Jurnal Rifki Afryansyah-Rev2

EPIC (Journal of Electrical Power, Instrumentation and Control) pISSN 2615-0646
Teknik Elektro – Universitas Pamulang eISSN 2614-8595

Vol. XX, No. XX, Bulan XX, Tahun XXXX, Hal XX – XX
http://openjournal.unpam.ac.id/index.php/jit
DOI: 10.32493/epic.xxxx.xxxx
SISTEM MONITORING CCTV SMART HOME MENGGUNAKAN SENSOR

PENDETEKSI WAJAH DAN USB CAMERA MELALUI WEB SERVICES
Rifki Afryansyah1, Syaiful Bakhri2

1,2JurusanTeknik Elektro – Fakultas Teknik – Universitas Pamulang
Jl.Raya Puspitek, Buaran, Pamulang, Kota Tangerang Selatan, Banten 15310
1Rifkyansyahhh@gmail.com
2dosen00181@unpam.ac.id
INFORMASI ARTIKEL ABSTRAK
diajukan : xxxx Ruang Privasi merupakan salah satu faktor yang sangat kurang
revisi : xxxx diperhatikan, tetapi mempunyai dampak yang cukup besar dalam
diterima : xxxx kehidupan. Semua manusia mempunyai Hak untuk mendapatkan
dipublish : xxxx ruang privasi masing-masing untuk menjaga kenyamanan dan
keamanan terhadap benda maupun terhadap lingkungan disekitar
kehidupan sehari-hari. Pada lingkungan tempat kita beraktifitas
terkadang ada saja yang kurang menghargai ruang Privasi
sehingga membuat tidak nyaman, seperti masuk dan keluar dari
ruang sembarang atau mungkin meninggalkan barang yang tidak
sesuai tempatnya sehingga menjadi tidak nyaman. Peneliti
mencoba mengembangkan sistem Monitoring CCTV untuk
mendeteksi adanya aktifitas pada ruangan dengan menggunakan
Raspberry Pi3 B+ dengan berbasis Internet of Things. Dengan
memanfaatkan metode face recognition dan metode face
detection yang merupakan salah satu metode dari library Open
Source Computer Vision(OpenCV). Alat ini dapat memonitoring
melalui web services secara realtime dan membuat laporan
gambar setiap 15 detik apabila camera mendeteksi adanya wajah.
Berdasarkan dari hasil riset yang di dapat mempunyai hasil
akurasi rata-rata 61-66,6% terhadap metode pendeteksi wajah
dan metode pengenalan wajah.
Kata kunci : CCTV; Face Recognition; Face Detection;

Raspberry Pi3 B+; IoT; Web Services.
ABSTRACT
SMART HOME CCTV MONITORING SYSTEM USING FACE

DETECTION SENSORS AND USB CAMERA THROUGH WEB
SERVICES. The privacy space is one of the factors that is not
given enough attention, but it has quite a big impact on life. All
human beings have the right to get their own privacy space for
comfort and security of environmental objects around daily life. In
the environment where we are active, sometimes there are those
who do not respect the privacy space so that it makes it
uncomfortable, such as entering and leaving random spaces or
maybe leaving items that do not fit their place so that they become
Penulis 1, Penulis 2,....... 1

uncomfortable. Researchers are trying to develop a CCTV

monitoring system to carry out activities in the room using an IoT-
based Raspberry Pi 3 B +. By utilizing face recognition and face
detection, which are one of the methods of the Open Source
Computer Vision (OpenCV) library. This tool can monitor via a web
service in realtime and generate an image report every 15 seconds
the camera waits for a face. Based on the results of the study, the
average accuracy of 61-66.6% for face recognition and face
detection was obtained.
Keywords : CCTV; Face Recognition; Face Detection; Raspberry

Pi3 B+; IoT; Web Sercices.
PENDAHULUAN Petugas yang sedang berjaga berupa

monitoring pada website secara realtime.
Smart home atau rumah pintar,
merupakan suatu Sistem yang telah 1.2 Rumusan Permasalahan
diprogram serta dapat bekerja dengan
bantuan komputer untuk menghubungkan Dalam perancangan Sistem Monitoring
dan mengendalikan suatu perangkat CCTV Smart Home Menggunakan Sensor
maupun peralatan rumah secara otomatis Pendeteksi Wajah dan USB Camera Melalui
dan lebih efisien. Web Services, Kasus Permasalahan yang
akan timbul sebagai berikut:
Pada penelitian sebelumnya smart
home yang digunakan menggunakan sensor 1. Bagaimana merancang smart home
PIR sebagai sensor gerak untuk mendeteksi menggunakan raspberry pi?
adanya pergerakan yang tidak wajar, jika 2. Bagaimana cara mengetahui
ada pergerakan tidak wajar sensor memberi mendeteksi wajah dan mengenali wajah
notifikasi kepada arduino untuk menyalakan menggunakan raspberry pi melalui web
buzzer, lalu Arduino akan memberi notifikasi service?
atau perintah kepada raspberry untuk 3. Bagaimana menentukan pendeteksi
mengcapture keadaan tersebut. wajah?
4. Bagaimana mendapatkan hasil
Berdasarkan hal tersebut kami pendeteksi wajah?
mencoba membuat modul yang dapat
disederhanakan dengan meminimalisir 1.3 Tujuan
penggunaan mikro kontroller yang dipakai
sehingga hanya memfokuskan dengan satu Tujuan dari sistem yang dibuat untuk
mikro kontroller dengan menggunakan merancang dan mengembangkan sistem
Raspberry Pi 3 B+ sebagai alat monitoring yang telah memiliki teknologi kecerdasan
ruangan dengan sebuah sistem dengan buatan berupa computer vision yang mampu
judul “Sistem Monitoring CCTV Smart mendeteksi suatu object pengenalan wajah
Home Menggunakan Sensor Pendeteksi dalam suatu ruangan yang privasi atau
Wajah dan USB Camera Melalui Web bukan untuk umum.
Services”. mengcapture keadaan tersebut.
1.4 Ruang Lingkup
Pada saat kamera mendeteksi wajah
akan menampilkan object pada web dan Dalam proses ini dilakukan pengumpulan
data dari rujukan yang di perlukan untuk

penelitian. Hal ini dilakukan untuk dan RGB (Red, Green, Blue). Standar yang
mendapatkan Informasi dan data yang akan digunakan pada penelitian ini adalah
kongkrit yang di perlukan untuk penulisan RGB yang dimana mempunyai tiga elemen
skripsi ini. Hasil rujukan yang digunakan warna yang terdiri dari warna merah, warna
dapat berupa Buku, Jurnal ilmiah, artikel hijau, dan warna biru. Nilai Indeks dari warna
yang berkaitan dan juga situs Internet yang memiliki antara 0-255 bit atau 0-256 bit. Dari
berkaitan dengan penelitian. citra berwarna yang memiliki tiga ruang
dimensi dapat disederhanakan menjadi satu
Metode Penelitian: dimensi grayscale. Grayscale adalah citra
1. Studi Literatur keabuan yang memiliki nilai antara 0 sampai
2. Pengumpulan Informasi dan Analisa Data 255. Nilai tersebut menunjukan dari
3. Penyusunan Sistem tingkatan derajat keabuan atau kecerahan
4. Penjabaran Sistem dari citra (0bit = hitam atau gelap dan 255bit
5. Pengujian Sistem = putih atau terang).
6. Penarikan Kesimpulan
2.3 RGB
TEORI
RGB merupakan suatu komponen
2.1 Computer Vision penyusun gambar yang dimana terdiri dari 3
elemen warna yaitu warna merah (Red),
Computer Vision merupakan suatu warna hijau (Green), dan warna biru (Blue).
proses otomatis yang mengintegrasikan dari Standar komponen secara umum di dapat
pandangan visual. seperti pengolahan citra, Dari ketiga warna tersebut yang
pengenalan objek, pembuat keputasan dan digabungkan nilainya menjadikan warna-
akuisisi citra. Computer Vision mencoba warna pada setiap piksel sehingga menjadi
untuk meniru bagaimana sistem kerja visual suatu gambar. Setiap piksel pada elemen
manusia (human visual) pada indra warna membutuhkan citra data bernilai 3bit
pengelihatan manusia yang sangat dan Setiap warna dasar memiliki intensitas
kompleks yang dimana sebuah gambar atau untuk menentukan berapa besar tingkatan-
citra objek yang dilihat oleh mata manusia tingkatan dari elemen warna tersebut
akan dilanjutkan menuju otak agar diproses dengan nilai minimal nol (0) bit dan nilai
sehingga manusia dapat mengerti objek apa maksimal 255 (8 bit). Dalam RGB digunakan
saja yang telah terlihat oleh penglihatan nilai-nilai unik untuk menentukan warna.
matanya.
Kemampuan itu diantaranya adalah berikut:
1. Pendeteksi Object (Object

Detection)
2. Pengenalan Object (Object
Recognition)
3. Menafsirkan object 3D dan 2D (3D
Inference)
2.2 Citra Gambar 2.1 Komponen dari RGB
Pada umumnya Citra merupakan 2.4 RGB Covert menjadi Grayscale

tampilan suatu titik yang berada pada ruang
tiga dimensi. Ada berapa standar yang Grayscale merupakan elemen warna
digunakan oleh citra, namu kebanyakan dalam piksel yang berada dalam perpaduan
yang dipakai adalah HSV (Hue, Saturation, antara warna hitam dan warna putih. Citra
Value), HLS (Hue, Luminosity, Saturation) pada Grayscale memiliki bentuk nilai 8bit

pada setiap nilai pikselnya, yang memiliki wajah yang menghadap secara tegak lurus
nilai tingkatan elemen warna sebesar 256bit. ke perangkat sensor.
Untuk mengubah citra berwarna RGB dalam
suatu image menjadi Image Grayscale, 2.7 Metode Haar-like Fitur
maka perlu dirubah dengan menangkap
hasil dari rata -rata setiap nilai Red, Green, Metode Haar-Like Fitur dipakai dalam
dan Blue. sehingga dapat dihitung dalam menggunakan pendeteksi objek pada
rumus berikut : gambar digital. Istilah Haar dikenal
mengarah pada suatu fungsi dari tolak ukur
Nilai X = (Red+Green+Blue) / 3 matematika (Haar Wavelet) yang berbentuk
kotak, dasarnya sama seperti pada peran
Fourier. Mula-mulanya pemrosesan gambar
hanya dengan melihat dari nilai elemen RGB
setiap pixel, namun metode ini nyatanya
tidak terlalu efesien.
Gambar 2.2 Covert RGB to Grayscale Gambar 2.3 Grayscale haar-like feature
2.5 Deteksi Wajah 2.7 Metode Cascade Classifier
Deteksi wajah (Face Detection) adalah Metode Cascade classifier merupakan
teknologi computer yang digunakan untuk sebuah ikatan dari platform classifier yang
beberapa sistem dan aplikasi yang dimana setiap platform classifier digunakan
digunakan untuk mendeteksi wajah. sebagai pendeteksi apakah didalam sub
Teknologi ini dibangun menggunakan gambar pada window terdapat objek yang
algoritma tertentu yang berfokus pada diinginkan (object of interest). platform
deteksi manusia. Pada teknologi classifier dibangun dengan menggunakan
pengenalan wajah proses deteksi wajah algoritma adaptive-boost (AdaBoost).
(face detection) merupakan awal mula tahap Algoritma tersebut menggabungkan
pemrosesan untuk mengenali wajah performance sebanyak weak classifier untuk
seseorang. Face detection ini yang akan menghasilkan strong classifier. Weak
menentukan dimana bagian wajah akan classifier dalam hal ini adalah nilai dari haar-
muncul pada citra masukan. like feature yang terkandung. Jenis
AdaBoost yang dipakai adalah Gentle
2.6 Pengenalan Wajah AdaBoost .
Face recognition dapat di anggap
sebagai masalah klarifikasi dari pola yang
dimana input nilainya merupakan citra
masukan dan akan ditentukan oleh nilai
output yang berupa golongan dari citra
tersebut. Dalam hal ini mempunyai dua
golongan, yaitu Wajah dan non Wajah. Pada
Pengenalan wajah melihat dari posisi sangat
berpengaruh terhadap akurasi Pengenalan
Wajah. Pada Posisi wajah terdapat 3 jenis Gambar 2.4 Cascade Classifier
kemungkinan, antara lain: menghadap ke kiri
dan kanan, dan melihat ke atas dan
menunduk ke bawah. Idealnya Wajah yang
dapat di identifikasi dengan baik adalah

Gambar 3.1 Rangkaian Diagram Blok

Sistem Monitoring
2.8 OpenCV
Rangkaian Diagram Blok pada
Open Source Computer Vision Library
atau disebut OpenCV, merupakan sebuah gambar 3.1 menunjukan pengguna
kapabilitas mesin atau komputer dalam menggunakan laptop atau pc yang telah
memandang hingga mampu mengekstrak terinstall browser untuk mengakses web
informasi dari gambar yang dilihat seperti server dari internet ke komputer lokal. Web
Pengolahan Citra atau bisa disebut server yang digunakan adalah Flask, web
Pengolahan Gambar dan berbagai jenis server akan menampilkan halaman
metode AI (Artificial Intellegence) serta
streaming kamera sesuai dengan ip yang
menyediakan berbagai algoritma sederhana
yang berhubungan denga Compter Vision sudah di setting.
untuk low level API. OpenCV sendiri dapat
berjalan diberbagai bahasa pemrograman, 3.4 Rangkaian Input DataSet
seperti Bahasa Java, Python dan juga
didukung di berbagai macam Platform
seperti Windows, Linux, macOS, iOS,dan
juga Android.
METODOLOGI
3.1 Menentukan Perangkat Keras
1. Raspberry Pi 3 Model B+
2.USB Camera Gambar 3.2 Blok Diagram Input Dataset
3.Adapter
Perancangan rangkaian input dataset
digunakan untuk mengambil gambar yang
3.2 Menentukan Perangkat Lunak
akan digunakan untuk data utama, seperti
1. Raspbian Jessie pendeteksi wajah maupun pengenalan
2. VNC Viewer wajah pada penelitian ini.
3. Python
4. OpenCV 3.5 Rangkaian Data Training
5. Virtual Environtment
6. Flask
7. Library Dlib
8. HTML
3.3 Rangkaian Diagram Blok Sistem
Gambar 3.3 Rangkaian Data Training
Rangkaian Data Training, merupakan

langkah lanjutan dari input dataset dimana
data yang telah terkumpul dari Input Dataset
akan diolah dan diekstrasi dengan metode
HOG dan Haarcascade sehingga
menghasilkan file yang dapat mendeteksi
dan mengenali wajah.

3.6 Rangkaian Pendeteksi Wajah 3.8 Flowchart Sistem Pendeteksi Wajah

Pada Web
Gambar 3.4 Rangkaian Pendeteksi Wajah
rangkaian pendeteksi wajah akan

mengambil hasil sampel dari proses
sebelumnya yaitu proses data training,
sehingga ketika proses ini di jalankan akan
mendeteksi wajah seperti di gambar 3.4
Gambar 3.6 Flowchart Sistem Pendeteksi
3.7 Rangkaian Pengenalan Wajah Wajah pada Web
Sistem pendeteksi wajah pada Web

menggunakan aplikasi server flask sesuai
dengan diagram alir pada gambar 3.6. untuk
melakukan pendeteksi wajah pada web,
program python akan memanggil aplikasi
kemudian server flask akan merespon untuk
menjembatani antara aplikasi pendeteksi
wajah dengan aplikasi web.
3.9 Perancangan Mekanik
Gambar 3.5 Rangkaian Pengenalan Wajah
Rangkaian Pengenalanan wajah,

tahap ini memerlukan file data hasil olahan
dan ekstrasi pada tahap sebelumnya untuk
menjalankan program yang akan dibuat
seperti data flowchart pada gambar 3.5 Gambar 3.7 Perancangan Mekanik

Perancangan mekanik alat meliputi dan USB Camera melalui Web Services
perangkat keras (Hardware), Perancangan yang akan diujikan. Pemasangan ini di
perangkat lunak (Software). Perancangan letakan pada meja komputer dan terkoneksi
sistem monitoring pengenalan wajah melalui dengan komputer melalui jaringan wireless
web services ini dapat dipantau dari jarak LAN untuk memonitoring dan mengkontrol
jauh agar lebih efektif, rancangan mekanik perangkat.
dibuat sederhana seperti gambar 3.7
HASIL DAN PEMBAHASAN
3.10 Tata Letak Perangkat
4.1 Pengujian Input Dataset
Gambar 3.8 Tata Letak Perangkat

Gambar 4.1 Input dataset
Pada Tahap ini merupakan tata letak
perangkat yang akan digunakan dan Hasil Sampel Pengujian beberapa
diujikan, terutama pada letak gambar Desk gambar Pengambilan Dataset yang di ambil
Raspberry dan Camera akan di letakan pada dan ditunjukan pada Gambar 4.1
posisi tersebut. Warna Ungu merupakan
letak dari Raspberry dan Warna Kuning 4.2 Pengujian Training Dataset
Merupakan letak dari Camera yang sudah
dimenempel pada monitor.
3.11 Pemasangan Perangkat
Gambar 4.2 Proses Pengujian Training

Dataset
Gambar 3.9 Pemasangan Perangkat
Raspberry Pi dan USB Camera proses pengambilan dataset yang
sedang di ekstrasi dan akan menghasilkan
Tahap pemasangan perangkat file untuk mendeteksi pengenalan wajah
Sistem Monitoring Keamanan Smart Home yang akan berjalan pada aplikasi.
Menggunakan Sensor Pendeteksi wajah

4.3 Pengujian Pengelanan Wajah 4.5 Pengujian Capture Otomatis ke Email
Gambar 4.5 Pengujian Capture Otomatis ke

email
Gambar 4.3 Pengujian pengenalan Wajah
Pengujian Capture otomatis ke
Pengujian Pengenalan wajah ini di Email, Kamera akan mendeteksi apakah
bagi menjadi beberapa kali pengujian ada wajah di depan camera lalu akan
dengan jarak yang berbeda-beda namum membuat kotak pada wajah yang terdeteksi
penempatan pada posisi kamera tidak lalu email akan mengirim secara otomatis
berubah. Pada gambar 4.3 Jarak yang diuji jika ada wajah yang terdeteksi.
adalah 100cm.
4.6 Log Sukses Kirim Email
4.4 Pengujian Pendeteksi Wajah Melalui
Web Services
Gambar 4.4 Pengujian pendeteksi Wajah Gambar 4.6 Log Sukses Kirim Email
Melalui web
Aplikasi yang dijalankan mempunyai
pengujian jarak Pendeteksi wajah beberapa infomasi kecil seperti apa yang
melalu web, proses pada tahap pengujian ini sedang dijalankan, tanggal, bulan dan tahun
sama seperti tahap sebelumnya yaitu berapa maupun jam dan detik berapa.
kamera pada posisi tetap tidak berubah
namun posisi saya saja yang berubah-ubah.
Pada Gambar 4.4 Jarak yang diuji adalah
100cm

4.7 Hasil Pengujian Sistem Keseluruhan
Tabel 4.1 Hasil Pengukuran Sistem

Keseluruhan
Gambar 4.7 Interface Mengirim Email
Pada gambar 4.7 merupakan

gambar dari Sukses Pengiriman email yang
di cek pada kolom search “in:send” yang
berarti email yang terkirim sudah sampai
melalui akun pengirim email yaitu dari akun
email rifki.tugasakhir99@gmail.com ke akun
penerima rifkyansyahhh@gmail.com.
Gambar 4.8 Interface Menerima Email
Pada Gambar 4.8 menunjukan

bahwa sukses menerima email dari akun
Keterangan:
yang sudah di setup, Tanda Inbox yang
“ v ” = iya
terdapat pada sebelah Subject “Security
“ - “ = hanya symbol
Update” merupakan petanda bahwa email
sudah diterima dalam Inbox
Rata-rata Akurasi = Tingkat Sesuai / Jumlah
Pengujian x 100%
Rata-rata Akurasi Aplikasi Pengenalan
Wajah = 11 / 18 x 100% = 61%
Rata-rata Akurasi Mendeteksi wajah Pada
web = 12 / 18 x 100% = 66,6%

4.8 Sistem Kerja yang digunakan 4.9 Hasil Pengukuran Gambar yang
tercapture
Gambar 4.9 Cara Kerja yang digunakan
1. Manusia
Manusia merupakan object inti dari
project tugas akhir yang sedang dibuat, Gambar 4.10 Hasil Gambar yang tercapture
Jika ada object manusia yang terdeteksi pada email
alat ini akan berjalan semestinya.
2. Camera Hasil Gambar yang tercapture dan
Camera merupakan komponen mengirim ke email mempunyai resolusi
hardware yang akan mendeteksi object 640x480piksel dengan rata-rata ukuran 90
yang sudah di set pada project ini byte, itu terjadi karena adanya proses
3. Raspberry Pi
kompres untuk dapat mentransfer file
Raspberry adalah komponen utama
atau mikrokontroller yang mengatur melalui email.
software dan hardware yang diperlukan
dan akan dijalan sesuai dengan sistem Tabel 4.2 Pengukuran Gambar yang
yang sudah dibuat. Tercapture melalui web services
4. Power Supply
Power Supply Sumber energi utama
yang dibutuhkan raspberry dengan
daya 5V 2,5Ampere mampu mensuplai
apa yang dibutuhkan raspberry.
5. Router
Router atau Wlan ini membuat
konektifitas jaringan lokal yang
dibutuhkan dengan Project yang dibuat
dan perlu konektifitas internet.
6. Mail
Mail sebagai media untuk melaporkan
jika ada object yang terdeteksi, untuk itu
diperlukan konetifitas internet untuk
mengkoneksikan mail.

emnggantikan komponen sensor PIR

dengan sensor pendeteksi gerakan.
UCAPAN TERIMAKASIH
1. Kaprodi Teknik Elektro Bapak Ariyawan
Sunardi, S.Si.,M.T.
2. Dosen Pembimbing Pertama Bapak
Syaiful Bakhri, ST.M.Eng.Sc.Ph.D
3. Dosen Pembimbing Kedua Pak Gaguk
Firasanto, S.T., M.T
Gambar 4.11 Grafik Perhitungan Upload 4. Orang Tua Bapak Maryanto dan Ibu
Dahlia
dan ukuran Gambar
5. Teman-teman Mahasiswa Teknik
Pada Gambar Grafik 4.11 Elektro dan Teman-teman dekat saya
yang sudah membantu Dukungan.
Menunjukan 2 grafik yang berbeda yaitu
grafik upload dan ukuran gambar, jika dilihat DAFTAR PUSTAKA
pada Tabel 4.2 dan membandingkan
Surantha, Nico. (2018). Design of Smart
dengan grafik. Pada grafik upload yang Home Security System Using Object
berwarna biru menunjukan angka satuan Recognition and PIR Sensor.
dan grafik column menunjukan angka
puluhan dengan interval waktu yang sama. Nopyanto, Eko., Taufik, Hikma., Hermanto,
Yang berarti grafik gambar berwarna hijau Dedy., & Widiyanto, Eka Puji.
Penerapan Metode Histogram of
mengacu pada angka puluhan sebelah
Oriented Gradient (HOG) Pada Object
kanan dan grafik ukuran gambar berwarna Counting berbasis Raspberry Pi.
biru mengacu pada angkat satuan sebelah
kiri. Saputra, Gandha Intan. Pengendalian Smart
House System Melalui Web service
KESIMPULAN yang terhubung internet dengan Modul
ESP8266 yang berbasis Internet of
Hasil dari perancangan, implementasi, Things
pengujian, dan analisis sistem makan dapat
diambil kesimpulan sebagai berikut: Sukamto, Deni. (2015). Internet of Things
Metode dan Implementasi
1. Sistem yang dibuat masih dalam Rahmadani, Lisa., Eriyani, Nadya.,
jaringan lokal area Alamsyah, Derry., Devella, Siska.
2. Hasil pengirima email bergantung Implementasi metode HOG dan
dengan kecepeatan internet yang Support Vector Machine (SVM) untuk
terima oleh raspberry Pi Multiple Smile Detection.
3. Sistem pengenalan wajah masih
Muhammad, Fadel. (2018). Sistem
berbentuk aplikasi dan masih belum Keamanan Akses Pintu Masuk
dapat terhubung dengan website. Menggunakan Face Recognition
4. Perbandingan dengan jurnal yang Berbasis Raspberry Pi 3.
dipakai, alat yang digunakan tidak
Rohmadi, Anis. (2016). Monitoring CCTV
terlalu banyak karena hanya
Digital Secara Online Melalui Internet
menggunakan satu mikrokontroller dan dan Mobile Phone Jaringan Wireless
LAN: Studi Kasus Pada PT. Tiga Sinar

Mandiri, STMIK Nusa Mandiri.
Suprianto, Dodit., Hasan, Rini Nur., Santosa,

Purnomo Budi. (2014). Sistem
Pengenalan Wajah Secara Real-Time
dengan Adaboost, Eigenface PCA &
MySQL.
Kurniawan, Luthfi Maslichul. (2014). Metode

Face Recognition untuk Indentifikasi
personil Berdasar Citra Wajah bagi
Kebutuhan Presensi Online Unversitas
Negeri Semarang.
Pambudhi, Ajie., Imansyah, Fitri., W, F. Trias

Pontia. Monitoring dan Analisis IP
Camera Pada Jaringan Internet Teknik
Elektro, Fakultas Teknik, Universitas
Tanjungpura.
Desyansari, Brendhadhea Emanuella.

(2017). Pemantauan Jarak Jauh Kamar
berbasis Raspberry Pi Terintegerasi via
Internet, Institut Teknologi Nasional.
Martunus, Fikriansyah. (2020).

Implementasi Face Recogntion dengan
OpenCV pada "Smart CCTV" untuk
keamanan Brangkas Berbasis IOT,
Universitas Islam negeri.
Pranoto, Miftahul Bagus., Ramadhani,

Kurniawan., Arifianto, Anditya. (2017).
Face Detection System Menggunakan
metode Histogram of Oriented (HOG)
dan Support Vector Machine (SVM).
Jin, Qi & Mu, Chong & Tian, Ling & Ran,

Fankai. (2020). A Region Generation
based Model for Occluded Face
Detection. Procedia Computer Science.
174.454-462.
10.1016/j.procs.2020.06.114.

Jurnal Rifki Afryansyah-Rev2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Jurnal Rifki Afryansyah-Rev2

Diunggah oleh

Hak Cipta:

Format Tersedia

EPIC (Journal of Electrical Power, Instrumentation and Control) pISSN 2615-0646

Teknik Elektro – Universitas Pamulang eISSN 2614-8595

SISTEM MONITORING CCTV SMART HOME MENGGUNAKAN SENSOR

Rifki Afryansyah1, Syaiful Bakhri2

INFORMASI ARTIKEL ABSTRAK

Kata kunci : CCTV; Face Recognition; Face Detection;

SMART HOME CCTV MONITORING SYSTEM USING FACE

Penulis 1, Penulis 2,....... 1

uncomfortable. Researchers are trying to develop a CCTV

Keywords : CCTV; Face Recognition; Face Detection; Raspberry

PENDAHULUAN Petugas yang sedang berjaga berupa

Penulis 1, Penulis 2,....... 2

Kemampuan itu diantaranya adalah berikut:

1. Pendeteksi Object (Object

2.2 Citra Gambar 2.1 Komponen dari RGB

Pada umumnya Citra merupakan 2.4 RGB Covert menjadi Grayscale

Penulis 1, Penulis 2,....... 3

Penulis 1, Penulis 2,....... 4

Gambar 3.1 Rangkaian Diagram Blok

3.3 Rangkaian Diagram Blok Sistem

Gambar 3.3 Rangkaian Data Training

Rangkaian Data Training, merupakan

Penulis 1, Penulis 2,....... 5

3.6 Rangkaian Pendeteksi Wajah 3.8 Flowchart Sistem Pendeteksi Wajah

Gambar 3.4 Rangkaian Pendeteksi Wajah

rangkaian pendeteksi wajah akan

Sistem pendeteksi wajah pada Web

3.9 Perancangan Mekanik

Gambar 3.5 Rangkaian Pengenalan Wajah

Rangkaian Pengenalanan wajah,

Penulis 1, Penulis 2,....... 6

Gambar 3.8 Tata Letak Perangkat

3.11 Pemasangan Perangkat

Gambar 4.2 Proses Pengujian Training

Penulis 1, Penulis 2,....... 7

4.3 Pengujian Pengelanan Wajah 4.5 Pengujian Capture Otomatis ke Email

Gambar 4.5 Pengujian Capture Otomatis ke

Penulis 1, Penulis 2,....... 8

4.7 Hasil Pengujian Sistem Keseluruhan

Tabel 4.1 Hasil Pengukuran Sistem

Gambar 4.7 Interface Mengirim Email

Pada gambar 4.7 merupakan

Gambar 4.8 Interface Menerima Email

Pada Gambar 4.8 menunjukan

Penulis 1, Penulis 2,....... 9

Gambar 4.9 Cara Kerja yang digunakan

Penulis 1, Penulis 2,....... 10

emnggantikan komponen sensor PIR

Penulis 1, Penulis 2,....... 11

Mandiri, STMIK Nusa Mandiri.

Suprianto, Dodit., Hasan, Rini Nur., Santosa,

Kurniawan, Luthfi Maslichul. (2014). Metode

Pambudhi, Ajie., Imansyah, Fitri., W, F. Trias

Desyansari, Brendhadhea Emanuella.

Martunus, Fikriansyah. (2020).

Pranoto, Miftahul Bagus., Ramadhani,

Jin, Qi & Mu, Chong & Tian, Ling & Ran,

Penulis 1, Penulis 2,....... 12

Anda mungkin juga menyukai