ABSTRAK
Perkembangan teknologi yang pesat di bidang elektronik memberikan dampak positif dalam
berbagai aspek kehidupan manusia, salah satunya dalam bidang monitoring atau pengawasan
keamanan. Pekerjaan untuk menghitung jumlah pengunjung dalam suatu ruangan sangat mudah
apabila dilakukan dalam skala yang kecil, namun akan menjadi sulit apabila perhitungan tersebut
dilakukan pada skala yang besar. Dengan memanfaatkan teknologi pada bidang computer vision
yaitu deep learning, penelitian ini bertujuan untuk mendeteksi dan menghitung jumlah manusia
(people counter) secara otomatis. Pada penelitian ini menggunakan algoritma dari deep learning
yaitu metode Convolutional Neural Network (CNN). Penelitian dilakukan menggunakan kamera
secara real time Berdasarkan hasil pengujian, metode CNN dapat mendeteksi objek manusia dengan
tingkat akurasi sebesar 86%, sistem dapat menghitung jumlah objek manusia dengan tingkat akurasi
sebesar 62% dengan kondisi yang berbeda-beda seperti intensitas cahaya dan sudut kamera dalam
pengambilan pengujian. Sedangkan tingkat akurasi jumlah orang yang masuk, keluar dan jumlah
orang dalam ruangan dengan hasil data reporting yang disimpan dalam bentuk file .csv memiliki
tingkat akurasi sebesar 73% ketika orang masuk, 64% ketika orang keluar dan 62% ketika orang
dalam ruangan. Selain itu, sistem menghasilkan nilai akurasi sebesar 100% dalam menghitung
jumlah orang dan memberikan output ruangan penuh ketika dalam ruangan melebihi nilai batas.
Kata kunci : pemantauan; kamera; real-time; CNN; people counter
ABSTRACT
Electronics technology is developing quickly, and this has a favorable effect on many elements of
human existence, including monitoring and security surveillance. If the calculations are carried out
on a big scale, the task of counting the number of visitors in a room will be challenging. This work
intends to automatically detect and count the number of individuals (people counter) using computer
vision technologies, namely deep learning. This study makes use of the Convolutional Neural
Network (CNN) technique, a deep learning algorithm. study which was also done in real time with
a camera According to test data, the CNN approach has an accuracy rate of 86% for detecting
human objects, and it has a 62% accuracy rate for estimating the number of human objects under
various test situations, such as varying light intensity and camera angle. While the level of accuracy
for counting how many people are coming in, going out, and staying in the room with data reporting
results that are kept as a.csv file has an accuracy rate of 73% when individuals log in, 64% when
people are going outside, and 62% when people are staying inside. Also, the system generates a
value for accuracy in counting persons and members of 100%.
Keywords: Monitoring; camera; real-time; CNN; people counter.
131
131 SimanteC
Jurnal SimanteC Vol. 11, No. 1 Desember 2022
132 SimanteC
Deni Tri Laksono dkk, Sistem Deteksi ….
133 SimanteC
Jurnal SimanteC Vol. 11, No. 1 Desember 2022
134 SimanteC
Deni Tri Laksono dkk, Sistem Deteksi ….
1 √ -
2 √ -
3 √ -
4 √ -
5 √ -
6 √ -
7 √ -
8 √ -
9 √ -
10 - √
11 √ - Gambar 5 Tampilan Pendeteksian
Manusia
12 √ -
13 - √
14 √ -
Namun terdapat sedikit kesalahan
pada sistem ketika mendeteksi manusia,
15 √ - yaitu sistem mendeteksi kipas sebagai
manusia dikarenakan bentuk dari kipas
mirip dengan bentuk kepala manusia
Dari data yang diperoleh dari hasil sehingga mendeteksi sebagai manusia
pengujian deteksi manusia diatas didapatkan seperti yang ditunjukkan pada gambar 6
nilai keberhasilan dan kegagalan sesuai dengan dibawah ini.
rumus berikut.
Keberhasilan
𝑡𝑒𝑟𝑑𝑒𝑡𝑒𝑘𝑠𝑖
= × 100% (1)
𝑏𝑎𝑛𝑦𝑎𝑘 𝑑𝑎𝑡𝑎 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛
13
= × 100%
15
= 86%
Pada pengujian deteksi orang pada
penelitian ini dapat diketahui bahwa dalam Gambar 6 Pendeteksian Objek Lain
melakukan pemrosesan citra yang merupakan Menjadi Manusia
bagian utama dalam sistem ini yaitu pada tahap
training. Dalam pengujian ini dilakukan untuk B. Pengujian Perhitungan Jumlah
menguji apakah sistem dapat mendeteksi Manusia
manusia dalam berbagai posisi. Dari hasil Dari hasil penelitian yang telah
pengujian didapatkan tingkat keakuratandilakukan, didapatkan data hasil
sistem sebesar 86%. Sehingga dapatpengujian perhitungan jumlah objek
disimpulkan bahwa sistem dapatmanusia sehingga dapat diketahui
mengklasifikasikan objek manusia denganpersentase keberhasilan alat. Dari
menggunakan metode CNN dengan baik, halpengujian perhitungan jumlah manusia
ini dikarenakan pada metode CNN inididapatkan informasi berupa jumlah orang
dilakukan dengan tahap training yang akuratyang ditandai dengan bounding box pada
dengan pola yang akurat sehingga dapatobjek manusia yang terdeteksi beserta
mendeteksi manusia dalam berbagai posisi.nilai akurasi sistem dalam mendeteksi
Berikut merupakan gambar dari pendeteksianobjek manusia. Hasil dari perhitungan
manusia yang ditunjukkan pada gambarjumlah manusia yang dideteksi oleh
gambar 5. sistem akan dibandingkan dengan jumlah
perhitungan manusia secara manual
(nyata). Hasil dari perhitungan jumlah
135 SimanteC
Jurnal SimanteC Vol. 11, No. 1 Desember 2022
136 SimanteC
Deni Tri Laksono dkk, Sistem Deteksi ….
137 SimanteC
Jurnal SimanteC Vol. 11, No. 1 Desember 2022
IEEE Access, vol. 7, pp. 71576– Instrum. Meas., vol. PP, no. c, p. 1,
71584, 2019, doi: 2019, doi:
10.1109/ACCESS.2019.2918650. 10.1109/TIM.2019.2959853.
[10] Ryansyah, “Identifikasi Tingkatan
[3] D. Satriaji, Y. Suprapto, T.
Warna Pada Kopi Roasting
Telekomunikasi, P. P. Surabaya, and
Menggunakan Metode HSV
J. J. A. I, “Rancangan Monitoring
Berbasis Mobile,” Terap. Inform.
Dan Kontrol Fasilitas Ruang Kelas
Nusant., vol. 1, no. 10, pp. 520–526,
Dengan Graphic User Interface
2021.
Berbasis Raspberry Pi Menggunakan
[11] A. K. Panggabean, A. Syahfaridzah,
Smartphone Di Politeknik
and N. A. Ardiningih, “Mendeteksi
Penerbangan Surabaya,” vol. 2, no. 1,
Objek Berdasarkan Warna Dengan
pp. 38–42, 2018.
Segmentasi Warna Hsv
[4] B. Putra, G. Pamungkas, B. Nugroho, Menggunakan Aplikasi Matlab,”
and F. Anggraeny, “DETEKSI DAN METHOMIKA J. Manaj. Inform.
MENGHITUNG MANUSIA dan Komputerisasi Akunt., vol. 4,
MENGGUNAKAN,” vol. 02, no. 1, no. 2, pp. 94–97, 2021, doi:
pp. 67–76, 2021. 10.46880/jmika.vol4no2.pp94-97.
[5] A. Mobilenetv, “Sistem Otomatis [12] Ellif, S. H. Sitorus, and R. Hidayati,
Pendeteksi Wajah Bermasker “KLASIFIKASI KEMATANGAN
Menggunakan Deep Learning,” vol. PEPAYA MENGGUNAKAN
10, no. 1, 2021. UANG WARNA HSV DAN
METODE NAIVE BAYES
[6] L. R. Ihtisyamuddin, J. T. Elektro, F. CLASSIFIER,” Coding J. Komput.
T. Industri, and U. I. Indonesia, dan Apl., vol. 09, no. 01, pp. 66–75,
“PEOPLE COUNTING DAN 2021.
PENGUKURAN JARAK UNTUK [13] I. S. Areni, I. Amirullah, and N.
INDOOR MONITORING Arifin, “Klasifikasi Kematangan
BERBASIS PEMROSESAN CITRA Stroberi Berbasis Segmentasi Warna
mencapai derajat Sarjana S1 Disusun dengan Metode HSV,” J. Penelit.
oleh : Luthfi Radifan Ihtisyamuddin Enj., vol. 23, no. 2, pp. 113–116,
Jurusan Teknik Elektro Fakultas 2019, doi: 10.25042/jpe.112019.03.
Teknologi Industri Universitas Islam [14] A. Dalimunthe, “Deteksi
Indonesia Yogyakarta,” 2020. Kematangan Buah Manggis
[7] “ALGORITMA Berdasarkan Fitur Warna Citra Kulit
CONVOLUTIONAL NEURAL Menggunakan Metode Transformasi
NETWORK ( CNN ) Ruang Warna HSV,” Skripsi, p. 89,
BERDASARKAN CITRA 2021.
KEPALA SKRIPSI Oleh : [15] R. Rahmadewi, G. L. Sari, and H.
MUHAMMAD FAHMI ABIDIN,” Firmansyah, “Pendeteksian
2021. Kematangan Buah Jeruk Dengan
Fitur Citra Kulit Buah Menggunakan
[8] N. Dewi and F. Ismawan, Transformasi Ruang Warna HSV,”
“Implementasi Deep Learning JTEV (Jurnal Tek. Elektro dan
Menggunakan Convolutional Neural Vokasional), vol. 5, no. 1.1, p. 166,
Network untuk Sistem Pengenalan 2019, doi:
Wajah,” vol. 14, no. 1, pp. 34–43, 10.24036/jtev.v5i1.1.107560.
2021, doi:
10.30998/faktorexacta.v14i1.8989.
[9] S. I. Cho, “Vision-based People
Counter Using CNN-based Event
Classification,” IEEE Trans.
138 SimanteC