1Rifkyansyahhh@gmail.com
2dosen00181@unpam.ac.id
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.
ABSTRACT
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.
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
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
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 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
4.8 Sistem Kerja yang digunakan 4.9 Hasil Pengukuran Gambar yang
tercapture
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.
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