SISTEM KEAMANAN

SISTEM KEAMANAN AKSES PINTU MASUK MENGGUNAKAN FACE
RECOGNITION BERBASIS RASPBERRY PI 3
TUGAS AKHIR
Disusun dalam Rangka Memenuhi Salah Satu Persyaratan Untuk Menyelesaikan
Program Strata Satu Departemen Elektro Fakultas Teknik
Universitas
Hasanuddin Makassar
Oleh :
FADEL MUHAMMAD
D411 14 307
DEPARTEMEN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
LEMBAR PENGESMtaN
SlSTEM'f KEAMAhAN AKSES PINTtI M11LJX MENGGUXAKA.1

FAC'E RFCOG! ITION BF.RRASTS RASPBERRY PI
J
FADkL MLIHAMMAD
f7isahlcan oleh:
Pcmbimbing I
Pcinbimbing II
Dr . Zsbir Zaiauddin.W.Sc. Dt. tr. Inyrid Nartania .LIT.

NIP. I9f›40427 I9g9l0 I tXl2
HIP.i¥s›o8i3 i9a4i i z ai
Mengctahui.
Kctua I3cpartcnwn Tcknik Elcktro
P”Dr, lr. H. ñatama k1ani»

Optimization Software: l'962l23l 1Whl3 1 024
ABSTRAK
Teknologi biometrik untuk keamanan yang berkembang saat ini seperti

pengenalan sidik jari, pengenalan retina mata, dan sebagainya mengharuskan
seseorang memposisikan tubuh mereka pada posisi tertentu yang sesuai dengan
posisi sensor ataupun kamera yang membuat teknologi ini terkesan kaku. Untuk
itu diperlukan sebuah sistem identifikasi yang lebih fleksibel dan bersifat otomatis
yang dapat mencegah pencurian dan juga dapat memberikan peringatan langsung
kepemilik rumah. Pada sistem ini dirancang sebuah sistem keamanan untuk akses
pintu masuk yang menggunakan face recognition berbasis Raspberry Pi.
Raspberry Pi adalah sebuah komputer berpapan tunggal yang mampu melakukan
tugas-tugas layaknya komputer, bahkan mampu melakukan pengolahan citra
dengan respon yang cepat. Untuk face recognition menggunakan metode SURF
(Speeded-Up Robust Features) dimana akan dicari sebuah titik penting dari citra
sample dan citra database, kemudian akan dilakukan pencocokan citra. Untuk
pemberitahuan kepada pemilik digunakan aplikasi Telegram yang mengirim data
citra dan pesan. Serta digunakan relay sebagai aktuator. Dengan pencocokan
wajah pada Raspberry Pi dengan menggunakan metode SURF mendapatkan
keakuratan sebesar 91,4% dengan waktu proses alat keseluruhan sebesar 3.813
detik untuk pengendalian relay dan proses alat sampai mengirimkan data citra dan
teks ke Telegram rata-rata 4.641 detik. Serta untuk pengendalian relay melalui
Telegram memiliki delay sebesar
0.85 detik.
Kata kunci: Face Recognition, Raspberry Pi, SURF, Telegram, Relay
iii
KATA PENGANTAR
Bismillahirrahmanirrahim. Puji dan syukur penulis panjatkan ke hadirat
Allah subhanu wata’ala atas limpahan rahmat dan hidayah-Nya sehingga skripsi
ini dapat terselesaikan. Shalawat dan salam selalu tercurahkan kepada junjungan
kita Rasulullah sallallahu ‘alaihi wasallam. Penyelesaian skripsi ini merupakan
upaya penulis dalam memenuhi salah satu syarat guna memeroleh gelar Sarjana
Teknik di Departemen Teknik Elektro Fakultas Teknik Universitas Hasanuddin.
Penulis persembahkan skripsi sederhana ini agar menjadi sebuah
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
panjang dan senantiasa dikaruniai kesehatan.
Skripsi ini berjudul Sistem Keamanan Akses Pintu Masuk Menggunakan
Face Recognition Berbasis Raspberry Pi 3. Penulis menyadari bahwa dalam
penyusunan skripsi ini mengalami berbagai kesulitan. Namun, berkat ketekunan
dan usaha yang disertai doa, penulisan skripsi ini akhirnya dapat terselesaikan.
Penyusunan skripsi ini juga tidak terlepas dari bantuan, dorongan, semangat, serta
bimbingan dari berbagai pihak. Sehebungan dengan hal tersebut, penulis
sewajarnya menyampaikan terima kasih kepada:
1. Orang tua dan saudara-saudara kami tercinta, serta seluruh keluarga
atas segala doa, bantuan, nasehat, dan motivasinya.
2. Bapak Prof. Dr. Ir. H. Salama Manjang, M.T., selaku Ketua
Departemen Teknik Elektro Fakultas Teknik Universitas Hasanuddin.

3. Bapak Dr. Ir. Zahir Zainuddin, M.Sc. selaku pembimbing I dan Ibu
Dr. Ir. Ingrid Nurtanio, M.T. selaku Pembimbing II, terima kasih
telah meluangkan waktu dan memberikan bimbingan, gagasan, serta
ide-ide dalam penyelesaian skripsi ini.
4. Seluruh dosen dan staf pengajar, serta pegawai Departemen Teknik
Elektro atas segala ilmu, bantuan, dan kemudahan yang diberikan
selama kami menempuh proses perkuliahan.
5. Seluruh kanda-kanda yang ada di Laboratorium Computer Based
System yang telah bersedia memberikan saran, masukan, dan bantuan
dalam menyelesaikan skripsi kami.
6. Kepada Rekan-Rekan “Rectifier 2014” Departemen Teknik Elektro
angkatan 2014 yang sejak pertama menginjakkan kaki di Universitas
Hasanuddin hingga saat ini berjuang bersama penulis untuk menuntut
ilmu di kampus merah tercinta.
7. Kepada teman seperjuangan para pengejar ST periode bulan September,
yang membantu dalam menyiapkan berkas serta membantu menyiapkan
tempat ujian kami.
8. Kepada Laila Arliana yang selalu memberikan semangat untuk
menyelesaikan tugas akhir ini.
9. Seluruh pihak yang tidak dapat kami sebutkan satu-persatu yang telah
membantu dan mendukung kami dalam menyelesaikan tugas akhir ini.
Penulis menyadari bahwa masih banyak kekurangan yang terdapat dalam
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,
institusi pendidikan dan masyarakat luas.
Makassar, Agustus 2018
Fadel Muhammad
DAFTAR ISI
LEMBAR PENGESAHAN......................................Error! Bookmark not defined.
ABSTRAK..............................................................................................................ii
KATA PENGANTAR...........................................................................................iv
DAFTAR ISI........................................................................................................vii
DAFTAR GAMBAR..............................................................................................x
DAFTAR TABEL................................................................................................xii
BAB I PENDAHULUAN......................................................................................1
1.1. Latar Belakang.................................................................................1
1.2. Rumusan Masalah............................................................................2
1.3. Tujuan Penelitian..............................................................................3
1.4. Batasan Masalah...............................................................................3
1.5. Metode Penelitian.............................................................................4
1.6. Sistematika Penulisan.......................................................................5
BAB II LANDASAN TEORI................................................................................7
2.1. Raspberry PI.....................................................................................7
2.1.1. Raspberry Pi 3.........................................................................7
2.1.2. GPIO Raspberry Pi 3..............................................................8
2.1.3. Sistem Operasi Raspberry Pi................................................10
2.2. Bahasa Pemrograman Python.........................................................10
2.3. WebCam.........................................................................................11
2.4. Push Button....................................................................................12
2.5. Relay...............................................................................................14
2.6. Solenoid Door Lock.......................................................................14
2.7. Buzzer.............................................................................................15
2.8. OpenCV..........................................................................................16
2.9. Pengolahan Citra............................................................................17
2.10. Algortima Viola-Jones...................................................................19
2.11. Algoritma SURF (Speeded-Up Robust Features)..........................20
2.11.1. Pendeteksian Fitur.................................................................21
2.11.2. Pendeskrispian Titik Fitur.....................................................24
2.11.3. Pencocokan Fitur..................................................................26
2.12. Metode FLANN (Fast Library Approximated Nearest Neighbor) 26
2.13. Internet.............................................................................................27
2.14. Telegram.........................................................................................27
BAB III PERANCANGAN SISTEM................................................................28
3.1. Rancangan Umum..........................................................................28
3.2. Perancangan Perangkat Keras........................................................30
3.2.1. Miniatur Pintu.......................................................................30
3.2.2. Perancangan Sistem Elektronik............................................31
3.3. Perancangan Perangkat Lunak.......................................................35
3.3.1. WebCam...............................................................................37
3.3.2. Kontrol Relay dan Buzzer.....................................................38
3.3.3. Pengenalan Wajah.................................................................38
3.3.4. Rancangan Telegram............................................................45
viii
BAB IV PENGUJIAN DAN ANALISA.............................................................49
4.1. Pengujian Akurasi Pencocokan Wajah.............................................49
4.1.1. Pengujian Citra Sesuai Database..........................................50
4.1.2. Pengujian Citra Tidak Sesuai Database...............................53
4.2. Pengujian Dan Analisis Waktu Delay Pengendalian Relay...........56
4.3. Pengujian Kerja Alat Secara Keseluruhan.....................................57
4.4. Pengujian Delay Pengiriman Data Ke Telegram...........................59
BAB V PENUTUP...............................................................................................61
5.1. Kesimpulan.....................................................................................62
5.2. Saran...............................................................................................63
DAFTAR PUSTAKA
LAMPIRAN
viii
DAFTAR GAMBAR
Gambar 2.1 Logo Raspberry Pi................................................................................7
Gambar 2.2 Bagian-bagian Raspberry Pi 3..............................................................8
Gambar 2.3 PIN GPIO Raspberry pi 3 Model B.....................................................9
Gambar 2.4 Blok 40 PIN GPIO Raspberry Pi 3 Model B.....................................10
Gambar 2.5 Webcam Logitech..............................................................................12
Gambar 2.6 Contoh push button............................................................................12
Gambar 2.7 Modul Relay 1 Channel......................................................................14
Gambar 2.8 Rangkaian dalam solenoid door lock.................................................15
Gambar 2.9 Buzzer................................................................................................16
Gambar 2.10 Citra 200x80 di-skala 1:5 dan 1:8....................................................18
Gambar 2.11 Struktur piramida............................................................................21
Gambar 2.12 Laplacian of Gaussian didiskritisasi menjadi kotak filter...............22
Gambar 2.13 Penskalaan citra pada algoritma SURF............................................23
Gambar 2.14 Hubungan antara skala dan oktaf pada ukuran kernel.....................23
Gambar 2.15 Delay Haar Wavelet.........................................................................24
Gambar 2.16 Wavelet dalam arah horizontal dan vertikal.....................................25
Gambar 2.17 Mencari delay wavelet di area 20s yang dibagi ke dalam 4 x 4 sub-
area....................................................................................................25
Gambar 2.18 Contoh keypoint matching................................................................27
Gambar 3.1 Blok diagram sistem...........................................................................29
Gambar 3.2 Miniatur tampak depan......................................................................30
Gambar 3.3 Miniatur tampak belakang..................................................................31
x
Gambar 3.4 Skematik Sistem Elektronik...............................................................32
Gambar 3.5 Flowchart Sistem................................................................................35
Gambar 3.6 Flowchart pengenalan wajah..............................................................39
Gambar 3.7 Hasil deteksi wajah............................................................................40
Gambar 3.8 Gambar hasil pendeteksian fitur.........................................................42
Gambar 3.9 Hasil proses FLANN..........................................................................45
Gambar 3.10 Pembuatan Telegram Bot.................................................................46
Gambar 4.1 Hasil Pengujian Citra Sesuai Database..............................................50
Gambar 4.2 Hasil Pencocokan Citra Tidak Sesuai Database.................................53
Gambar 4.3 Proses Pengujian Delay Relay Dengan Telegram..............................56
Gambar 4.4 Citra dan teks pada Telegram.............................................................60

DAFTAR TABEL
Tabel 2.1 Modul dalam OpenCV...........................................................................16
Tabel 4.1 Hasil pengujian citra sesuai database.....................................................51
Tabel 4.2 Hasil pengujian citra tidak sesuai database............................................54
Tabel 4.3 Hasil pengujian delay Relay dengan Telegram.....................................57
Tabel 4.4 Hasil pengujian kerja alat sampai pengendalian relay...........................58
Tabel 4.5 Hasil pengujian delay pengiriman data ke Telegram.............................60

BAB I
PENDAHULUAN
1.1. Latar Belakang
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
telah banyak dikembangkan sebuah sistem pengamanan akses masuk ke sebuah
rumah atau ruangan dengan beberapa verifikasi identitas dengan sistem komputer,
baik dengan menggunakan kunci, kartu, password, dan sebagainya. Namun
metode ini masih memiliki kekurangan seperti keterbatasan manusia dalam
mengingat benda dan kombinasi angka yang menyebabkan tidak dapatnya diakses
pintu tersebut. Oleh sebab itu teknik untuk identifikasi ataupun verifikasi yang
handal dan akurat dapat dirancang menggunakan teknologi biometrik yang
memanfaatkan karakteristik khusus dari individu manusia tersebut.
Penggunaan teknologi ini sangat cocok untuk diimplementasikan pada
sistem identifikasi yang membutuhkan keamanan yang tinggi. Teknologi
biometrik untuk keamanan yang berkembang saat ini seperti pengenalan sidik jari,
pengenalan retina mata, pengenalan iris mata, dan sebagainya mengharuskan
seseorang memposisikan tubuh mereka pada posisi tertentu yang sesuai dengan
posisi sensor ataupun kamera yang membuat teknologi ini terkesan kaku.
Teknologinya mengharuskan orang tersebut untuk tidak bergerak dalam beberapa
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
sangat mudah untuk mencegah terjadinya pencurian dan dapat memudahkan
pemilik rumah untuk mengidentifikasi pelaku apabila telah terjadi pencurian.
Oleh karena itu tugas akhir ini akan membuat prototipe keamanan akses
pintu menggunakan face recognition berbasis Raspberry Pi dengan menggunakan
algoritma Speeded-Up Robust Feature (SURF) untuk mencari titik pada wajah
yang nantinya akan dilakukan pencocokan antara sample dan database. Pada
prototipe ini Raspberry Pi 3 sebagai pengontrol utama. USB Webcam sebagai
pendeteksi dan pengambil gambar. Aplikasi telegram sebagai pemberitahuan
kepemilik dan sebagai pengatur sistem. Internet sebagai media penghubung
komunikasi. Push button sebagai pembuka sistem secara manual. Serta
menggunakan Solenoid Lock Door sebagai actuator.
Dengan adanya prototipe ini nantinya dapat dikembangkan menjadi alat
yang lebih baik dan dapat digunakan oleh masyarakat umum dimasa yang akan
datang.
1.2. Rumusan Masalah
Berdasarkan uraian di atas, maka dapat dirumuskan masalah yang melatar
belakangi tugas akhir ini yaitu:
a. Bagaimana membuat suatu prototipe keamanan pintu yang dapat
memberikan alarm untuk mencegah terjadinya pencurian rumah dan
2
dapat
engirimkan pemberitahuan melalui aplikasi telegram ke pemilik rumah?
2
b. Bagaimana sistem dapat mengenali wajah menggunakan algoritma
Speeded-Up Robust Feature (SURF)?
c. Bagaimana delay actuator dan aplikasi telegram terhadap sistem ketika
bekerja?
1.3. Tujuan Penelitian
Tujuan penelitian tugas akhir ini adalah sebagai berikut:
a. Menghasilkan sebuah prototipe sistem yang dapat memberikan alarm
untuk mencegah terjadinya pencurian rumah dan dapat mengirimkan
pemberitahuan melalui aplikasi telegram ke pemilik rumah.
b. Merancang dan menganalisis sistem pengenalan wajah dengan algoritma
Speeded-Up Robust Feature (SURF).
c. Mengetahui seberapa cepat delay actuator dan aplikasi telegram terhadap
sistem ketika bekerja.
1.4. Batasan Masalah
Dalam tugas akhir ini sistem yang akan dibuat, dibatasi pada hal-hal
sebagai berikut:
a. Membuat prototipe dengan gambaran pada pintu masuk.
b. Menggunakan Raspberry Pi 3 sebagai pusat kendali.
c. Menggunakan bahasa pemrograman Phyton.
d. Mengenali wajah hanya tampak dari depan.
e. Menggunakan resolusi citra wajah yang berbeda.
f. Menggunakan lampu tiga watt sebagai pencahayaan.
3
1.5. Metode Penelitian
Adapun metode penelitian yang digunakan dalam tugas akhir ini adalah
sebagai berikut :
1. Studi Literatur
Studi literatur dilakukan dengan cara pencarian dan pengumpulan
literatur-literatur yang berkaitan dengan masalah-masalah yang ada pada
tugas akhir ini, baik berupa artikel, buku refrensi, jurnal-jurnal, internet,
dan sumber-sumber yang dapat menunjang penelitian.
2. Diskusi dan Konsultasi.
Melakukan asistensi secara langsung kepada dosen pembimbing dan
pihak-pihak yang berkompoten pada bidang ini.
3. Perancangan Alat.
Meliputi perancangan hardware (perangkat keras) dan perancangan
software (perangkat lunak) dari sistem ini serta pembuatan database
untuk beberapa contoh wajah.
4. Pembuatan Alat
Melakukan pembuatan perangkat keras dan membuat perangkat lunak
sehingga siap untuk dilakukan uji coba.
5. Pengujian Alat
Meliputi pengujian terhadap alat dengan menghasilkan data-data dengan
beberapa parameter yang diterapkan untuk selanjutnya akan dianalisa

6. Analisa Hasil dan Simpulan
Melakukan Analisa terhadap seluruh data yang telah diperoleh kemudian
membandingkan dengan beberapa sistem keamanan yang telah ada
sehingga dapat diperoleh sebuah kesimpulan dari hasil tersebut.
1.6. Sistematika Penulisan
Sistematika penulisan yang digunakan dalam penulisan Tugas Akhir ini
adalah sebagai berikut:
BAB I PENDAHULUAN
Pada bab ini berisikan mengenai latar belakang, rumusan masalah,
tujuan penulisan, batasan masalah, metode penelitian, dan sistematika
penulisan.
BAB II LANDASAN TEORI
Pada bab ini dijelaskan tentang berbagai teori-teori yang berkaitan
dengan Tugas Akhir ini.
BAB III PERANCANGAN SISTEM
Pada bab ini menjelaskan tentang perancangan perangkat keras maupun
perangkat lunak yang digunakan dalam Tugas Akhir ini.
BAB IV HASIL DAN ANALISA
Pada bab ini berisi hasil perancangan dan penjelasan baik hardware dan
software yang digunakan, dan analisa mengenai data-data yang diambil

BAB V PENUTUP
Pada bab ini berisi tentang kesimpulan dari pembahasan hasil analisa
yang dilakukan dan saran perbaikan untuk menyempurnakan tugas
akhir ini.
BAB II
LANDASAN TEORI
2.1. Raspberry PI
Raspberry Pi adalah sebuah komputer papan tunggal (single-board
computer) atau SBC berukuran kartu kredit. Raspberry Pi telah dilengkapi dengan
semua fungsi sebuah komputer lengkap, menggunakan SoC (System-on-a-chip)
ARM yang dikemas dan diintegrasikan diatas PCB. Perangkat ini menggunakan
kartu microSD untuk booting dan penyimpanan jangka panjang [2].
Gambar 2.1 Logo Raspberry Pi [2]
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
Bluetooth 4, serta Bluetooth Low Energy (BLE). Spesifikasinya adalah sebagai
berikut:
a) CPU 64-bit quad-core ARMv8 1.2GHz
b) RAM 1 GB
Raspberry Pi 3 dibanderol dengan harga yang sama dengan Pi 2. Oleh karena

itu model ini memiliki nilai ekonomis yang lebih tinggi sehingga pembeli tidak
perlu mengeluarkan biaya tambahan untuk membeli WiFi dan Bluetooth USB,
karena lebih cepat dan lengkap.
Sama seperti Pi 2, Raspberry Pi 3 juga memiliki 4 USB port, 40 pin GPIO,
Full HDMI port, Port Ethernet, Combined 3.5mm audio jack and composite video,
Camera interface (CSI), Display interface (DSI), slot kartu Micro SD (Sistem
tekan-tarik, berbeda dari yang sebelumnya ditekan-tekan), dan VideoCore IV 3D
graphics core[3]. Gambar 2.2 memperlihatkan bagian-bagian Raspberry Pi 3.
Gambar 2.2 Bagian-bagian Raspberry Pi 3 [3]
2.1.2. GPIO Raspberry Pi 3
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
Pi dapat mengaktifkan atau menonaktifkan (output). GPIO terdiri dari 40 pin
dengan berbagai fungsi.
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.
Ketika Raspberry Pi terhubung pada internet, maka Raspberry Pi dapat
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.
Gambar 2.3 PIN GPIO Raspberry pi 3 Model B [3]
Lebih lanjut mengenai fungsi masing-masing PIN GPIO pada Raspberry
Pi 3 adalah sebagai berikut:

Gambar 2.4 Blok 40 PIN GPIO Raspberry Pi 3 Model B [3]
2.1.3. Sistem Operasi Raspberry Pi
Raspberry Pi tidak menggunakan sistem operasi yang sering kita jumpai di
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.
Sistem operasi popular yang digunakan Raspberry Pi adalah Linux yang
disebut dengan Raspbian. Raspbian adalah salah satu sistem Linux yang mudah
untuk digunakan. Cara menggunakannya sudah sama seperti penggunaan
Windows di sekolah atau di rumah [3].
2.2. Bahasa Pemrograman Python
Python adalah bahasa pemrograman interpretatif multiguna. Tidak seperti

bahasa lain yang susah untuk dibaca dan dipahami, python lebih menekankan
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
bahwa Python adalah Bahasa natural Raspberry Pi.
Bahasa ini muncul pertama kali pada tahun 1991, dirancang oleh seorang
bernama Guido van Rossum. Sampai saat ini Python masih dikembangkan oleh
Python Software Foundation. Bahasa Python mendukung hampir semua sistem
operasi, bahkan untuk sistem operasi Linux [3].
2.3. WebCam
WebCam merupakan gabungan dari kata web dan camera. WebCam
sendiri sebutan bagi kamera real-time (bermakna keadaan pada saat ini juga) yang
gambarnya bisa diakses atau dilihat melalui internet, program instant messaging
seperti Yahoo Messenger, AOL Instant Messenger (AIM), Windows Live
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.
WebCam adalah sebuah peripheral berupa kamera sebagai pengambil
citra/gambar dan mikropon (optional) sebagai pengambil suara/audio yang
dikendalikan oleh sebuah komputer atau oleh jaringan komputer. Gambar yang
diambil oleh WebCam ditampilkan ke layar monitor, karena dikendalikan oleh
komputer maka ada interface atau port yang digunakan untuk menghubungkan
WebCam dengan komputer atau jaringan. Ada beberapa orang mengartikan
11
WebCam sebagai Web pages + Camera, karena dengan menggunakan WebCam
untuk mengambil gambar video secara aktual bisa langsung di upload bila
komputer yang mengendalikan terkoneksi internet [4]. Pada gambar 2.5
menunjukkan salah satu contoh webcam.
Gambar 2.5 Webcam Logitech [4]
2.4. Push Button
Push button switch (saklar tombol tekan) adalah perangkat atau saklar
sederhana yang berfungsi untuk menghubungkan atau memutuskan aliran arus
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
membutuhkan kondisi on dan off.
Karena sistem kerjanya yang unlock dan langsung berhubungan dengan
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
pengkondisian on dan off.
Berdasarkan fungsi kerjanya yang menghubungkan dan memutuskan, push
button mempunyai 2 tipe kontak yaitu NC (Normally Close) dan NO (Normally
Open) [5].
 NO (Normally Open), merupakan kontak terminal dimana kondisi awal
tidak tersambung (aliran arus listrik tidak mengalir). Dan ketika tombol
ditekan, kontak yang NO ini akan menjadi menutup dan mengalirkan
atau menghubungkan arus listrik. Kontak NO digunakan sebagai
penghubung atau menyalakan sistem circuit (push button on).
 NC (Normally Close), merupakan kontak terminal dimana kondisi awal
tersambung (mengalirkan arus litrik). Ketika tombol push button
ditekan, kontak NC ini akan menjadi membuka, sehingga memutus
aliran arus listrik. Kontak NC digunakan sebagai pemutus atau
mematikan sistem circuit (push button off).
13
2.5. Relay
Relay adalah Saklar (switch) yang dioperasikan secara listrik dan
merupakan komponen elektromekanikal yang terdiri dari 2 bagian utama yakni
elektromagnet (coil) dan mekanikal (seperangkat kontak saklar atau switch).
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 [6]. Gambar
2.7 merupakan salah satu contoh modul relay.
Gambar 2.7 Modul Relay 1 Channel [6]
2.6. Solenoid Door Lock
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
merupakan rangkaian dalam solenoid door lock.

Gambar 2.8 Rangkaian dalam solenoid door lock [7]
Perbedaannya adalah cara kerja solenoid NC apabila diberi tegangan,
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
langsung bekerja dengan tegangan output dari pin IC digital [7].
2.7. Buzzer
Buzzer merupakan komponen elektronika yang berfungsi untuk mengubah
getaran listrik menjadi getaran suara. Prinsip kerja buzzer yakni terdiri dari
kumparan yang terpasang pada diagfragma dan kemudian kumparan tersebut
dialiri arus sehingga menjadi elektromagnet, kumparan tadi akan tertarik ke dalam
atau keluar tergantung dari arah arus dan polaritas magnetnya. Karena kumparan
dipasang pada diafragma maka setiap gerakan kumparan akan menggerakkan
diafragma secara bolak-balik sehingga membuat udara bergetar yang akan
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
OpenCV (Open Source Computer Vision) adalah perpustakaan fungsi
pemrograman terutama ditujukan untuk computer vision pada real time,
dikembangkan oleh Intel dan sekarang didukung oleh Willow Garage dan Itseez.
OpenCV dirilis dengan lisensi bawahan BSD dan oleh karenanya gratis untuk
penggunaan akademis dan komersial. OpenCV memiliki antarmuka dengan bahasa
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++
yang dioptimalkan, perpustakaan bisa memanfaatkan pengolahan pada multi-core.
OpenCV yang dibangun pada modul yang kinerja tinggi dan serbaguna
untuk memecahkan sebagian besar masalah computer vision [9]. OpenCV
memberikan seperangkat modul yang dapat menjalankan fungsi yang tercantum
pada tabel 2.1
Tabel 2.1 Modul dalam OpenCV [9]
NO Modul Fungsi
1 Core Core struktur data, tipe data, dan manajemen memori
Filter gambar, transformasi gambar, dan analisis

2 ImgProc
bentuk
Tabel 2.2 Modul dalam OpenCV (lanjutan) [9]
NO Modul Fungsi
3 Highgui GUI, membaca dan menulis gambar dan video
Model statistic dan klasifikasi algoritma untuk

4 ML
digunakan pada aplikasi computer vision
Deteksi objek menggunakan cascade dan histogram

5 Objdetect
klasifikasi gradien
6 Video Analisis gerakan dan trak objek pada video
Kalibrasi kamera dan rekonstruksi 3D dari beberapa

7 Calib3d
sudut
2.9. Pengolahan Citra
Citra merupakan informasi yang secara umum tersimpan dalam bentuk
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
juga saat diproses.
Grayscale dan biner sebenarnya memiliki kemiripan, hanya saja kalau
biner memiliki dua kemungkinan nilai, tetapi grayscale memiliki lebih banyak
kemungkinan. Grayscale banyak digunakan jika adanya perbedaan intensitas
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.
Untuk mempermudah pengolahan suatu citra proses yang paling umum
digunakan adalah scaling, scanning, dan cropping. Pemilihan faktor penskalaan
yang sesuai akan mempercepat operasi kerja tanpa mengurangi kinerja sistem,
seperti pada contoh pada gambar 2.10
Gambar 2.10 Citra 200x80 di-skala 1:5 dan 1:8 [10]
Dengan memperkecil ukuran citra asli akan dapat mempercepat proses
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
bentuk gambar yang kurang detil [10].
Pencarian objek bisa berdasarkan scanning yang memiliki kelebihan
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
membandingkannya dengan warna yang dikehendaki. Jika obyek yang akan
18
membaca warna piksel demi piksel atau daerah demi daerah dan
membandingkannya dengan warna yang dikehendaki. Jika obyek yang akan
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
posisinya tertentu dan obyek yang posisinya tidak tentu.
Jika obyek posisinya sudah tentu pada sensor, maka proses deteksi
dilakukan cukup dengan mengamati daerah tersebut, tanpa menghiraukan daerah
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
tengah (titik berat) dari obyek yang ada di layar.
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].
2.10. Algortima Viola-Jones
Saat ini telah banyak berkembang aplikasi-aplikasi yang menggunakan
fitur deteksi wajah. Deteksi wajah sendiri dapat dilakukan dengan berbagai cara,
salah satunya menggunakan algoritma Viola-Jones. Algoritma Viola-Jones
algoritma yang paling banyak digunakan untuk mendeteksi wajah. Viola-Jones
19
merupakan
algoritma yang paling banyak digunakan untuk mendeteksi wajah. Viola-Jones
20
telah memperkenalkan sebuah framework deteksi wajah yang mampu memproses
gambar dengan sangat cepat dengan tingkat deteksi yang tinggi. Viola-Jones
menerapkan algoritma Adaboost (adaptive boosting) algoritma yang dapat
meningkatkan kinerja pendeteksian. Dalam prosesnya algoritma Adaboost
memainkan peran dalam memilih fitur yang cocok untuk mendeteksi objek yang
menarik [12].
Dalam framework Viola-Jones disediakan banyak library untuk
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
tunggal. Viola-Jones memperkenalkan sebuah representasi image baru yang
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-
Like Feature, Integral Image, Adaboost dan Cascade classifier [12].
2.11. Algoritma SURF (Speeded-Up Robust Features)
SURF atau Speeded Up Robust Features merupakan algoritma untuk
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
mengalami perubahan skala ataupun rotasi. Prosesnya dibagi ke dalam tiga
Pendeteksian fitur, pendeteksian titik fitur, dan pencocokan fitur
20
tahapan yakni:
Pendeteksian fitur, pendeteksian titik fitur, dan pencocokan fitur
21
2.11.1. Pendeteksian Fitur
Pendeteksian titik fitur bertujuan untuk mendeteksi titik fitur serta
membangun ketahanannya sehingga fitur yang sama tidak akan dideteksi sebagai
fitur baru dengan sudut pandang yang berbeda sekalipun. Teknik yang digunakan
untuk mendapatkan titik fitur dengan menggunakan kernel Gaussian yang
membagi scale space ke dalam beberapa level dan oktaf. Scale space merupakan
ruang penskalaan yang menunjukkan perubahan terhadap citra setelah dikenakan
filter Gaussian orde kedua [13]. Ilustrasi dari scale space berbentuk seperti
piramida ditunjukkan pada gambar 2.11
Gambar 2.11 Struktur piramida [14]
Pendeteksian fitur umumnya melibatkan 3 tahap; membangun scale space
menggunakan kernel Gaussian, menemukan determinan dari matriks Hessian dan
mencari nilai extrema. Pada SURF metode Laplacian of Gaussian diubah menjadi
filter kotak setelah didiskritisasi dan dipotong. SURF menggunakan kernel
gaussian
𝜕
orde kedua 2 𝑔(𝜎) dengan nilai 𝜎 = 1.2 (merupakan skala terkecil untuk
𝜕𝑦 2
mendapatkan resolusi spasial terbaik) pada perhitungan matriks Hessian setelah
didiskritisasi menjadi kotak filter berukuran 9 x 9 seperti digambarkan pada
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
sebagai 𝐷𝑦𝑦 untuk 𝐿𝑦𝑦(x, 𝜎) dan 𝐷𝑥𝑦 untuk 𝐿𝑥𝑦(x, 𝜎) [13].
Gambar 2.12 Laplacian of Gaussian didiskritisasi menjadi kotak filter [14]
Kemampuan Matriks Hessian dalam mendeteksi blob digunakan untuk
mendeteksi fitur. Hessian sendiri merupakan matriks dari derivatif kedua Gaussian
[13] yang dituliskan ke dalam persamaan (2.1)

𝐿𝑥𝑥(x,𝜎) 𝐿𝑥𝑦(x,𝜎)
H(x,σ)= [ ] (2.1)
𝐿𝑥𝑦(x,𝜎) 𝐿𝑦𝑦(x,𝜎)
Dimana,
𝐿𝑥𝑥
(x, σ) = 𝐼(x) * 𝑔(𝜎) (2.2)
𝜕
2
𝜕𝑦2
𝐿𝑥𝑦
(x, σ) = 𝐼(x) * 𝜕2 𝑔(𝜎) (2.3)
𝜕𝑦 2
Determinan dari matriks Hessian yang kemudian digunakan untuk
mendeteksi fitur dituliskan seperti pada persamaan (2.4)
det(H) = 𝐼𝑥𝑥𝐼𝑦𝑦 − 𝐼 2𝑥𝑦 (2.4)
terhadap periubahan skala namun pada kasus ini dapat dibuat konstan dengan
22
Dikarenakan kernel Gaussian diubah kedalam bentuk diskrit maka perlu
adanya penambahan nilai 𝜔 untuk memastikan efisiensi komputasi. Nilai 𝜔
sensitif
terhadap periubahan skala namun pada kasus ini dapat dibuat konstan dengan
23
memberikan nilai sebesar 0.9 [13]. Determinan matriks Hessian dari Gaussian
yang telah didiskritisasi diberikan pada persamaan (2.3).
𝐷𝑒𝑡(𝐻𝑎𝑝𝑝𝑟𝑜𝑥) = 𝐷𝑥𝑥𝐷𝑥𝑦 − (0.9𝐷𝑥𝑦)2 (2.5)
Menemukan titik fitur yang tahan terhadap penskalaan perlu dilakukan
pada beberapa level dan oktaf dari scale space. Algoritma SURF memperbesar
skala citra dari setiap perubahan oktaf [13] seperti diilustrasikan pada gambar
2.13.
Gambar 2.13 Penskalaan citra pada algoritma SURF [14]
Semakin besar citra maka semakin besar kernel yang digunakan. Meski
bertambah besar ukuran kernel harus dipastikan untuk mempertahankan
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
untuk algoritma SURF menggunakan citra integral. Citra integral 𝐼 adalah
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 ′
)
2.11.2. Pendeskrispian Titik Fitur
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 Delay Haar Wavelet [14]
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
sub-area, dilakukan perhitungan Haar Wavelet dengan membaginya ke dalam 5 x
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
pada gambar 2.16
Gambar 2.16 Wavelet dalam arah horizontal dan vertikal [14]
Gambar 2.17 Mencari delay wavelet di area 20s yang dibagi ke dalam 4 x 4 sub-area
[14]
Untuk meningkatkan ketahanan ketika terjadi transformasi geometrik dan
kesalahan lokal, delay di 𝑑𝑥 dan 𝑑𝑦 dititik beratkan pada pusat Gaussian di
keypoint. Sehingga didapatkan vektor 4D yakni 𝑉 = (∑ 𝑑𝑥, ∑ |𝑑𝑥|, ∑ 𝑑𝑦, ∑
|𝑑𝑦|). Bila ditempakan pada masing-masing 4 x 4 sub-area akan didapatkan vektor
descriptor dengan panjang 64. Delay wavelet bervariasi terhadap perubahan
iluminasi. Faktor skala didapatkan dengan merubah descriptor ke dalam vektor
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
ditentukan. Hal ini yang kemudian disebut proses pencocokan fitur.
2.12. Metode FLANN (Fast Library Approximated Nearest Neighbor)
Metode Fast Library Approximated Nearest Neighbor (FLANN) adalah
sebuah library untuk melakukan pencarian cepat, perkiraan tetangga, yang
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
Fast Library Approximated Nearest Neighbor (FLANN) digunakan untuk
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.
Cluster ini akan otomatis dengan menggunakan K-Nearest Neighbor (KNN)
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
akan di cocokan nilainya dengan menggunakan KNN search. KNN search
mencari cluster pada citra wajah uji yang nilai vektor deskriptornya paling dekat
jaraknya dengan vektor deskriptor [14].

Contoh pencocokan keypoint dapat dilihat pada gambar 2.18.
Gambar 2.18 Contoh keypoint matching [14]
2.13. Internet
Internet (Inter-Network) adalah sebutan untuk sekumpulan jaringan
komputer yang menghubungkan situs akademik, pemerintahan, komersial,
organisasi, maupun perorangan. Internet menyediakan akses untuk layanan
telekomunikasi dan sumber daya informasi untuk jutaan pemakainya yang
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
Telegram adalah sebuah aplikasi messaging yang memungkinkan
pengguna untuk mengirimkan pesan, gambar, video, dokumen, dan lainnya tanpa
menetapkan besarnya size file yang dikirimkan serta mampu mengirimkan lokasi.
Telegram juga menyediakan sebuah API (Application Programming
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
Pada bab ini akan membahas tentang perancangan “Sistem Keamanan
Akses Pintu Masuk Menggunakan Face Recognition Berbasis Raspberry Pi”
dimana dibedakan atas dua perancangan yaitu perancangan perangkat keras
(Hardware) dan perancangan perangkat lunak (Software).
3.1. Rancangan Umum
Perancangan sistem keamanan akses pintu menggunakan face recognition
berbasis Raspberry Pi 3 ini mengacu berdasarkan blok diagram pada gambar 3.1.
Dimana dalam perancangan alat ini meliputi. Sebuah WebCam yang digunakan
sebagai pengambil citra wajah manusia. Sebuah minicomputer Raspberry Pi 3
Model B digunakan untuk memproses pendeteksian dan mencocokan wajah dari
database, serta sebagai penggerak actuator dan pengirim pemberitahuan melalui
aplikasi telegram. Aplikasi telegram digunakan sebagai interface kepemilik rumah
dan dapat mengontrol Raspberry Pi 3 untuk menggerakkan actuator. Sebuah relay
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
solenoid door lock diluar dari sistem.

Gambar 3.1 Blok diagram sistem
Dari gambar 3.1, dapat dijelaskan prinsip kerja dari sistem ini. WebCam
akan mendeteksi orang dengan cara mencari wajah dari orang tersebut lalu
membuat sebuah kotak yang menandakan wajahnya. Ketika terdeteksi wajah
orang maka Raspberry Pi 3 akan membuat WebCam untuk mengambil citra. Citra
yang diambil dilakukan proses cropping atau pemotongan gambar dengan hanya
mengambil bagian kotak yang menandakan wajahnya. Selanjutnya citra yang
diambil nantinya akan diproses untuk mencari keypoint atau titik penting untuk
kemudian dilakukan pencocokan dengan database yang telah terlebih dahulu
dicari keypoint. Apabila citra yang diproses mendapatkan kecocokan dengan
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
menemukan kecocokan dengan database maka Raspberry Pi 3 akan membuat
buzzer berbunyi berulang kali, serta akan mengirimkan pemberitahuan dan
mengirimkan citra tersebut ke sebuah aplikasi telegram pemilik rumah.
Selanjutnya pemilik rumah yang akan mengambil tindak lanjutnya. Pemilik
rumah dapat memberikan delay

kepada Raspberry Pi untuk membuat relay dalam keaadan close sehingga solenoid
door lock dalam kondisi membuka pintu. Adapun push button diletakkan di dalam
rumah sebagai pembuka pintu saat sistem sedang bekerja, dimana ketika push
button ditekan akan langsung membuat solenoid door lock dalam kondisi
membuka pintu orang yang berada di dalam rumah dapat keluar.
3.2. Perancangan Perangkat Keras
Dalam perancangan perangkat keras meliputi dua perancangan,
perancangan minatur pintu dan perancangan sistem elektronik.
3.2.1. Miniatur Pintu
Perancangan dan pembuatan miniatur pintu ini hanya membuat bagian
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.
Gambar 3.2 Miniatur tampak depan

Gambar 3.3 Miniatur tampak belakang
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
merupakan miniatur yang telah dibuat.
3.2.2. Perancangan Sistem Elektronik
Gambar 3.4 menunjukkan skematik dari sistem elektronik pada sistem ini.
Perancangan sistem elektronik dari sistem keamanan pintu menggunakan face
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
6. Solenoid Door Lock
7. Buzzer
8. Batterai Lipo 11.9 V 900 mAH

Gambar 3.4 Skematik Sistem Elektronik
3.2.2.1.Adapter 5V
Adapter yang digunakan dalam sistem ini memiliki spesifikasi input
tegangan sebesar 100-240V dengan frekuensi 50-60Hz mampu menghasilkan
output tegangan 5V dengan arus 2A. Adapter ini berfungsi sebagai supply
tegangan bagi Raspberry Pi 3.
3.2.2.2.Raspberry Pi 3
Minicomputer Raspberry Pi 3 digunakan untuk mengontrol dan
memproses data. Raspberry Pi 3 akan mengaktifkan WebCam dan mendeteksi
keberadaan manusia dengan menentukan wajah. Ketika terdeteksi wajah maka
Raspberry Pi 3 akan membuat kamera mengambil citra. Selain itu Raspberry Pi 3
juga menerima perintah dari aplikasi Telegram. Raspberry Pi 3 akan mengirimkan
data citra dan message pemberitahuan aplikasi Telegram melalui jaringan internet.
Raspberry Pi 3 juga akan mengontrol keadaan relay sehingga nantinya membuat
solenoid door
lock membuka atau menutup pintu, serta Raspberry Pi 3 akan mengaktifkan buzzer.
3.2.2.3.WebCam
WebCam yang digunakan pada perancangan ini adalah Logitech c525,
dengan spesifikasi kamera 8 megapiksel serta memiliki auto fokus. WebCam ini
berfungsi sebagai pengganti sensor dimana mampu mendeteksi wajah manusia
serta sebagai pengambil citra wajah yang dideteksinya
3.2.2.4.Push Button
Push Button digunakan untuk menyalurkan tegangan ke solenoid door
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
agar nantinya tidak mengganggu kerja sistem.
3.2.2.5.Modul Relay
Modul relay yang digunakan ini merupakan modul dengan 1 Channel,
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
Raspberry Pi 3 sebagai pengatur keadaan relay, blok terminal untuk actuator
dalam hal ini adalah solenoid door lock.
3.2.2.6.Solenoid Door Lock
Solenoid door lock digunakan sebagai actuator sehingga nantinya pintu
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
dipasangkan ke ground Batterai Lipo dan Raspberry Pi 3.
3.2.2.7.Buzzer
Buzzer digunakan sebagai alarm dan akan berbunyi jika Raspberry Pi 3
mendapatkan ataupun tidak kecocokan citra muka yang diambil dengan database
yang ada dengan keadaan bunyi yang berbeda. Buzzer dihubungkan ke pin digital
18 dan ground pada Raspberry Pi 3.
3.2.2.8.Batterai Lipo
Batterai Lipo digunakan sebagai sumber tambahan untuk menyuplai
solenoid door lock dan relay dengan spesifikasi 11.9 V dengan arus 900 mAh.
Tambahan sumber ini digunakan karena Raspberry Pi 3 tidak mampu untuk
menyuplai sistem keseluruhan.

3.3. Perancangan Perangkat Lunak
Gambar 3.5 Flowchart Sistem
Setelah proses perancangan sistem secara perangkat keras, dilakukan tahap
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
perancangan perangkat lunak pada Raspberry Pi dengan menggunakan bahasa
pemrograman Python dan perancangan perangkat lunak pada aplikasi Telegram.
Pemrograman dilakukan berdasarkan pada flowchart sistem seperti yang terlihat
pada gambar 3.5.
Ketika alat mulai dinyalakan, maka akan dilakukan terlebih dahulu
pencarian ciri khusus pada citra database. Ciri yang diambil adalah keypoint dari
database wajah. Nantinya data keypoint dari masing-masing database disimpan
pada library Python. Setelah itu maka Raspberry Pi 3 akan membuat WebCam
dalam keadaan enable atau menyala, sistem akan terus berada pada keadaan
mendeteksi sebuah wajah. Apabila sistem mendeteksi adanya wajah manusia,
maka WebCam akan mengambil citra hanya pada bagian wajah (terjadi proses
cropping). Citra wajah yang didapatkan kemudian dilakukan proses pencarian
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
tidak dikenali. Selanjutnya sistem akan membuat Telegram mengirimkan citra
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
sistem akan berhenti.WebCam
WebCam pada perancangan perangkat lunak ini memiliki sebuah proses
agar dapat digunakan pada Raspberry Pi 3 dan dapat diprogram menggunakan
Python. Berikut langkah-langkah agar WebCam dapat digunakan:
 Menginstall library pada terminal Raspberry Pi 3 dengan mengetikkan perintah:
$ sudo apt-get install fswebcam
Untuk mengecek apakah WebCam telah terinstall:
$ fswebcam namafile.jpg
 Setelah Raspberry Pi 3 telah dapat mengakses WebCam, untuk mengekases
dengan bahasa Python, maka pada bagian programming Python dengan
menggunakan OpenCV untuk mengakses WebCam mengetikkan script
program pengaktifan WebCam. Berikut ini potongan script program
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
pada Raspberry Pi 3. Setelah itu maka pada bagian programming Python
mengetikkan script program untuk memberikan perintah mematikan dan
menyalakan sebuah lampu dengan mengubah output pin GPIO HIGH (untuk
menyalakan) dan LOW (untuk mematikan). Berikut ini potongan script program
mengendalikan relay dan buzzer:
#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)
3.3.3. Pengenalan Wajah
Sub bab ini membahas bagaimana proses pengenalan wajah yang
dilakukan namun tidak secara mendetail. Secara tidak langsung algoritma untuk
pengenalan wajah yang dilakukan mengacu pada flowchart pengenalan wajah
gambar 3.6
Gambar 3.6 Flowchart pengenalan wajah
3.3.3.1. Deteksi Wajah
Ketika WebCam telah menyala selanjutnya dilakukan proses deteksi
wajah. Deteksi wajah ini bertujuan agar kamera berperan sebagai sensor selain
sebagai pengambil citra. Deteksi wajah menggunakan metode Viola-Jones.
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
dilakukan sebelum akhirnya akan menghasilkan sebuah output wajah yang
terdeteksi pada sebuah citra. Pada gambar 3.7 dapat dilihat hasil dari penggunaan
Metode Viola- Jones sebagai pendeteksi wajah.
Gambar 3.7 Hasil deteksi wajah
Adapun potongan script program pendeteksian wajah sebagai berikut:

# Import the Haar cascades for face
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
# Mengubah citra RGB menjadi grayscale
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
for(x,y,w,h) in faces:
# Create rectangle around the face cv2.rectangle(image,
(x, y), (x+w, y+h), (255, 255, 0), 2)
Dalam algoritma Viola-Jones terdapat dua parameter yang dimainkan untuk
mendeteksi wajah. Parameter pertama scale_factor, parameter ini berfungsi untuk
menentukan seberapa banyak citra dikurangkan untuk setiap skala gambar.
Parameter kedua minNeighbors, parameter ini berfungsi untuk menentukan nilai
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
citra dengan tepat.
3.3.3.2. Ekstraksi Ciri
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
digunakan algoritma SURF (Speeded-Up Robust Features). SURF cocok untuk
41
menangani gambar dengan kualitas kabur dan rotasi pada gambar. Karena citra
wajah yang disimpan dari proses deteksi wajah boleh jadi mendapatkan hasil yang
kabur dan mengalami perubahan posisi. Sehingga nantinya pada proses
selanjutnya dapat dikenali mesti dalam citra yang kualitas kabur.
Hasil konversi RGB ke grayscale kemudian dilanjutkan dengan
pendeteksian keypoint. Fitur gelembung (blob-like feature) digunakan untuk
mendeteksi keypoint. Langkah yang dilakukan adalah membentuk piramida citra
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
determinan matriks Hessian dibandingkan dengan tetangga-tetangganya.
Lokalisasi calon fitur kemudian dilakukan pada setiap ruang skala (scale space)
dengan menggunakan non-maximum suppression terhadap eksterma dari
determinan matriks Hessian. Hasil akhir dari tahap ini adalah titik-titik acuan atau
keypoint yang menunjukkan adanya fitur gelembung (blob-like feature). Gambar
3.8 menunjukkan hasil akhir pendeteksian fitur dengan SURF.
Gambar 3.8 Gambar hasil pendeteksian fitur

Adapun potongan script program untuk pendetksian fitur sebagai berikut:
#Mengatur parameter SURF

hessianThreshold = 400; nOctaves = 3; nOctaveLayers = 4; extended = 1;
#Memanggil fungsi SURF dengan parameter
surf = cv2.xfeatures2d.SURF_create(hessianThreshold, nOctaves, nOctaveLayers, extended)
#Mencari keypoint dan descriptor pada gambar
kp2, des2 = surf.detectAndCompute(img2, None)
Pada algoritma SURF terdapat parameter-parameter yang dapat diatur sedemikian
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
digunakan maka akan dipertahankan oleh SURF. Parameter kedua adalah
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
dengan menggunakan metode heuristik.
Pada parameter hessian threshold dilakukan beberapa kali penggantian
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
mengganti nilai hessianthreshold dan disimpulkan SURF untuk mendeteksi
keypoint pada nilai paramater 400 didapatkan jumlah keypoint yang tidak rentang
terhadap cahaya dari sebuah citra sample.
Pada parameter nOctaves dan nOctavesLayer dilakukan beberapa kali
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
menentukan jumlah keypointnya.
3.3.3.3. Pencocokan Ciri
Pada proses pencocokan ciri menggunakan metode Fast Library
Approximated Nearest Neighbor (FLANN) pustaka untuk melakukan pencarian
cepat dan perkiraan neighborhood. FLANN merupakan kumpulan algoritma yang
bekerja untuk menemukan nilai tetangga terdekat, sementara untuk hasil
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
menggunakan KNN (K-Nearest Neighbor) dengan tipe indeks KD tree, dimana
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,
maka dianggap paling baik dalam mendeteksi titik fitur.
Adapun potongan script program untuk proses FLANN sebagai berikut:
index_params = dict(algorithm = 0, tree = 5) #algorithm 0 = kd3 dan 6 = lsh

flann = cv2.FlannBasedMatcher(index_params, {})
#Menyimpan descriptor ke dalam pustaka
flann.add([des])
target = PlanarTarget(image = img, keypoints = kp, descriptors = des, nilai = None)
best.append(target)
#Melakukan training data flann
flann.train()
#Pencocokan dengan descriptor sample
matches = flann.knnMatch(des2, k = 2)
Pada gambar 3.9 dapat dilihat hasil dari FLANN dalam mencocokkan
keypoint pada citra sample dan citra database yang dianggap paling mendekati
dengan citra database yang ada.
Gambar 3.9 Hasil proses FLANN
3.3.4. Rancangan Telegram
Dalam tugas akhir ini Telegram digunakan sebagai pemberi notifikasi
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
dikarenakan Telegram merupakan aplikasi gratis yang dapat diunduh di berbagai
basis gadget selama terinstallnya aplikasi. Selain itu developer Telegram
menyediakan API (Application Programming Interface) yang dapat diprogram
dengan berbagai bahasa pemrograman dan salah satunya adalah Python atau
dalam hal ini disebut dengan metode long-polling.
Berikut ini dijelaskan bagaimana untuk membuat tampilan Telegram Bot
sebagai tampilan kepada pemilik rumah, untuk pembuatannya dapat melalui
aplikasi telegram pada smartphone atau melalui web Telegram, serta cara
menghubungkan telegram dengan Python:
1) Membuat bot dan usernamenya, caranya :
Gambar 3.10 Pembuatan Telegram Bot

 Buka telegram
 Cari dan add @botfather,
 Klik start, akan muncul daftar perintah, klik /newbot.
 Akan muncul perintah untuk memberi nama bot kita. Ketik nama yang
kita inginkan, kemudian klik Enter/Ok.
 Setelah Ok, akan muncul perintah untuk membuat username bot kita,
yang harus menggunakan kata “bot”. Kita beri nama saja
Sistemskam_bot. Username sudah jadi, lalu copy kode angka dengan
tulisan berwarna merah yang merupakan kode token API kita. Token ini
yang akan menjadi acuan agar nantinya bot dapat diprogram untuk
mengirimkan teks, gambar, video, dan sebagainya.
2) Menghubungkan telegram bot yang telah dibuat dengan Python agar nantinya
Raspberry Pi 3 mampu mengendalikan balasan dari bot tadi. Untuk
menghubungkan Python dan bot yang dibuat, perlu memperhatikan langkah-
langkah berikut
 Menginstall library telegram dengan mengetikkan kode terminal dari
Raspberry Pi 3:
$ pip install python-telegram-bot
atau menginstall dari sumber dengan:
$ git clone https://github.com/python-telegram-bot -- recursive

$ cd python-telegram-bot
$ python setup.py install
 Setelah terinstall pada Raspberry Pi 3, selanjutnya mengetikkan script
pemanggilan API Telegram pada aplikasi programming Python.
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
PENGUJIAN DAN ANALISA
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.
Pengujian dilakukan pada Raspberry Pi 3 model B dengan spesifikasi:

1. Broadcom BCM2837 ARMv8 Quad Core Processor 1,2 GHz
2. RAM 1GB 900 MHz
3. Networking 2.4 GHz 802.11n wireless
4. Storage: microSD 16 GB kelas 10
5. GPIO: 40-pin header
Perangkat lunak:
1. Operation System Raspbian Jessie
2. Python 3.4 (IDLE)
3. Library Opencv 3.4.1
4.1.Pengujian Akurasi Pencocokan Wajah
Pengujian akurasi pencocokan wajah dilakukan untuk mengetahui akurasi
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
pada saat pengambilan sistem otomatis mengcropping wajah yang tersimpan
hanya pada bagian wajah yang terdeteksi.
4.1.1. Pengujian Citra Sesuai Database
Pada pengujian ini dilakukan dengan menggunakan wajah yang sama
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.
Gambar 4.1 Hasil Pengujian Citra Sesuai Database
50
Tabel di bawah ini menunjukkan hasil pengujian terhadap tujuh sample
citra wajah yang sesuai database dengan pengambilan citra sebanyak 10 kali tiap
sample (lampiran 2). Pengambilan data dilakukan dengan menjalankan program
sebanyak 10 kali dan mencatat hasil pencocokan pada pendeteksian awalnya serta
membatasi titik kecocokan sebesar delapan titik.
Tabel 4.1 Hasil pengujian citra sesuai database
Wajah Nomor Uji Citra Dikenali Hasil Pengujian

1 Citra A Sesuai
2 Citra A Sesuai
3 Citra A Sesuai
4 Citra A Sesuai
5 Citra A Sesuai
A 6 Citra A Sesuai
7 Citra A Sesuai
8 Citra A Sesuai
9 Citra A Sesuai
10 Citra A Sesuai
1 Citra B Sesuai
2 Citra B Sesuai
3 Citra B Sesuai
4 Citra D Tidak Sesuai
5 Citra A Tidak Sesuai
B 6 Citra B Sesuai
7 Citra B Sesuai
8 Citra B Sesuai
1 Citra C Sesuai
3 Citra C Sesuai
4 Citra C Sesuai
5 Citra C Sesuai
C 6 Citra A Tidak Sesuai
7 Citra C Sesuai
8 Citra C Sesuai
9 Citra C Sesuai
10 Citra C Sesuai
1 Citra D Sesuai
2 Citra D Sesuai
3 Citra D Sesuai
4 Citra D Sesuai
D 5 Citra D Sesuai
6 Citra D Sesuai
7 Citra D Sesuai
8 Citra D Sesuai
Tabel 4.2 Hasil pengujian citra sesuai database (lanjutan)

9 Citra D Sesuai
D
10 Citra D Sesuai
1 Citra E Sesuai
2 Citra E Sesuai
3 Citra E Sesuai
4 Citra E Sesuai
5 Citra E Sesuai
E 6 Citra E Sesuai
7 Citra E Sesuai
8 Citra E Sesuai
9 Citra E Sesuai
10 Citra E Sesuai
1 Citra F Sesuai
2 Citra F Sesuai
3 Citra F Sesuai
4 Citra F Sesuai
5 Citra F Sesuai
F 6 Citra F Sesuai
7 Citra F Sesuai
8 Citra F Sesuai
9 Citra F Sesuai
10 Citra F Sesuai
1 Citra G Sesuai
2 Citra G Sesuai
3 Citra G Sesuai
4 Citra G Sesuai
5 Citra G Sesuai
G 6 Citra G Sesuai
7 Citra G Sesuai
8 Citra G Sesuai
9 Citra G Sesuai
10 Citra G Sesuai
Dari hasil pengujian pada tabel 4.1 di atas, dapat diketahui bahwa
keakuratan sistem (As) untuk citra wajah yang sesuai dengan database dimana
hasil pencocokan keypoint dengan menggunakan rumus di bawah ini.
𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 𝐵𝑒𝑛𝑎𝑟

As = ( 𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑒𝑙𝑢𝑟𝑢ℎ 𝐷𝑎𝑡𝑎) 𝑥 100%
Adapun hasil keakuratan sistem untuk mengenali citra wajah yang sesuai
database.
64
As = ( ) 𝑥 100%
70
As = 91,4%
Dari hasil pengujian yang telah dilakukan didapatkan keakuratan sistem
(As) sebesar 91,4%. Dimana terdapat 8,6% atau enam citra data yang salah dalam
pencocokannya. Kesalahan tersebut dikarenakan sistem mengenali deskriptor data
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.
4.1.2. Pengujian Citra Tidak Sesuai Database
Pada pengujian ini dilakukan dengan menggunakan wajah yang sama
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.
Gambar 4.2 Hasil Pencocokan Citra Tidak Sesuai Database
Tabel di bawah ini menunjukkan hasil pengujian terhadap sample tujuh

wajah yang tidak sesuai database dengan pengambilan citra sebanyak 10 kali tiap
sample (lampiran 3). Pengambilan data dilakukan dengan menjalankan program
sebanyak 10 kali dan dengan melihat 10 kali sistem mendeteksi wajah, serta pada
program dibatasi delapan titik kecocokan
Tabel 4.3 Hasil pengujian citra tidak sesuai database

1 Tidak Ada Tidak Dikenali
Imam 6 Tidak Ada Tidak Dikenali
8 Citra C Dikenali
3 Citra B Dikenali
Hanif 6 Tidak Ada Tidak Dikenali
8 Citra A Dikenali
3 Citra G Dikenali
5 Citra G Dikenali
Winda 6 Tidak Ada Tidak Dikenali
3 Citra G Dikenali
5 Citra G Dikenali
Atik 6 Tidak Ada Tidak Dikenali
Anto 2 Tidak Ada Tidak Dikenali
Tabel 4.4 Hasil pengujian citra tidak sesuai database (lanjutan)

Anto 7 Tidak Ada Tidak Dikenali
8 Citra A Dikenali
9 Citra A Dikenali
Malik 6 Tidak Ada Tidak Dikenali
10 Citra B Dikenali
Aldi 6 Tidak Ada Tidak Dikenali
8 Citra A Dikenali
10 Citra C Dikenali
Keterangan:
1. Ekspresi biasa, 2.Ekspresi senyum, 3.Ekspresi kelihatan gigi, 4.
Ekspresi mulut rapat, 5.Ekspresi buka mulut, 6.Menghadap atas, 7.
Menghadap bawah, 8.Menghadap kiri, 9.Menghadap kanan, 10.
Ekspresi Melotot.
Dari hasil pengujian pada tabel 4.1 di atas, dapat diketahui bahwa
keakuratan sistem untuk citra wajah yang sesuai dengan database dimana hasil
pencocokan keypoint dengan menggunakan rumus keakuratan sistem (As)
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
pencocokannya. Kesalahan tersebut dikarenakan sistem mengenali deskriptor data
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.
4.2. Pengujian Dan Analisis Waktu Delay Pengendalian Relay
Pengujian dilakukan dengan mengirimkan 20 kali perintah pada Telegram
untuk mengendalikan relay. Untuk menghitung delay maka digunakan stopwatch
Smartphone. Hal ini dilakukan untuk mengetahui berapa delay untuk Telegram
mengendalikan keadaan relay. Gambar 4.3 menunjukkan perintah yang
dikirimkan dan perubahan relay yang terjadi
Gambar 4.3 Proses Pengujian Delay Relay Dengan Telegram
56
Tabel di bawah ini menunjukkan hasil pengujian delay relay yang
dikendalikan dengan Telegram.
Tabel 4.5 Hasil pengujian delay Relay dengan Telegram

Pengujian Keadaan Relay Delay (detik)
1 Menyala 0,8
2 Menyala 1,1
3 Menyala 0,4
4 Menyala 1,3
5 Menyala 0,9
6 Menyala 0,8
7 Menyala 0,8
8 Menyala 0,7
9 Menyala 0,7
10 Menyala 0,5
11 Menyala 0,8
12 Menyala 0,9
13 Menyala 0,9
14 Menyala 0,8
15 Menyala 1,0
16 Menyala 1,2
17 Menyala 0,6
18 Menyala 0,6
19 Menyala 1,0
20 Menyala 1,3
Rata-Rata 0.85
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
pengaruh dari kecepatan internet.
4.3. Pengujian Kerja Alat Secara Keseluruhan
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
terdapat pada database.
57
4.3.1. Pengujian Pengendalian Relay
Pengujian ini bertujuan untuk mengetahui ketepatan pencocokan wajah
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
dilakukan pengulangan mulai sistem, dan mengurangi nilai kecocokan pada
program sebesar enam titik pencocokan saja. Pengurangan nilai kecocokan
dilakukan agar meningkatkan keakuratan sistem. Untuk menghitung waktu proses
keseluruhan digunakan stopwatch dengan mencatat waktu awal program
dijalankan sampai terkendalinya relay. Berikut ini adalah tabel pengujian sistem
kerja alat secara keseluruhan:
Tabel 4.6 Hasil pengujian kerja alat sampai pengendalian relay

Waktu
No Sample Citra Dikenali Berhasil Relay Respon
(detik)
1 Citra B Ya Berubah 3.95
3 B Citra B Ya Berubah 3.78
5 Citra C Ya Berubah 4.05
7 C Citra C Ya Berubah 3.79
9 Citra E Ya Berubah 3.94
11 E Citra E Ya Berubah 3.87
13 Citra F Ya Berubah 3.50
15 F Citra F Ya Berubah 3.97
17 Citra G Ya Berubah 3.77
19 G Citra G Ya Berubah 3.78
Pada tabel di atas dapat diketahui bahwa dari 20 citra wajah yang diuji,
tidak terdapat kesalahan pencocokan citra. Sehingga keberhasilan sistem di atas
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
dibutuhkan oleh sistem dalam mendeteksi benar sampai akhirnya relay
dikendalikan rata-rata sebesar 3,813. Hal ini diakibatkan karena saat sistem
bekerja pertama kali, maka sistem akan melakukan pelatihan dan menyimpan data
ke library terlebih dahulu sebelum akhirnya sistem melakukan pencocokan dan
pengendalian terhadap relay.
4.3.2. Pengujian Pengiriman Data Ke Telegram
Pengujian pengiriman data ke telegram ini untuk mengetahui delay waktu
Raspberry Pi 3 mengirimkan data ke Telegram. Pengujian ini termasuk pengujian
kerja alat keseluruhan karena dilakukan dari saat alat mulai mendeteksi wajah
hingga akhirnya data terkirim ke telegram. Pengujian dilakukan dengan 20 data
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.
Gambar 4.4 Citra dan teks pada Telegram
Berikut ini adalah tabel pengujian delay pengiriman data citra dan teks ke
telegram:
Tabel 4.7 Hasil pengujian delay pengiriman data ke Telegram
Delay
Data ke
Sample Keterangan Pengiriman
Telegram
(detik)
Terkirim Berhasil 4.56
Maharani Terkirim Berhasil 4.69
Atik Terkirim Berhasil 4.67
Aldi Terkirim Berhasil 5.55
Hanif Terkirim Berhasil 4.11
Anto Terkirim Berhasil 4.29
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
melakukan pencocokan sistem memerlukan waktu pencocokan yang berbeda-beda
yang disebabkan oleh perbedaan resolusi citra yang akan dilakukan pencocokan
sehingga setelah proses penyimpanan dan pencocokan selesai sistem akan
melakukan pengiriman data ke Telegram. Pengiriman data ke Telegram kemudian
dipengaruhi oleh kecepatan internet yang digunakan pada Raspberry Pi 3 serta
ukuran file yang dikirimkan.

BAB V
PENUTUP
5.1. Kesimpulan
Dari hasil pengujian yang telah dilakukan untuk sebuah akses keamaan
menggunakan face recognition berbasis raspberry pi, dapat disimpulkan:
1. Dengan menggunakan algoritma SURF sebagai face recognition
didapatkan akurasi pencocokan citra wajah yang sesuai data sebesar
91,4% dan untuk pencocokan citra wajah yang tidak sesuai data 82,9
% sehingga algoritma SURF dapat diterapkan sebagai face
recognition dalam sebuah sistem.
2. Pengendalian relay menggunakan telegram memiliki delay rata-rata
sebesar 0,85 detik. Hal ini menunjukkan bahwa sistem pengendalian
relay menggunakan telegram dapat diimplementasikan sebagai sistem
yang memiliki delay yang rendah.
3. Kinerja alat secara keseluruhan dengan mengurangi tingkat kecocokan
meningkatkan akurasi tingkat keberhasilan untuk wajah yang sesuai
dengan database serta untuk menjalankan perintah dari awal
pendeteksian, pencocokan citra, dan pengendalian relay didapatkan
waktu rata-rata 3,813 detik. Sedangkan untuk kinerja alat dalam
mengirim data citra dan teks ke Telegram didapatkan waktu rata-rata
4,641 detik. Hal ini menunjukkan sistem dapat diimplementasikan
dalam sebuah sistem keamanan dengan delay yang rendah

5.2. Saran
Dari hasil penelitian ini masih terdapat kekurangan dan dapat
memungkinkan untuk pengembangan lebih lanjut. Oleh karena itu penulis merasa
perlu untk memberi saran-saran sebagai berikut:
 Untuk memperbaiki keakuratan pencocokan gambar yang lebih baik
disarankan untuk perancangan input template ditambah dan dengan
berbagai kondisi, serta citra database diberikan resolusi yang lebih tinggi
agar sistem dapat mengenali wajah dengan baik.
 Agar melakukan pencarian algoritma untuk sebuah proses face
recognition yang memiliki tingkat akurasi yang tinggi sehingga nantinya
dapat diimplementasikan pada bidang keamanan saat ini.
 Sistem dijalankan dengan embedded board yang spesifikasinya lebih
tinggi untuk mendapatkan waktu dan akurasi yang lebih baik.
 Menggunakan WebCam atau kamera yang memiliki spesifikasi yang
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
Lampiran 1. Database Wajah
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
Siinit penugaxan pcmbimbing ini n›ulai berlaku sej«k tanggal dilclapkunnyo

dan be akhir sazi›poi selcsainy‹a pcouIi •an Ski itai/Tugas Akhir mahasiswa
tersebut.
3 Ag*r penugasan ini diIaks‹inukun chaik-baiknya dengan prnuh rasa ianggung
Maka
l2 April 2016
3r. Ir. ItuMmmad R:izi›li. MT

'-.‹I»’ i•»un ix iss.vo‹o i
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
DERITA .4CARA ¥lJlAN $AR3ANA STRATA SATU (S I)
Pada han In Cftln. 13 Agusia 30I B puk.ul IO.U0 • Seia‹ai MTA bertempat di Ruatt$ Sidaip
Dcpi Ekkuo. tclak dilajcssrokon Ujizo Skripsi Strata Saci (SI ) bsei 9audara '
Mama fvfakasiswe : FADEL h.fLItlANIMAD

Nomor Pokok ! D41114107
Prog un Studi Tcknik ETcktro
Pembimbing I . l3r. Ir ? her 7aii›u‹kti i, h1.s=
1. Dr. Ir. Ind fiuuudd M.T
Judul 9kripsi 3istem Kzamanan Aksee Fiotu Masuk Menggunakan 1'ACE
RECOCNATTtJN berbasis Rosphcrzy Pi 3
No
I Or.I r. Zahir 2ainuddin. II.Sc
2 Dr. I r. 1 didNunanio, M.‘i'
3 Dr-Eng. Intan dari Areni, ST., MT. Anggota
4 DR.Hj. a. BJAH LI dRAENI SAI..4I\1, ,5”I”„ MI.
Hasil kcpuuzsan panitie ptnllai Ujian Skripsi : Lt0us / Tidak Luisa

dengan huzuf
. .....
Mzkass r. 13 Aguszus 20i 8
Kelua/Sekreturis Punilia Ui ion,
Dr. Ir. ahiz Zain»ddi». M.S<

NSP. 1Wr4 427l 5g51fJJ fJfJ2
UNlVERSlTAfiHAfiANUDDIN
KAMPL S TAMALANREA
'•.
JA£•AN PERINTIS KKMBROEXAAN KI¥L IO MAMA 1AR g0g4S
“ rr.1.L Pox roll li 1862tD, se4to2 FAX. ;o‹i i i
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
Yang bertanda tangan di bawah ini menerangkan bahwa:
Nama Fadel Muhammad

Stambiik D4l 1 14 307
Program Studi SI Teknik Elektro
Benar telah tidak mempunyai pinjaman pada laboiatorium dalam lingkungan Departemen Teknik
Elektro Fakultas Teknik Universitas Hasanuddin, sebagaimana tertera pada tabel di bawah ini
NO NAMA LABORATORIUM NAMA LABORAN TANDA TANGAN

BORAN/CAP
Listrik Dasar
2. Sistem kendali dan lnstrumentasi Amsal Salim,

ST
Perangkat Lunak Computer
4. Elektronika Daya
Musiakim, ST
Elektronika Divais
Telekomunikasi Radio
dan Gelomban Mikr
Noma
Telematika
8. Mesin-mesin Listrik
Budi Prayitn
9. Relay dan Pengukuran
10. Teknik Tegangan Tinggi

Budi Prayitno
Distribusi dan lnstalasi
Demikian surat keterangan ini dibuat dan diberikan kepada yang bersangkutaa ontak
digunakan sebagai mana mestinya. •
Makassar, Agustus 2018

Kepala Sekretariat Tata
Optimization Software: Usaha,

Junaid Uding. SE
»w.balesi«i<nm
NIP. 19691203 200003 1 003
Catataa : Surat keterangen ini tidak bertaLu jika ada cecat (Tipe-X atau coretanj

SISTEM KEAMANAN

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

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

SISTEM KEAMANAN

Diunggah oleh

Hak Cipta:

Format Tersedia

SISTEM KEAMANAN AKSES PINTU MASUK MENGGUNAKAN FACE

RECOGNITION BERBASIS RASPBERRY PI 3

Disusun dalam Rangka Memenuhi Salah Satu Persyaratan Untuk Menyelesaikan

Program Strata Satu Departemen Elektro Fakultas Teknik

DEPARTEMEN TEKNIK ELEKTRO

SlSTEM'f KEAMAhAN AKSES PINTtI M11LJX MENGGUXAKA.1

Dr . Zsbir Zaiauddin.W.Sc. Dt. tr. Inyrid Nartania .LIT.

P”Dr, lr. H. ñatama k1ani»

Teknologi biometrik untuk keamanan yang berkembang saat ini seperti

Kata kunci: Face Recognition, Raspberry Pi, SURF, Telegram, Relay

Bismillahirrahmanirrahim. Puji dan syukur penulis panjatkan ke hadirat

kita Rasulullah sallallahu ‘alaihi wasallam. Penyelesaian skripsi ini merupakan

Teknik di Departemen Teknik Elektro Fakultas Teknik Universitas Hasanuddin.

Penulis persembahkan skripsi sederhana ini agar menjadi sebuah

panjang dan senantiasa dikaruniai kesehatan.

Skripsi ini berjudul Sistem Keamanan Akses Pintu Masuk Menggunakan

Face Recognition Berbasis Raspberry Pi 3. Penulis menyadari bahwa dalam

penyusunan skripsi ini mengalami berbagai kesulitan. Namun, berkat ketekunan

bimbingan dari berbagai pihak. Sehebungan dengan hal tersebut, penulis

sewajarnya menyampaikan terima kasih kepada:

1. Orang tua dan saudara-saudara kami tercinta, serta seluruh keluarga

atas segala doa, bantuan, nasehat, dan motivasinya.

2. Bapak Prof. Dr. Ir. H. Salama Manjang, M.T., selaku Ketua

Departemen Teknik Elektro Fakultas Teknik Universitas Hasanuddin.

telah meluangkan waktu dan memberikan bimbingan, gagasan, serta

ide-ide dalam penyelesaian skripsi ini.

4. Seluruh dosen dan staf pengajar, serta pegawai Departemen Teknik

Elektro atas segala ilmu, bantuan, dan kemudahan yang diberikan

selama kami menempuh proses perkuliahan.

5. Seluruh kanda-kanda yang ada di Laboratorium Computer Based

System yang telah bersedia memberikan saran, masukan, dan bantuan

dalam menyelesaikan skripsi kami.

6. Kepada Rekan-Rekan “Rectifier 2014” Departemen Teknik Elektro

angkatan 2014 yang sejak pertama menginjakkan kaki di Universitas

Hasanuddin hingga saat ini berjuang bersama penulis untuk menuntut

ilmu di kampus merah tercinta.

7. Kepada teman seperjuangan para pengejar ST periode bulan September,

yang membantu dalam menyiapkan berkas serta membantu menyiapkan

tempat ujian kami.

8. Kepada Laila Arliana yang selalu memberikan semangat untuk

menyelesaikan tugas akhir ini.

membantu dan mendukung kami dalam menyelesaikan tugas akhir ini.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat dalam

institusi pendidikan dan masyarakat luas.

Makassar, Agustus 2018

LEMBAR PENGESAHAN......................................Error! Bookmark not defined.

1.1. Latar Belakang.................................................................................1

1.2. Rumusan Masalah............................................................................2

1.3. Tujuan Penelitian..............................................................................3

1.4. Batasan Masalah...............................................................................3

1.5. Metode Penelitian.............................................................................4

1.6. Sistematika Penulisan.......................................................................5

BAB II LANDASAN TEORI................................................................................7

2.1. Raspberry PI.....................................................................................7

2.1.1. Raspberry Pi 3.........................................................................7

2.1.2. GPIO Raspberry Pi 3..............................................................8

2.1.3. Sistem Operasi Raspberry Pi................................................10

2.2. Bahasa Pemrograman Python.........................................................10

2.4. Push Button....................................................................................12

2.9. Pengolahan Citra............................................................................17

2.10. Algortima Viola-Jones...................................................................19

2.11. Algoritma SURF (Speeded-Up Robust Features)..........................20