwn Tcknik Elcktro
iii
KATA PENGANTAR
Allah subhanu wata’ala atas limpahan rahmat dan hidayah-Nya sehingga skripsi
ini dapat terselesaikan. Shalawat dan salam selalu tercurahkan kepada junjungan
upaya penulis dalam memenuhi salah satu syarat guna memeroleh gelar Sarjana
kebanggaan bagi kedua orang tua. Kedua orang tua peneliti yang dengan setulus
hati, keikhlasan jiwa, butiran doa dan keringat jerih payahnya dalam
membesarkan dan mendidik ananda. Semoga kalian berdua selalu diberi umur
dan usaha yang disertai doa, penulisan skripsi ini akhirnya dapat terselesaikan.
Penyusunan skripsi ini juga tidak terlepas dari bantuan, dorongan, semangat, serta
Dr. Ir. Ingrid Nurtanio, M.T. selaku Pembimbing II, terima kasih
9. Seluruh pihak yang tidak dapat kami sebutkan satu-persatu yang telah
skripsi ini, oleh karena itu saran dan kritik dari semua pihak diharapkan untuk
v
kesempurnaan skripsi ini. Penulis berharap semoga skripsi ini dapat diterima
sebagai sumbangan pikiran peneliti yang mendatangkan manfaat baik bagi penulis
maupun pembacanya.
Akhir kata semoga skripsi ini dapat bermanfaat bagi penulis sendiri,
Fadel Muhammad
DAFTAR ISI
ABSTRAK..............................................................................................................ii
KATA PENGANTAR...........................................................................................iv
DAFTAR ISI........................................................................................................vii
DAFTAR GAMBAR..............................................................................................x
DAFTAR TABEL................................................................................................xii
BAB I PENDAHULUAN......................................................................................1
2.3. WebCam.........................................................................................11
2.5. Relay...............................................................................................14
2.6. Solenoid Door Lock.......................................................................14
2.7. Buzzer.............................................................................................15
2.8. OpenCV..........................................................................................16
2.13. Internet.............................................................................................27
2.14. Telegram.........................................................................................27
3.3.1. WebCam...............................................................................37
viii
BAB IV PENGUJIAN DAN ANALISA.............................................................49
BAB V PENUTUP...............................................................................................61
5.1. Kesimpulan.....................................................................................62
5.2. Saran...............................................................................................63
DAFTAR PUSTAKA
LAMPIRAN
viii
DAFTAR GAMBAR
Gambar 2.14 Hubungan antara skala dan oktaf pada ukuran kernel.....................23
Gambar 2.17 Mencari delay wavelet di area 20s yang dibagi ke dalam 4 x 4 sub-
area....................................................................................................25
x
Gambar 3.4 Skematik Sistem Elektronik...............................................................32
PENDAHULUAN
Teknologi komputer pada saat ini berkembang dengan sangat pesatnya dan
merupakan salah satu bidang yang mempunyai peran yang sangat penting
dibeberapa aspek kehidupan manusia, termasuk pada bidang security. Saat ini
rumah atau ruangan dengan beberapa verifikasi identitas dengan sistem komputer,
mengingat benda dan kombinasi angka yang menyebabkan tidak dapatnya diakses
pintu tersebut. Oleh sebab itu teknik untuk identifikasi ataupun verifikasi yang
biometrik untuk keamanan yang berkembang saat ini seperti pengenalan sidik jari,
seseorang memposisikan tubuh mereka pada posisi tertentu yang sesuai dengan
posisi sensor ataupun kamera yang membuat teknologi ini terkesan kaku.
waktu tertentu
1
selama proses identifikasi untuk membuat sistem pembacaannya akurat. [1]
1
Untuk itu diperlukan sebuah sistem identifikasi yang lebih fleksibel dan
bersifat otomatis yang dapat mencegah pencurian dan juga dapat memberikan
peringatan langsung ke pemilik rumah. Dengan sistem yang seperti ini akan
Oleh karena itu tugas akhir ini akan membuat prototipe keamanan akses
algoritma Speeded-Up Robust Feature (SURF) untuk mencari titik pada wajah
yang nantinya akan dilakukan pencocokan antara sample dan database. Pada
yang lebih baik dan dapat digunakan oleh masyarakat umum dimasa yang akan
datang.
2
dapat
engirimkan pemberitahuan melalui aplikasi telegram ke pemilik rumah?
2
b. Bagaimana sistem dapat mengenali wajah menggunakan algoritma
bekerja?
Dalam tugas akhir ini sistem yang akan dibuat, dibatasi pada hal-hal
sebagai berikut:
3
1.5. Metode Penelitian
Adapun metode penelitian yang digunakan dalam tugas akhir ini adalah
sebagai berikut :
1. Studi Literatur
tugas akhir ini, baik berupa artikel, buku refrensi, jurnal-jurnal, internet,
3. Perancangan Alat.
4. Pembuatan Alat
5. Pengujian Alat
BAB I PENDAHULUAN
penulisan.
Pada bab ini berisi hasil perancangan dan penjelasan baik hardware dan
Pada bab ini berisi tentang kesimpulan dari pembahasan hasil analisa
akhir ini.
BAB II
LANDASAN TEORI
2.1. Raspberry PI
computer) atau SBC berukuran kartu kredit. Raspberry Pi telah dilengkapi dengan
ARM yang dikemas dan diintegrasikan diatas PCB. Perangkat ini menggunakan
2.1.1. Raspberry Pi 3
Model ini yang terbaik saat ini karena kecepatannya mencapai 4 kali lipat
dari Pi 2. Selain itu, versi ini sudah memiliki built-in WiFi (802.11n) dan
berikut:
b) RAM 1 GB
Full HDMI port, Port Ethernet, Combined 3.5mm audio jack and composite video,
Camera interface (CSI), Display interface (DSI), slot kartu Micro SD (Sistem
Salah satu fitur yang kuat dari Raspberry Pi adalah deretan GPIO (General
Purpose Input/Output) pin di sepanjang tepi atas pin board merupakan antarmuka
fisik antara Pi dan dunia luar. Pada tingkat yang paling sederhana, dapat dianggap
sebagai switch yang dapat mengaktifkan atau menonaktifkan (input) atau bahwa
8
Dari 40 pin, 26 pin GPIO dan yang lain adalah pin power atau ground
(ditambah dua pin ID EEPROM yang tidak harus digunakan). Dapat memprogram
pin untuk berinteraksi dengan cara yang menakjubkan dengan dunia nyata. Input
tidak harus berasal dari saklar fisik, itu bisa menjadi masukan dari sensor atau
sinyal dari komputer lain atau perangkat. Misalnya Output juga dapat melakukan
apa saja, dari menyalakan LED untuk mengirim sinyal atau data keperangkat lain.
mengontrol perangkat yang terhubung padanya dari mana saja dan perangkat
dapat mengirim data kembali. Konektivitas dan kontrol dari perangkat fisik
melalui internet adalah hal yang sangat kuat dan menarik, dan Raspberry Pi ideal
untuk ini [3]. GPIO Raspberry Pi 3 dapat dilihat pada gambar 2.3.
sekolah atau di rumah, berupa Windows atau Mac. Ada banyak sistem operasi
yang bisa berjalan di Raspberry Pi seperti RISC OS, FreeBSD, bahkan ada versi
Windows IoT (Internet of Things). Saat ini, Microsoft sudah mulai masuk ke
sistem IoT dengan Windows IoT-nya. Namun, Windows IoT masih tergolong
ribet untuk pemula karena harus coding di PC lalu ditransfer ke Raspberry Pi.
disebut dengan Raspbian. Raspbian adalah salah satu sistem Linux yang mudah
pada
pembacaan kode agar lebih mudah untuk memahami sintaks. Python menjadi
Bahasa resmi yang terintegrasi dalam Raspberry Pi. Kata “Pi” pada Raspberry Pi
merupakan selang yang merujuk pada “Python”. Oleh karenanya, tepat dikatakan
Bahasa ini muncul pertama kali pada tahun 1991, dirancang oleh seorang
bernama Guido van Rossum. Sampai saat ini Python masih dikembangkan oleh
2.3. WebCam
sendiri sebutan bagi kamera real-time (bermakna keadaan pada saat ini juga) yang
gambarnya bisa diakses atau dilihat melalui internet, program instant messaging
Messenger, dan Skype, dan lainnya. Istilah “webcam” sendiri mengarah pada jenis
kamera yang digunakan untuk kebutuhan layanan berbasis web. Webcam sendiri
biasanya digunakan untuk keperluan konferensi jarak jauh atau juga sebagai
kamera pemantau.
dikendalikan oleh sebuah komputer atau oleh jaringan komputer. Gambar yang
komputer maka ada interface atau port yang digunakan untuk menghubungkan
11
WebCam sebagai Web pages + Camera, karena dengan menggunakan WebCam
untuk mengambil gambar video secara aktual bisa langsung di upload bila
Push button switch (saklar tombol tekan) adalah perangkat atau saklar
listrik dengan sistem kerja tekan unlock (tidak mengunci). Sistem kerja unlock
disini berarti saklar akan bekerja sebagai device penghubung atau pemutus aliran
arus listrik saat tombol ditekan, dan saat tombol tidak ditekan (dilepas), maka
saklar akan kembali pada kondisi normal. Gambar 2.6 menunjukkan contoh fisik
push button.
12
Gambar 2.6 Contoh push button [5]
13
Sebagai device penghubung atau pemutus, push button hanya memiliki 2
kondisi, yaitu on dan off (1 dan 0). Istilah on dan off ini menjadi sangat penting
karena semua perangkat listrik yang memerlukan sumber energi listrik pasti
operator, push button menjadi device paling utama yang biasa digunakan untuk
memulai dan mengakhiri kerja mesin di industri. Secanggih apapun sebuah mesin
bisa dipastikan sistem kerjanya tidak terlepas dari keberadaan sebuah saklar
seperti push button switch atau perangkat lain yang sejenis yang bekerja mengatur
Open) [5].
tidak tersambung (aliran arus listrik tidak mengalir). Dan ketika tombol
13
2.5. Relay
sehingga dengan arus listrik yang kecil (low power) dapat menghantarkan listrik
yang bertegangan lebih tinggi. Sebagai contoh, dengan relay yang menggunakan
Solenoid Door Lock adalah salah satu solenoid yang difungsikan khusus
sebagai solenoid untuk pengunci pintu secara elektronik. Solenoid ini mempunyai
dua sistem kerja, yaitu Normaly Close (NC) dan Normaly Open (NO). Gambar 2.8
maka solenoid akan memanjang (tertutup). Untuk cara kerja dari solenoid NO
adalah kebalikannya dari solenoid NC. Biasanya kebanyakan solenoid door lock
membutuhkan input atau tegangan kerja 12V DC tetapi ada juga solenoid door
lock yang yang hanya membutuhkan input tegangan 5V DC dan sehingga dapat
2.7. Buzzer
getaran listrik menjadi getaran suara. Prinsip kerja buzzer yakni terdiri dari
dialiri arus sehingga menjadi elektromagnet, kumparan tadi akan tertarik ke dalam
atau keluar tergantung dari arah arus dan polaritas magnetnya. Karena kumparan
menghasilkan suara. Buzzer biasa digunakan sebagai indikator bahwa proses telah
selesai atau terjadi suatu kesalahan pada sebuah alat (alarm) [8]. Adapun salah
satu
bentuk buzzer seperti pada gambar 2.9.
Gambar 2.9 Buzzer [8]
2.8. OpenCV
dikembangkan oleh Intel dan sekarang didukung oleh Willow Garage dan Itseez.
OpenCV dirilis dengan lisensi bawahan BSD dan oleh karenanya gratis untuk
pemrograman C, C++, Java, dan Python dan mendukung Windows, Linux, Mac
OS, iOS, dan Android. OpenCv dirancang untuk efisiensi komputasi dan dengan
focus yang kuat pada aplikasi real time. Ditulis dalam bahasa pemrograman C/C++
OpenCV yang dibangun pada modul yang kinerja tinggi dan serbaguna
NO Modul Fungsi
NO Modul Fungsi
pemetaan bit-bit, atau lebih dikenal sebagai bitmap. Setiap bit dari citra
membentuk satu titik informasi yang dikenal sebagai piksel. Satuan dari piksel
biasanya dinyatakan dengan posisi x, posisi y, dan nilai dari piksel tersebut (warna
atau gray). Dalam satu bidang gambar, sepenuhnya terdiri dari piksel-piksel
disimpan dalam bentuk bilangan biner. Penggunaan piksel biner ini dimaksudkan
untuk menyederhanakan proses dengan hanya memperhatikan ada atau tidak, dan
juga untuk memperkecil data baik saat dikirimkan atau saat disimpan, termasuk
biner memiliki dua kemungkinan nilai, tetapi grayscale memiliki lebih banyak
antara
satu piksel dengan piksel lainnya sangat dipentingkan. Hal ini terutama jika objek
yang diamati memiliki perbedaan intensitas yang cukup kecil dengan berbagai
tingkat kecerahan.
yang sesuai akan mempercepat operasi kerja tanpa mengurangi kinerja sistem,
perhitungan secara keseluruhan. Namun cara ini juga dapat menurunkan kinerja
dari sistem, dimana suatu citra yang semula memiliki jumlah pixel yang besar
akan memiliki bentuk yang detil, dengan dilakukan penskalaan akan didapatkan
tersendiri, yaitu lebih cepat (kalau obyek yang dicari dekat dengan titik awal) dan
mudah tetapi tidak akurat. Hal ini tentu saja menyebabkan proses menjadi lambat.
Kelebihan lain dari proses scanning adalah metode klasifikasi atau identifikasi
dari proses deteksi dapat beragam, artinya dapat menggunakan berbagai metode.
Jika suatu obyek dapat diketahui berdasarkan ciri warnanya saja maka
dapat digunakan metode segmentasi warna. Metode ini secara umum digunakan
untuk memisahkan suatu warna terhadap warna lainnya. Inti dari segmentasi
warna adalah
18
membaca warna piksel demi piksel atau daerah demi daerah dan
19
dideteksi dipastikan hanya berjumlah satu, artinya dalam penangkapan citra
nantinya kemungkinan hanya ada satu obyek yang akan muncul, maka proses
deteksinya menjadi sederhana. Inipun masih bisa dibedakan antara obyek yang
Jika obyek posisinya sudah tentu pada sensor, maka proses deteksi
lainnya. Jika obyek ternyata menempati posisi yang tidak tentu, maka harus
dilakukan proses pencarian [11]. Proses pencarian dapat dilakukan dengan dua
cara melakukan scanning diseluruh daerah citra atau langsung menentukan titik
Selain scanning, ada proses lain pada pengolahan citra yaitu Cropping.
Dengan cropping, cara ini mengharuskan program untuk mencari pixel demi
pixel, area demi area ukuran demi ukuran dari seluruh bagian citra. Jika suatu
obyek berhasil ditemukan, bagian citra yang bertepatan dengan obyek tersebut
akan dipotong untuk diproses pada bagian berikutnya. Kelebihan dari cara ini,
posisi dan ukuran dari obyek dapat bebas serta jumlah dari obyek dapat lebih dari
satu. Dapat menggunakan berbagai metode klasifikasi, dimana hasil crop obyek
yang ditemukan dengan mudah diproses pada classifier yang dikehendaki [11].
fitur deteksi wajah. Deteksi wajah sendiri dapat dilakukan dengan berbagai cara,
19
merupakan
20
telah memperkenalkan sebuah framework deteksi wajah yang mampu memproses
gambar dengan sangat cepat dengan tingkat deteksi yang tinggi. Viola-Jones
memainkan peran dalam memilih fitur yang cocok untuk mendeteksi objek yang
menarik [12].
melakukan proses seleksi fitur, fitur yang merupakan fungsi dasar untuk
meingkatkan proses seleksi dikenal sebagai HaarLike feature. Didorong oleh hasil
karya Tieu dan Viola, Viola-Jones terhambat oleh seleksi fitur yang harus
berdasarkan pada setiap classifier yang lemah sehingga tergantung pada satu fitur
dikenal sebagai Integral Image yang tidak terpisahkan. Dengan metode ini Haar-
Like features dapat dihitung pada setiap skala atau lokasi dalam waktu yang
konstan. Metode Viola- Jones menggabungkan empat kunci utama yaitu Haar-
deteksi fitur. Deteksi fitur adalah proses mengolah citra untuk mengekstrasi fitur-
fitur yang unik dari suatu objek di dalam citra, tujuannya agar objek dapat
dideteksi pada citra lain yang mengandung objek yang sama meskipun objek
20
tahapan yakni:
21
2.11.1. Pendeteksian Fitur
membangun ketahanannya sehingga fitur yang sama tidak akan dideteksi sebagai
fitur baru dengan sudut pandang yang berbeda sekalipun. Teknik yang digunakan
membagi scale space ke dalam beberapa level dan oktaf. Scale space merupakan
filter Gaussian orde kedua [13]. Ilustrasi dari scale space berbentuk seperti
mencari nilai extrema. Pada SURF metode Laplacian of Gaussian diubah menjadi
gaussian
𝜕
orde kedua 2 𝑔(𝜎) dengan nilai 𝜎 = 1.2 (merupakan skala terkecil untuk
𝜕𝑦 2
21
gambar
2.12. Kotak berwarna abu-abu pada citra dianggap bernilai 0 sedangkan kotak putih
22
bernilai positif, sebaliknya kotak hitam bernilai negatif. Kotak filter direferensikan
mendeteksi fitur. Hessian sendiri merupakan matriks dari derivatif kedua Gaussian
Dimana,
𝐿𝑥𝑥
(x, σ) = 𝐼(x) * 𝑔(𝜎) (2.2)
𝜕
2
𝜕𝑦2
𝐿𝑥𝑦
(x, σ) = 𝐼(x) * 𝜕2 𝑔(𝜎) (2.3)
𝜕𝑦 2
terhadap periubahan skala namun pada kasus ini dapat dibuat konstan dengan
22
Dikarenakan kernel Gaussian diubah kedalam bentuk diskrit maka perlu
sensitif
terhadap periubahan skala namun pada kasus ini dapat dibuat konstan dengan
23
memberikan nilai sebesar 0.9 [13]. Determinan matriks Hessian dari Gaussian
pada beberapa level dan oktaf dari scale space. Algoritma SURF memperbesar
skala citra dari setiap perubahan oktaf [13] seperti diilustrasikan pada gambar
2.13.
Semakin besar citra maka semakin besar kernel yang digunakan. Meski
bentuknya dalam artian tidak mengubah fungsi filternya [13]. Perubahan ukuran
filter bergantung pada skala dan oktaf seperti diperlihatkan pada gambar 2.14
Gambar 2.14 Hubungan antara skala dan oktaf pada ukuran kernel [14]
representasi tengah untuk citra dan terdiri dari jumlah nilai keabu-abuan dari citra
23
Perhitungan determinan matriks Hessian ataupun pembentukan scale space
representasi tengah untuk citra dan terdiri dari jumlah nilai keabu-abuan dari citra
24
N dengan tinggi y dan lebar x [13]. Perumusannya dapat dilihat pada persamaan
(2.4)
𝐼(𝑥, 𝑦) = 𝑥′ ∑𝑦
𝑦′ 𝑁(𝑥 ′ , 𝑦 (2.6)
∑𝑥 ′
)
Setiap titik fitur harus memiliki deskripsi yang unik agar tidak terpengaruh
terhadap transformasi rotasi ataupun skala pada citra. Agar deskriptor dapat
bekerja meski terjadi transformasi rotasi pada citra, mula-mula perlu diketahui
orientasi titik fitur. SURF menggunakan Haar Wavelet yang dapat dihitung
dengan mudah menggunakan citra integral untuk menemukan orientasi dari titik
fitur. Apabila orientasinya didapatkan maka fitur ini akan tahan terhadap
perubahan rotasi. Metode ini dikenal dengan metode Upright SURF (U-SURF)
yang mampu menahan perubahan rotasi tanpa perlu adanya perubahan orientasi
[13].
Gambar 2.15 menunjukkan delay dari Haar Wavelet pada arah horizontal
dan arah vertikal. Orientasi yang dominan ditentukan dengan menghitung jumlah
seluruh orientasi dalam juring dengan sudut 60 derajat. Apabila flag bernilai 0
24
maka tidak dihitung, sedangkan bila bernilai satu dideteksi sebagai orientasi [13].
24
Setelah mengetahui orientasi fitur maka hal lain yang perlu diketahui
adalah diskripsi fitur. Dibentuk disekitar titik fitur sebesar 20s. Kemudian dibagi
ke dalam 4 x 4 sub-area. Pada bagian ini disimpan informasi spasial. Untuk setiap
5 ruang sampel. Masing-masing dicari nilai dari delay wavelet baik secara vertikal
ataupun horizontal [13]. Delay wavelet ini dikenal dengan 𝑑𝑥 dan 𝑑𝑦, seperti
Gambar 2.17 Mencari delay wavelet di area 20s yang dibagi ke dalam 4 x 4 sub-area
[14]
unit
25
[13]. Ilustrasi dari perhitungan delay wavelet ditunjukkan pada gambar 2.17.
26
2.11.3. Pencocokan Fitur
Apabila ada citra baru yang mengandung objek yang sama dari citra
sebelumnya maka objek tersebut dapat dideteksi dari titik fitur yang sudah
terdapat pada space dimensi yang tinggi. Library ini merupakan kumpulan
algoritma yang untuk menemukan nilai tetangga terdekat, sementara untuk hasil
parameter yang optimal, tergantung pada kumpulan data yang digunakan. Metoda
matching fitur SURF citra wajah data awal dengan fitur SURF citra wajah uji.
Fitur SURF ini terdiri dari 3 komponen utama, yaitu: keypoint, descriptor dan
vektor. Untuk satu gambar wajah citra uji terdapat cluster untuk fitur SURF.
dengan tipe indeks kd tree, dimana KNN ini akan mencari jarak yang paling kecil
antara vector sampel dengan vector pada cluster. Proses matching fitur citra wajah
uji dan fitur citra wajah sampel, vektor keypoint dan descriptor pada citra wajah
mencari cluster pada citra wajah uji yang nilai vektor deskriptornya paling dekat
2.13. Internet
tersebar di seluruh dunia. Adapun layanan internet yang tersedia saat ini seperti
komunikasi langsung (email, chat), diskusi (Usenet News, email, milis), sumber
daya informasi yang terdistribusi (World Wide Web, Gopher), remote login dan
lalu lintas file (Telnet, FTP), dan aneka layanan lainnya [16].
2.14. Telegram
pengguna untuk mengirimkan pesan, gambar, video, dokumen, dan lainnya tanpa
menetapkan besarnya size file yang dikirimkan serta mampu mengirimkan lokasi.
Interface atau Antarmuka Pemrograman Aplikasi) berupa Telegram Bot API yang
memungkinkan siapa saja untuk membuat bot mereka sendiri yang akan
membalas
pesan sesuai dengan program yang mereka buat.
BAB III
PERANCANGAN SISTEM
berbasis Raspberry Pi 3 ini mengacu berdasarkan blok diagram pada gambar 3.1.
Dimana dalam perancangan alat ini meliputi. Sebuah WebCam yang digunakan
sebagai saklar otomatis yang mengatur solenoid door lock dengan keadaan
normally open. Sebuah solenoid door lock sebagai actuator buka dan tutupnya
pintu. Buzzer sebagai sebuah alarm, serta penggunaan saklar sebagai penggerak
Dari gambar 3.1, dapat dijelaskan prinsip kerja dari sistem ini. WebCam
akan mendeteksi orang dengan cara mencari wajah dari orang tersebut lalu
orang maka Raspberry Pi 3 akan membuat WebCam untuk mengambil citra. Citra
yang diambil dilakukan proses cropping atau pemotongan gambar dengan hanya
diambil nantinya akan diproses untuk mencari keypoint atau titik penting untuk
database maka Raspberry Pi 3 akan membuat relay keadaan close atau tertutup
dan membuat solenoid door lock dalam kondisi membuka pintu dan bersamaan
dengan buzzer berbunyi beberapa saat. Namun apabila citra yang diproses tidak
rumah sebagai pembuka pintu saat sistem sedang bekerja, dimana ketika push
button ditekan akan langsung membuat solenoid door lock dalam kondisi
pintu tanpa membuat kondisi satu ruangan. Mulai dari kerangka penyangga
hingga keadaan pintu seperti sebenarnya. Miniatur dapat dilihat pada gambar 3.2.
dan 3.3.
Miniatur pintu dibuat dari balok untuk kerangka penyangga, serta sistem
pintu dibuat dari balok dengan panjang 40 cm dan lebar 20 cm. Miniatur ini dibuat
dengan mengecilkan skala pintu yang ada 1:3. Gambar 3.2 dan gambar 3.3
Gambar 3.4 menunjukkan skematik dari sistem elektronik pada sistem ini.
recognition berbasis raspberry pi ini menggunakan alat dan bahan sebagai berikut:
1. Adapter 5V
2. Raspberry Pi 3
3. WebCam
4. Push button
5. Modul Relay
7. Buzzer
output tegangan 5V dengan arus 2A. Adapter ini berfungsi sebagai supply
3.2.2.2.Raspberry Pi 3
data citra dan message pemberitahuan aplikasi Telegram melalui jaringan internet.
solenoid door
lock membuka atau menutup pintu, serta Raspberry Pi 3 akan mengaktifkan buzzer.
3.2.2.3.WebCam
dengan spesifikasi kamera 8 megapiksel serta memiliki auto fokus. WebCam ini
3.2.2.4.Push Button
lock agar membuka pintu. Dikarenakan sistem ini hanya meletakkan kamera pada
bagian depan pintu, maka push button dipasang pada bagian dalam prototipe agar
pintu dapat terbuka dari dalam. Push button tidak disisipkan pada perangkat lunak
3.2.2.5.Modul Relay
berfungsi pemutus otomatis tegangan pada sistem. Pemilihan modul relay karena
telah memiliki pin power, ground dan input dimana power dan ground sebagai
sumber tegangan dan grounding, pin input disambungkan ke pin digital 14 pada
pada sistem ini dapat terbuka secara otomatis sesuai dengan keaadan relay.
Solenoid door lock disambungkan ke blok terminal beban pada relay dengan
keadaan normaly open. Solenoid door lock yang digunakan pada sistem ini
digerakkan dengan tegangan 11V DC sehingga untuk sumber salah satu kaki
dihubungkan pada Batterai Lipo dan satu kaki dihubungkan dengan relay dimana
3.2.2.7.Buzzer
mendapatkan ataupun tidak kecocokan citra muka yang diambil dengan database
yang ada dengan keadaan bunyi yang berbeda. Buzzer dihubungkan ke pin digital
3.2.2.8.Batterai Lipo
solenoid door lock dan relay dengan spesifikasi 11.9 V dengan arus 900 mAh.
perancangan perangkat lunak sistem. Perangkat lunak adalah istilah umum untuk
data yang diformat dan disimpan secara digital, berbeda dengan perangkat keras
karena merupakan bagian sistem yang tidak berwujud. Perancangan ini terdiri atas
pencarian ciri khusus pada citra database. Ciri yang diambil adalah keypoint dari
pada library Python. Setelah itu maka Raspberry Pi 3 akan membuat WebCam
dalam keadaan enable atau menyala, sistem akan terus berada pada keadaan
maka WebCam akan mengambil citra hanya pada bagian wajah (terjadi proses
keypoint. Data keypoint dari citra wajah yang diambil kemudian akan dilakukan
proses pencocokan ciri (Keypoint Matching) dengan data keypoint database wajah
yang telah disimpan sebelumnya. Apabila citra dikenali dengan salah citra wajah
yang ada pada database maka sistem akan membuat alarm dalam hal ini buzzer
enable atau menyala selama 1 detik sebagai penanda cocoknya wajah, serta
membuat relay dalam keadaan enable atau keadaan close dalam beberapa saat.
Relay yang dalam kondisi close akan membuat solenoid door lock mendapatkan
tegangan sehingga pintu terbuka. Sedangkan apabila citra yang diambil tidak
dikenali, maka buzzer akan enable selama 3 detik sebagai penanda orang yang
36
wajah yang tidak dikenali
37
tersebut bersamaan dengan sebuah script wajah tidak dikenali. Apabila terdapat
balasan dari pengguna telegram tersebut untuk membuka pintu maka buzzer akan
enable selama 1 detik, serta membuat relay dalam keadaan enable atau keadaan
close dalam beberapa saat dan pada akhirnya solenoid door lock membuka pintu.
Apabila adapter pada Raspberry Pi 3 masih tetap menyala maka sistem akan
kembali membuat WebCam enable. Namun apabila adapter tidak menyala maka
$ fswebcam namafile.jpg
mengakses WebCam:
# Setting Camera
cap = cv2.VideoCapture(0)
cap.set(3 , 640 ) # width
cap.set(4 , 480 ) # height
# Start Video
while True:
ret, image = cap.read() # Read the camera object
3.3.2. Kontrol Relay dan Buzzer
Untuk mengendalikan relay dan buzzer pada Raspberry Pi 3, maka pin dari
relay dan buzzer dihubungkan pada GPIO (General Purpose Input Output)
Raspberry Pi 3. Untuk relay disambungkan pada pin 14 dan buzzer pada pin 18
menyalakan sebuah lampu dengan mengubah output pin GPIO HIGH (untuk
menyalakan) dan LOW (untuk mematikan). Berikut ini potongan script program
#Setting GPIO
GPIO.setmode(GPIO.BCM)
GPIO.setwarnings(False)
GPIO.setup(14, GPIO.OUT)
GPIO.setup(18, GPIO.OUT)
#Menyalakan dan mematikan Relay dan
Buzzer GPIO.output(14, GPIO.HIGH)
GPIO.output(18, GPIO.HIGH)
time.sleep(1) #Mengatur waktu mengaktifkan
GPIO.output(14, GPIO.LOW)
GPIO.output(18, GPIO.LOW)
dilakukan namun tidak secara mendetail. Secara tidak langsung algoritma untuk
gambar 3.6
Gambar 3.6 Flowchart pengenalan wajah
wajah. Deteksi wajah ini bertujuan agar kamera berperan sebagai sensor selain
Adapun peranan dari algoritma Viola-Jones dalam pembuatan aplikasi ini adalah
sebagai pendeteksian wajah pada citra. Untuk mendeteksi adanya fitur wajah pada
sebuah
citra maka terlebih dahulu merubah citra RGB menjadi Grayscale hal ini dikarena
algoritma ini mendeteksi wajah dengan cara membedakan warna hitam dan putih.
Setelah citra telah diubah maka dilanjutkan dengan beberapa proses yang
terdeteksi pada sebuah citra. Pada gambar 3.7 dapat dilihat hasil dari penggunaan
40
minimal dari fitur haar agar nilainya tetap dipertahankan. Penggunaan nilai
parameter ini berdasarkan metode heuristik dengan mencari keadaan yang terbaik.
Telah dilakukan percobaan dengan mengganti nilai parameter scale factor dan
minNeighbors.
Pada nilai parameter scale factor mencoba dengan mengganti nilai dari
range 1.0 hingga 1.5, ternyata pengaruh dari mengganti parameter tersebut
membuat algoritma Viola-Jones ini dalam mendeteksi wajah menjadi sangat lebih
detail. Ketika nilai 1.5 dan 1.4 maka sebuah benda yang berwarna hitam putih
akan terdeteksi sebagai wajah. Ketika nilai yang digunakan 1.0 sampai 1.2 dengan
sample citra gambar yang terdapat beberapa wajah, didapatkan algoritma tidak
mendeteksi beberapa wajah secara tidak tepat atau dalam membuat kotak pada
wajah terdapat bagian tubuh lain yang dideteksi sebagai wajah. Namun ketika
nilai digunakan 1.3 maka didapatkan sistem mampu mendeteksi wajah pada suatu
Pada tahap ekstraksi ciri baik citra wajah sample dan citra wajah dari
database dilakukan proses pencarian ciri. Dalam kasus ini ciri khusus yang dicari
yaitu titik penting (keypoint). Pencarian ciri ini dilakukan sebanyak dua kali.
Pertama pada saat sistem mulai maka terlebih dahulu dilakukan ekstraksi ciri citra
database, hal ini dilakukan untuk melakukan training pada sistem sehingga hasil
dari training database didapatkan data keypoint dari tiap data agar nantinya data
ini yang akan dicari pada tahap pencocokan ciri. Untuk mencari keypoint dari citra
41
menangani gambar dengan kualitas kabur dan rotasi pada gambar. Karena citra
wajah yang disimpan dari proses deteksi wajah boleh jadi mendapatkan hasil yang
dengan menggunakan box filter sebagai aproksimasi dari turunan parsial kedua
dari Gaussian. Ketika membentuk scale space, citra asli dikonvolusikan pada
kotak filter dengan mengubah ukuran kotak filter sesuai dengan citra dan
membentuk scale space image. Langkah berikutnya adalah mencari ekstrema dari
Lokalisasi calon fitur kemudian dilakukan pada setiap ruang skala (scale space)
determinan matriks Hessian. Hasil akhir dari tahap ini adalah titik-titik acuan atau
rupa untuk mencari keypoint dari citra yang digunakan. Parameter pertama adalah
hessian threshold atau ambang batas nilai hessian untuk mendeteksi sebuah
keypoint dimana apabila nilai hessian yang lebih besar dari threshold yang
nOctaves atau nilai yang diatur untuk menciptakan banyaknya piramida citra.
Parameter ketiga adalah nOctavesLayers atau nilai yang diatur untuk menentukan
jumlah citra dari setiap octaves yang telah diatur sebelumnya. Parameter yang
terakhir adalah extended atau pengaturan untuk nilai element yang digunakan.
Untuk nilai yang digunakan dalam perancangan perangkat lunak ini diambil
nilai dari 300, 400, dan 500, hal ini karena dari beberapa refrensi pada range 300
hingga 500 merupakan nilai terbaik dari SURF. Begitu pun telah dilakukan
keypoint pada nilai paramater 400 didapatkan jumlah keypoint yang tidak rentang
penggantian nilai dan didapatkan pada saat nilai parameter 3 dan 4 SURF mampu
membuat keypoint pada citra jauh lebih stabil dibandingkan saat diatur pada nilai
4
dan 5. Dapat disimpulkan hal itu dapat terjadi karena citra yang menjadi database
memiliki resolusi yang kecil yang mengakibatkan ketika SURF membuat paramida
citra maka citra yang resolusi kecil ketik dibuat semakin blur hanya membuat
resolusi citra semakin rendah sehingga apabila nilai parameter diperbesar SURF
akan membuat lebih sedikit keypoint pada citra database. Hal ini akan membuat
untuk proses pencocokan nantinya hanya akan didapatkan kecocokan yang minim.
Pada parameter extended ini digunakan nilai satu, hal itu karena parameter
ini membuat SURF untuk memberi orientasi matriks pada citra semakin besar
yang 128, sehingga jumlah keypoint pada citra bisa bertambah. Selain itu dengan
citra yang resolusi kecil nilai ini sangat membantu untuk SURF dalam
parameter yang optimal, tergantung pada kumpulan data yang digunakan. Fitur
SURF terdiri dari keypoint, deskriptor, dan berupa vektor. Satu citra di basis data
memiliki banyak klaster untuk fitur SURF. Klaster ini dibuat. otomatis dengan
KNN ini akan mencari jarak yang paling kecil antara vektor fitur dengan vektor
pada klaster.
Proses pencocokkan fitur pada citra sample dan fitur pada citra dalam
database, vektor keypoint, dan deskriptor pada gambar sample akan dicocokkan
44
nilainya menggunakan KNN search. KNN search akan mencari klaster pada
database yang nilai vektor descriptor paling dekat jaraknya dengan vektor
descriptor pada citra sample. Setelah klaster didapat, kemudian akan dicari nilai
vektor descriptor pada klaster tersebut yang sama atau paling dekat dengan vektor
descriptor pada citra sample. Jika ada yang sama maka ada satu keypoint yang
cocok antara kedua citra tersebut. Semakin banyak jumlah keypoint yang cocok,
Pada gambar 3.9 dapat dilihat hasil dari FLANN dalam mencocokkan
keypoint pada citra sample dan citra database yang dianggap paling mendekati
kepada pemilik tentang adanya wajah yang tidak dikenali berada di depan pintu
rumahnya baik dalam bentuk teks maupun citra wajah orang yang tidak dikenali
45
tersebut. Pemilihan Telegram sebagai pemberi notifikasi kepada pemilik
dengan berbagai bahasa pemrograman dan salah satunya adalah Python atau
aplikasi telegram pada smartphone atau melalui web Telegram, serta cara
Akan muncul perintah untuk memberi nama bot kita. Ketik nama yang
Setelah Ok, akan muncul perintah untuk membuat username bot kita,
tulisan berwarna merah yang merupakan kode token API kita. Token ini
yang akan menjadi acuan agar nantinya bot dapat diprogram untuk
2) Menghubungkan telegram bot yang telah dibuat dengan Python agar nantinya
Raspberry Pi 3 mampu mengendalikan balasan dari bot tadi. Untuk
langkah berikut
Raspberry Pi 3:
47
#Memanggil API telegram
bot = telegram.Bot(token="555919767:AAGP25TCeQZmwjBmexTmbN5aQ9zXg0QS-w8")
#Mengirim teks dan gambar ke telegram
bot.sendMessage(chat_id=179126574,text="Wajah Tidak Dikenali")
bot.sendPhoto(chat_id=179126574, photo=open(images,"rb"))
BAB IV
Pada bab ini akan membahas pengujian dari sistem dengan mengambil
data dan melakukan analisa terhadap pengujian perangkat lunak pengujian citra
wajah dan delay pengiriman data terhadap Telegram. Pengujian perangkat keras
dalam hal ini delay kerja relay, dan pengujian terhadap sistem keseluruhan.
Perangkat lunak:
sistem dalam mencocokan wajah. Dilakukan dua pengujian pertama menguji citra
sample yang sesuai dengan database, kedua menguji citra sample yang tidak
sesuai dengan database. Pengujian ini dilakukan secara real time Raspberry Pi 3.
Citra yang tersimpan pada database berupa data 9 orang dengan masing-masing
10 pose
yang berbeda dan intensitas cahaya yang sama (menggunakan cahaya lampu yang
disorot ke wajah). Database terdiri dari berbagai citra wajah (lima laki-laki dan
empat perempuan, jenis rambut, dan warna kulit). Perbadaan pose pada database
terdiri dari posisi dan ekspresi. Perbedaan posisi wajah tersimpan berupa citra
menghadap atas, bawah, kiri, dan kanan. Untuk ekspresi wajah tersimpan berupa
tanpa ekspresi, senyum, senyum dengan kelihatan gigi, mulut yang dirapatkan,
buka mulut, dan mata melotot (lampiran 1). Perbedaan posisi dan ekspresi yang
disimpan pada database ini dimaksudkan karena sistem ini akan mengambil citra
dengan posisi dan eskpresi random sehingga diharapkan beberapa keadaan ini
akan menjadi posisi dan ekspresi yang paling memungkinkan untuk ditangkap
oleh deteksi wajah. Adapun resolusi dari citra database ini berbeda-beda sebab
dengan database yang telah dilatih sebelumnya. Pengujian ini bertujuan untuk
mengetahui apakah sistem mengenali dengan baik atau tidak citra wajah yang
telah dilatih tersebut. Gambar 4.1 menunjukkan hasil dari pengujian ini.
50
Tabel di bawah ini menunjukkan hasil pengujian terhadap tujuh sample
citra wajah yang sesuai database dengan pengambilan citra sebanyak 10 kali tiap
sebanyak 10 kali dan mencatat hasil pencocokan pada pendeteksian awalnya serta
Dari hasil pengujian pada tabel 4.1 di atas, dapat diketahui bahwa
keakuratan sistem (As) untuk citra wajah yang sesuai dengan database dimana
database.
64
As = ( ) 𝑥 100%
70
As = 91,4%
(As) sebesar 91,4%. Dimana terdapat 8,6% atau enam citra data yang salah dalam
sample paling mendekati dengan database hal ini disebabkan karena resolusi citra
sample yang didapat random artinya setiap terdeteksi wajah maka akan langsung
dengan database yang telah dilatih sebelumnya. Pengujian ini bertujuan untuk
mengetahui apakah sistem mengenali dengan baik atau tidak citra wajah yang
dilatih tersebut. Gambar 4.2 menunjukkan hasil yang seharusnya tidak didapatkan
oleh sistem.
sebanyak 10 kali dan dengan melihat 10 kali sistem mendeteksi wajah, serta pada
keakuratan sistem untuk citra wajah yang sesuai dengan database dimana hasil
didapatkan.
58
As = ( ) 𝑥 100%
70
As = 82,9%
Dari hasil pengujian yang telah dilakukan didapatkan akuratan sistem
sebesar 82,9%. Dimana terdapat 17,1% atau 12 citra data yang salah dalam
sample paling mendekati dengan database hal ini disebabkan karena resolusi citra
sample yang didapat random artinya setiap terdeteksi wajah maka akan langsung
tersimpan tanpa ada pengaturan resolusi citra yang tetap. Serta dengan
pembatasan delapan titik cocok maka titik yang memiliki nilai sama pada citra
wajah berbeda akan dikenali sebagai citra yang ada pada database.
Smartphone. Hal ini dilakukan untuk mengetahui berapa delay untuk Telegram
56
Tabel di bawah ini menunjukkan hasil pengujian delay relay yang
Dari hasil pengujian pada tabel 4.4 di atas, dapat diketahui bahwa delay
pengendalian relay melalui perintah yang dikirimkan dari Telegram memiliki rata-
rata delay waktu sebesar 0,85 detik. Dengan waktu delay tercepat adalah 0,4 detik
dan waktu delay terlama adalah 1,3 detik. Delay ini terjadi akibat adanya
Pengujian sistem kerja alat dilakukan dengan dua kali pengambilan data.
Pertama pengujian dengan citra sample yang terdapat pada database hingga
akhirnya terjadi pengendalian relay. Kedua pengujian citra sample yang tidak
57
4.3.1. Pengujian Pengendalian Relay
dan delay waktu sistem sampai akhirnya terjadi pengendalian relay. Pengujian
dilakukan dengan 20 data citra sample dengan lima citra orang berbeda (tiga laki-
laki dan dua perempuan) yang terdapat pada database. Pengambilan data dengan
melakukan secara real time melalui WebCam dengan deteksi pertama serta
dijalankan sampai terkendalinya relay. Berikut ini adalah tabel pengujian sistem
berdasarkan rumus yang telah digunakan adalah 100%. Terlihat ada peningkatan
nilai keberhasilan. Hal ini dikarenakan citra yang disimpan pada sistem memiliki
resolusi kecil sehingga pemberian titik cocok pada sample menjadi lebih sedikit
sehingga hanya dengan enam titik yang diartikan sebagai citra dikenali mampu
dicocokan dengan benar. Dapat juga diketahui dari tabel di atas waktu yang
dikendalikan rata-rata sebesar 3,813. Hal ini diakibatkan karena saat sistem
bekerja pertama kali, maka sistem akan melakukan pelatihan dan menyimpan data
kerja alat keseluruhan karena dilakukan dari saat alat mulai mendeteksi wajah
citra sample dengan lima citra orang berbeda (tiga laki-laki dan dua perempuan)
namun tidak terdapat pada database (lampiran 4). Pengambilan data dilakukan
secara real time melalui WebCam dengan deteksi pertama serta dilakukan
pengulangan mulai sistem, dan mengurangi nilai kecocokan pada program sebesar
enam titik pencocokan saja. Untuk menghitung waktu proses pengiriman digunakan
stopwatch dari awal program dijalankan sampai citra dan teks terkirim ke
Telegram. Gambar 4.4 memperlihatkan citra dan teks yang diterima oleh Bot
Telegram.
Berikut ini adalah tabel pengujian delay pengiriman data citra dan teks ke
telegram:
Delay
Data ke
Sample Keterangan Pengiriman
Telegram
(detik)
Terkirim Berhasil 4.56
Terkirim Berhasil 4.94
Maharani Terkirim Berhasil 4.69
Terkirim Berhasil 4.62
Terkirim Berhasil 4.55
Terkirim Berhasil 5.21
Atik Terkirim Berhasil 4.67
Terkirim Berhasil 4.43
Terkirim Berhasil 4.56
Terkirim Berhasil 5.21
Aldi Terkirim Berhasil 5.55
Terkirim Berhasil 5.48
Terkirim Berhasil 4.88
Terkirim Berhasil 4.05
Hanif Terkirim Berhasil 4.11
Terkirim Berhasil 4.03
Terkirim Berhasil 4.75
Terkirim Berhasil 3.97
Anto Terkirim Berhasil 4.29
Terkirim Berhasil 4.27
Rata-rata delay pengiriman 4.64
Pada tabel di atas dapat diketahui bahwa dari 20 citra wajah yang diuji,
tidak terdapat kesalahan pencocokan citra atau semua citra dikenali sebagai citra
yang tidak dikenali oleh sistem. Sehingga keberhasilan sistem di atas berdasarkan
rumus yang telah digunakan adalah 100%. Dapat juga diketahui dari tabel di atas
delay atau waktu yang dibutuhkan oleh sistem dalam pendeteksian sampai
akhirnya data citra dan teks diterima oleh Telegram paling lama dengan delay
5,55 detik dan delay paling cepat 3,97 dengan rata-rata delay sebesar 4,641. Hal
ini diakibatkan karena setiap sistem bekerja pertama kali, maka sistem akan
melakukan pelatihan dan menyimpan data ke library terlebih dahulu, serta dalam
yang disebabkan oleh perbedaan resolusi citra yang akan dilakukan pencocokan
PENUTUP
5.1. Kesimpulan
Dari hasil pengujian yang telah dilakukan untuk sebuah akses keamaan
91,4% dan untuk pencocokan citra wajah yang tidak sesuai data 82,9
memungkinkan untuk pengembangan lebih lanjut. Oleh karena itu penulis merasa
berbagai kondisi, serta citra database diberikan resolusi yang lebih tinggi
lebih tinggi.
DAFTAR PUSTAKA
[1]. Juliandi, Reza. 2017. “Teknologi Biometrik: dari Sidik Jari, Iris Mata, Hingga
Suara”,http://www.sainsphd.com/2016/03/teknologi-biometrik.html.
Diakses pada 06 November 2017 pukul 14.33.
[2]. Rakhman Edi, Candrasyah Faisal, D.sutera Fajar. 2014. Raspberry Pi
Mikrokontroler Mungil yang Serba Bisa. Yogyakarta: Penerbit Andi.
[3]. Dinata, Andi. 2017. Physical Computing dengan Raspberry Pi. Jakarta: PT
Elex Media Komputindo
[4]. Shaleh. 2017. “Pengertian WebCam dan Jenisnya”,
http://rumahshaleh.com/pengertian-webcam-dan-jenisnya/. Diakses pada 16
Juli 2018 pukul 10.16.
[5]. Dermanto, Trikueni. 2014. “Pengertian Push Button Switch (Saklar Tombol
Tekan)”, http://trikueni-desain-sistem.blogspot.com/2014/04/Pengertian-
Push-Button.html. Diakses pada 16 Juli 2018 pukul 10.54.
[6]. Kho, Dickson. 2017. “Pengertian Relay dan Fungsinya”,
http://teknikelektronika.com/pengertian-relay-fungsi-relay/. Diakses
pada 14 November 2017 pukul 15.00.
[7]. Supriyono. 2016. “Kegunaan Solenoid Untuk Kunci Pintu Rumah”,
http://trikueni-desain-sistem.blogspot.com/2014/04/Pengertian-Push-
Button.html. Diakses pada 16 Juli 2018 pukul 14.21.
[8]. Kho, Dickson. 2017. “Pengertian LED (Light Emitting Diode) dan Cara
Kerjanya”,http://teknikelektronika.com/pengertian-led-light-emitting-diode-
cara-kerja/. Diakses pada 15 November 2017 pukul 14.40.
[9]. Budiharto, Widodo. 2014. Modern Robotics with OpenCV. New York:
Science Publishing Group.
[10]. Musa Purnawarman, Nuryuliani, Missa Lamsani. 2012. Rancang Bangun
Pengendalian Pintu Automatis Berdasarkan Ciri Wajah Menggunakan
Metode Euclidean Distance Dan Fuzzy C-Mean. Depok: Repository
Gunadarma
[11]. Basuki Achmad, Jozua F. Palandi, dan Fathurrochman. 2005. Pengolahan
Citra Digital Menggunakan Visual Basic. Bandung: Graha Ilmu.
[12]. Shulur, Permata Sandy. 2015. Perancangan Aplikasi Deteksi Wajah
Menggunakan Algoritma Viola-Jones. Bandung: Repository Universitas
Pasundan
[13]. Bay, H., Ess, A., Tuytelaars, T., dan Gool, L. V. 2006. SURF : Speeded-UP
Robust Features. Austria: Proceeding of 9th European Conference on
Computer Vision, Hal 7-13.
[14]. Yansyah, Febry. 2014. Deteksi Wajah Menggunakan Metode Speed-Up
Robust Features (SURF). Bandung: Repository Unikom
[15]. Hasan, Biben Nurbani. 2012. Pendeteksi Posisi Marker Pada Teknologi
Augmented Reality. Bandung: Repository Politeknik Negeri Bandung
[16]. Rohaya, Siti. 2008. Internet: Pengertian, Sejarah, Fasilitas dan Koneksinya.
Perpustakaan Digital UIN Sunan Kalijaga. Yogyakarta.
[17]. Hamizan, Zak dan Raden Sumiharto. 2017. Sistem Pentautan Citra Udara
Menggunakan Algoritma SURF dan Metode Reduksi Data. Yogyakarta:
JEIS, Vol.7 No.2
LAMPIRAN
Data A
Data B
Data C
Data D
66
Data E
Data F
Data G
Data H
Data I
68
Lampiran 2. Citra Sesuai Database
Data A
Data B
70
Data C
72
Data D
73
Data E
75
Data F
76
Data G
78
Lampiran 3. Citra Tidak Sesuai Database
Aldi
Anto
Atik
Hanif
Winda
Malik Imam
Lampiran 4. Data yang diterima oleh Telegram
Maharani
Atik
Aldi
Anto
Hanif
XEMENTERIAM RISET, T?tXXOLOG! DAN PEXDIDIKAN TINP›€?I
UNIYERSITAS HASANUDDIN
FAt02l72J
Polos Malino Km. 6. Bontomurunnu KULTAS TEKNIK
Gowti. Suluwesi Selalnn. 92172. Sulaw'esi Selatao.
T›cp. ‹o«i u «asois «ao?ss F»« ‹mi i i sexiis.
http:://mg.unh ..id Email .
SURAT PENUGASAN
No. 4tI22/UN4.7. I *DA.04.09/2018
Dari Dck»n Fakultas Tcknik Univcrsitas Hasant« k1in
Kcyada I. Dr. tr. Zahir Zainuzbiin. M.Sc Pcmb. I
2. Dr. tr. Ingrid Nurtcnio. kl.’I’ Pcmh. II
Isi : I. Bcrdawrk«n Sur« Kctua Ucpartcmcn Tcknik Elektro Fakull«s Tc nik
Nome.1a1/L:N4.7.x.TPP.27ccltI iai›ggaI iu Anil 20!8 ‹<ni«ng u•ul
DOSEN PEMBIMBING MAHASISWA. maka dcnpan ini kami menuguskan
Saudam unruk memhimhing pcnulisan Skrtpsi/Tugas Akhir makasiswa Teknik
Elektro Fokultas Tcknik Univcrsit•s H«s•n•‹J‹Jin di hou'ah ini :
Xuma: Nn. Stambuk
r»‹<‹ x1«h:›inm:‹d D4I I 14XI7
Maka
l2 April 2016
Tcmhusan :
i. r»rx• rt-un.
1. Kc«›‹ I p«ncmrn Teluiik Elektn› FT-UH.
KE MENTEft l AN RIS£T, TEWNOLOGI DAN PENDIDIKAN TINGG l
DFPAR7£M ENT ZkdIK ceexrno
FAKULTAS TEKNIK tJhIT EltSITAS HA5iAFIUHH1N
JI. Param M«linu Km. b. Bonlnmar gzjz\u (92] 71›Gina, ula <si Sel«h.
ONO Fe ( 588 F (04 5860 J
Pada han In Cftln. 13 Agusia 30I B puk.ul IO.U0 • Seia‹ai MTA bertempat di Ruatt$ Sidaip
Dcpi Ekkuo. tclak dilajcssrokon Ujizo Skripsi Strata Saci (SI ) bsei 9audara '
No
SURAT PERSETUJUAN
Nomor:0I4flUM4M1.L2flflFJ2ffl0l8
LkrJu rLau Kv suta•uu› Rcki‹›r Univcrsitas Haaznuddin tentang Pcratumn Madomik. fangyal
25 beer 2thl9 N‹minn I 870*HJ P *titi9 paual 28 a3at I dan l•eaal 40 •lcngan ini mencrangknn bahwa :
FADEL MIJHAMMAD
i!iti ti P.s nj nr. / 2i rum ices *r
D•tl 11J3 7
TEKNIK
1 RNIK ELEKTR
I blah memenuhi sx’amt tzntuk tJjiau Skripsi huata I (Si) dengan batas waktu ON-LINK rich mahasixva
<tmpai Jcnyan tanggal /# Je sfzzs J#/4 (Pukul III.IN R1TA¥ Demikian Sural Porsetujcauz ini
dibum unt‹ik digunakan dalam pruscs pelaksanaan qjian skripsi. dengan kcicntuau mahasiswa yang
dapat nwngikuli aisuda &6, '/ODS‘ S6 'FE #JC jika pz«syazataa kefslusaa/wtssdo *•'Ia* dtpeamfsi.
l”<rin›.1 K. ih.
t,zzstus 2018
Krtcrangan :
tumor £ sc D4 I I l 4307
"¥i›mor Pasword/Pin : I I86l92 i
.4lamt ¥¥ebsit hct://•• .tdYakadfsisada/
I syanaa F-¥Ixil : alizokomatb'bgasaJLezzm °
€”atatca 1. Bagi h'tahasixwa yang telah melaksanakan Ujian fiazjnra dan dinyatakan lultz•.
segvra menyemhksn e Skripsi dan Berits Acara ien na
kc Suh Bagian Akadcmik Fakul untuk mcnzpczolch oomor Alumni dan
Ji4afisr wfxsg,ai 6’istxIuwan peda periods Jalan.
’ JiLa tv sJi pcrubabaa JuduJ Skripsi agar melapwkan kc kasuba@ Pendidikan
Fakulta« sct›cIuta didaAar sef»sgai 6’isudawws pada Periods bed
Puda at Uh - I.SNF-. Mafasiswo dikarapkan atengisi tdcntitas diri sesuai
Surat Izin Lyan ini.
Surat izin ujian hanyu berlaku untuk 6’isu‹Ia periods bczjalan t'\ ’isuda Pcri‹xJc
h« tc’mlsc•r 2018).
KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI
DEPARTEMEN TEKNTK ELEKTRO
FAKULTAS TEKNIK UNIYERSITAS HASANL DDIN
Jl. PorosMalino KM. 6 Gowa, 92171, Sulawesi StlatBn
Telepon (041 I) 586262. Fas (0411) 586015
SURAT KETF.RANGAN
BEBAS PINJAMAN ALAT LABORATORIt M
Benar telah tidak mempunyai pinjaman pada laboiatorium dalam lingkungan Departemen Teknik
Elektro Fakultas Teknik Universitas Hasanuddin, sebagaimana tertera pada tabel di bawah ini
4. Elektronika Daya
Musiakim, ST
Elektronika Divais
Telekomunikasi Radio
dan Gelomban Mikr
Noma
Telematika
8. Mesin-mesin Listrik
Budi Prayitn
9. Relay dan Pengukuran