Jurnal Rifki Afryansyah-Revisi3

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 satu diantara beberapa metode dari
library OpenSource Computer Vision(OpenCV). Perangkat 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 istilah dari rumah
pintar, ialah suatu Sistem yang telah diberi 1.2 Rumusan Permasalahan
perintah program serta dapat bekerja
dengan bantuan perangkat komputer untuk Dalam perancangan Sistem Monitoring
menghubungkan dan mengendalikan suatu CCTV Smart Home Menggunakan Sensor
perangkat maupun peralatan rumah secara Pendeteksi Wajah dan USB Camera Melalui
otomatis dan di kontrol serta lebih efisien. Web Services, Kasus Permasalahan yang
kemungkinan akan timbul seperti 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 dapat dilaksanakan Luminosity, Saturation) dan RGB (Red,
dengan tujuan mendapatkan Informasi dan Green, Blue). Standar yang akan digunakan
data yang kongkrit yang di perlukan untuk pada penelitian ini ialah elemen RGB
penulisan skripsi ini. Bahan Hasil rujukan dimana mempunyai tiga elemen warna yang
yang akan digunakan dapat berupa Buku terdiri dari warna Merah, warna Hijau, dan
Sains, Jurnal ilmiah, artikel yang berkaitan warna Biru. Nilai dari warna tersebut
serta situs Internet yang berkaitan dengan memiliki nilai antara 0-255bit atau 0-256bit.
penelitian. Dari citra berwarna yang memiliki tiga ruang
perspektif dapat diringkas menjadi satu
Metode Penelitian: perspektif yaitu GrayScale. GrayScale
1. Studi Literatur merupakan citra keabu-abuan yang memiliki
2. Pengumpulan Informasi dan Analisa Data nilai antara 0 sampai 255. Nilai indeks
3. Penyusunan Sistem tersebut menunjukan dari tingkatan derajat
4. Penjabaran Sistem keabuan atau kecerahan dari citra (0bit =
5. Pengujian Sistem Hitam atau Gelap dan 255bit = Putih atau
6. Penarikan Kesimpulan Terang).
TEORI 2.3 RGB
2.1 ComputerVision RGB merupakan suatu komponen
penyusun gambar yang dimana terdiri dari 3
ComputerVision merupakan suatu elemen warna antara lain, warna Merah
proses otomatis yang mengintegrasikan dari (Red), warna Hijau (Green), dan warna Biru
pandangan visual. seperti pengolahan citra, (Blue). Standar komponen secara umum di
pengenalan objek, pembuat keputasan dan dapat Dari ketiga warna tersebut yang
akuisisi citra. Computer Vision mencoba digabungkan nilainya menjadikan warna-
untuk meengikuti bagaimana sistem kerja warna pada setiap piksel sehingga menjadi
visual pada indra manusia (human visual) suatu gambar. Setiap piksel pada elemen
pada indra pengelihatan manusia yang warna membutuhkan citra data bernilai 3bit
sangat kompleks yang dimana sebuah dan Setiap warna dasar memiliki intensitas
gambar atau citra objek yang dilihat oleh untuk menentukan berapa besar tingkatan-
mata manusia akan dilanjutkan menuju otak tingkatan dari elemen warna tersebut
agar diproses sehingga manusia dapat dengan nilai minimal nol (0) bit dan nilai
mengerti objek apa saja yang telah terlihat maksimal 255 (8 bit). Dalam RGB digunakan
oleh penglihatan matanya. nilai-nilai unik untuk menentukan warna.
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
Citra ialah Visual dari suatu titik yang
berada pada suatu ruang tiga dimensi. Ada 2.4 RGB Covert menjadi Grayscale
berapa tolak ukur yang digunakan oleh citra,
namu kebanyakan yang dipakai adalah HSV Grayscale merupakan elemen warna
(Hue, Saturation, Value), HLS (Hue, dalam piksel yang berada dalam perpaduan

antara warna hitam dan warna putih. Citra kanan, dan melihat ke atas dan menunduk.
pada Grayscale memiliki bentuk nilai 8bit Idealnya Wajah yang dapat di identifikasi
pada setiap nilai pikselnya, yang memiliki dengan baik adalah wajah yang mengarah
nilai tingkatan elemen warna sebesar 256bit. secara tegak lurus 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 rata-rata dari setiap nilai Red, Green, Metode Haar-Like Fitur dipakai dalam
dan Blue. sehingga dapat dihitung dalam menggunakan Pendeteksi Obyek pada
rumus berikut : Gambar Digital. Kata Haar dikenal
mengarah pada nilai fungsi dari tolak ukur
Nilai X = (Red+Green+Blue) / 3 matematika yaitu Haar Wavelet yang
berbentuk kotak, dasarnya sama seperti
pada peran Fourier. Mula-mulanya
pemrosesan gambar hanya dengan melihat
nilai dari elemen RGB pada setiap piksel,
namun tata cara ini nyatanya tidak terlalu
efisien.
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
teknologi computer yang digunakan untuk Metode Cascade classifier merupakan
beberapa sistem dan aplikasi yang sebuah ikatan dari platform Classifier yang
digunakan untuk mendeteksi wajah. dimana Per-platform Classifier digunakan
Teknologi ini dibangun menggunakan sebagai pendeteksi. apakah didalam sub
algoritma tertentu yang berfokus pada gambar pada window ditemukan objek yang
deteksi manusia. Pada teknologi di inginkan (Object of Interest). platform
pengenalan wajah proses deteksi wajah Classifier dibangun dengan menggunakan
(face detection) merupakan awal mula tahap Algoritma Adaptive-Boost (AdaBoost).
pemrosesan untuk mengenali wajah Algoritma tersebut menggabungkan
seseorang. Face detection ini yang akan Performa sebanyak mungkin Weak
menentukan dimana bagian wajah akan Classifier untuk menghasilkan nilai yang
muncul pada citra masukan. kuat (Strong Classifier). Weak classifier
dalam hal ini adalah nilai dari Haar-like
2.6 Pengenalan Wajah feature yang terkandung. Jenis AdaBoost
Face recognition dapat di anggap yang dipakai adalah Gentle AdaBoost .
sebagai masalah klarifikasi dari pola yang
dimana input nilainya merupakan citra
masukan dan akan ditentukan oleh nilai
keluaran yang berupa golongan dari citra
tersebut. Dalam case ini mempunyai dua
golongan, yaitu Wajah dan non Wajah. Pada
Aplikasi Pengenalan wajah sudut pandang
dan posisi sangat berpengaruh terhadap
akurasi Pengenalan Wajah. Pada Posisi
wajah terdapat 2 jenis kemungkinan, Gambar 2.4 Cascade Classifier.
diantaranya yaitu: menghadap ke kiri dan

2.8 OpenCV
Open Source Computer Vision Library

atau disebut OpenCV, merupakan sebuah
kapabilitas mesin atau komputer dalam Gambar 3.1 Rangkaian Diagram Blok
memandang hingga mampu mengekstrak Sistem Monitoring.
informasi dari gambar yang dilihat seperti
Pengolahan Citra atau bisa disebut Rangkaian Diagram Blok Sistem
Pengolahan Gambar dan berbagai jenis Monitoring pada gambar 3.1 menunjukan
metode AI (Artificial Intellegence) serta pengguna menggunakan laptop atau pc
menyediakan berbagai algoritma sederhana yang telah terinstall browser untuk
yang berhubungan denga Compter Vision mengakses web server dari internet ke
untuk low level API. OpenCV sendiri dapat
berjalan diberbagai bahasa pemrograman, komputer lokal. Web server yang digunakan
seperti Bahasa Java, Python dan juga adalah Flask, web server akan menampilkan
didukung di berbagai macam Platform halaman streaming kamera sesuai dengan
seperti Windows, Linux, macOS, iOS,dan ip yang sudah di setting.
juga Android.
3.4 Rangkaian Input DataSet
METODOLOGI
3.1 Menentukan Perangkat Keras
1. Raspberry Pi 3 Model B+
2.USB Camera
3.Adapter
3.2 Menentukan Perangkat Lunak

1. Raspbian Jessie
Gambar 3.2 Blok Diagram Input Dataset.
2. VNC Viewer
3. Python Perancangan rangkaian input dataset
4. OpenCV digunakan untuk mengambil gambar yang
5. Virtual Environtment akan digunakan untuk data utama, seperti
6. Flask pendeteksi wajah maupun pengenalan
7. Library Dlib wajah pada penelitian ini.
8. HTML 3.5 Rangkaian Data Training
3.3 Rangkaian Diagram Blok Sistem

Gambar 3.3 Rangkaian Data Training. Gambar 3.5 Rangkaian Pengenalan Wajah
Rangkaian Data Training, merupakan Rangkaian Pengenalanan wajah,

langkah lanjutan dari input dataset dimana tahap ini memerlukan file data hasil olahan
data yang telah terkumpul dari Input Dataset dan ekstrasi pada tahap sebelumnya untuk
akan diolah dan diekstrasi dengan metode menjalankan program yang akan dibuat
HOG dan Haarcascade sehingga seperti data flowchart pada gambar 3.5
menghasilkan file yang dapat mendeteksi
dan mengenali wajah. 3.8 Flowchart Sistem Pendeteksi Wajah
Pada Web
3.6 Rangkaian Pendeteksi Wajah
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 Gambar 3.6 Flowchart Sistem Pendeteksi
mendeteksi wajah seperti di gambar 3.4 Wajah pada Web
3.7 Rangkaian Pengenalan Wajah 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 3.11 Pemasangan Perangkat
Gambar 3.7 Perancangan Mekanik

Gambar 3.9 Pemasangan Perangkat
Perancangan mekanik alat meliputi
Raspberry Pi dan USB Camera
perangkat keras (Hardware), Perancangan
perangkat lunak (Software). Perancangan Tahap pemasangan perangkat
sistem monitoring pengenalan wajah melalui Sistem Monitoring Keamanan Smart Home
web services ini dapat dipantau dari jarak Menggunakan Sensor Pendeteksi wajah
jauh agar lebih efektif, rancangan mekanik dan USB Camera melalui Web Services
dibuat sederhana seperti gambar 3.7 yang akan diujikan. Pemasangan ini di
3.10 Tata Letak Perangkat letakan pada meja komputer dan terkoneksi
dengan komputer melalui jaringan wireless
LAN untuk memonitoring dan mengkontrol
perangkat.
HASIL DAN PEMBAHASAN

4.1 Pengujian Input Dataset
Gambar 3.8 Tata Letak Perangkat
Pada Tahap ini merupakan tata letak

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

4.2 Pengujian Training Dataset 4.4 Pengujian Pendeteksi Wajah Melalui

Web Services
Gambar 4.2 Proses Pengujian Training

Gambar 4.4 Pengujian pendeteksi Wajah
Dataset
Melalui web
proses pengambilan dataset yang
pengujian jarak Pendeteksi wajah
sedang di ekstrasi dan akan menghasilkan
file untuk mendeteksi pengenalan wajah melalu web, proses pada tahap pengujian ini
sama seperti tahap sebelumnya yaitu
yang akan berjalan pada aplikasi.
kamera pada posisi tetap tidak berubah
4.3 Pengujian Pengelanan Wajah namun posisi saya saja yang berubah-ubah.
Pada Gambar 4.4 Jarak yang diuji adalah
100cm
4.5 Pengujian Capture Otomatis ke Email
Gambar 4.3 Pengujian pengenalan Wajah
Pengujian Pengenalan wajah ini di Gambar 4.5 Pengujian Capture Otomatis ke

bagi menjadi beberapa kali pengujian email
dengan jarak yang berbeda-beda namum
penempatan pada posisi kamera tidak Pengujian Capture otomatis ke
berubah. Pada gambar 4.3 Jarak yang diuji Email, Kamera akan mendeteksi apakah
adalah 100cm. ada wajah di depan camera lalu akan
membuat kotak pada wajah yang terdeteksi
lalu email akan mengirim secara otomatis
jika ada wajah yang terdeteksi.

4.6 Log Sukses Kirim Email

Pada Gambar 4.8 menunjukan
bahwa sukses menerima email dari akun
yang sudah di setup, Tanda Inbox yang
terdapat pada sebelah Subject “Security
Update” merupakan petanda bahwa email
sudah diterima dalam Inbox
4.7 Hasil Pengujian Sistem Keseluruhan
Tabel 4.1 Hasil Pengukuran Sistem

Keseluruhan
Gambar 4.6 Log Sukses Kirim Email
Aplikasi yang dijalankan mempunyai

beberapa infomasi kecil seperti apa yang
sedang dijalankan, tanggal, bulan dan tahun
berapa maupun jam dan detik berapa.
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 Keterangan:
penerima rifkyansyahhh@gmail.com. “ v ” = iya
“ - “ = hanya symbol
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%
Gambar 4.8 Interface Menerima Email

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 maka 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-Revisi3

Diunggah oleh

Informasi Dokumen

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-Revisi3

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

1. Pendeteksi Object (Object

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

Gambar 2.2 Covert RGB to Grayscale

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

Open Source Computer Vision Library

3.2 Menentukan Perangkat Lunak

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

Rangkaian Data Training, merupakan Rangkaian Pengenalanan wajah,

Gambar 3.4 Rangkaian Pendeteksi Wajah

rangkaian pendeteksi wajah akan

3.7 Rangkaian Pengenalan Wajah Sistem pendeteksi wajah pada Web

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

3.9 Perancangan Mekanik 3.11 Pemasangan Perangkat

Gambar 3.7 Perancangan Mekanik

HASIL DAN PEMBAHASAN

Gambar 3.8 Tata Letak Perangkat

Pada Tahap ini merupakan tata letak

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

4.2 Pengujian Training Dataset 4.4 Pengujian Pendeteksi Wajah Melalui

Gambar 4.2 Proses Pengujian Training

4.5 Pengujian Capture Otomatis ke Email

Gambar 4.3 Pengujian pengenalan Wajah

Pengujian Pengenalan wajah ini di Gambar 4.5 Pengujian Capture Otomatis ke

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

4.6 Log Sukses Kirim Email

4.7 Hasil Pengujian Sistem Keseluruhan

Tabel 4.1 Hasil Pengukuran Sistem

Gambar 4.6 Log Sukses Kirim Email

Aplikasi yang dijalankan mempunyai

Gambar 4.7 Interface Mengirim Email

Pada gambar 4.7 merupakan

Rata-rata Akurasi = Tingkat Sesuai / Jumlah

Gambar 4.8 Interface Menerima Email

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