IDENTIFIKASI PENGGUNAAN MASKER

MENGGUNAKAN ALGORITMA HAAR CASCADE

CLASSIFIER (HCC ) BERBASIS ARDUINO

PROPOSAL TUGAS AKHIR

diajukan untuk memenuhi salah satu syarat
memperoleh gelar sarjana
Program Studi Teknik Informatika

Oleh
Joy Theo F. S
Nim : 17416255201064

TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS BUANA PERJUANGAN KARAWANG
2020
 LEMBAR PERSETUJUAN

IDENTIFIKASI PENGGUNAAN MASKER

MENGGUNAKAN ALGORITMA HAAR CASCADE
CLASSIFIER (HCC ) BERBASIS ARDUINO

IDENTIFICATION OF THE USE OF MASK USING HAAR

CASCADE CLASSIFIER (HCC) ALGORITHM BASED ON
ARDUINO

Proposal Tugas Akhir diajukan oleh :

JOY THEO F . S
NIM : 17416255201064
Program Studi Teknik Informatika
Fakultas Teknik Dan Ilmu Komputer
Universitas Buana Perjuangan Karawang

Karawang, 06 Januari 2022

Menyetujui :

Pembimbing I, Pembimbing II

(Deden Wahiddin, M.Kom) (Deden Wahiddin, M.Kom)

NIDN: 0419069004 NIDN: 0419069004

i
 LEMBAR PENGESAHAAN

IDENTIFIKASI PENGGUNAAN MASKER

MENGGUNAKAN ALGORITMA HAAR CASCADE
CLASSIFIER (HCC ) BERBASIS ARDUINO

Nama : Joy Theo F.S

Nim : 17416255201064

Proposal telah diujikan dalam Seminar Proposal Tugas Akhir untuk diajukan
sebagai usulan pembuatan tugas akhir pada Program Studi Teknik Informatika
Fakultas Teknik dan Ilmu Komputer Universitas Buana Perjuangan Karawang

Karawang, 06 Januari 2022

Penguji

(Nama dan Gelar Dosen)

NIDN

Mengetahui :
Koordinator Program Studi,

(Jamaludin Indra, M. Kom)

NIDN: 0405058208...
 LEMBAR PERNYATAAN

Saya Joy Theo F. S menyatakan dengan sesungguhnya bahwa Tugas Akhir yang
saya tulis dengan judul Alat “Identifikasi Penggunaan Masker Menggunakan
Algoritma Haar Cascade Classifier (HCC ) Berbasis Arduino” beserta dengan
seluruh isinya adalah merupakan hasil karya sendiri. Saya tidak melakukan
penjiplakan yang tidak sesuai dengan etika keilmuan yang berlaku dalam
masyarakat keilmuan.
Sesuai peraturan yang berlaku saya siap menanggung resiko/sanksi yang
diberikan jika di kemudian hari ditemukan pelanggaran terhadap etika keilmuan
dalam Tugas Akhir ini atau jika ada klaim dari pihak lain terhadap keaslian karya,

Karawang, 06 Januari 2022

Yang Menyatakan,

Joy Theo F.S

 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa , karena berkat rahmat dan karunia-
nya penulis dapat menyelesaikan proposal tugas akhir ini yang berjudul
“Identifikasi Penggunaan Masker Menggunakan Metode Haar Cascade Classifier
(HCC) Berbasis Arduino”. Penyusunan Proposal Tugas Akhir dapat terlaksana
dengan baik berkat dukungan dari berbagai pihak maka dari itu penulis
mengucapkan terima kasih kepada:
1. Dr. Dedi Mulyadi, SE., MM, Rektor Universitas Buana Perjuangan Karawang.
2. Dr.Ahmad Fauzi, M.Kom, Dekan Fakultas Teknik dan Ilmu Komputer
Universitas Buana Perjuangan Karawang.
3. Jamaludin Indra, M.Kom, Koordinator Program Studi Teknik Informatika
Universitas Buana Perjuangan Karawang, yang menerima penulis dengan baik
untuk berkonsultasi.
4. Deden Wahiddin, M.Kom, Pembimbing I yang telah memberikan Bimbingan
Pembuatan Tugas Akhir.
5. Euis Nurlaelasari, M.Kom, Pembimbing II yang telah memberikan bimbingan
buat tugas akhir.
6. Dwi Sulistya Kusumaningrum. S.Pd., M.Pd, Sebagai Koordinator Tugas Akhir
Program Studi Teknik Informatika Universitas Buana Perjuangan Karawang
7. Ronal dan Marnala sebagai orang tua saya yang selalu mendukung dan
mendoakan dalam menyelesaikan perkuliahan Ini.

8. Cynthia Agatha sebagai orang terkasih dan tersayang yang telah membantu
dalam penulisan.
Semoga Tugas Akhir Ini Dapat Bermanfaat, Baik Sebagai Sumber Informasi
Maupun Sumber Inspirasi Bagi Para Pembaca.
Karawang, 06 Januari 2022
Penulis,

Joy Theo F.S

 DAFTAR ISI

BAB I PENDAHULUAN ………………………………………………………. 1

1.1. Latar Belakang ……………………………………………………………. 1
1.2. Rumusan Masalah ….……………………………………………………... 2
1.3. Tujuan Penilitian ………………………………………………………….. 3
1.4. Manfaat Penelitian ………………………………………………………... 4
BAB II TINJAUAN PUSTAKA ……………………………………………….. 5
2.1. Arduino Uno Ft323r ..................................................................................... 5
2.2. Breadboard ……………………………………………………………….. 5
2.3. Masker ……………………………………………………………………. 6
2.4. OpenCv …………………………………………………………………… 6
2.5. Haar Cascassade Clafier ………………………………………………...... 6
2.5.1. Fitur haar Like ………………………………………………………. 6
2.5.2. Integral Image ……………………………………………………….. 7
2.5.3. Metode Adabost ……………………………………………………... 8
2.6. Camera Cam ………………………………………………………………10
2.7. Penelitian Terkait ………………………………………………………… 11
BAB III METODE PENELITIAN …………………………………………... 12
3.1.Objek Penelitian ………………………………………………….……… 12
3.2. Peralatan Penelitian ……………………………………………………… 12
3.3. Waktu Dan Lokasi Penelitian ……………………………………………. 13
3.4. Prosedur Penelitian ……………………………………………………… 13
3.5. Flowchat Kerja Alur HCC …………………………………………….… 14
3.6. Flowchart Kerja Sistem …………………………………………………... 15
3.7. Perancangan Sistem ……………………………………………………. . 15
DAFTAR PUSTAKA ………………………………………………………….. 17
Lampiran ………………………………………………………………………. 20
 Daftar Tabel
Tabel 2.1 Tabel Penelitian Terkait ....................................................................... 10
Tabel 3.1 Tabel Parameter .................................................................................. 15
Daftar Gambar
Gambar 2.1 Arduino Ft .......................................................................................... 4
Gambar 2.3 Masker ................................................................................................ 4
Gambar 2.4 Fitur Viola dan Jones ......................................................................... 6
Gambar 2.5 Tampilan Arsitektur Haar Cascade Classifier ................................... 7
Gambar 2.6 Rangkaian Cascassade Clafier ........................................................... 8
Gambar 2.7 Camera Cam ....................................................................................... 9
Gambar 2.8 Buzer Arduino ................................................................................. 10
Gambar 3. 1 Flowchart Percobaan ....................................................................... 14
Gambar 3. 2 Flowchart Cara kera ........................................................................ 15
Gambar 3. 5 Perancangan Sistem ......................................................................... 16
 BAB I
PENDAHULUAN

1.1. Latar belakang

Covid-19 adalah penyakit yang disebabkan oleh turunan coronavirus baru, ‘co’
diambil dari corona, ‘vi’ virus dan ‘d’ disease (penyakit) dan coronavirus 2019
(covid-19) merupakan penyakit menular yang disebabkan oleh sindrom pernapasan
akut coronavirus (sars-cov-2). Penularan penyakit ini sangat cepat dalam
penyebarannya dan penularanya dari orang menghirup droplet percikan yang keluar
dari batuk dan bersin oleh orang yang terjangkit virus tersebut. Maka anjuran
penggunaan 3M sangat perlu yaitu mencuci tangan , menjaga jarak dan tidak lupa
menggunakan masker yang dianggap sangat tepat dan sangat penting diterapkan.
Masker merupakan alat perlindungan diri yang dapat melindungi dari berbagai zat
berbahaya (Dharmadhikari, 2012; lai, 2012; macintyre, 2017; offeddu, 2017).
Dalam penggunaan masker pada umunya di masyarakat masih ada beberapa
masyarakat yang tidak mematuhi aturan dalam menggunakan masker, dan masih
sering terjadinya melepas masker secara tidak sadar pada area wajib menggunakan
masker, perilaku tidak menggunakan masker maupun melepas masker sering terjadi
di tempat keramaian kegiatan masyarakt seperti mall, bandara dan sekolah. Melihat
dari permasalahan tersebut maka dibutuhkan sebuah alat yang dapat memantau
kegiatan masyarakat dalam pengawasan dalam pengguna masker, dan dapat juga
membantu mempermudah kerja petugas dalam mengawasi penguna masker dan
memberi tindakan kepada masyarakat yang tidak menggunakan masker maupun
melepas masker. Alat yang dibutuhkan yaitu suatu alat yang dapat mengawasai
seluruh kegiatan masyarakat dalam menggunakan masker pada area wajib
menggunakan masker.
Beberapa penelitian terdahulu telah banyak melakukan penelitian terkait alat
identifikasi yang menggunakan algoritma har cascassade clafier yaitu penelitian
yang berjudul “Penggunaan alat monitoring berbasis webcam” alat ini dapat
mengetahui tingkat akurasi face recognition, dan metode penggunaan alat tersebut
adalah fas fourier transform yang berbasis webcam, fungsi alat ini dapat
mengambil citra wajah secara realtime dan berguna sebagai monitoring keamanan
dalam ruangan dan tingkat keberhasilan mencapai 80% (Redy, 2015). Dalam jurnal

1
 2

penelitian Faisal, Kharisma & Agi Putra (2019) yang berjudul “Pengembangan
Sistem Aplikasi Kehadiran Kelas Menggunakan Wajah dengan algoritma haar
cascasade clafier ” mendapatkan hasil akurasi 99%, pengujian dilakukan dengan
menghadapkan wajah ke arah sistem absensi tersebut, sehinga wajah tersebut akan
terekam dan tersimpan. Sedangkan penelitian mengenai metode haarcascade
classifier dibahas juga dalam jurnal penelitian Heryana dkk (2020) yang berjudul
“Penerapan Haar Cascade Classification Model Untuk Deteksi Wajah, Hidung,
Mulut, dan Mata Menggunakan Algoritma Viola-Jones” dalam jurnal tersebut
menjelaskan bahwa metode haarcascade classifier mampu mengidentifikasi objek
objek pada wajah sehingga bisa menandai fitur mata yang ingin dideteksi.
Kekurangan pada penelitian terdahulu yaitu tidak adanya alat yang dapat
mendeteksi penggunaan masker secara realtime yang menggunakan arduino
sebagai mikrokontroler.
Algoritma Haar Cascade Classifier merupakan salah satu algoritma yang dapat
digunakan untuk mendeteksi berupa objek wajah dan objek lainya, yang memiliki
tingkat akurasi pada pencocokan gambar ke objek yang terekam secara realtime,
dan cara kerja algoritma ini menggunakan data berupa objek gambar maupun video
yang akan menjadi dataset dan kemudian di training oleh algoritma tersebut untuk
pengenalan sebagai pembacaan objek tertentu. Algoritma Haar Cascade Classifier
memiliki kelebihan yaitu perihal komputasi yang cepat karena tersebut bergantung
pada jumlah piksel dalam persegi dari sebuah image (Nadernejad E et el, 2008).
Berdasarkan referensi tersebut maka peneliti akan membuat suatu alat
Identifikasi pengguna masker menggunakan algoritma Haar Cascade Classifier
berbasis arduino dan dilengkapi dengan kamera webcam yang berfungsi merekam
objek wajah, serta menggunakan sensor buzzer yang dihubungkan pada arduino
untuk memberi notifikasi berupa audio kepada petugas bahwasanya adanya wajah
yang tidak tertutup oleh masker, dan fungsi dari alat ini akan mempermudah kinerja
petugas dalam pengawasan pengguna masker yang lebih efisien dan lebih akurat
pada identifikasi tersebut.
 3

1.2 Rumusan masalah

Berdasarkan latar belakang masalah yang ada, maka dapat dirumuskan masalah
sebagai berikut:
1. Bagaimana merancang alat identifikasi penggunaan masker menggunakan
algoritma Haar Cascade Classifier berbasis arduino ?
2. Bagaimana hasil akurasi kerja alat identifikasi pengguna masker
menggunakan algortima Haar Cascade Classifier berbasis arduino ?
1.3 Tujuan penelitian
Berdasarkan rumusan masalah yang telah disebutkan , maka tujuan di lakukan
sebagai berikut:
1. Merancang alat identifikasi pemakaian masker wajah mengunakan metode
Haar Cascade Classifier (HCC) berbasis arduino.
2. Mengetahui hasil akurasi kerja alat identifikasi pemakaian masker wajah
menggunakan algoritma Haar Cascade Classifier (HCC) berbasis arduino.
1.4. Manfaat
Adapun beberapa manfaat yang telah dicapai sebagai berikut :
1. Penulis
1. Penelitian ini sebagai tugas akhir untuk memenuhi salah satu syarat
memperoleh gelar sarjana program studi teknik Informatika Universitas
Buana Perjuangan Karawang.
2. Sebagai ilmu pengetahuan yang dapat dipelajari dalam hal baru
mengenai alat pengawasan pengunaan masker menggunakan algoritma
Haar Cascassade Clafier yang digunakan sebagai hidup kebiasaan baru
2. Universitas
1. Membekali mahasiswa untuk mengimplementasikan dan menerapkan
ilmu yang telah diperoleh selama perkuliahan.
2. Penelitian ini dapat dijadikan sebagai bahan referensi untuk penelitian
selanjutnya bagi para mahasiswa Universitas Buana Perjuangan
Karawang lainya
 BAB II
TINJAUAN PUSTAKA

2.1 Arduino Nano Ft323r

Arduino Nano ft323 adalah salah satu papan pengembangan mikrokontroler
yang berukuran kecil, lengkap dan mendukung penggunaan breadboard. Arduino
nano diciptakan dengan basis mikrokontroler atmega328 (untuk arduino nano versi
3.x) atau atmega 168 (untuk arduino versi 2.x) , arduino nano kurang lebih memiliki
fungsi yang sama dengan arduino duemilanove, tetapi dalam paket yang berbeda.
Arduino nano tidak menyertakan colokan dc berjenis barrel jack, dan dihubungkan
ke komputer menggunakan port usb mini-b, arduino nano dirancang dan diproduksi
oleh perusahaan gravitech. Seperti yang ditunjukan dalam gambar 2.1 arduino nano
ft232r

Gambar 2.1 arduino nano ft232r

( sumber : https://www.arduino.cc)

2.2 Masker
Masker adalah perlindungan pernafasan yang digunakan sebagai metode untuk
melindungi individu dari menghirup zat-zat bahaya atau kontaminan yang berada
di udara, perlindungan pernafasan atau masker tidak dimaksudkan untuk
menggantikan metode pilihan yang dapat menghilangkan penyakit, tetapi
digunakan untuk melindungi secara memadai pemakainya (Cohen & Birdner, 2012)

Gambar 2.2 menggunakan masker

(sumber : dinkes.indonesia.go.id )

4
 5

2.3. OpenCV
Di situs opencv.org, (2021) dijelaskan bahwa OpenCV (Open source
Computer Vision Library) adalah salah satu software Pustaka yang ditunjukan
untuk pengolahan citra dinamis secara real-time, yang dibuat oleh Intel dan
sekarang didukung oleh Willow Garage dan Itseez.

OpenCV memiliki lebih dari 2500 algoritma, yang mencakup algoritma computer
vision dan machine learning. Algoritma pada OpenCV dapat digunakan untuk
mendeteksi wajah terutama bagian mata, mengidentifikasi objek,
mengklasifikasikan tindakan manusia didalam sebuah video, melacak objek yang
bergerak dan lain – lain. Lebih dari 47 ribu pengguna dan 18 juta unduhan
OpenCV. Librarynya digunakan secara luas diperusahaan, badan pemerintahan
atau kelompok penelitian

Gambar 2. 1 Logo OpenCV

(Sumber: https://opencv.org)
2.4 Haar cascade classifier
Paul Viola dan Michael Jones pada tahun 2001 mempublikasikan sebuah
metode yaitu haarcascade Classifier. Merupakan sebuah metode yang
menggunakan statical model (classifier) (Maslikah dkk., 2020).
Tryanto dkk (2018) menjelaskan bahwa Haarcascade Classifier merupakan
metode untuk membangun sebuah boosted rejection cascade yaitu untuk
menentukan objek yang sudah dilatih dan akan membuat sebuah keputusan data
yang positif. Deteksi wajah manusia adalah contoh dari metode ini, atau biasanya
fitur ini digunakan untuk mendeteksi objek di sekitaran wajah sepeti mata. Metode
ini ini digunakan untuk mengenali objek berdasarkan nilai dari fitur dengan
memproses gambar dalam kotak – kotak, setiap kotak terdapat pixel. Kemudian
setiap kotak akan diproses dan nantinya akan diperoleh perbedaan nilai (threshold)
 6

yang membedakan daerah gelap dan terang. Nilai tersebut yang dijadikan dasar
image processing. (Maslikah dkk, 2020).
F(Haar) = ∑Fwhite - ∑Fblack
Dimana : F(Haar) = Nilai fitur total
∑Fwhite = Nilai fitur pada daerah terang
∑Fblack = Nilai fitur pada daerah terang
Pendekatan untuk mendeteksi objek dalam gambar menggabungkan empat
konsep utama:
1. Training Data
2. Fitur persegi empat sederhana yang disebut fitur haar
3. Integral image untuk pendeteksian fitur cepat.
4. Pengklasifikasian bertingkat (Cascade Classifier) untuk menghubungkan
banyak fitur secara efisien
Adapaun macam – macam variasi feature haar sebagai berikut :
2.4.1 Fitur haar-like
Fitur haar-like (haar-like feature) Algoritma ini diawali dari hasil
pengelompokan (training) banyak wajah dengan menggunakan metode haar-like
feature, wajah yang telah dikelompokkan diklasifikasikan dengan memakai suatu
pemisahan skala yang tetap, misalnya 25×25 pixel. Jika wajah pada image lebih
besar atau lebih kecil dari pixel tersebut, classifier akan terus menerus berjalan
beberapa kali, untuk mencari wajah pada gambar tersebut. Hasil deteksi haar-like
feature kurang akurat jika hanya memakai satu fungsi saja. Makin tinggi tingkatan
filter pendeteksian maka makin tepat pula suatu objek dideteksi akan tetapi akan
makin lama proses pendeteksiannya. Pemrosesan haar-like feature yang banyak
tersebut diatur dalam classifier cascade. Classifier memakai data yang disimpan
pada file xml untuk memutuskan bagaimana mengklasifikasi tiap lokasi gambar,
salah satunya bernama haarcascade_frontalface_default.xml. Secara umum,
haarlike feature dipakai dalam mendeteksi objek pada gambar digital. Nama haar
merujuk pada suatu fungsi matematika (haar wavelet) yang berbentuk kotak,
prinsipnya sama seperti pada fungsi fourier. Awalnya pengolahan gambar hanya
dengan melihat dari nilai rgb setiap pixel, namun metoda ini ternyata tidaklah
efektif. Viola dan jones lalu mengembangkannya sehingga terbentuk haar-like
 7

feature. Haar-like feature memproses gambar dalam kotak-kotak, di mana dalam

satu kotak bisa terdiri dari beberapa pixel. Perkotak itu pun lalu diproses dan di cari
perbedaan nilai (threshold) yang menandakan daerah gelap dan terang. Nilai-nilai
inilah yang nantinya dijadikan dasar dalam pemrosesan gambar. Gambar bergerak
(video), perhitungan dan penjumlahan pixel terjadi secara terus menerus dan
membutuhkan waktu yang lama. Oleh sebab itu, penjumlahan diganti dengan
integral sehingga didapatkan perhitungan hasil yang lebih cepat. Makin banyak
fungsi yang dipakai maka hasilnya akan makin akurat.
2.4.2 Integral image
Fitur yang dipakai viola dan jones memakai bentuk gelombang haar. Bentuk
gelombang haar ialah suatu gelombang kotak pada 2 dimensi, gelombang kotak
ialah pasangan persegi yang bersebelahan, 1 terang dan 1 gelap. Haar ditentukan
oleh pengurangan pixel rata-rata daerah gelap dari pixel rata-rata daerah terang. Jika
perbedaan di atas threshold (yang diset selama learning), fitur tersebut disebut ada.

Gambar 2.3 fitur viola dan jones

(sumber : http://repositori.usu.ac.id/handle/123456789/18454
Untuk menentukan ada tidaknya haar feature di setiap lokasi gambar, viola dan
jones memakai teknik yang disebut integral image. Umumnya integral
menambahkan unit kecil secara bersamaan, dalam hal ini unit kecil ini disebut
dengan nilai dari pixel. Nilai dari integral pada masing-masing pixel adalah
penjumlahan dari semua pixel di atasnya dan di sebelah kirinya. Dimulai dari kiri
atas sampai kanan bawah, gambar bisa diintegrasikan sebagai operasi matematika
per pixel.
 8

1. 2.

A 1 b 2

C 3 d 4

(x, y)

Gambar 2.4 merupakan teknik integral image

(sumber : http://repositori.usu.ac.id/handle/123456789/18454
a. Sesudah diintegrasikan pixel pada (x,y) berisi jumlah nilai semua pixel dalam
kotak hitam.

b. Nilai jumlah pada kotak d adalah (x4,y4)-(x2,y2)-(x3,y3) + (x1,y1).

2.4.3 Metode adaboost

Untuk memilih fitur haar yang dipakai dan untuk mengubah nilai threshold,
viola dan jones memakai metode machine-learning yang disebut adaboost.
Adaboost menggabungkan banyak classifier untuk membuat satu classifier.
Masing-masing classifier menetapkan suatu bobot dan gabungan dari bobot inilah
yang akan membentuk satu classifier yang kuat.
Viola dan jones menggabungkan serangkaian adaboost classifier sebagai rantai
filter. Masing-masing filter adalah adaboost classifier yang terpisah dengan jumlah
weak classifier yang sedikit & sama.
2.4.4 Cascade Clafier

Gambar 2.5 merupakan teknik integral image

(sumber : http://repositori.usu.ac.id/handle/123456789/18454
 9

Filter pada masing-masing level dilatih untuk mengklasifikasikan gambar yang

sebelumnya telah difilter (di training set yakni wajah yang menggunakan masker
ataupun tidak ). Selama penggunaannya, jika satu dari filter-filter tersebut gagal,
daerah pada gambar diklasifikasikan sebagai “ tidak menggunakan masker”. Saat
filter gagal, maka daerah pada gambar (image region) lalu masuk pada filter yang
selanjutnya. Daerah pada gambar yang telah melalui semua filter akan dianggap
sebagai menggunakan masker.
2.5. Kamera webcam
Kamera webcam adalah kamera yang berfungsi sebagai alat bantu komunikasi
di mana komunikasi tersebut dilakukan dengan cara video call dan video
conference, komunikasi video call dan video conference yang menggunakan
komputer ini pada umumnya menggunakan jaringan internet yang memanfaatkan
website website tertentu ( arif, 2013),

Gambar 2.6 breadboard

(sumber: https://www.logitech.com)
2.6. Alarm Buzzer
Alarm Buzzer merupakan komponen elektronika yang cara kerjanya
mengubah sinyal listrik menjadi getaran suara bunyi. Komponen ini sering
digunakan sebagai alat notifikasi atau alat pemberitahuan secara realtime

(Gambar 2.7 Buzzer)

(sumber : https://www.arduino.cc)
 10

2.7 Penelitian terkait

Tabel 2.1 Tabel penelitian terkait

N o Judul penelitian Proses (metode) Hasil

1 Alat pendeteksi dan Algoritma yang digunakan haar cascade classifier Algoritma ini dapat di tarik disimpulkan bahwa metode
Menghitung jumlah (HCC) sudah ada 95% akurasi baik dalam penggunaan alat pendeteksi
Manusia di ruang tertentu mampu menghitung jumlah manusia di dalam ruangan tertentu
Menggunakan Algoritma
Haar Cascasade Clafier
(Rifai and Aulianita, 2018)

2. Alat identifikasi mata kantuk Algoritma yang digunakan Haar Cascassade Clafier Algoritma ini sudah digunakan dalam mendeteksi mata kantuk

Pada penggemudi mobil (HCC) pada penggemudi mobil jumlah kedipan mata dengan hitungan
Dengan Algoritma Haar 80% sebagai akurasi baik
Cascasade Clafier (Heryana, 2020)

3. Deteksi kedipan mata Contour Algoritma yang digunakan Haar Cascassade Clafier Perancangan alat identifikasi waja ini sangat baik karena
Pasword Login Sistem Sudah banyak digunakan.
Menggunakan Haar Casacade
Clafier Berbasis A (Hana, 2020)
 11

4. Alat absensi kehadiran kelas Algoritma Har Cascassade Clasifier Perhitungan dengan metode ini sangat akulturasi 90%
Menggunakan wajah karena sudah dirancang dengan tingkat akulturasi tinggi.
Dengan Algortima Haar
Caascasade Clafier
(Kurniawan, 2018)

5. Pengenalan matematika Algoritma yang digunakan Haar Cascade Classifier Hasil penelitian ini berhasil untuk mendeteksi simbol
Dengan algoritma HCC matematika dari input tulis tangan dan dilihat hasil (faisal et al.,2020
Haar Cascasade Clafier
 BAB III
METODE PENELITIAN

3.1. Objek penelitian

Objek penelitian ini ialah orang yang menggunakan masker dan tidak
menggunakan masker. Pada penelitian ini akan mendeteksi secara realtime dan
nantinya akan membuat dua jenis klasifikasi. Jenis klasifikasi wajah yang
menggunakan masker dan tidak menggunakan, dan objek penelitian ini
menggunakan data set wajah yang menggunakan masker maupun tidak agar esp32-
cam dapat menggenali kedua wajah tersebut.
3.2. Peralatan penelitian
Penelitian yang dilakukan menggunakan perangkat lunak dan perangkat seperti
di bawah ini:
1. Perangkat lunak
a. Arduino IDE sebua code editor untuk menuliskan script arduino
b. OpenCV sebuah pustaka perangkat lunak untuk menggolah citra
dinamis
c. Python sebuah bahasa pemograman untuk menjalankan Open CV
2.Perangkat keras
1. Komputer Processor 520m (2.4ghz, 1066 mhz fsb) Nvidia geforce
310m up to 2303 mb turbocache 4 gb memory 640 gb hdd
2. Arduino Relay 2 channel sebagai mengatur suatu tegangan volt.
3. Esp 32- cam sebagai pengenalan wajah
4. Camera webcam
5. Buzzer
6. Lcd monitor
3.3. Waktu dan lokasi penelitian

Penelitian ini dilaksanakan pada SDS Harapan Bangsa Karawang, rincian

pelaksanaan kegiatan penelitian dapat dilihat pada tabel 3.1.

12
 13

Tabel 3. 1 Waktu Penelitian

No Kegiatan Bulan Bulan Bulan Bulan Bulan Bulan
1 2 3 4 5 6
1 Studi literatur

2 Penggumpulan
data
3 Analisis Data
4 Perancagan
Perangkat keras
5 Implementas
6 Pengujian

3.4 Prosedur Penelitian

Adapun Langkah – Langkah penelitian divisualisasikan dalam bentuk flowchart
pada gambar 3.1. Penelitian ini dimulai dengan melakukan studi literatur lalu
dilanjutkan dengan analisis data dan pengumpulan data lalu perancangan perangkat
keras kemudian penerapan algoritma kepada arduino yang langsung
diimplementasikan untuk pengujian dan selesai

Gambar:3.1 Flowchart prosedur percobaan

3.4.1. Studi Literatur

Merupakan tahap proses mencari dan menghimpun artikel atau
jurnal penelitian terkait, bertujuan untuk menemukan dan menentukan variabel-
variabel yang akan diteliti serta membedakan hal-hal yang sudah dilakukan dan
 14

menentukan hal-hal yang perlu dilakukan agar tidak terjadi duplikasi penelitian
atau karya di masa lalu yang sudah pernah dilakukan oleh peneliti sebelumnya.
3.4.2. Pengumpulan Data
Pengumpulan data ini dilakukan dengan menggumpulkan dua jenis gambar
foto yang menggunakan masker berjumlah 50 gambar dan 50 gambar yang tidak
menggunakan masker, gambar databas tersebut di ambil dari situs https://
www.kaggle.com yang telah menyediakan dataset tersebut.
3.4.3. Analisis Data
Analisis data ini di lakukan untuk memili atau memisakan data yang dapat
digunakan maupun tidak dapat digunakan untuk kebutuhan sistem yang akan di
buat.
3.4.5. Perancangan
Perancangan pada sub bab ini membahas mengenai perancangan arsitektur
perangkat keras, flowchart alur HCC dan flowchart sistem yang akan digunakan
sebagai alat identifikasi pengguna masker menggunakan algoritma har hascassade
clafier berbasis arduino sebagai berikut.

1. Perancangan Arsitektur Perangkat Keras

Penelitian ini menggunakan beberapa perangkat keras yaitu modul kamera
arduino, buzzer, lcd monitor, led dan kabel jumper yang nantinya di letakan di
tempat yang sering terjadinya keramaian seperti kantor, mall bandara maupun di
tempatkan di sekolahan

Gambar 3. 2 Perancangan Arsitektur Perangkat Keras

Pada gambar 3.2 merupakan skema dari rancangan komponen yang akan
digunakan dan dibangun dengan fungsi sebagai berikut:
 15

1. Camera digunakan untuk merekam wajah yang akan menjadi objek

penelitian
2. Lcd Monitor sebagai penerima output berupa gambar dari hasil camera.
3. Arduino sebagai mikrontroler yang menjadi alat untuk memproses citra
gambar yang di kirim oleh camera dengan algoritma haar cascasade
4. Buzzer sepeaker merupakan hasil output dari pemrosesan yang dilakukan
oleh arduino.
5. Kabel jumper merupakan proses penghubung kepada arduino dan antara
komponen satu dengan yang lainnya.

2. Penerapan Algoritma
Pada penerapan penelitian ini menggunakan algoritma Haar Cascassade
Clafier sebagai alur program yang telah di tentukan untuk mencapai keberhasilan
dari identifikasi pengguna masker, untuk alur algoritma ini dapat di perhatikan oleh
langkah - langkah gambar flowchart HCC di bawah ini.

Gambar 3.3. Flowchart alur HCC

Pada gambar 3.4 menjelaskan tentang alur flowchart HCC sebagai berikut
1) Sistem menyalah dan memulai proses dari awal pada flowchart HCC
2) Proses selanjutnya menentukan area pendeteksian yang akan digunakan
 16

3) Proses pendeteksian mulai merekam citra objek yang masuk ke sistem

4) Proses selanjutnya, objek citra yang masuk di proses dengan menggunakan
Haar Cascasade Clafier
5) Sistem memberitahu bahwasanya objek yang terdeteksi berhasil akan di
tampilkan, kemudian jika objek yang tidak berhasil terdektsi maka proses
kembali ke proses area pendeteksian.
6) Proses selesai
3. Flowchart Proses Kerja Sistem

Gambar 3. 4 Flowchart Proses Kerja Sistem

Pada gambar 3.3 menjelaskan tentang alur flowchart kerja sistem sebagai berikut.
1. Petugas akan mengaktifkan sistem Pi Camera yang akan digunakan secara
real time
2. Pi Camera merekam wajah yang menggunakan masker maupun tidak
3. Proses algoritma HCC akan mentraining data yang di input dari rekaman
camera ke dataset sebagai pencocokan apakah data proses input sama
dengan data set yang telah di buat sebelumnya dan di proses selanjutnya ke
arduino
4. Arduino menerima hasil proses training dan pencocokan data dari algortima
hcc, dan kemudian arduino akan memberi dua pilihan hasil, yaitu jika
menggunakan masker maka peringatan buzer tidak berbunyi, jika tidak
menggunakan masker maka peringatan buzer memberitahu dengan
 17

suara,sehinga petugas pengawasan covid akan memberi peringatan kepada

orang yang tidak menggunakan masker segera menggunakan masker dan
buzer akan mati jika telah digunakan kembali masker nya.
3.4.6. Pengujian
Pada tahap pengujian ini memiliki dua point penting sebagai berikut :
1. Pengujian Rangkaian Alat
Pengujian rangkaian alat ini dilakukan agar dapat mengetahui apakah
alat yang di buat berjalan dengan baik dan tidak ada eror, kemudaian alat
di letakan pada area yang sangat luas dari jangkauan petugas, sehinga
pengujian identifikasi penggunaan masker ini akan menghasilkan
sebuah keputusan berupa audio peringatan kepada petugas bahwasanya
sistem menemukan adanya wajah yang tidak menggunakan masker.
2. Pengujian Accuracy
Pengujian accuracy ini di lakukan untuk menguji data dan
membandingkan jumlah data yang teredintifikasi dengan benar
dengan total data yang diuji oleh sistem pada hasil pengujian.
Formulasi keakuratan pada sistem adalah sebagai berikut:
Accuracy = ∑ Terdeteksi sesuai x 100%
∑ Percobaan
Dalam menghitung keakuratan suatu sistem, error juga perlu dihitung.
Error tersebut diukur dengan membandingkan total data yang teridentifikasi salah
dengan total data yang diujikan pada sistem. Formulasi dari error (kesalahan
sistem) adalam sebagai berikut:
Error = ∑ Terdeteksi tidak sesuai x 100%
∑ Percobaan
Dalam menghitung pengelompokan tingkat penguna masker berdasarkan
posisi masker. Menurut (Hartiansyah, 2019) berdasarkan teori, wajah yang
menggunakan masker posisi masker berada di atas hidung dan di bawah mata, jika
tidak menggunakan masker posisi masker berada di bawah dihidung dan sejajar
dengan mulut, dan pada pengguna masker ini menggunakan parametes sebagai
acuan menentukan hasil keputusan untuk proses, untuk parameter pengguna masker
dapat di liha tabel di bawah ini.
 18

Tabel 3. 2 Parameter Pengguna Masker

Level Pengguna Masker Deskripsi

Mengunakan Masker Diatas hidung di bawa mata

Mulut tertutup
Tidak Menggunakan Di bawah hidung sejajar
dengan mulut
Jadi berdasarkan parameter diatas maka bisa ditentukan bahwa ketika wajah
menggunakan masker posisi masker berada di atas hidung dan di bawah mata
menutupi mulut, maka sistem akan menentukan bahwa objek wajah tersebut
menggunakan masker, tetapi jika masker berada pada posisi dibawah hidung dan
setara dengan posisi mulut, maka sistem akan menentukan bahwasannya objek
wajah tersebut tidak menggunakan masker.
 DAFTAR PUSTAKA

Alhaqqi, R. M., Ramadijanti, N., & Setiwardhana. 2018. Finger Tracking Untuk
Interaksi Pada Virtual Keyboard. Naskah Publikasi. Politeknik Elektronika
Negeri Surabaya. 2018.
Amin, M.F. & Wahono, R.S. 2015. Penerapan Reduksi Region Palsu Berbasis
Mathematical Morphology pada Algoritma Adaboost Untuk Deteksi Plat
Nomor Kendaraan Indonesia. Journal of Intelligent Systems 1: 9-14. /13 25
November 2015.
Bisri, A. & Wahono, R.S. 2015.Penerapan Adaboost untuk Penyelesaian
Ketidakseimbangan Kelas pada Penentuan Kelulusan Mahasiswa dengan
Metode Decision Tree. Journal of Intelligent Systems 1(1): 27-32. 25
November 2015.
Charimmah, N., Lanovia, E., Usman, K., & Novamizanti, L. 2019. Deteksi Kantuk
Melalui Citra Wajah Menggunakan Metode Gray Level Co- occurrence
Matrix ( GLCM ) dan Klasifikasi Support Vector Machine ( SVM ). SENTER
(Seminar Nasional Teknik Elektro), November 2019, 174–185.
Efendi, Y., Putri, A. N., Rahmaddeni, & Imardi, S. 2020. PROTOTYPE ALARM
DETEKSI MATA KANTUK MENGGUNAKAN. Journal Of Information
System And Informatics Engineering,4(2),77–83. Ensemble Learning
Boosting, Ensemble Learning, Lpboost, Random Forest, Brownboost,
Adaboost Ensembles of Classifiers, Bootstrap Aggregating.2010. General
Books LLC Tennesw.
Gupta, V. & Sharma, D. 2014. A Study of Various Face Detection Methods.
International Journal of Advanced Research in Computer and
Communication Engineering 3(5): 6694-6697.
Harjoko, A. & Santoso, H. 2013. Haar Cascade Classifier dan Algoritma Adaboost
untuk deteksi banyak wajah dalam ruang kelas, Jurnal Teknologi, 2
Desember 2013: 108 115.
Kusumanto, R. D., Pambudi, W. S. & Tompunu. A, N. 2012. Aplikasi Sensor
Vision untuk Deteksi MultiFace dan Menghitung Jumlah Orang. ISBN 979 -
26 - 025 – 0 Seminar Nasional Teknologi Informasi & Komunikasi Terapan
2012 : 26 -23
Wahyudi, E., Wirawan. & Kusuma H. 2011. Teknik Pengenalan Wajah Berbasis
Fitur Local Binary Pattern (LBP). Institut Teknologi Sepuluh November:
2088-4796
Yogi, S.R. & Fitriani 2014. Deteksi Wajah Menggunakan Metode Viola Jones Pada
Graphics Processing Unit Face Detection Using Viola Jones Method On
Graphics Processing Unit. Universitas Telkom