PENDAHULUAN
Dunia teknologi modern saat ini membuat segala sesuatu yang dilakukan
menjadi lebih mudah dalam kehidupan sehari-hari. Manusia selalu berusaha untuk
menciptakan sesuatu yang dapat mempermudah pekerjaanya, hal inilah yang
mendorong majunya perkembangan teknologi. Pada perkembangannya teknologi
saat ini tidak dapat dipisahkan dengan masalah otomatis untuk berbagai sarana
kehidupan.
Tekonologi komputer pada saat ini, berkembang dengan sangat pesatnya dan
merupakan salah satu bidang yang mempunyai peran yang sangat penting
dibeberapa aspek kehidupan manusia, termasuk pada bidang kemanan. Saat ini
telah banyak dikembangkan dengan sebuah sistem pengamanan akses masuk ke
sebuah rumah atau ruangan dengan beberapa vertifikasi komputer. Oleh karena
itu, dibuat sistem keamanan berbasis teknologi keamanan kunci pintu untuk
pengenalan wajah, dengan menggunakan pengenalan wajah untuk sistem
keamanan kunci akan sulit dibobol, karena setiap wajah manusia berbeda-beda.
Selama ini secara umum proses buka kunci pintu dilakukan secara manual, kurang
efektif. Pengamanan sangat diperlukan dalam kegiatan sehari-hari, apalagi
menyangkut ruangan atau rumah. Sehingga dibutuhkan sistem keamanan yang
baik untuk mengamankan barang yang berharga dari pencurian.
Berdarkan permasalahan tersebut yang mendasari perlunya dibuat suatu sistem
atau alat, berupa keamanan kunci pintu untuk pengenalan wajah, sehingga pemilik
rumah dapat merasakan kemanan ketika meninggalkan rumah tersebut.
Pengenalan wajah adalah salah satu metode biometrik yang cukup populer.
Sehingga wajah tidak mudah untuk dimodifikasi, ditiru, dan tidak dapat untuk
dicuri, jika dibandingkan dengan kunci manual. Keamanan berbasis teknologi
keamanan kunci pintu untuk pengenalan wajah merupakan suatu alat inovatif
yang mampu mengatasi permasalahan tersebut. Face detection adalah sistem
keamanan yang lebih modern dan juga inovatif pada zaman ini. Banyak sekali
metode yang digunakan untuk melakukan pengenalan wajah manusia pada sistem
face detection. Salah satunya yang sederhana adalah menggunakan kontroller ESP
32 – CAM yang mana sudah terdapat built in kamera pada kontroller ini sehingga
dapat dengan mudah di program untuk sistem face detection[1].
Berdasarkan latar belakang diatas, maka penulis mengajukan proposal
penelitian dengan judul “SISTEM KEAMANAN KUNCI PINTU BERBASIS
TEKNOLOGI PENGENALAN WAJAH”.
1.3 Tujuan
Tujuan dari dilakukannya penelitian adalah sebagai berikut:
1. Untuk membantu para masyarakat pengguna sistem keamanan kunci
berbasis teknologi pengenalan wajah.
2. Untuk mengetahui cara kerja sistem keamanan kunci pintu berbasis
teknologi pengenalan wajah.
1.4 Manfaat
Adapun manfaat yang diharapkan dalam pembuatan tugas akhir ini adalah:
1. Meningkatkan keamanan rumah menggunakan kunci pintu berbasis
teknologi pengenalan wajah.
2. Meningkatkan keamanan pada ruangan tertentu yang menyangkut otoritas
atau privasi.
1.5 Batasan Masalah
Berdasrkan identifikasi masalah yang telah dilakukan, maka dihasilkan
batasan masalah sebagai berikut:
1. Sistem ini mengenali wajah hanya dari tampak depan
2. Pada sistem pintu otomatis pengenalan wajah ini hanya bisa mendeteksi
wajah asli tanpa penghalang
Dalam penyusunan tugas akhir ini penulis menyusun dengan sistematika bab dan
juga sub bab, sehingga penulis membentuk dan menyusunan tugas akhir ini
dengan pedoman format dan sistematika sebagai berikut:
BAB I PENDAHULUAN
Bab ini memuat tentang latar belakang, rumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, metode penelitian,
dan sistematika penulisan.
BAB II DASAR TEORI
Bab ini memuat tentang dasar teori yang menjelaskan tentang
fungsi dari perangkat-perangkat yang digunakan dalam pembuatan
tugas akhir ini.
BAB III METODELOGI PENELITIAN
Bab ini memuat tentang penjelasan mengenai cara melakukan
penelitian mula dari desain, implementasi, dan pengujian perangkat
yang akan dibuat.
BAB IV HASIL DAN PEMBAHASAN
Bab ini berisikan tentang hasil dan pembahasan dari hasil
penelitian yang telah dilakukan dengan hasil pengujian peralatan
yang telah dilakukan penelitian.
BAB V PENUTUP
Dalam bab ini berisikan tentang ringkasan dan kesimpulan dari
pada hasil analisis dan pembahasan beserta saran-saran.
DAFTAR PUSTAKA
Berisi buku acuan dan segala referensi yang digunakan dalam
penulisan skripsi ini.
BAB II
DASAR TEORI
2.1 Wajah
Menurut Kamus Besar Bahasa Indonesia (KBBI) Identifikasi wajah adalah
suatu penetapan identitas berdasarkan pengenalan pola dari wajah. Keunikan ciri-
ciri biologi yang dimiliki oleh seseorang, membentuk pola yang dapat digunakan
untuk mengidentifikasi identitas seseorang untuk keperluan tertentu , misalnya
untuk keperluan keamanan dan untuk menandakan kehadiran seseorang. Ciri-ciri
biologi yang dijadikan karakter untuk pengidentifikasian wajah adalah dahi, alis,
mata, tulang pipi, hidung, bibir, dagu, dan telinga seperti pada Gambar 2.1 Wajah
Secara umum sistem pengenalan citra wajah dibagi menjadi dua jenis, yaitu
sistem Feature-based dan sistem image-based. Pada sistem pertama digunakan
ciri wajah seperti mata, hidung, mulut, dan lain-lain yang kemudian dimodelkan
secara geometris hubungan antara ciri-ciri tersebut. Sedangkan pada sistem kedua
menggunakan informasi mentah dari piksel citra kemudian direpresentasikan
dalam metode tertentu, misalnya seperti Principal Component Analysis (PGA)
atau transformasi wavelet yang digunakan untuk klasifikasi identitas citra [2].
Pengenalan wajah merupakan salah satu metode dari sistem biometric dengan
tingkat akurasi yang cukup tinggi dan rendah gangguan. Konsep pengenalan
wajah adalah melakukan analisa terhadap input berupa citra wajah, kemudian
melakukan analisis, dan terakhir menentukan output berupa identifikasi wajah.
2.2 Biometrik
Teknologi Biometrik adalah sistem yang menggunakan bagian tubuh manusia
untuk kepastian pengenalan. Teknologi ini menggunakan bagian tubuh manusia
yang unik dan tetap, seperti sidik jari, mata dan wajah seseorang. Jenis-jenis
sistem biometric adalah: (1) Pengenalan wajah, (2) Sidik jari, (3) Pengenalan
bagian mata, (4) Pengenalan bagian telapak tangan, (5) Pengenalan Suara. Sistem
biometric adalah salah satu sistem untuk melakukan identifikasi dengan cara
menggunakan ciri-ciri fisik atau anggota badan manusia. Teknologi biometrik ini
memiliki beberapa kelebihan seperti tidak mudah hilang, tidak dapat lupa, tidak
mudah dipalsukan, dan memiliki keunikan yang berbeda antara manusia satu
dengan manusia lannya.
Salah satu cara yang digunakan dalam sistem biometrik adalah pengenalan
wajah. Sistem pengenalan wajah bertujuan untuk mengidentifikasi wajah
seseorang dengan cara membandingkan wajah tersebut dengan database wajah
yang sudah ada. Dalam sistem pengenalan wajah, pendeteksian posisi wajah
merupakan salah satu tahap yang penting karena di dunia nyata wajah dapat
muncul di dalam citra dengan berbagai ukuran dan posisi, dan dengan dengan
latar belakang yang bervariasi [3].
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu
objek.Citra terbagi 2 yaitu citra yang bersifat analog dan ada citra yang bersifat
digital. Citra analog adalah citra yang bersifat continue seperti gambar pada
monitor televisi, foto sinar X, dan lain-lain. Sedangkan pada citra digital adalah
citra yang dapat diolah melalui komputer. Citra dapat didefinisikan sebagai fungsi
f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial,
dan amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan
dari citra pada citra tersebut [8] .
Pengolahan citra digital menunjuk pada pemrosesan gambar dua dimensi
menggunakan komputer.Dalam konteks yang lebih luas, pengolahan citra digital
mengacu pada pemprosesan setiap data dua dimensi. Citra merupakan sebuah
larik (array) yang berisi nilai-nilai real maupun kompleks yang
diresepresentasikan dengan deretan bit tertentu. Citra digital dapat didefinisikan
secara matematis sebagai fungsi intensitas dalam 2 variabel x dan y, yang dapat
dituliskan f(x,y), dimana (x,y) merepresentasikan kordinat spasial pada bidang 2
dimensi dan f(x,y) merupakan intensitas cahaya pada kordinat tersebut.
Pengenalan pola adalah suatu aktivitas untuk mengelompokkan data numerik
dan simolik termasuk citra secara otomatis oleh mesin dalam hal ini komputer.
Tujuan dari pengelompokan adalah untuk mengenali suatu objek didalam citra.
Manusia dapat mengenali objek yang dilihatanya karena otak manusia telah
belajar mengklasifikasi objek yang terdapat di alam, sehingga mampu
membedakan suatu objek dengan objek yang lainnya. Komputer menerima
masukan berupa citra objek yang diidentifikasi, memproses citra dan memberikan
keluaran berupa deskripsi objek di dalam citra[7].
Citra digital merupakan representatif dari citra yang diambil oleh mesin
dengan bentuk pendekatan berdasarkan sampling dan kuantisasi.Sampling
menyatakan besarnya kotak-kotak yang disusun dalam baris dan kolom. Dengan
skata lain, sampling pada citra menyatakan besar kecilnya ukuran pixel (titik)
pada citra, dan kuantisasi menyatakan besarnya nilai tingkat kecerahan yang
dinyatakan dalam nilai tingkat keabuan (grayscale) sesuai dengan jurnlah bit biner
yang digunakan oleh mesin, dengan kata lain kuantisasi pada citra menyatakan
jumlah warna yang ada pada citra [8].
Pengolahan citra digital adalah salah satubentuk pemrosesan informasi
dengan inputan berupa citra (image) dan keluaran yang juga berupa citra atau
dapat juga bagia dari citra tersebut. Tujuan dari pemrosesan ini adalah
memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin
komputer. Oprasi-oprasi dan pengolahan citra digital secara umum dapat
diklasifikasikan sebagai berikut[1]:
1. Perbaikan kualita citra (image enhacement), contohnya perbaikan
kontras gelap/terang, penajaman (sharpening), dan perbaikan
tepian objek (edge enhancement)
2. Reastorasi citra (image restoration), contohnya penghilangan
kesamaran (deblurring).
3. Penempatan citra (image compression)
4. Segmentasi citra ( image segmentation).
5. Pengorakan citra (image analysis), contohnya pendeteksian tepi
objek (edge enhancement) dan ekstraksi batas (boundary).
6. Rekrontruksi citra (image recronstruction).
1. Face Detection
Pada tahap ini, citra hasil input akan dideteksi apakah terdapat pola wajah. Jika
terdapat pola wajah, maka akan dilanjutkan ketahap selanjutnya. Biasanya, data
citra input dibagi kedalam dua bagian, yaitu data training dan data testing.
2. Preprocessing
Pada tahap ini, hal-hal yang tidak diinginkan seperti noise, blur, efek bayangan
akan dihilangkan. Pada tahap ini juga biasa dilakukan proses resizing,greyscaling,
dan segmentasi.
3. Feature Extraction
Pada tahap ini, dilakukan ekstraksi fitur pada citra. Informasi dari citra diekstraksi
dan dikumpulkan. Hasil ekstraksi fitur dari data training disimpan di database,
yang nantinya digunakan sebagai pembanding. Sedangkan data testing akan
dilanjutkan ke tahap selanjutnya.
4. Face Classification
Pada tahap terakhir ini, hasil ekstraksi fitur pada tahap sebelummnya akan
dianalisis, yaitu dengan cara menggunakan hasil ekstraksi fitur yang telah
disimpam di database sebagai pembanding. Tujuannya untuk mengidentifikasi,
mengklasifikasi dan menvertifikasi citra.
Face recognition merupakan proses membandingkan sebuah citra wajah
dengan basis data wajah dan menemukan basis data wajah yang paling cocok
dengan citra masukan tersebut. Face recognition juga penganalisa karakteristik
dari bentuk muka yang tidak berubah, seperti: Bagian atas dari rongga mata, area
sekitar tulang pipi, sisi kiri dan kanan dari mulut.
Hal-hal yang menyebabkan kesulitan dan gangguan dalam pengenalan wajah
adalah sebagai berikut:
Noise dan blur yang disebabkan oleh ketidaksempurnaan kamera.
Komponen pada wajah seperti misalnya kumis, jenggot, kacamata.
Skala atau ukuran wajah terhadap citra, yang dipengaruhi oleh jarak wajah
dengan posisi kamera.
Kondisi saat pengambilan citra, dipengaruhi oleh intensitas cahaya, arah
sumber cahaya, karakteristik sensor, lensa kamera, dan efek pantulan sinar
matahari.
Terhalang objek lain, misalnya terhalang oleh wajah orang lain.
Ekspresi wajah, misalnya tersenyum, tertawa, sedih dan sebagainya.
Pengenalan wajah bisa dilihat sebagai suatu cara untuk secara tepat
mengenali citra dari sebuah wajah, dengan menggunakan data-data dari wajah
yang telah lebih dahulu dikenal. Pengenalan wajah memiliki semua hambatan
dalam pengenalan yang berdasarkan pemrosesan citra. Dikarenakan citra yang
digunakan dapat berubah-ubah secara drastic disebabkan beberapa faktor.
Operator LBP adalah salah satu deskriptor tekstur terbaik dan telah banyak
digunakan dalam berbagai aplikasi. LBP telah terbukti sangat diskriminatif dan
keuntungan utamanya, yaitu variasi untuk perubahan tingkat abu-abu monoton
dan efisiensi komputasi, membuatnya cocok untuk tugas gambar menuntut
analisis. Ide untuk menggunakan LBP untuk deskripsi wajah didukung oleh fakta
wajah dapat dilihat sebagai komposisi pola mikro yang dapat dijelaskan oleh
sebuah operator. Local Binary Pattern (LBP) didefinisikan sebagai ukuran tekstur
grayscale invarian, berasal dari definisi umum tekstur di daerah sekitar. Operator
LBP dapat dilihat sebagai pendekatan kesatuan dengan model statistik dan
struktur tradisional berbeda dari analisis tekstur. Secara sederhana, LBP adalah
sebuah kode biner yang menggambarkan pola tekstur lokal. Hal ini dibangun
dengan lingkungan batas dengan nilai abu-abu dari pusatnya (Ahonen, Hadid, &
Pietikainen, 2004, pp. 2-3). Secara umum operator LBP ditunjukkan pada
Gambar 2.3 Operator Dasar LBP.
Nilai desimal dari 8 bit operator LBP dapat dinyatakan dalam persamaan berikut:
(2.1)
gc = Piksel tengah
1. Nilai piksel dari citra grayscale dipecah ke beberapa region matriks 3x3.
Contoh: 6 5 2
7 6 1
9 8 7
6 5 2 1 0 0 1 2 4
7 6 1 1 0 128 8
9 8 7 1 1 1 64 32 16
Pattern = 11110001
LBP = 1 + 16 + 32 + 64 + 128 = 241
3. Nilai binary yang dihasilkan dituliskan ke dalam bentuk string biner
dengan cara sirkular dari kanan ke kiri, operasi tersebut diterapkan ke setiap
bagian region citra. Setiap string biner yang dihasilkan akan dilakukan
penyatuan kembali untuk mendapatkan tekstur secara keseluruhan.
Parameter yang dimaksud disini adalah input weight dan hidden bias yang
berhubungan antar layer sehingga learning speed berjalan sangat lama dan
kejadian terjebak dalam lokal minimal sering terjadi (Huang et al, 2005).
Sedangkan pada ELM, input weight dan hidden bias dipilih secara acak sehingga
menghasilkan learning speed yang cepat dan mampu menghasilkan performa yang
baik. Gambaran umum struktur ELM dapat dilihat pada Gambar 2.4 Struktur
Umum ELM.
....
Output layer
....
βi
Single hidden layer bi
∫ .... ∫ .... ∫
wi
Input layer ....
(2.2)
(2.3)
Persamaan matematis diatas dapat diubah kedalam bentuk matriks Hβ = T
dimana:
H(a1, ., aN, bi,., bN, x1, ., xN) = N*N (2.4)
N*m (2.5)
Matriks H adalah hidden layer output matriks dari jaringan syaraf tiruan. Jika
jumlah syaraf tiruan pada hidden layer sama dengan jumlah sampel, maka H akan
berupa matriks simetris. Namun jika tidak, persamaan sistem perlu diselesaikan
dalam metode numerik, secara konkrit dengan menggunakan persamaan berikut:
Minβ (2.7)
Modul ESP32-CAM adalah modul kamera yang dilengkapi dengan wifi dan
bluetooth. Modul ini bisa digunakan untuk berbagai keperluan, contoh untuk
CCTV, mengambil gambar, perangkat rumah pintar, sistem keamanan,
identifikasi kode QR, dan aplikasi IoT lainnya. Fitur lain yaitu kita bisa
mendeteksi wajah (face detection) dan pengenalan wajah (face recognition)
seperti pada Gambar 2.5 Kamera EPS 32
Spesifikasi produk
Module Modul ESP32-
Package DIP-16
Size 27*40.5(±0.2)mm
SPI Flash Default 32Mbit
RAM 520KB SRAM+4M PSRAM
Bluetooth 4.2 BR/EDR and BLE
Bluetooth
standarts
WI-FI 80.11 b/g/n
Support interface UART, SPI, 12C, PWM
Support TF card Maximum support 4G
IO port 9
UART Baudrate Default 115200 bps
JPEG( OV2640 support only), BMP,
Image Output Format
GRAYSCALE
Spectrum Range 2412 ̴ 248MHz
Antenna Onboard PCB antenna, gain 2dBi
802.11b: 17±2 dBm (@11Mps)
Transmit Power 802. 11g: 14±2 dBm (@54Mbps)
802. 11n: 13±2 dBm (@MCS7)
Security WPA/WPA2/WPA2-Enterprise/WPS
Power Supply Range 5V
Catu daya merupakan suatu alat listrik yang dapat menyediakan energy
listrik untuk perangkat listrik maupun elektronika lainnya. Pada dasarnya Power
Supplay atau catu daya ini membutuhkan sumber energy listrik yang kemudian
mengubahnya menjadi energilistrik yang dibutuhkan oleh perangkat elektronika
lainnya. Gambar pada catu daya dapat dilihat pada Gambar 2.9 Catu Daya.
Prinsip kerja adaptor adalah arus bolak balik (AC) PLN dengan tegangan 220V
masuk kedalam gulungan primer trafo. Didalam trafo terjadi proses pemindahan
daya melalui proses induksi magnetik. Karena induksi tersebut, sehingga
gulungan sekunder trafo akan muncul pula tegangan bolak balik. Tetapi dengan
daya yang rendah hal ini didebabkan oleh jenis trafo yang digunakan adalah trafo
step down. Sebuah DC Power Supply atau Adaptor pada dasarnya memiliki 4
bagian utama agar dapat menghasilkan arus DC yang stabil. Keempat bagian
utama tersebut diantaranya adalah Transformer, Rectifier, Filter dan Voltage
Regulator. Seperti yang terdapat pada Gambar 2.10 Rangkaian Catu Daya.
c. Penyaring (Filter)
2.7.6 Relay
Relay adalah komponen elektronika yang berupa saklar atau switch elektrik
yang dioprasikan menggunakan listrik. Relay juga bisa disebut sebagai komponen
elektromagnetis untuk penggerak kontak saklar, sehingga dengan menggunaka
arus listrik yang kecil atau low power, dapat menghantarkan arus listrik yang
mempunyai tegangan lebih tinggi, terbuka atau tertutupnya saklar tersebut
dikendalikan oleh medan magnetelektromagnetis sebagai konversi dari besar
tegangan yang diberikan kepada kedua kutub kumparannya.
Secara sederhana relay elektromagnetis ini didefenisikan sebagai berikut :
1. Alat yang menggunakan gaya elektromagnetik sebagai mebuka atau
menutup kontak saklar
2. Saklar yang digerakkan secara mekanis olh daya atau energy listrik.
Sebagai komponen elektronika, relay memiliki peran yang penting dalam sebuajh
sistem rangkaian elektronika dan rangkaian listrik sebagai penggerak suatu
perangkat yang memerlukan arus besar tanpa terhubung langsung dengan
perangkat pengendali yang mempunyai arus kecil seperti pada Gambar 2.15
Modul Relay
Gambar 2.15 Modul Relay
Saat basis transistor tidak menerima bias tegangan, maka transistor dalam
kondisi Off
Hambatan pada kolektor – emitor transistor sangat besar. Transistor
berperilaku seperti saklar terbuka
Arus listrik dari Vcc tidak dapat mengalir melewati kumparan relay
Ketika basis transistor diberikan tegangan bias, maka transistor akan mulai
aktif
Hambatan pada kolektor – emitor transistor menjadi sangat kecil sehingga
memungkinkan dilewati oleh arus listrik
Arus listrik Vcc mengalir melewati kumparan relay dan kolektor – emitor
Karena kumparan mendapatkan arus listrik, maka akan muncul medan
magnet yang akan menarik tuas switch
Relay akan kembali Off jika tegangan bias basis transistor diputuskan
Besar tegangan bias yang dibutuhkan oleh basis transistor cukup kecil, sekitar 2V
sampai 5V saja. Dengan tegangan bias sekecil itu, transistor dapat menggerakkan
relay untuk mengalirkan tegangan yang jauh lebih besar.
Pada tahapan kita membuat diagaram alir yang dapat memudahkan untuk
menganalisis dan mengimplementasikan sebuah sistem keamanan kunci pintu
berbasis teknologi pengenalan wajah. Berikut ini adalah bentuk diagram alir yang
telah dibuat, ditunjukkan pada Gambar 3.1 Alur Kerja Penelitian berikut ini:
diagram blok yang akan menjadi kerangka gambaran dalam pembuatan alat sesuai
dengan target yang diinginkan. Diagram blok pada penelitian ini dijelaskan pada
Dari Gambar 3.2 Diagram Blok Sistem dapat mengetahui sistem kerja alat, yaitu
sebagai berikut :
Berikut ini penjelasan mengenai masing – masing point pada Gambar 3.3
Flowchart Sistem Pengenalan Wajah diatas.
1. Start : Pada point start, kita menyalakan terlebih dahulu sistem yang face
detection atau prototype ini. Setelah semua komponen mendapatkan
sumber tegangan, kita bisa lanjut ke point selanjutnya.
2. Mendeteksi Wajah : Setelah semua komponen siap atau sudah stand by,
posisikan wajah kita atau wajah yang akan di deteksi di depan kamera
ESP 32 – CAM. ESP 32 sebagai controller akan mendeteksi wajah kita
untuk melakukan proses selanjutnya.
3. Pengenalan Wajah Wajah : Pada point pengenalan wajah, controller ESP
32 akan melakukan pengenalan wajah kita yang sudah di deteksi apakah
wajah tersebut sesuai dengan data wajah yang tersimpan pada controller
atau tidak.
4. Selenoid Door Lock Terbuka : Jika wajah yang dideteksi sudah dikenali
pada sistem maka selenoid door lock dapat terbuka dan pintu juga dapat
dibuka. Tetapi jika wajah yang dideteksi tidak dikenali maka selenoid
door lock tidak terbuka dan pintu juga tidak dapat terbuka.
5. Selenoid Door Lock Tertutup : Ketika pintu atau selenoid door lock telah
berhasil dibuka, terdapat selang waktu sebagai timer otomatis yaitu 10
detik agar selenoid door lock atau pintu tersebut dapat menutup kembali.
3.4 Proses Pengenalan Wajah
3.4.2 Preprocessing
Output : Data citra wajah dengan ukuran seragam yakni 100 x 100
2. Setelah ukuran disesuaikan, kemudian citra diubah ke bentuk grayscaling atau
citra yang berupa keabu-abuan seperti Gambar 3.5 Pre-Processing pada wajah
dengan rumus sebagai berikut
Metode : grayscaling
Output : Data citra wajah dengan warna keabu-abuan.
= 159
Nilai kemiripan citra merupakan nilai tingkat kemiripan citra uji dengan
citra latih, semakin besar nilainya menandakan bahwa orang yang sedang diamati
adalah orang yang sama dengan citra orang yang citra wajahnya telah disimpan
dalam database. Setelah didapatkan nilai ekstraksi fitur, maka nilai tersebut akan
menjadi input pada proses pengenalan wajah seperti pada Gambar 3.7 Klasifikasi
Wajah.
Setelah proses perhitungan telah selesai dilakukan dan memberikan output hasil
identifikasi wajah, maka output ini digunakan sebagai acuan untuk mengirim
sinyal ke mikrokontroler untuk menggerakkan selenoid door lock agar membuka
pintu, ataupun tetap membiarkan pintu tertutup.
Input : Nilai hasil ekstraksi fitur wajah
Pada bagian ini berisi tentang hasil dari pengujian dan hasil dari alat
simulasi dengan sistem keamanan pintu berbasis pengenalan wajah. Pada
pengujian ini terdiri dari pengujian dari sistem face detection dan pengujian
akurasi sistem face detection.
Pada Gambar 4.1 Hasil Alat Simulasi, dapat dilihat hasil prototype pada
tampak depan yang berisi simulasi pintu kamera ESP32-CAM. Simulasi pintu ini
akan terbuka jika solenoid door lock yang terpasang dibagian pada belakang
gambar 5 telah terbuka. Untuk membuka door lock yaitu dengan cara melakukan
pengenalan wajah yang telah didaftarkan pada kamera ESP32-CAM yang terletak
pada bagian muka di alat simulasi ini.
Pada proses pengujian pertama adalah pengujian dari sistem face detection
apakah alat ini berjalan baik atau tidak. Pengujian dilakukan dengan cara
menghubungkan alat simulasi dengan laptop atau komputer yang sudah dapat
mengupload program kedalam controller ESP32-CAM. Karena natinya terdapat
web simulasi yang memperlihatkan wajah kita apakah kita terdaftar pada sistem
atau tidak, dan kita juga bisa mendaftarkan wajah kita pada sistem di web simulasi
tersebut. Sebelum melakukan pengujian alat maka harus kita lakukan inisialisasi
wajah agar sebagai database wajah yang tersimpan pada sistem.
Dibagian bawah web simulasi yang terlihat pada Gambar 4.2 Tampilan Web
Simulasi terdapat tombol ‘Start Camera’ dan ‘Enroll Face’ tombol ini digunakan
untuk melakukan sampel pengenalan wajah kita yang akan dijadikan data untuk
disimpan oleh sistem. Kita tinggal menghadapkan wajah kita pada depan kamera
sehingga tampak pada kamera, lalu sistem ini akan mengembil beberapa sampel
wajah kita dari beberapa dari berbagai sudut penglihatan.
Apabila sudah mendapatkan sampel atau data pengenalan wajah manusia
maka selanjutnya kita dapat menguji sistem pendeteksi wajah ini. Pada pengujian
pertama adalah jika wajah yang tertangkap oleh kamera dikenali oleh sistem. Jika
wajah yang tertangkap pada kamera dikenali oleh sistem maka pada bagian wajah
tersebut akan terdapat kotak berwarna hijau dan bertuliskan wajah dikenali pada
web sistem pengenalan wajah seperti Gambar 4.3 Pengujian Wajah Dikenali
Gambar 4.3 Pengujian Wajah Dikenali
Selanjutnya adalah pengujian jika wajah tidak dikenali oleh sistem atau
wajah tidak terdaftar pada sistem yang dibuat. Apabila wajah tidak terdaftar pada
program atau sistem maka pada web simulasi pengenalan wajah akan terdapat
kotak merah yang bertuliskan wajah tidak dikenali. Hal ini menanakan bahwa
wajah yang terdapat didepan kamera pada saat itu tiak dikenali atau tidak terdaftar
pada sistem simulasi. Berikut ini adalah hasil pengujian wajah tidak dikenali yang
terlihat pada Gambar 4.4 Pengujian Wajah Tidak Dikenali.
Push button atau saklar merupakan saklar yang berupa tombol dan berfungsi
sebagai pemutus atau penyambung atau pemutus arus listrikdari sumber arus ke
beban listrik. Suatu sistem saklar tekan push button terdiri dari saklar tekan
start/stop reset dan saklar tekan untuk emergency. Push button memiliki kontak
NC (Normally close) dan NO (Normally open). Prinsip kerja push button adalah
apabila dalam keadaan normal tidak ditekan maka kontak tidak berunah, apabila
ditekan maka kontak NC akan berfungsi sebagai start (menjalankan). Pengujian
push button bertujuan untuk mengetahui fungsi “Hold” dan “Reset” pada alat.
Adapun hasil pengujian sesuai dengan terdapat Tabel 4.2 Hasil Pengujian Push
Button dibawah ini:
Relay adalah salah satu pitanti output yang sering digunakan pada aplikasi
sistem berbasis mikrokontroler. Dengan relay, kita dapat melakukan control
peralatan listrik AC 220V maupun peralatan listrik dengan tegangan DC. Relay
adalah saklar yang dioprasikan secara elektronik. Kita dapat memenggunakan
multimeter analog maupun multimeter digital untuk mengukur ataupun menguji
apakah relay yang ingin kita uji tersebut dalam kondisi baik atau tidak. Kondisi
yang diukur diantaranya adalah nilai resistansi coil relay dan juga kondisi kontak
poin saat diaktifkan maupun saat tidak diaktifkan.
Relay modul aktif jika diberi inputan low (0.volt) atau negative seperti pada
Gambar 4.8 Pengujian Relay. Pengujian modul relay dilakukan dengan cara
diberikan power relay modul (pin vcc dihubungkan ke positif 5 volt dan pin GND
dihubungkan ke negative). Selanjutnya pin IN 2 pin IN 2 secara bergantian diberi
input 0 volt (negatif). Adapun hasil pengujian relay yaitu :
Dari Tabel 4.4 Pengujian Relay diatas menunjukkan pengujian relay dengan
memberikan tegangan 5 volt ke coil sehingga kontak akan berpindah dari normal
close (NC) ke normal open (NO). Sebaliknya, saat coil tidak diberi tegangan maka
kontak akan berpindah dari normaly open (NO) ke normaly close (NC). Hasil
pengujian ini menunjukkan modul relay berfungsi dengan sangan baik.
Pada tahap ini dilakukan pengujian terhadap data sistem. Pengujian sistem
dilakukan untuk mengetahui kemampuan sistem yang dibangun. Kemampuan
sistem itu bergantung pada proses pelatihan sistem (data training). Kemudian,
parameter kondisi citra yang digunakan adalah citra dengan pencahayaan redup (≤
20 lux), wajah expresif, orentasi arah wajah, serta arah wajah ke Esp32-Cam (≥ 40
cm). Data uji yang digunakan sebanyak 100 citra wajah yang merupakan wajah
dari 10 orang masing-masing terdiri atas 10 wajah dengan beberapa variasi
kondisi citra seperti, pakai topi, pakai kaca mata, masker, jaket penutup kepala,
kacamata dan masker, topi dan kaca mata, topi dan masker, kalung, dan kacamata
hitam. Seperti yang terdapat pada Gambar 4.11 Sampel Data Uji.
Gambar 4.11 Sampel Data Uji
Pada Gambar 4.11 Sampel Data Uji terdapat sampel dari data uji sebanyak
46 citra wajah, dimana untuk pengujian sesungguhnya data yang digunakan
berjumlah 100 citra wajah. Cara kerja ESP-32 CAM dalam mengenali wajah, mulai
dari input frame, image processing, ekstraksi fitur, percocokan data sampel, sampai
dengan publish data berupa nomor id hasil dari wajah yang dapat dikenali lalu data
tersebut dikirim melalui mqtt. Adapun cara kerja Esp32 cam sebagai berikut :
Publish adalah istilah lain untuk mengirim data melalui protokol MQTT
tentunya harus terkoneksi internet terlebih dahulu, protokol MQTT ini
memerlukan suatu broker sebagai tempat lalu lintas data yang masuk maupun
keluar. MQTT banyak digunakan untuk keperluan Internet of Things. Sedangkan
Subscribe adalah istilah lain untuk menerima data dari broker MQTT yang sudah
terkoneksi. MQTT (MQ Telemetry Transport atau Message Queuing
Telemetry Transport) adalah OASIS terbuka dan standar ISO (ISO / IEC
20922) yang ringan, menerbitkan protokol jaringan berlangganan yang
mengangkut pesan antar perangkat. Protokol biasanya berjalan melalui TCP / IP;
namun, protokol jaringan apa pun yang menyediakan koneksi dua arah, tanpa
kehilangan, dua arah dapat mendukung MQTT. Protokol jaringan ini dirancang
untuk koneksi dengan lokasi terpencil di mana "jejak kode kecil" diperlukan atau
bandwidth jaringan terbatas.Jumlah data uji (testing) yang digunakan adalah 100
citra wajah, dengan 10 kondisi berbeda dengan wajah yang sama.
Gambar 4.13 hasil pengujian
Dari gambar 4.13 hasil pengujian, kita dapat melihat hasil dari tabel 4.5
hasil pengujian. Dimana untuk objek wajah 1, 2, 3, dan 4 dijadikan sebagai objek
database pada sistem dan diuji dengan beberapa variasi citra seperti, pakai topi,
pakai kaca mata, masker, jaket penutup kepala, kacamata dan masker, topi dan
kaca mata, topi dan masker, kalung, dan kacamata hitam dan diuji dengan 6 objek
lain yang tidak dikenali oleh sistem yaitu, objek 5, 6, 7, 8, 9 dan 10. Hasil yang
didapatkan dari gambar membuktikan bahwa akurasi yang diterima dari simulasi
sistem face detection ini sudah sangat baik dan maksimal, dimana objek 5, 6, 7, 8,
9, dan 10 jika didekatkan tidak dikenali dan jika objek 1, 2, 3, dan 4 yang
didekatkan dikamera maka objek tersebut dikenali.
Pengujian
Akura
No Objek 1 Hasil
1 2 3 4 5 6 7 8 9 si
0
Wajah
1 01 √ √ √ X √ X √ X √ X 60%
Dikenali
Wajah
2 02 √ √ √ X √ X √ X √ X 60%
Dikenali
Wajah
3 03 √ √ √ X √ X √ X √ X 60%
Dikenali
4 04 √ √ √ X √ X √ X √ X Wajah 60%
Dikenali
Wajah Tidak
5 05 X X X X X X X X X X 100%
Dikenali
Wajah Tidak
6 06 X X X X X X X X X X 100%
Dikenali
Wajah Tidak
7 07 X X X X X X X X X X 100%
Dikenali
Wajah Tidak
8 08 X X X X X X X X X X 100%
Dikenali
Wajah Tidak
9 09 X X X X X X X X X X 100%
Dikenali
Wajah Tidak
10 010 X X X X X X X X X X 100%
Dikenali
Hasil dari tabel 4.1 Hasil Pengujian kita mendapatkan hasil pengujian dari
tiap objek dengan 10 variasi prcobaan yaitu, pakai topi, pakai kaca mata, masker,
jaket penutup kepala, kacamata dan masker, topi dan kaca mata, topi dan masker,
kalung, dan kacamata hitam. tiap masing-masing objek, yang mana digunakan
untuk mencari presentasi error yang diterima masing-masing objek. Untuk objek
1, 2, 3, dan objek 4 yang hanya menggunakan wajah, dimana objek tersebut juga
tersimpan sebagai objek yang dikenali pada database, hasil yang didapatkan
sebesar 60%. Error pada objek 1, 2, 3 dan 4 dikarenakan pada saat objek
menggunakan, masker dan kacamata hitam, sehingga wajah tidak terdeteksi. Error
pada objek 1, 2, 3, dan 4 terjadi karena bentuk tekstur wajah yang tidak mirip
dengan objek yang ada di database kamera Esp32-Cam. Hal tersebut terjadi
karena objek tersebut memakai masker dan kacamata hitam sehingga menutup
sebagian wajah dari objek tersebut. Hal ini membuktikan bahwa metode
pengenalan wajah yang kita gunakan adalah dengan pengenalan tekstur kontur
wajah. Sedangkan untuk kondisi memakai kalung, jaket penutup kepala, kacamata
lensa putih, dikenali oleh database. Hal tersebut terjadi dikarenakan kalung, jaket
penutup kepala dan kacamata lensa putih tersebut tidak menutup wajah . Lalu
untuk objek 5, 6, 7, 8, 9 dan 10 mendapatkan akurasi sebesar 100% dikarenakan
wajah tidak dikenali sama sekali. Hal ini terjadi karena wajah yang berbeda dari
objek 1, 2, 3 dan 4 yang ada di database. Rata-rata akurasi dari pengujian ini
sebesar 84%. Tetapi terlepas itu semua, sistem ini memiliki pengenalan wajah
yang sangat baik dan cepat.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari percobaan dan pembahasan yang telah dilakukan pada bab sebelumnya didapat
kesimpulan antara lain :
1. Berdasarkan dari hasil pengujian yang dilakukan dalam perancangan sistem pendeteksi
wajah berbasis esp32-cam maka dapat disimpulkan bahwa sistem pengenalan wajah
berbasis esp32-cam memanfaatkan Viola-Jones dalam menemukan daerah yang
termasuk wajah dan mampu mencocokkan dengan data sampel sehingga bisa mengenali
wajah pada objek dalam berbagai kondisi yang mempengaruhi, misalnya pada tingkat
kecerahan dan jarak antara sistem esp32-cam dengan objek.
2. Rancangan dan hasil pengujian sistem Keamanan Kunci Berbasis Teknologi Pengenalan
Wajah berjalan dengan baik dan akurat, dimana akurasinya terbukti mencapai 84%
dengan pengujian 10 objek dengan beberapa variasi. Sehingga sistem pengenlakan wajah
dengan controller ESP32-CAM menjadi rekomendasi yang baik untuk keamanan rumah
tinggal.
5.2 Saran
1. Sebaiknya menambahkan jenis sensor yang lain dan juga menambah rancangan
sistem lainnya agar pengaplikasian alat ini dapat lebih dikembangkan.
2. Disarankan untuk membuat rangkaian dan program yang lebih baik sehingga dapat
diaplikasikan ke penggunaan yang lain.