BAB I

PENDAHULUAN

1.1 Latar Belakang

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”.

1.2 Rumusan Masalah

Ada beberapa hal yang menjadikan rumusan masalah terhadap pembuatan
sistem atau alat ini diantaranya:
1. Bagaimana cara kerja sistem keamanan kunci pintu berbasis teknologi
pengenalan wajah?
2. Bagaimana tingkat akurasi pengenalan wajah berbasis Esp32-Cam?

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

1.6 Metodologi Penelitian

Metodologi yang digunakan pada penelitian ini mencakup studi pustaka serta
riset dan pengembangan, dimana penelitian yang dibuat mengacu pada
referensi yang ada dan kemudian dilakukan pengembangan lebih lanjut.
1. Pengumpulan Data
Adapun kegiatan yang dilakukan dalam pengumpulan data adalah sebagai
berikut:
a) Studi Literatur
Studi literature dilakukan dengan cara mempelajari informasi dan
dijadikan bahan acuan dalam implementasi yang bersumber pada
sistem yang sudah ada, buku, maupun penelitian yang sudah ada
pernah dilakukan sebelumnya.
b) Observasi
Metode observasi merupakan metode pengumpulan data yang cukup
efektif untuk mempelajari suatu sistem. Dilakukan untuk menemukan
permasalahan yang ada di lapangan.
c) Simulasi
Metode simulasi dilakukan untuk kinerja dari sistem atau alat tanpa
harus membuat alat secara fisik terlebih dahulu.
2. Analisa
Tahap ini dilakukan dengan menganalisis manfaat inovasi yang diperoleh
dari sistem berdasarkan hasil simulasi.
3. Penarikan Kesimpulan
 Mengambil kesimpulan yang dapat ditarik dalam penelitian yang telah
dilakukan.

1.7 Sistematika Penulisan

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

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].

2.3 Citra, Pengenalan Citra, dan Pengenalan Pola

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].

2.3.1 Pengolahan Citra Digital

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).

2.4 Pengenalan 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.
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 m
dahria.
 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.
Struktur umum sistem pengenalan wajah dapat dilihat pada Gambar 2.1 Struktur
Umum Pengenalan wajah

Face Preprocessing Feature

Citra Face Verifikasi/
detection extraction Classification
Identifikasi

Gambar 2.2.Struktur Umum Pengenalan Wajah

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.

2.5 Local Binary Pattern

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.

Gambar 2.3 Operator Dasar LBP

Nilai desimal dari 8 bit operator LBP dapat dinyatakan dalam persamaan berikut:

(2.1)

Keterangan : P = Sampling Point untuk mewakili jumlah piksel tetangga

R = Radius antara piksel pusat dan piksel tetangga

gp = Pusat piksel tetangga

gc = Piksel tengah

Sebelum dilakukan ekstraksi fitur dengan LBP, maka citra dikonversi ke

dalam format grayscale, kemudian nilai piksel dari citra grayscale diekstraksi
dengan menggunakan LBP. Setiap piksel memiliki nilai hasil grayscale, kemudian
dilakukan threshold berpusat pada titik tengah. Piksel yang memiliki nilai sama
atau lebih dibandingkan dengan titik tengah diberi nilai 1 selain itu diberi nilai 0.
Kemudian nilai LBP didapat dari penjumlahan dua pangkat nilai angka yang
bernilai satu dengan persaamaan 2.1.

1. Nilai piksel dari citra grayscale dipecah ke beberapa region matriks 3x3.

Contoh: 6 5 2
7 6 1
9 8 7

2. Pembandingan nilai pusat dengan nilai tetangga. Nantinya akan

menghasilkan nilai matriks biner.

contoh threshold bobot

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.

2.6 Extreme Learning Machine

Extreme Learning Machine (ELM) merupakan bagian dari jaringan syaraf

tiruan yang berjenis supervised learning. ELM termasuk pada Feed-Forward
Neural Network yang memiliki satu single hidden layer (Sun et al, 2008). Metode
ELM dipercaya dapat mengatasi permasalah learning speed yang selama ini
terjadi pada metode-metode lain pada Feed-Forward Neural Networks (Huang et
al, 2005). Menurut mereka terdapat dua alasan kenapa Feed-Forward Neural
Networks memiliki learning speed yang rendah :

1. Feed Forward Neural Networks menggunakan Slow Gradient Based Learning

Algorithm dalam melakukan proses training.

2. Semua parameter pada jaringan ditentukan secara iterative dengan

menggunakan metode pembelajaran tersebut.

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 ....

Gambar 2.4 Struktur Umum ELM

Dalam proses pembelajarannya ELM memanfaatkan teori invers matriks.

Teori yang digunakan adalah Moore Penrose Pseudoinverse. Gambar 2.4 Struktur
ELM menunjukkan sebuah model sederhana Single-hidden Layer Feedforward
Networks (SLFNs) yang merupakan struktur umum dari ELM. Jaringan saraf
tiruan ini mengacu pada hasil generalisasi yang terbaik dengan waktu komputansi
yang cepat. Struktur jaringan ELM terdiri atas sebuah input layer, hidden layer,
dan sebuah output layer. ELM memiliki karakteristik yang berbeda bila
dibandingkan dengan beberapa algoritma jaringan syaraf tiruan yang lain.
Karakteristik tersebut diantaranya adalah:

a. Waktu yang diperlukan untuk pembelajaran sangat cepat. Hal ini

merupakan salah satu kelebihan dari ELM karena jika dibandingkan dengan
jaringan saraf tiruan lain yang membutuhkan waktu yang lama dalam hal
pembelajaran pola, bahkan pada aplikasi yang sederhana.
b. ELM memiliki hasil generalisasi yang lebih baik dibandingkan dengan
algoritma berbasis gradien, seperti algoritma backpropagation. Pada beberapa
algoritma berbasis gradien biasanya akan muncul beberapa masalah, misalnya
rate pembelajaran yang tidak sesuai, dll. Untuk menghindari permasalahan
tersebut pada ELM digunakan metode tambahan, seperti metode early
stopping.

Pada Extreme Learning Machine, jika terdapat N sampel (xi,ti) dengan xi

= [xi1, xi2, ... , xin] T € Rn dan ti = [ti1, ti2, ..., tim] T € Rn, kemudian standar
SLFN dengan N hidden neurons dan fungsi aktivasi g(x) didefinisikan:

(2.2)

Dimana wi = [wi1, wi2,..., win] T dianggap sama dengan nol, tetapi

muncul besar vektor yang menghubungkan hidden neuron dengan input
neuron yang didefinisikan dengan βi = [βi1, βi2, ..., βin]T dan bi adalah
threshold pada hidden neuron. Tanda “.” pada wi.xj menunjukkan perkalian
titik dari wi dan xj. SLFN akan mengecilkan perbedaan antara oj dan tj.
Sehingga persamaan matematis sebelumnya dapat dituliskan sebagai berikut

(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)

dan T = N*m (2.6)

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)

Sehingga akan diperoleh hasil dengan:

a. Kesalahan pada fase pelatihan minimum.

b. Besar vektor yang terkecil dengan performansi generalisasi yang terbaik

c. Solusi minimum akhir H = T

2.7 Komponen Pembangun Sistem Keamanan Kunci Pintu Berbasis

Teknologi Pengenalan Wajah
2.7.1 Kamera EPS 32

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

Gambar 2.5 Kamera EPS 32

Tabel 2.1 Spesifikasi 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

Gambar 2.6 Rangkaian Esp32-Cam

Pada Gambar 2.6 Rangkaian Esp32-Cam Fungsi mikrokontroler antara lain

yaitu sebagai otak atau pengendali dari rangkaian elektronik untuk suatu tujuan
tertentu. Misalnya palang pintu otomatis, pasti kita bertanya “mengapa pintu itu
bisa terbuka otomatis?”, tentunya pintu palang tersebut tidak serta merta terbuka
atau tertutup dengan sendirinya, pasti ada sesuatu yang “men-trigger” si palang itu
untuk membuka atau menutup secara otomatis, baik dari sensor maupun ada orang
yang mengendalikan. Oleh karena itu fungsi mikrokontroler pada palang ini
adalah untuk memproses data input (misal: Keyboard, sensor jarak) yang
dilakukan pengolahan data dengan fungsi tertentu (misal: Jika tombol enter pada
keyboard di tekan maka palang akan terbuka) untuk kemudian menghasilkan
output (misal: motor penggerak atau dinamo mendapat sinyal dari mikrokontroler
untuk menggerakan palang pintu agar terbuka). Kesimpulannya mikrokontroler
adalah sebuah chip sebagai pengendali pada suatu rangkaian elektronik. ESP32
adalah mikrokontroler yang dikenalkan oleh Espressif System merupakan penerus
dari mikrokontroler ESP8266. Pada mikrokontroler ini sudah tersedia modul WiFi
dalam chip sehingga sangat mendukung untuk membuat sistem aplikasi Internet
of Things. terlihat pada gambar di atas merupakan pin out dari ESP32. Pin
tersebut dapat dijadikan input atau output untuk menyalakan LCD, lampu, bahkan
untuk menggerakan motor DC.

Pada pin out tersebut terdiri dari :

 18 ADC (Analog Digital Converter, berfungsi untuk merubah sinyal

analog ke digital)
 2 DAC (Digital Analog Converter, kebalikan dari ADC)
 16 PWM (Pulse Width Modulation)
 10 Sensor sentuh
 2 jalur antarmuka UART
 pin antarmuka I2C, I2S, dan SPI

2.7.2 Push Button

Push button adalah switch (saklar tombol tekan) merupakan

saklar/perangkat sederhana yang berfungsi sebagai memutuskan/menghubungkan
aliran arus listrik dengan menggunakan sistem kerja tekan unlock (tidak
mengunci). Sistem kerja unlock disini berarti saklar akan bekerja sebagai device
pemutus atau penghubung aliran arus listrik saat tombol ditekan dan saat tobmbol
tidak ditekan (dilepas). Sehingga saklar akan kembali pada kondisi normal.
Adapun gambar push button ditunjukkan pada Gambar 2.7 Push Button.
 Gambar 2.7 Push Button

Sebagai device penghubung atau pemutus, push button switch hanya

memiliki 2 kondisi, yaitu On dan Off (1 dan 0). Istilah On dan Off ini
menjadi sangat penting karena semua perangkat listrik yang memerlukan
sumber energi listrik pasti membutuhkan kondisi On dan Off. Karena
sistem kerjanya yang unlock dan langsung berhubungan dengan operator,
push button switch menjadi device paling utama yang biasa digunakan
untuk memulai dan mengakhiri kerja mesin di industri. Secanggih apapun
sebuah mesin bisa dipastikan sistem kerjanya tidak terlepas dari
keberadaan sebuah saklar seperti push button switch atau perangkat lain
yang sejenis yang bekerja mengatur pengkondisian On dan Off.
 Gambar 2.8 Prinsip Kerja Push Button Switch

Berdasarkan Gambar 2.8 Prinsip Kerja Push Button Switch fungsi

kerjanya yang menghubungkan dan memutuskan, push button switch
mempunyai 2 tipe kontak yaitu NC (Normally Close) dan NO (Normally
Open). NO (Normally Open), merupakan kontak terminal dimana kondisi
normalnya terbuka (aliran arus listrik tidak mengalir). Dan ketika tombol
saklar ditekan, kontak yang NO ini akan menjadi menutup (Close) dan
mengalirkan atau menghubungkan arus listrik. Kontak NO digunakan
sebagai penghubung atau menyalakan sistem circuit (Push Button ON).

2.7.3 Catu Daya (Power Supply)

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.

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.

Gambar 2.10 Rangkaian Catu Daya

Sebelum kita membahas lebih lanjut mengenai Prinsip Kerja DC

Power Supply, sebaiknya kita mengetahui Blok-blok dasar yang
membentuk sebuah DC Power Supply atau Pencatu daya ini. Dibawah ini
adalah Diagram Blok DC Power Supply (Adaptor) pada umumnya.
Adapun blok diagram dapat dilihat pada Gambar 2.11 Blok Diagram DC
Power Supply.

Gambar 2.11 Blok Diagram DC Power Supply

a. Transformator (Transformer / Trafo)

 Transformator (Transformer) atau disingkat dengan Trafo yang
digunakan untuk DC Power supply adalah Transformer jenis Step-down
yang berfungsi untuk menurunkan tegangan listrik sesuai dengan
kebutuhan komponen Elektronika yang terdapat pada rangkaian adaptor
(DC Power Supply). Transformator bekerja berdasarkan prinsip Induksi
elektromagnetik yang terdiri dari 2 bagian utama yang berbentuk lilitan
yaitu lilitan Primer dan lilitan Sekunder. Lilitan Primer merupakan Input
dari pada Transformator sedangkan Output-nya adalah pada lilitan
sekunder. Meskipun tegangan telah diturunkan, Output dari Transformator
masih berbentuk arus bolak-balik (arus AC) yang harus diproses
selanjutnya.
b. Penyearah Gelombang (Rectifier)

Rectifier atau penyearah gelombang adalah rangkaian Elektronika

dalam Power Supply (catu daya) yang berfungsi untuk mengubah
gelombang AC menjadi gelombang DC setelah tegangannya diturunkan
oleh Transformator Step down. Rangkaian Rectifier biasanya terdiri dari
komponen Dioda. Terdapat 2 jenis rangkaian Rectifier dalam Power
Supply yaitu “Half Wave Rectifier” yang hanya terdiri dari 1 komponen
Dioda dan “Full Wave Rectifier” yang terdiri dari 2 atau 4 komponen
dioda. Transformator diperlukan untuk menurunkan tegangan AC dari jala-
jala listrik pada kumparan primernya menjadi tegangan AC yang lebih
kecil pada kumparan sekundernya.

c. Penyaring (Filter)

Dalam rangkaian DC Power supply, filter digunakan untuk meratakan

sinyal arus yang keluar dari Rectifier. Filter ini biasanya terdiri dari
komponen Kapasitor (Kondensator) yang berjenis Elektrolit atau ELCO
(Electrolyte Capacitor).
d. Pengatur Tegangan (Voltage Regulator)

Untuk menghasilkan Tegangan dan Arus DC (arus searah) yang tetap

dan stabil, diperlukan Voltage Regulator yang berfungsi untuk mengatur
tegangan sehingga tegangan Output tidak dipengaruhi oleh suhu, arus
beban dan juga tegangan input yang berasal Output Filter. Voltage
Regulator pada umumnya terdiri dari Dioda Zener, Transistor atau IC
(Integrated Circuit). Pada DC Power Supply yang canggih, biasanya
Voltage Regulator juga dilengkapi dengan Short Circuit Protection
(perlindungan atas hubung singkat), Current Limiting (Pembatas Arus)
ataupun Over Voltage Protection (perlindungan atas kelebihan tegangan).

2.7.4 Solenoid Door Lock

Solenoid Door Lock difungsikan khusus sebagai untuk pengunci pintu

secara elektronik. Solenoid ini mempunyai dua sistem kerja, yaitu Normaly Close
(NC) dan Normaly Open (NO). Perbedaan keduanya adalah jika cara kerja
solenoid NC apabila diberi tegangan, maka solenoid akan memanjang (tertutup).
Sedangkan untuk cara kerja dari Solenoid NO adalah kebalikannya dari Solenoid
NC. Biasanya kebanyakan solenoid lock membutuhkan input atau tegangan kerja
DC tetapi ada juga solenoid lock yang hanya membutuhkan input tegangan 5V
DC sehingga dapat langsung bekerja dengan tegangan output dari pin IC digital.
Namun jika yang digunakan Solenoid Lock yang 12V DC. Berarti dibutuhkan
power supply 12V dan sebuah relay untuk mengaktifkannya. Adapun bentuk dari
selenoid door lock dapat dilihat Gambar 2.12 Solenoid Selenoid Door Lock

Gambar 2.12 Solenoid Door Lock

 Pengunci pada simulasi alat digunakan solenoid 12 volt. Prinsip dari
solenoid sendiri akan bekerja sebagai pengunci menggunakan driver transistor
sebagai saklar. Sinyal akan dikirim ke kaki basis pada transistor BC548C jenis
NPN, sehingga ada aliran tegangan melalui sumber 12 volt melalui lilitan
solenoid. Aliran diteruskan ke kakikolektor, kemudian akan diteruskan ke kaki
emitor dan menuju ground sehingga membuat solenoid aktif. Adapun skema
rangkaian dari solenoid pada magnetic door lock terdapat pada Gambar 2.13
Rangkaian Driver Solenoid sebagai berikut :

Gambar 2.13 Rangkaian Driver Solenoid.

2.7.5 Kabel Jumper

Kabel jumper merupakan kabel yang dipergunakan untuk menghubungkan

satu komponen dengan komponen lainnya ataupun menghubungkan jalur
rangkaian yang terputus pada breadboard seperti pada Gambar 2.14 Kabel Jumper
 Gambar 2.14 Kabel Jumper

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

Prinsib kerja sama dengan kontraktor magnet yaitu sama-sama

berdasarkan kemagnetan yang dihasilkan oleh kumparan coil, jika kumparan, coil
tersebut diberi sumber listrik. Berdasarkan suber listrik yang masukmaka relay
dibagi menjadi2 macam yaitu relay DCdan relay AC, besar tegangan DC yang
masuk pada coil relay bervariasi sesuai dengan ukuran yang tertera pada body
relay tersebut diantaranya relay dengan tegangan 6 Volt, 12 Volt, 24 Volt, 48
Volt, sedangkan untuk tegagan AC sebesar 220 Volt.
Relay terdiri dari coil dan contact, coil adalah guungan kawat yang
mendapat aus listrik, sedangkan contact adalah sejenis saklar yang pergerakannya
tergantung dari ada tidaknya arus listri di coil. Contact ada 2 jenis : Normally
Open (kondisi awal sebelum diaktifkan open) dan Normally Closed (kondisi awal
sebelum diaktifkan close) seperti pada Gambar 2.16 Rangkaian Relay. Secara
sederhananya berikut ini prinsib kerja dari relay : ketika coil mendapatkan listrik
(energized), akan timbul gaya elektromagnetik yang akan menarik armature yang
berpegas dan contact akan menutup.
 Gambar 2.16 Rangkaian Relay

Adapun spesipikasi dari modul relay 2 channel, sebagai berikut :

 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.

2.8 Penelitian Terdahulu

 Penelitian terdahulu dapat dijadikan sebagai bahan acuan atau referensi studi
ilmiah yang telah dilakukan orang sebelumnya terkait dengan sistem keamanan
kunci pintu berbasis teknologi pengenalan wajah. Karena dalam konteks ini,
peneliti merujuk pada penelitian terdahulu yang dijadikan sebagai acuan
penguatan studi yang sedang dilakukan, namun peneliti tidak merujuk pada studi
awal tersebut, karena judul dan topiknya yang digunakan berbeda. Tetapi refleksi
peneliti ini hanya bersifat diskusi saja.
Beberapa penelitian terdahulu yang memanfaatkan pengenalan wajah untuk
keamanan pintu sudah pernah dilakukan. Eleider Notarisman Zai pada tahun 2018
membuat sistem “Akses Pintu Otomatis Berbasis Pengenalah Wajah Dengan
Menggunakan Extreme Learning Machine”. Penelitian ini menggunakan metode
ELM yang mampu melakukan pengenalan wajah melalui citra wajah dengan
sangat baik. Namun masih kurang baik ketika mencoba mengenali wajah yang
tidak ada di basis data. Penelitian tersebut berhasil membuka pintu ketika citra
wajah berhasil diindentifikasi oleh sistem. Sedangkan pintu akan tetap tertutup
ketika citra wajah tidak dikenali atau gagal diidentifikasi. Sehingga sistem dapat
digunakan sebagai fitur keamanan pada pintu ruangan khusus atau privasi. Selain
itu dengan menggunakan metode Local Binary Pattern untuk ekstraksi ciri
berbasis tekstur yang cukup bagus dalam ekstraksi wajah. Kekurangannya yaitu
ketika wajah memiliki tingkat kemiripan yang hampir sama, maka hasil fitur yang
diektraksi LBP pun hampir sama. Sehingga keberhasilan dalam mengidentifikasi
akan sangat tergantung pada kemampuan dari metode pengklasifikasinya
Penelitian lainnya dilakukan oleh Vicant Raja Simamora pada tahun 2018
membuat sistem “Pengenalan Wajah Sebagai Sistem Kendali Buka Tutup Pintu
Ruangan Dengan Metode Support Vector Machine”. Penelitian ini menggunakan
metode SVM yang mampu melakukan identifikasi wajah dengan cukup baik pada
kondisi cahaya cukup. Sehingga hasil dari proses identifikasi wajah yang valid
memiliki tinggkat akurasi 90,9%. Pada tahap pengujian sistem juga ditetapkan
bahwa wajah disebut valid jika akurasi pengenalan di atas sama dengan 70%. Jika
dinilai akurasi di bawah 70%, maka pengenalan wajah terhitung salah
 Penelitian terdahulu juga pernah dilakukan Fadel Muhammad pada tahun
2018 yaitu membuat “Sistem Keamanan Akses Pintu Masuk Menggunakan Face
Recognition Berbasis Raspberry PI 3”. Penelitian ini menggunakan metode
algoritma SURF sebagai Face Recognition yang mendapatkan akurasi
pencocokan citra wajah yang sesuai data sebesar 91,4% dan untuk pencocokan
citra wajah yang yang tidak sesuai data 82,9% sehingga algoritma SURF dapat
diterapkan sebagai Face Recognition dalam sebuah sistem. Pengendalian relay
menggunakan telegram memiliki delay rata-rata sebesar 0,85 detik. Hal ini
menunjukkan bahwa sistem pengendalian relay menggunakan telegram dapat
diimplementasikan sebagai sistem yang memiliki delay yang rendah[6].
 BAB III
METODE PENELITIAN

3.1 Tahap-Tahap Penelitian

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:

Gambar 3.1 Alur Kerja Penelitian

Dari diagram alir penelitian diatas dapat diuraikan:

1. Melakukan perancangan dengan studi literature yaitu dengan melakukan
tinjauan kepustakaan yang terkait dengan masalah yang dibahas. Yang
diiharapkan dapat memberikan keyakinan bahwa penelitian ini dapat
dilaksanakan dan memberikan arahan untuk mengurangi kesalahan dalam
penelitian.
2. Selanjutnya melakukan perancangan komponen seperti komponen apa saja
yang dirancang dan juga bagaimana cara penyambungan atau wiring
komponen tersebut sehingga menjadi 1 kesatuan yang akan menghasilkan
sebuah projek.
3. Kemudian melakukan pemograman dari controller yang digunakan yaitu
Arduino uno dan jugaESP 32-CAM agar mendapatkan hasil percobaan
 yang diinginkan seperti pada flowchart yang telah ditentukan selesai
melakukan wiring pada semua komponen.
4. Menguji alat tersebut ketika program sudah dapat di upload kepada
controller. Pada pengujian alat, kita perlu memperhatikan error yang
terjadi setelah melakukan wiring pada semua komponen.
5. Pengambilan data dari pengujian alat yang telah dilakuan untuk
mendapatkan beberapa aspek seperti akurasi dan kecepatan dari alat
simulasi tersebut. Lakukan juga beberapa pengujian sehingga mempunyai
beberapa data yang dapat digunakan sebagai pertimbangan dalam
menentukan sapek yang ingin dituju
6. Pembahasan data yang telah diambil sehingga kita dapat membuat
kesimpulan atau hasil akhir dari pengujian alat yang telah dilakukan.
7. Membuat analisa dan laporan sesuai dengan ketentuan yang ada sehingga
dapat dipahami oleh pembaca yang ingin melakukan pengembangai dari
penelitian yang dibuat.

3.2 Diagram Blok Sistem

Sebelum membuat perancangan alat, terlebih dahulu dilakukan perancangan

diagram blok yang akan menjadi kerangka gambaran dalam pembuatan alat sesuai

dengan target yang diinginkan. Diagram blok pada penelitian ini dijelaskan pada

Gambar 3.2 Diagram Blok Sistem berikut.

 3.2 Diagram Blok Sistem

Dari Gambar 3.2 Diagram Blok Sistem dapat mengetahui sistem kerja alat, yaitu
sebagai berikut :

1. Esp32-cam pada sistem ini berfungsi sebagai otak untuk menjalankan

sistem dan sebagai pusat pengendali jalannya sistem ini. Esp32-cam juga
berfungsi untuk mengambil gambar kemudian dikirimkan ke database
untuk mendeteksi apakah wajah tersebut cocok atau tidak yang ada
didatabase.
2. Relay
Berfungsi sebagai saklar pada solenoid, digunakan untuk menyalahkan
dan memutuskan arus listrik pada solenoid, kemudian untuk menjalankan
perintah ke solenoid.
3. Fungsi selenoid sebagai penutup dan pembuka pintu pada sistem ini lalu
selenoid akan berjalan sesuai perintah relay.
4. Adaptor
Berfungsi untuk memberika aliran arus DC kepada Esp32-cam dan
selenoid.
3.3 Deskripsi Kerja Alat

Deskripsi kerja dibutuhkan supaya menjadi acuan dalam membuat simulasi

dari alat yang penelitian ini sehingga apa yang di baut pada penelitian ini tercapat
sesuai dengan deskripsi kerja yang telah ditentukan. Deskripsi kerja saat
menggunakan sistem pengenalan wajah mengandalkan kontroller ESP 32 – CAM.
Wajah akan terdeteksi pada kamera yang sudah terpasang pada kontroller tersebut
lalu akan di proses untuk membuka pintu. Berikut ini adalah flowchart dari
deskripsi kerja dengan pengenalan wajah.
 Gambar 3.3 Flowchart Sistem Pengenalan Wajah

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

Pada proses pengenalan wajah, tahapannya dimulai dari pengumpulan dataset

untuk pelatihan dan pengujian. Kemudian pada data citra tersebut dilakukan
preprocessing, yaitu menyesuaikan ukuran seluruh data citra serta mengubah citra
ke bentuk grayscale dari sebelumnya data citra yang berbentuk RGB. Selanjutnya
dilakukan proses ekstraksi fitur untuk mendapatkan nilai ciri dari setiap citra.
Hasil ekstraksi fitur citra latih disimpan untuk digunakan sebagai pembanding
dalam proses klasifikasi dengan hasil ekstraksi fitur dari citra uji. Output dari hasil
klasifikasi pada proses pengenalan akan digunakan untuk mengontrol pintu secara
otomatis.
3.4.1 Face Detection (Deteksi Wajah)

Data citra yang menjadi input terlebih dahulu dilakukan pemeriksaan,

apakah pada citra tersebut terdapat wajah atau tidak. Jika area wajah terdeteksi
maka dilakukan cropping atau pemotongan. Hingga hanya area wajah saja yang
diambil dan dilanjutkan untuk masuk ke proses berikutnya seperti pada Gambar
3.4 Deteksi Wajah. Tujuannya adalah untuk memastikan input citra yang akan
diolah adalah wajah.

Input : Data Citra

Output : Data citra wajah

Gambar 3.4 Deteksi Wajah

3.4.2 Preprocessing

Pada tahapan preprocessing citra akan diolah dengan cara melakukan

resizing dan grayscaling.

1. Resizing adalah mengubah ukuran citra sesuai yang diinginkan. Tujuannya

adalah untuk menyesuaikan seluruh ukuran citra menjadi satu ukuran tertentu.

Pada penelitian ini, ukuran citra diubah menjadi 100 x 100.

Input : Data citra wajah

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

G = 0.2999 R + 0.587 G +0.114 B (3.1)

Tujuannya adalah untuk mempercepat proses pengolahan pada tahapan

berikutnya.

Input : Data citra wajah RGB

Metode : grayscaling
Output : Data citra wajah dengan warna keabu-abuan.

Gambar 3.5 Prepocessing Pada Wajah

Berikut merupakan contoh Merubah RGB ke Grayscale:

G = 0.2999 R + 0.587 G +0.114 B

G = 0.2999 R + 0.587 G + 0.114 B

G = 0.2999 x 177 + 0.587 x 154 + 0.114 x 138

= 159

3.4.3 Ekstraksi Fitur

Ekstraksi fitur adalah proses untuk mendapatkan ciri-ciri pembeda yang

membedakan suatu sampel wajah dari sampel yang lain seperti yang terlihat pada
Gambar 3.6 Ekstraksi Fitur. Ekstraksi fitur juga merupakan proses yang berfungsi
untuk mendapatkan iformasi yang efektif dan berguna untuk membedakan wajah-
wajah orang yang berbeda dari citra wajah yang telah diselaraskan

Input : Data citra wajah (grayscale dengan ukuran 100 x 100)

Output : Fitur dari setiap wajah

Gambar 3.6 Ekstraksi Fitur Wajah

3.4.4. Percocokan Fitur Wajah

Pecocokan fitur merupakan proses perbandingan fitur yang telah diekstrak

dari citra uji dengan fitur citra wajah dari database, yang sebelumnya telah melalui
proses pelatihan citra. Dari proses perbandingan fitur tersebut akan menghasilkan
nilai jarak terdekat yang menandakan nilai fitur uji hampir menyamai dengan fitur
citra latih. Nilai jarak ini akan menjadi nilai masukan untuk nilai kemiripan citra.

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

Output : Berhasil (wajah dikenali, kirim sinyal ke mikrokontroler untuk buka

pintu) atau gagal (wajah tidak dikenali).

Gambar 3.7 Klasifikasi Wajah

3.5 Perancangan Rangkaian Sistem

Perancangan elektrik pada sistem keamanan pintu menggunakan ESP32-

CAM. Sumber tegangan ESP32-CAM menggunakan 5 volt. Selain itu digunakan
Power Supplay 12 volt untuk menghidupkan solenoid door lock. Berikut adalah
perancangan elektrik secara keseluruhan.

Gambar 3.8 Rangkaian Sistem

Dari Gambar 3.8 Rangkaian Sistemdi atas terlihat komponen-kompenen

yang digunakan antara lain, ESP32-CAM, relay 5V, breadboard, solenoid door
lock, adaptor 12 VDC, sumber 5V dan push button. Sumber tegangan 5V
dijadikan satu pada breadboard agar mempermudah pengambilan dan peletakan
sumber tegangan pada perancangan ini. Rangkaian di atas digabungkan dengan
papan FTDI, Modul Relay, dan Selenoid Lock. Papan FTDI digunakan untuk
mem-flash kode ke ESP32-CAM karena tidak memiliki konektor USB sedangkan
modul relay digunakan untuk mengaktifkan atau menonaktifkan kunci Solenoid.
Pin VCC dan GND dari board FTDI dan modul Relay terhubung ke pin Vcc dan
GND ESP32-CAM. TX dan RX dari papan FTDI terhubung ke RX dan TX dari
ESP32 dan pin IN dari modul relay terhubung ke IO4 dari ESP32-CAM.
 BAB IV
HASIL DAN PEMBAHASAN

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.

4.1 Hasil Perancangan Alat

Alat simulasi ini dibuat dengan menggunakan papan dengan ketebalaan 10

mm sebagai alas untuk komponen dan juga sebagai dinding pintu, sehingga alat
simulasi terlihat kokoh. Pada alat ini menggunakan sumber untuk kontroler yaitu
ESP32-CAM sebesar 5 VDC dan juga 15 VDC untuk sumber tegangan solenoid
door lock.

Gambar 4.1 Hasil Alat Simulasi

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.

4.2 Pengujian Sistem Face Detection

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.

Berikut ini adalah langkah-langkah untuk membuka tampilan pada sitem

pendeteksi wajah:

1. Pada langkah utama adalah menghubungkan ESP32-CAM ke laptop atau

komputer kita untuk melihat hasil dari sistem pendeteksi wajah yang telah
dibuat.
2. Memastikan program yang telah kita buat sudah di upload denga benar
pada ESP-32 CAM
3. Menekan tombol reset yang terdapat pada ESP32-CAM dan juga buka
menu serial IP addres dari sistem web pengenalan wajah.
4. apabila telah muncul alamat IP address maka copy dan paste alamat IP
address tersebut pada browser untuk membuka web sistem pengenalan
wajah.
5. Apabila sudah berhasil maka tampilan web sistem pengenalan wajah akan
tampak seperti Gambar 4.2 Tampilan Web Simulasi
 Gambar 4.2 Tampilan Web Simulasi

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.

Gambar 4.4 Pengujian Wajah Tidak Dikenali

4.3 Pengujian Kamera ESP 32

Pengujian pada rangkaian Esp32-Cam ini dapat dilakukan dengan

menggabungkan rangkaian ini dengan multimeter sebagai pendeteksi sumber
tegangan. Pada pengujian ini metode yang dipakai ialah dengan menguji melalui
pin digital yang ada pada rangkaian Esp32-Cam dengan menggunakan multimeter
sebagai pedeteksi tegangan yang dihasilkan. Pada program uji arduino
dimasukkan perintah “HIGH” dan “LOW” yang artinya menghidupkan dan
mematikan pin yang diberi perintah “HIGH” dan “LOW” dan menghasilkan
tegangan 3.3 volt pada multimeter. Pada pin digital tegangan yang terdapat ialah
sebesar 3.3 volt, maka dari itu pada saat pin digital diuji oleh multimeter maka
hasil yang terdapat di multimeter haruslah sebesar 3.3 volt. Jika yang dihasilkan
3.3 volt maka Esp32-Cam tersebut dapat digunakan dan berfungsi dengan baik.
Adapun hasil dari pengujian dapat ilihat pada Tabel 4.1 Pengujian Esp32-Cam.

Gambar 4.5 Pengujian Esp32-cam

Tabel 4.1 Pengujian Esp32-Cam

Pin Digital Perintah Tegangan

0 HIGH 3,26
1 LOW 0
2 HIGH 3,1
3 LOW 0
4.4 Pengujian Push Button

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:

Gambar 4.6 Pengujian Push Button

Tabel 4.2 Hasil Pengujian Push Button

N Push Button Kondisi Alat Keterangan

o
1 Hold Berhenti Benar
2 Reset Mereset Benar
4.5 Pengujian Solenoid Door Lock

Pengujian dilakukan dengan cara memberikan tegangan sebesar 12 volt pada

solenoid door lock seperti pada Gambar 4.7 Pengujian Solenoid Door Lock . Jika
solenoid door lock diberikan tegangan 12 volt atau dalam kondisi high maka
solenoid akan terbuka dan jika tidak diberi tegangan maka kondisi solenoid akan
terkunci. Adapun hasil dari pengujian dapat dilihat dari Tabel 4.3 Pengujian
Solenoid Door Lock.

Gambar 4.7 Pengujian Solenoid Door Lock

Tabel 4.3 Pengujian Solenoid Door Lock

Kondisi Data pengujian (V)

1 2 3 Rata-rata
Terbuka 12,24 12,23 12,23 12,23
Tertutup 0 0 0 0

Hasil pengujian solenoid door lockmemperlihatkan bahwa solenoid door

lock akan aktif atau terbuka jika terkena tegangan dan akan terkunci jika tidak
terkena tegangan seperti diperlihatkan pada Tabel 4.3 Pengujian Solenoid Door
Lock.
4.6 Pengujian Relay

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 :

- Pin input relay modul IN 1 indikator relay menyala.

- Pin input relay modul IN 2 indikator relay menyala.

Gambar 4.8 Pengujian Relay

 Tabel 4.4 Pengujian Relay

Tegangan coil Kondisi relay Kondisi relay

Relay
(volt) awal sekarang
NC (normaly
5 (normaly open)
close)
Relay 5V
NO (normaly
0 (normaly close)
open)

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.

4.7 Pengujian adaptor (Power Supply)

Pengujian adaptor dilakukan dengan menggunakan sumber tegangan 220 volt

dan adaptor akan menjadikan tegangan tegangan 220 volt AC menjadi tegangan
12 volt DC. Setelah sumber 220 AC dimasukkan, keluaran adaptor akan diukur
menggunakan multimeter seperti pada Gambar 4.9 Pengujian Power Supply .
Apakah keluaran sesuai dengan tegangan DC yang ditentukan oleh adaptor.
Berikut adalah hasil pengujiian adaptor. Dari Gambar 4.9 Pengujian Power
Supply dapat diperlihatkan bahwa adaptor dapat berfungsi dengan semestinya,
karena output dari adaptor masih normal yaitu 12 volt. Dengan begitu berarti
adaptor dapat dipergunakan untuk keperluan alat
 .
Gambar 4.9 Pengujian Power Supply

4.8 Pengujian Sistem Oprasi Alat Secara Menyeluruh

Pengujian secara menyeluruh dilakukan dengan tujuan apakah alat berjalan

sudah sesuai dengan apa yang diinginkan . berikut adalah hasil pengujian secara
menyeluruh terhadap alat yang digunakan. Dari hasil pengujian yang dilakukan
alat bekerja dengan baik sesuai dengan apa yang diinginkan oleh penulis seperti
pada Gambar 4.10 Pengujian Alat Secara Menyeluruh.

Gambar 4.10 Pengujian Alat Secara Menyeluruh

4.9 Pengujian Sistem

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 :

4.9.1 Image Processing Grayscale

 Melakukan pemerosesan citra dengan tujuan mengubah gambar asli ke citra
grayscale dan dapat mempermudah kerja sistem dalam pendeteksian letak wajah
dengan batas satu warna yaitu abu-abu. Gambar scala abu-abu dapat menjadi hasil
pengukuran intensitas cahaya pada setiap piksel berdasarkan kombinasi frekuensi
tertentu (panjang gelombang) tertentu, dan dalam kasus seperti itu monokromatik
tepat ketika hanya satu frekuensi (dalam praktiknya, pita frekuensi sempit) yang
ditangkap. Frekuensi pada prinsibnya didapatkan dari mana saja dalam sebuah
spectrum elektro magnetic (misalnya pada inframerah, cahaya tampak, ultraviolet,
dll.)
4.9.2 Ekstraksi Fitur dan Percocokan dengan Haar
Ekstraksi fitur merupakan suatu pengambilan fitur dari suatu bentuk yang
nantinya nilai yang didapatkan akan dianalisa untuk proses selanjutnya. Ekstraksi
fitur dilakukan dengan cara menghitung jumlah titik atau fiksel yang ditemui
dalam setiap pengecekan. Pengecekan dilakukandalam berbagai arah koordinat
kartesian dari citra digital yang dianalisis, yaitu vertical,horizontal, diagonal
kanan, dan diagonal kiri. Fitur yang didapat dari sebuah citra merupakan ciri khas
sebagai pembeda dengan citra-citra yang lain. Jika frame itu berbentuk
wajahmaka akan langsung membuat kotak disekitar area yang merupakan wajah
pada frame tersebut.
4.9.3 Data Sampel
Pada Gambar 4.12 Klasifikasi Haar dijelaskan data sampel ini diambil pada
saat enroll wajah yang disimpan didalam Flash Memory pada ESP32 untuk
membantu sistem mengenali wajah pada saat streaming video.

Gambar 4.12 Klasifikasi Haar

 Data yang disimpan di Flash Memory akan tetap tersimpan dan tidak
terhapus walaupun ESP32 dimatikan, ESP32 sendiri mempunyai Flash Memory
dengan ukuran 4MB, Flash Memory sendiri dan lebih dikenal dengan istilah
EEPROM. Kuantitas dari data sampel sangat menentukan tingkat keakuratan pada
proses pengujian nantinya.
4.9.4 Publish MQTT

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.

Berikutnya adalah pengujian untuk mendapatkan nilai akurasi yang berupa

presentase. Pada pengujian ini tetap menggunakan beberapa variasi seperti, , pakai
topi, pakai kaca mata, masker, jaket penutup kepala, kacamata dan masker, topi
dan kaca mata, topi dan masker, kalung, dan kacamata hitam yang akan diujikan.
Terdapat 4 objek yang tersimpan oleh sistem sehingga dapat dikenali oleh sistem
yaitu objek 1, 2 ,3 dan 4. Pada pengujian ini di fokuskan untuk mencari nilai
presentase rat-rata dari beberapa percobaan untuk menentukan apakah ada error.
Berikut ini adalah Tabel 4.5 Hasil Pengujian untuk mencari nilai akurasi.

Tabel 4.5 Hasil Pengujian

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

Rata-Rata Akurasi 84%

Keterangan : √ = Wajah Dikenali

X = Wajah Tidak 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.