implementation of eye blink detection using haar cascade classifier and contour to system login...
TRANSCRIPT
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
1/79
TUGAS AKHIR
IMPLEMENTASI DETEKSI KEDIPAN MATA DENGAN HAAR CASCADE CLASSIFIER DAN CONTOUR SEBAGAI
PASSWORD LOGIN SISTEM
IMPLEMENTATION OF EYE BLINK DETECTION USING HAAR CASCADE CLASSIFIER AND CONTOUR TO SYSTEM
LOGIN PASSWORD
Diajukan untuk memenuhi salah satu syaratmemperoleh gelar Sarjana Teknik Informatika
Disusun Oleh:
Nama : Muhammad Syarif
NIM : A11. !11.!"#$
%rogram Studi : Teknik Informatika Strata 1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2015
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
2/79
PERSETUJUAN TUGAS AKHIR
Nama : Muhammad Syarif
NIM : A11. !11.!"#$
%rogram Studi : Teknik Informatika
&akultas : Ilmu 'omputer
(udul Tugas Akhir : Implementasi Deteksi 'edipan Mata dengan )aar
*as+ade *lassifier dan *ontour se,agai %ass-ordogin Sistem
Tugas Akhir ini telah diperiksa dan disetujui/
Semarang/!0 Agustus !10
Menyetujui :
%em,im,ing
Mengetahui :
Dekan &akultas Ilmu 'omputer
Wijana !"#M$K"% D $ D &$ A'()* S+),) # MM
2
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
3/79
PENGESAHAN DEWAN PENGUJI
Nama : Muhammad Syarif
NIM : A11. !11.!"#$
%rogram Studi : Teknik Informatika
&akultas : Ilmu 'omputer
(udul Tugas Akhir : Implementasi Deteksi 'edipan Mata dengan )aar
*as+ade *lassifier dan *ontour se,agai %ass-ordogin Sistem
Tugas akhir ini telah diujikan dan dipertahankan dihadapan De-an %enguji padasidang tugas akhir tanggal !10. Menurut pandangan kami/ tugas akhir ini
memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana 'omputer S.'om.2
Semarang/ !0 Agustus !10
De-an %enguji:
S)- a+".i# M$K"% A+) P/ !i i# S$K"%# MT
Anggota1 Anggota
S*a%/! S)(a +an!" N$# ST# M$K"%
'etua %enguji
3
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
4/79
PERN ATAAN KEASLIAN TUGAS AKHIR
Se,agai mahasis-a 3ni4ersitas Dian Nus-antoro/ yang ,ertanda tangan di ,a-ah
ini/ saya:
Nama : Muhammad Syarif
NIM : A11. !11.!"#$
Menyatakan ,ah-a karya tulis ilmiah saya yang ,erjudul:
I%-*/%/n!a&i D/!/,&i K/(i-an Ma!a (/n.an Haa Ca& a(/ C*a&&i3i/ (an
C"n!") &/'a.ai Pa&& " ( L".in Si&!/%$
Merupakan karya asli saya ke+uali +uplikan dan ringkasan yang masing5masing
telah saya jelaskan sum,ernya2.Apa,ila di kemudian hari/ karya saya disinyalir
,ukan merupakan karya asli saya/ yang disertai dengan ,ukti5,ukti yang +ukup/
maka saya ,ersedia untuk di,atalkan gelar saya ,eserta hak dan ke-aji,an yang
melekat pada gelar terse,ut. Demikian surat pernyataan ini saya ,uat dengan
se,enarnya.
Di,uat di : Semarang
%ada tanggal : !0 Agustus !10
6ang Menyatakan
Muhammad Syarif 2
4
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
5/79
PERN ATAAN PERSETUJUAN PUBLIKASI KAR A ILMIAH UNTUK
KEPENTINGAN AKADEMIS
Se,agai mahasis-a 3ni4ersitas Dian Nus-antoro/ yang ,ertanda tangan di ,a-ah
ini/ saya:
Nama : Muhammad Syarif
NIM : A11. !11.!"#$
demi mengem,angkan Ilmu %engetahuan/ menyetujui untuk mem,erikan kepada
3ni4ersitas Dian Nus-antoro )ak 7e,as 8oyalti Non59ksklusif Non-exclusive
Royalty-Free Right 2 atas karya ilmiah saya yang ,erjudul:I%-*/%/n!a&i D/!/,&i K/(i-an Ma!a (/n.an Haa Ca& a(/ C*a&&i3i/ (an
C"n!") &/'a.ai Pa&& " ( L".in Si&!/%$
Dengan )ak 7e,as 8oyalti Non59ksklusif ini 3ni4ersitas Dian Nus-antoro
,erhak untuk menyimpan/ meng+opy ulang memper,anyak2/ menggunakan/
mengelolanya dalam ,entuk pangkalan data database 2/ mendistri,usikannya dan
menampilkan mempu,likasikannya di internet atau media lain untuk kepentingan
akademis tanpa perlu meminta ijin dari saya selama tetap men+antumkan namasaya se,agai penulis pen+ipta.
Saya ,ersedia untuk menanggung se+ara pri,adi/ tanpa meli,atkan pihak
3ni4ersitas Dian Nus-antoro/ segala ,entuk tuntutan hukum yang tim,ul atas
pelanggaran )ak *ipta dalam karya ilmiah saya ini.
Demikian surat pernyataan ini saya ,uat dengan se,enarnya.
Di,uat di : Semarang
%ada tanggal : !0 Agustus !10
6ang menyatakan
Muhammad Syarif 2
5
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
6/79
UCAPAN TERIMA KASIH
Dengan memanjatkan puji syukur kehadirat Allah S;T. Tuhan 6ang Maha
%engasih dan Maha %enyayang yang telah melimpahkan segala rahmat/ hidayah
dan inayah5Nya kepada penulis sehingga laporan tugas akhir dengan judul
dapat penulis selesaikan sesuai dengan ren+ana karena dukungan dari ,er,agai
pihak yang tidak ternilai ,esarnya. Oleh karena itu penulis menyampaikan terima
kasih kepada :
1. Dr. Ir. 9di Noersasongko/M.'om./ selaku 8ektor 3ni4ersitas Dian
Nus-antoro Semarang.. Dr. A,dul Syukur/ selaku Dekan &akultas Ilmu 'omputer 3ni4ersitas Dian
Nus-antoro.?. )eru Agus Santoso/%h.D selaku ka. %rogdi Teknik Informatika.#. ;ijanarto/M.'om selaku dosen pem,im,ing yang telah mem,erikan
,im,ingan kepada penulis dalam penyusunan laporan tugas akhir ini.0. Dosen5dosen pengampu di &akultas Ilmu 'omputer Teknik Informatika
3ni4ersitas Dian Nus-antoro Semarang yang telah mem,erikan ,anyak ilmu.". 7apak dan I,u yang tidak pernah lelah mem,erikan doa serta dorongan
kepada penulis untuk maju dan terus ,erusaha.$. Saha,at @ saha,at dan teman @ teman penulis Ma,uud #11 dan Barokah
'os2 yang selalu mem,erikan semangat dan dorongan untuk terus ,erusaha.
Semoga laporan tugas akhir ini dapat memperluas -a-asan dan pengetahuan
yang ,ermanfaat dan ,erguna se,agaimana fungsinya.Semarang/ !0 Agustus !10
%enulis
ABSTRAK
6
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
7/79
Di dalam perkem,angan teknologi/ keamanan menjadi prioritas utama. 7aik keamanan data/ had-are atau soft-are. Dalam menjaga keamanan diperlukan data
pri,adi se,agai autentikasi dan 4alidasi pengguna yang sah. *ontoh data pri,adiyang sering dijumpai adalah pass-ord. 7iasanya/ pengguna memasukkan
pass-ord se+ara langsung menggunakan key,oard. *ara ini rentan terhadap pen+urian pass-ord se+ara keystroke atau perekaman pengetikan pada key,oard/+ontohnya dengan aplikasi 'eylogger. Maka di,uatlah ,e,erapa 4ariasi pass-ordyang meminimalisir interaksi langsung pengguna dengan key,oard. Salah satu+ara adalah memanfaatkan kedipan mata menjadi pass-ord. Dengan )aar *as+ade *lassifier se,agai metode deteksi ,again tu,uh tertentu suatu o,yek manusia2/ dan *ontour se,agai deteksi kontur/ dapat dimanfaatkan untuk
mendeteksi mata dengan )aar *as+ade/ dan mendeteksi kontur mata ter,uka danmenutup dengan *ontour. Setelah mata terdeteksi/ dengan jarak/ posisi o,yek dan
posisi sum,er +ahaya tertentu/ maka akan didapatkan kontur mata sempurnase,agai a+uan kedipan mata. Nilai threshold juga ,erpengaruh pada hasil kontur yang dihasilkan dari ,er,agai jenis mata ,aik ,entuk maupun -arnanya.7erdasarkan hasil pengujian terhadap 10 sampel pass-ord kedipan/ didapatkanakurasi $1/#? C/ dan pengujian keystroke dengan aplikasi keylogger/ pass-ordkedipan tidak terekam dalam log file keylogger.
'ata kun+i: Deteksi kedipan mata/ )aar +as+ade *lassifier/ *ontour/ password / login sistem.
i E 0F halamanG ?" gam,arG F ta,el
Daftar a+uan: 1 ?5 !102
7
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
8/79
DAFTAR ISI
%98S9T3(3AN T3=AS A')I8......................................................................... .ii
%9N=9SA)AN D9;AN %9N=3(I.....................................................................iii
%98N6ATAAN '9AS IAN T3=AS A')I8......................................................i4
%98N6ATAAN %98S9T3(3AN %37 I'ASI 'A86A I MIA) 3NT3''9%9NTIN=AN A'AD9MIS................................................................................4
3*A%AN T98IMA 'ASI)...................................................................................4i
A7ST8A'.............................................................................................................4ii
DA&TA8 ISI.........................................................................................................4iii
DA&TA8 TA79 ..................................................................................... ...............
DA&TA8 =AM7A8........................................................................................... ... i
7A7 I %9NDA)3 3AN........................................................................................1
1.1 atar 7elakang..........................................................................................1
1. 8umusan Masalah.....................................................................................?
1.? 7atasan Masalah........................................................................................?
1.# Tujuan........................................................................................................?
1.0 Manfaat......................................................................................................#
7A7 II ANDASAN T9O8I..................................................................................0
.1 Tinjauan Studi...........................................................................................0
. Tinjaun %ustaka.........................................................................................$
. .1 Mata...................................................................................................$
. . 'edipan Mata.....................................................................................
. .? *itra..................................................................................................1!
. .# Bideo................................................................................................1!
2.2.5 Real Time ..........................................................................................11
. ." %engolahan *itra..............................................................................1
2.2.7 ogin ................................................................................................1#
2.2.! "assword ..........................................................................................10
2.2.# Open*B...........................................................................................1"
8
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
9/79
. .1! )aar *as+ade *lassifier...................................................................1$
. .11 *ontour............................................................................................. $
.? 'erangka %emikiran................................................................................?!
7A7 III M9TOD9 %9N9 ITIAN......................................................... ...............?1
?.1 Instrumen %enelitian................................................................................?1
?. Metode %engumpulan Data.....................................................................?1
?. .1 9ksperimen.......................................................................................?1
?. . Studi %ustaka....................................................................................?
?.? Metode %engumpulan Data.....................................................................?
?.# Metode %enelitian....................................................................................??
?.#.1 Metode yang diusulkan....................................................................??
?.#. Metode %engem,angan Sistem........................................................?0
?.0 9ksperimen..............................................................................................?F
7A7 IB ANA ISIS )ASI %9N9 ITIAN DAN %9M7A)ASAN................ ....#!
#.1 'e,utuhan Data *itra..............................................................................#!
#. Deteksi Mata............................................................................................#1
#.? Menemukan *ontour...............................................................................#?
#.# Deteksi 'edipan Mata.............................................................................#
#.0 'edipan se,agai %ass-ord......................................................................0!
#." Mem,angun Antar Muka %rototype........................................................0!
#.".1. Tampilan a-al login.........................................................................0!
#.". . Tampilan input pass-ord.................................................................01
#.".?. Berifikasi 3ser dan %ass-ord..........................................................01
#.$ %engujian.................................................................................................0
#.$.1. %engujian terhadap Deteksi 'edipan...............................................0
#.$. . %engujian terhadap Deteksi 'eystroke............................................0
7A7 B '9SIM%3 AN DAN SA8AN.................................................................00
0.1. 'esimpulan..............................................................................................00
0. . Saran........................................................................................................00
DA&TA8 %3STA'A.............................................................................................0$
9
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
10/79
DAFTAR TABEL
Ta,el 1 : Deskripsi $se %ase .................................................................................?"Ta,el : (enis mata ,erdasarkan ,entuk dan -arna pupil.....................................#Ta,el ? : )asil Negati4e +olor................................................................................#?Ta,el # :Negati4e +olor ke =rays+ale............................................................. .......#0Ta,el 0 : *ontoh hasil tresholding................................................................ .........#$Ta,el " : )asil deteksi area mata dengan *ontour dengan %) tepat.....................#FTa,el $ : *ontoh deteksi 4ariasi kedipan 8/ dan %.............................................0!Ta,el F : %engujian akurasi kedipan dengan 10 jenis pass-ord............................0
10
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
11/79
DAFTAR GAMBAR
=am,ar 17agian5,agian mata..................................................................................F=am,ar : %roses gerak ,iasa/ termasuk kedipan mata ,iasa primer2..................=am,ar ? : %roses gerak reflek/ termasuk kedipan mata karena reflek sekunder2.=am,ar # : Tiga studi yang ,erkaitan dengan +itra...............................................1?=am,ar 0 : )ierarki proses dalam +omputer 4ision..............................................1#=am,ar " : Ma+am5ma+am 4arasi feature pada )aar............................................1F=am,ar $ : &eature -ajah metode 4iola H jones...................................................1=am,ar F : &ntegral &mage.....................................................................................1=am,ar : 'iri nilai piksel +itra/ kanan nilai integral........................................... !
=am,ar 1! : Model %lassi'ier se+ara %ascade ...................................................... 1=am,ar 11 : %otongan %seudo5+ode fa+e. M .....................................................=am,ar 1 : Su, -indo- dengan ukuran ! !...................................................=am,ar 1? : *ontoh Nilai piksel *itra masukan................................................... ?=am,ar 1# : 8e+tangle dari tree !......................................................................... #=am,ar 10 : 8e+tangle daerah gelap dan daerah terang........................................ 0=am,ar 1" : Nilai integral image........................................................................... 0=am,ar 1$ : Ilustrasi *ontour pada Open*B........................................................ F=am,ar 1F : %oses Thresholding...........................................................................
=am,ar 1 : 'erangka %emikiran..........................................................................?!=am,ar ! : %rosedur %enyelesaian.......................................................................??=am,ar 1 : Face (etection dengan )aar *as+ade *lassifier..............................?#=am,ar : )ye (etection dengan )aar *as+ade *lassifier................................?#=am,ar ? : $se %ase (iagram ............................................................................?"=am,ar # : SJuen+e Diagram *ign up .................................................................?$=am,ar 0 : SJuen+e Diagram login .....................................................................?$=am,ar " : 'edipan 8ight 82.............................................................................?F=am,ar $ : 'edipan eft 2...............................................................................?F=am,ar F : 'edipan %air %2................................................................................?F=am,ar : )asil -e,+ame................................................................................. .#!=am,ar ?! : )asil Deteksi Mata dengan )aar *as+ade *lassifier........................#1=am,ar ?1 : &okus Area Mata...............................................................................#1=am,ar ? : Tampilan 3tama )alaman ogin......................................................0!=am,ar ?? : Tampilan saat memasukkan pass-ord kedipan.................................01=am,ar ?# : Tampilan 4alidasi user dan pass-ord................................................01=am,ar ?0 : )asil deteksi keystroke dengan &amily 'eylogger 1........................0?=am,ar ?" : %ass-ord kedipan tidak terdeteksi &amily 'eylogger......................0#
11
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
12/79
BAB I
PENDAHULUAN
1$1 La!a B/*a,an.Di dalam perkem,angan teknologi/ kemanan menjadi salah satu
prioritas utama. 7aik kemanan data/ so'tware / ataupun hardware yang
,ertujuan menghindari hal yang tidak diinginkan. Dalam hal kemanan
di,utuhkan data pri,adi tertentu se,agai autentikasi atau 4alidasi pengguna
yang sah. Salah satu +ontoh ,entuk autentikasi yang sering digunakan adalah
user id dan password / dimana user id adalah pernyataan tentang siapa yang
sedang mengakses dan password se,agai pem,uktian ,ah-a orang terse,ut
,enar adanya K1L. Dalam kedua ,agian data autentikasi terse,ut/ yang menjadi
perhatian utama adalah password . "assword dalam kamus dapat diartikan kata K L rahasia atau frase yang
hanya diketahui kelompok ter,atas. 7erdasarkan pem,entukan katanya/
password p s - rd 2 yang diuraikan se,agai kata pass dan word adalah kata
word 2 yang di,erikan se,elum seseorang dii inkan untuk le-at pass 2.
"assword adalah suatu ,entuk dari data autentikasi yang digunakan untuk
mengontrol akses ke suatu sum,er informasi K?L. Dalam ,idang komputer
password adalah deretan karakter yang diinputkan untuk mendapatkan akses
terhadap 'ile / aplikasi atau sistem komputer K#L.
;alaupun dise,ut password / namun tidak selalu ,er,entuk susunan
kata5kata dan angka yang memiliki arti/ misalnya ,erupa paduan huruf/ angka
dan kode yang tidak memiliki arti sehingga sulit untuk dite,ak K?L. 3mumnya
pengguna akan memasukkan dengan +ara mengetikkan password ke form
yang telah disediakan. Namun hal ini sangat ,eresiko atau rentan terhadap
pen+urian password terse,ut. Salah satu +ontoh adalah pen+urian password
menggunakan aplikasi 'eylogger. 'eylogger adalah aplikasi penga-asan
perangkat lunak atau perangkat keras yang memiliki kemampuan untuk
1
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
13/79
2
merekam setiap +eystro+e pengguna yang kemudian di,uat dalam
se,uah log 'ile . Aplikasi 'eylogger dapat merekam informasi yang diketik
setiap saat melalui +eyboard K0L.Se,agai solusi mengatasi pen+urian password melalui perekaman
+eystro+e +eyboard / dalam perkem,angannya kini dapat dijumpai ,er,agai
4ariasi metode memasukkan password / seperti slide penggeseran2/ pattern
pola2/ 'ace unloc+ atau 'ace detection deteksi -ajah2/ voice detection
deteksi suara2/ 'inger print deteksi sidik jari2/ dll. 7e,erapa ,entuk metode
terse,ut ,ertujuan untuk mengurangi resiko mudahnya pen+urian yang
apa,ila pengguna mengetik password se+ara langsung otomatis password
terse,ut sudah diketahui dengan pemanfaatan +eystro+e. 7ahkan untuk
deteksi -ajah/ suara dan sidik jari terse,ut sudah tidak menggunakan
key,oard se,agai alat inputan password / yang tentu sudah pasti menghindari
pen+urian password melalui +eystro+e.Dalam ,e,erapa tahun terakhir/ telah ada upaya untuk meningkatkan
inter'ace antara manusia dan komputer yang masih tradisonal seperti
+eyboard dan mouse dengan inter'ace yang +erdas yang memungkinkan
pengguna untuk ,erinteraksi dengan komputer se+ala alami dan efektif.
Tujuannya adalah mengem,angkan komputer yang tanggap terhadap
komunikasi se+ara alami K"L. Salah satunya adalah menggunakan deteksi
kedipan mata yang juga dapat dimanfaatkan se,agai media interaksi antara
manusia dan komputer.Deteksi kedipan mata yang dapat menjadi alat inputan alternatif/
tentunya dapat pula di kem,angkan untuk menjadi password pengguna untuk
masuk kedalam sistem. Seperti halnya deteksi -ajah/ deteksi sidik jari/
deteksi retina/ dan deteksi suara/ deteksi kedipan mata ini tidak menggunakan
interaksi key,oard lagi untuk memasukkan password . Dalam penelitian ini
digunakan )aar %ascade %assi'ier se,agai pendeteksi ,agian tu,uh/
khususnya -ajah dan mata/ serta menggunakan %ontour se,agai metode
untuk mendeteksi kedipan mata.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
14/79
3
Dengan latar ,elakang terse,ut/ maka perlu dilakukan penelitin yang
,erjudul
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
15/79
4
,. Mem,uat 4ariasi metode login ke dalam suatu sistem.+. Mengurangi pen+urian pass-ord se+ara keystroke.
1.0 Man3aa!Adapun manfaat yang dapat di+apai dengan adanya penelitian ini adalah :a. Dapat menerapkan kedipan mata se,agai password
,. Mendapatkan 4ariasi metode login yaitu dengan kedipan mata.+. Dapat mengurangi pen+urian password se+ara +eystro+ed. Mem,antu sistem menjadi le,ih aman.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
16/79
BAB II
LANDASAN TEORI
Dalam ,a, ini akan mem,ahas tentang penelitian terkait yang akan digunakan
untuk mengimplementasi deteksi kedipan mata dan teori @ teori pendukung yang
menjadi dasar dari penelitian ini.
.1 Tinja)an S!)(i7erikut ini adalah ,e,erapa studi terkait yang pernah melakukan penelitian
deteksi kedipan mata:1. . Ide yang diusulkan untuk deteksi kedipan
mata yaitu menggunakan Template Mat+hing. angkah a-alnya adalah
mendeteksi -ajah terle,ih dahulu dengan menggunakan metode Biola
and (ones. 'emudian dilanjutkan deteksi mata dengan metode =olden
8atio/ yang memanfaatkan lokasi ,agian atas dari deteksi -ajah. Dan
terakhir menggunakan metode Template Mat+hing untuk mendeteksi
kedipan mata. %ada penelitian ini menggunakan F! 4ideo dari ! orang
yang ,er,eda ,aik pria atau -anita/ ,aik yang menggunakan ka+a mata
maupun tidak. )asil yang diperoleh dengan teknik yang diusulkan telah
di,andingkan dengan metode yang diusulkan oleh Danisman dalam
PDro-sy Dri4er Dete+tion System 3sing 9ye 7link %attern . Metode
yang dimiliki Danisman memiliki keakuratan #.FC dengan &%8 &alse
%ositi4e 8ate2 1C. Sedangkan untuk deteksi mata menggunakan
Template Mat+hing memiliki keakuratan men+apai ."C dan &%8
hanya !.1C. (adi metode Template Mat+hing le,ih ,aik dari pada
metode yang diusulkan oleh Danisman K$L.
5
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
17/79
6
. . Ide yang diusulkan yaitu menggunakan =%35,ased SI&T
tra+king/ atau yang dise,ut dengan S+ale In4ariant &eature Transform.
Dalam penelitian ini diimplementasikan ke dalam simulator uji +o,a
mo,il se,agai tam,ahan untuk penilaian kinerja kemudi dan pelatihan.
)asil dari ide yang diusulkan dapat mendeteksi kedipan mata dengan
akurasi $C yang didapatkan dari dataset ??.!!! penampilan frame/ ?$
kedipan dari su,yek. Dengan kesalahan kurang dari 1 dalam 1!!!
frame KFL.?. . %enelitian ini menggunakan ,e,erapa metode
untuk mendapatkan kedipan mata. Metode pertama menggunakan
Spatio5temporal &iltering dan fitur Tra+king u+as5'anade untuk
mendeteksi lokasi dari posisi kepala untuk mendapatkan pergerakan
kelopak mata. Metode kedua menggunakan Template Mat+hing se,agai
pendeteksi mata dan analisis kedipan mata. %enelitian ini diaplikasikan
se,agai kontrol figure animasi ?D/ sehingga figure terse,ut dapat
melakukan ekspresi -ajah dan kedipan mata sesuai dengan apa yang
ditunjukkan oleh o,yek K1!L.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
18/79
7
. Tinja)n P)&!a,a
2$2$1 Ma!a
0. Mata merupakan indra penglihat. Mata dapat memantu
melihat keadaan di sekelilingnya. Mata ,er,entuk ,ulat seperti ,ola.
Mata memiliki garis tengah atau dise,ut diameter/ yaitu sekitar +m.
7ola mata terlindung dalam rongga tengkorak. 7agian5,agian mata
di,agi menjadi dua ,agian/ yaitu ,agian yang melindungi mata dan
,agian yang ,erperan dalam proses penglihatan K11L. 7agian5,agian
mata dapat dija,arkan di,a-ah ini :
a. 7agian yang melindungi mata5 Alis mata ,erupa ram,ut yang tum,uh pada dahi/ diatas
,ola mata. Tepatnya pada dahi yang menonjol. Alis mata
,erfungsi melindungi ,ola mata dari keringat atau air agar
tidak masuk ke dalam mata.5 7ulu mata terletak di pinggir kelopak mata atas dan ,a-ah.
8am,ut mata ,erfungsi melindungi mata dari de,u atau
dari ,enda yag masuk ke mata. 8am,ut mata ,erfungsi
mengurangi sinar yang masuk ke mata.5 'elopak mata ,erfungsi melindungi ,ola mata dari hal5hal
yang mem,ahayakan mata. 'elopak mata ,ekedip
,erfungsi mem,ersihkan dan mem,asahi ,ola mata.5 'elenjar air mata menghasilkan air. Air mata mengandung
en im dan air yang ,erguna mem,asahi dan mem,ersihkan
kornea agar ,ersih dari de,u dan menjaga mata agar selalu ,asah. Air mata ,erufungsi se,agai pelumas agar ,ola mata
mudah digerakkan.5 Otot mata ,erfungsi mengatur gerakan mata. Mata dapat
,ergerak ke kanan dank e kiri/ ke atas dan ke ,a-ah. ,. 7agian yang ,erhu,ungan dengan penglihatan
5 Sklera adalah lapisan putih keras yang melapisi ,ola mata.5 Selaput ,ening kornea2 ,erfungsi meneruskan +ahaya yang
masuk ke dalam mata retina. 'ornea tidak memiliki
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
19/79
8
pem,uluh darah. 'ornea mata yang rusak menye,a,kan
seseorang tidak dapat melihat.5 Selaput pelangi iris2 terletak di depan lensa mata. Iris
terdiri dari jaringan otot yang ,er,eda di ,elakang kornea.
Iris kaya akan pem,uluh darah.5 %upil dapat menge+il atau mem,esar. Selaput ini ,erguna
mengaur jumlah +ahaya yang masuk ke dalam mata.5 ensa ,erfungis untuk memfokuskan dan meneruskan
+ahaya agar jatuh pada retina. ensa mata mempunyai
kemampuan memipih dan men+em,ung yang dise,ut daya
akomodasi.5 8etina adalah selaput yang terletak di ,elakang ,agian
mata. 8etina ,erfungsi se,agai sensor +ahaya. %ada retina
terdapat ujung syaraf penerima.5 7adan ,ening terletak di ,elakang lensa. 7entuknya ,ening
seperti agar5agar. 7adan ,ening ,erfungsi meneruskan
+ahaya setelah mele-ati lensa dan kemudian jatuh di retina.5 Saraf mata ,erfungsi meneuskan rangsangan +ahaya yang
kana diteruskan ke pusat saraf di otak.".
7.
7$ Ga%'a 1Ba.ian8'a.ian %a!a 911:
2$2$2 K/(i-an Ma!a
. Se+ara primer kedipan mata merupakan reaksi atas suatu
gangguan. 'elopak mata yang ,erkedip5kedip ,erfungsi mem,asahi
mata se+ara teratur.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
20/79
9
1!. Se+ara sekunder kedipan mata merupakan penghayatan dari
keadaan yang tidak menyenangkan. 'edipan mata se+ara teratur dan
dalam keadaan tidak menyenangkan ,ertam,ah frekuensinya K1 L.11.
12$ Ga%'a 2 ; P "&/& ./ a, 'ia&a# !/ %a&), ,/(i-an %a!a 'ia&a
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
21/79
10
,ertumpuk dan tidak mengganggu mata karena kelam,anan kerjanya
K1#L.
2$2$ Ci! a
1 . *itra adalah suatu representasi gam,aran2/ kemiripan/ atau
imitasi dari suatu o,jek. *itra se,agai keluaran suatu sistem
perekaman data dapat ,ersifat optik ,erupa foto/ ,ersifat analog
,erupa sinyal @ sinyal 4ideo seperti gam,ar pada monitor tele4isi/ atau
,ersifat digital yang dapat langsung disimpan pada suatu media
penyimpan.!. 3ntuk mendapatkan +itra digital/ tahap a-al yang
dilakukan adalah akuisisi +itra. Tujuan akuisisi +itra adalah untuk
menentukan data yang diperlukan dan memilih metode perekaman
+itra digital. Tahap ini dimulai dari o,jek yang akan diam,il
gam,arnya/ persiapan alat @ alat/ sampai pada pen+itraan. %en+itraan
adalah kegiatan transformasi dari +itra tampak foto/ gam,ar/ lukisan/
patung/ pemandangan/ dan lain @ lain2 menjadi +itra digital. )asil dariakuisisi +itra ini ditentukan oleh kemampuan sensor untuk
mendigitalisasi sinyal yang terkumpul pada sensor terse,ut.
'emampuan digitalisasi alat ditentukan oleh resolusi alat terse,ut
K10L.
2$2$6 Vi(/"
1. 'ata 4ideo ,erasal dari kata atin/ yang ,erarti Psaya lihat .Bideo adalah tekonologi pemprosesan sinyal elektronik yang
me-akilkan gam,ar ,ergerak. Bideo juga dapat digunakan dalam
aplikasi teknik/ keilmuan/ produksi/ dan keamanan. Saat ini ada dua
kategori 4ideo/ yaitu 4ideo analog dan 4ideo digital.
a. Bideo Analog. Bideo analog mengkodekan informasi gamar
dengan mem4ariasikan 4oltase dan atau frekuensi dari sinyal.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
22/79
11
Seluruh sistem se,elum 4ideo digital dapat dikategorikan se,agai
4ideo analog. Bideo analog memiliki dua format/ yaitu format
elektrik dan format kaset. Bido analog dalam format pengodean
diantaranya : NTS*/ %A dan S9*AM. Sedangkan 4ideo analaog
dalam format elektrik diantaranya : &8/ +omposite 4ideo/
+omponent 4ideo/ S5Bideo/ dan 8=7. Dan 4ideo analog dalam
format kaset diantaranya : AMpe / B9A/ 35mati+/ 7etama / dll. ,. Bideo Digital
?. Bideo digital dapat dise,ut array ? dimensi dari
piksel ,er-arna. dimensi melayani arah spasial dari gam,ar ,ergerak hori ontal dan 4ertikal2 dan satu arah dimensi lainnya
akan mempresentasikan domain -aktu.#. Arsitektur 4ideo digital tersusun atas se,uah format
untuk mengodekan dan memainkan kema,ali file 4ideo dengan
komputer dan menyarankan se,uah pemutar player 2 ynag
mengenali dan mem,uka file di,uat untuk format terse,ut. Bideo
digital se,enarnya terdiri atas seragkaian gam,ar digital yang
ditampilkan dengan +epat pada ke+epatan yang konstan. Dalam
konteks 4ideo/ gam,ar ini dise,ut frame. Satuan ukuran untuk
menghitung frame rata5rata yang ditampilkan dise,ut frame per
se+ond &%S2. =am,ar digital akan mempunyai le,ar se,anyak ;
piksel dan tinggi ) piksel. Oleh karena itu/ dapat dikatakan ,ah-a
rame si e adalah ; ).0. %iksel mempunyai satu property/ yaitu -arna.
;arna piksel direpresentasikan dengan jumlah ,it yang tetap.Semakin ,anyak ,it/ semakin ,anyak pula 4ariasi -arna yang
dihasilkan K1"L.
2.2.5 Real Time
". Mengingat ke,utuhan real5time untuk pengolahan
gam,ar 4ideo dan ,agaiman ke,utuhan ini dapat dipenuhi untuk
dimanfaatkan menjadi paralelisme yang melekat pada se,uah
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
23/79
12
algoritma/ menjadi penting untuk mem,ahas apa se,enarnya yang
dimaksud P real-time . Se,uah istilah yang sulit dipahami yang sering
digunakan utnuk menggam,arkan ,er,agai pengolahan dan algoritma
pemprosesan gam,ar 4ideo. Setidaknya ada ? pengertian real-time /
yaitu pengertian real-time dalam persepsi/ real-time dalam so'tware
engineering / dan real-time dalam pemprosesan sinyal.
$. Real time dalam -/ &/-&i digunakan terutama untuk
menggam,arkan interaksi antara manusia dan komputer untuk respon
seketika dari perangkat masukan. Misalnya 7o4ik mendefinisikan
real-time dalam kontek pemprosesan 4ideo/ menggam,arkan ,ah-a
hasil pengolahan mun+ul Pseketika setelah input tersedia. (uga =uy
mendeinisikan konsep pengolahan +itra real5time se,agai pengolahan
digital dari suatu gam,ar seketika/ tanpa pengguna memahami
perhitungan delay. Sedangkan real5time dalam arti s !"#a$e
e%&i%ee$i%& juga didasarkan pada konsep -aktu respon seperti dalam
arti persepsi. Dougherty dan aplante menunjukkan ,ah-a sistem
real-time adalah suatu yang harus memenuhi eksplisit yang diatasi
kendala -aktu respon untuk menghindari kegagalan/ dan sistem
respon adalah salah satu ke,enaran logis didasarkan pada ke,enaran
yang logis dan ,erguna. Dan real5time ,erdasarkan -/%- "&/&an
&i+a* didasarkan pada gagasan penyelesaian pengolahan -aktu yang
tersedia antara sampel inputan se+ara ,erturut5turut. Misalnya menurut
'ehtarna4a real-time didefinisikan se,agai penyelesaian proses yang
diper,olehkan atau tersedia -aktu antar sampel. Sementara menurut (.
A+kenhusen/ didefinisikan se,agai perhitungan sejumlah operasi atas
jumlah yang diperlukan dari data inutan dalam inter4al -aktu tertentu
yang ditetapkan dari periode dimana data ti,a K1$L.
2$2$> P/n."*a4an Ci! a
F. %engolahan +itra adalah pemrosesan +itra/ khususnya
dengan menggunakan komputer/ menjadi +itra yang kualitasnya ,aik.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
24/79
13
Di dalam ,idang komputer/ se,enarnya ada tiga ,idang studi yang
,erkaitan dengan data +itra/ namun tujuannya ,er,eda/ yaitu: grafika
komputer computer graphics 2/ pengolahan +itra image processing 2
dan pengenalan pola pattern recognition image interpretation 2.
)u,ungan antara ketiga ,idang studi terse,ut ditunjukkan pada
gam,ar ,erikut:
29.
0$ Ga%'a 6 ; Ti.a &!)(i +an. '/ ,ai!an (/n.an i! a 917:
?1. =rafika komputer ,ertujuan menghasilkan +itra le,ih tepat
dise,ut grafik atau picture 2 dengan primitif @ primitif geometri seperti
garis/ lingkaran/ dan se,againya. %rimitif @ primitif geometri terse,ut
memerlukan data deskriptif untuk melukis elemen @ elemen gam,ar.*ontoh data deskriptif adalah koordinat titik/ panjang garis/ jari @ jari
lingkaran/ te,al garis/ -arna/ dan se,againya.? . %engolahan +itra ,ertujuan memper,aiki kualitas +itra agar
mudah diinterpretasi oleh manusia atau mesin dalam hal ini
komputer2. Teknik @ teknik pengolahan +itra mentransformasikan
+itra menjadi +itra lain. (adi masukannya adalah +itra dan keluarannya
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
25/79
14
juga +itra/ namun +itra keluaran mempunyai kualitas le,ih ,aik
daripada +itra masukan.??. %engenalan pola mengelompokkan data numerik dan
sim,olik termasuk +itra2 se+ara otomatis oleh komputer. Tujuan
pengelompokan adalah untuk mengenali suatu o,jek di dalam +itra.?#. %engolahan +itra ,erkaitan erat dengan computer vision .
%omputer vision merupakan proses otomatis yang mengintegrasikan
sejumlah ,esar proses untuk persepsi 4isual/ seperti akuisisi +itra/
pengolahan +itra/ klasifikasi/ pengenalan/ dan mem,uat keputusan.
?0. 'lasifikasi proses @ proses di dalam computer visiondijelaskan dalam suatu hierarki ,erikut:
36.
?$ Ga%'a 5 ; Hi/ a ,i - "&/& (a*a% "%-)!/ @i&i"n 917:7$
? . Dari penjelasan di atas/ pengolahan +itra dan computer
vision merupakan ,agian dari +omputer 4ision. %engolahan +itra
merupakan proses a-al preprocessing 2 pada +omputer 4ision/
sedangkan pengenalan pola merupakan proses untuk menginterpretasi
+itra K1FL.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
26/79
15
2.2.' L &i%
#!. ogin adalah serangkaian tindakan yang terli,at dalam
otentikasi seorang pengguna untuk masuk ke dalam sistem untuk
men+iptakan proses yang ,erjalan atas nama pengguna terse,ut.#1. Akses keuntungan pengguna dengan memenuhi persyaratan
proses penyaringan a-al yang ,iasanya mem,utuhkan user name dan
password sehingga sistem dapat memeriksa otorisasi dan
mem,erlakukan pem,atasan. 7e,erapa jenis login dapat
menggunakan model akses yang ,ereda5,eda/ seperti akses melalui
terminal atau melalui telepon.# . ogin dapat di,agi menjadi dua jenis/ yaitu &nteractive
login dan noninteractive login .#?.
a. &nteravtive ogin##. Dalam interactive login meminta pengguna
untuk memasukkan informasi tertentu/ dan sistem akan
merespon inputan terse,ut. %rosedur ini dapat dianalogikan
seperti mem,uka kom,inasi kun+i dengan memutar dial dan
,erhenti pada angka yang di,utuhkan dengan urutan yang
,enar.b. Noninteractive ogin
#0. Noninteractive login dilakukan sistem tanpa
keterli,atan pengguna. Se,uah +ontoh adalah startup dari
proses batch atau su, proses se,elumnya yang dimulai pada
serangkaian kejadian yang dilakukan pada proses
se,elumnya.
#". %eningkatan keamanan yang dapat di,angun dalam
prosedur login adalah mengatasi ,e,erapa kegagalan login . Seperti
menonaktifkan akun untuk jangka -aktu tertentu setelah melakukan
,e,erapa upaya login yang gagal/ akun otomatis kadaluarsa/ dan
pem,atasan akun ,erdasarkan -aktu/ hari dan lokasi tertentu K1 L.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
27/79
16
2.2.( Pass# $)
#$. 7erdasarkan ,entuk katanya/ password diu+apkan : p
s - rd 2 yang diuraikan se,agai kata pass dan word adalah kata
word 2 yang di,erikan se,elum seseorang dii inkan untuk le-at
pass 2.#F. "assword atau watchword pada masa itu2 sudah digunakan
lama ,erselang pada kegiatan militer roma-i. %ada aman dahulu/
penga-al atau prajurit yang melakukan penjagaan akan
mempe,olehkan sesorang untuk masuk ke suatu ka-asan jika orang
terse,ut mem,erikan kata password 2 atau sem,oyan watchword 2
yang ,enar.# . %ada ,idang %omputer *cience / password atau pass+ey
adalah deretan karakter yang diinputkan untuk mendapatkan akses
terhadap file/ aplikasi/ atau sistem komputer. 'arena manfaatnya
inilah password harus dijaga kerahasiannya dari siapa pun yang tidak
,erhak.
0!. "assword sudah digunakan pada masa a-al penggunaansistem komputer. "assword diterapkan pada %ompatible Time-*haring
*ystem yang dikem,angkan oleh MIT s %omputation %enter dan
diperkenalkan pada tahun 1 "1.
01. 8o,ert Morris yang pertama kali men+etuskan menyimpan
login password dalam ,entuk hash se,agai ,agian dari sistem operasi
3ni . Algoritma menggunakan 15,it salt and invo+ed / ,entuk
termodifikasi dari algoritma D9S yang mampu mengurangi resiko dari
aksi "re-computed dictionary attac+s K?L.
2.2.* O-/nCV
0 . Open*B adalah pustaka li,rary2 perangkat lunak ter,uka
yang ,erfokus pada komputer grafik. %ustaka ini di,uat dalam ,entuk
,ahasa * dan *EE dan ,erjalan pada platform inu / ;indo-s dan
Ma+ OS . (uga dapat dijalankan pada editor seperti %hyton/ Matla,/
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
28/79
17
8u,y/ dan editor lainnya. Open*B ditujukan pada pengolahan +itra
dinamis se+ara real5time.
0?. Open*B ditulis dalam * yang dioptimalkan dan dapat
mengam,il keuntungan dari prosesor multi+ore. Salah satu tujuan dari
Open*B adalah mem,eri sarana untuk mem,antu dalam pem,uatan
aplikasi komputer grafik yang +anggih se+ara instan dan mudah.
%ustaka Open*B ,erisi le,ih dari 0!! fungsi yang men+akup ,anyak
,idang dalam komputer grafik/ seperti pen+itraan medis/ inspeksi
produk pa,rik/ antar muka/ keamanan/ kali,rasi kamera/ dan ro,otika.
2$2$10 Haa Ca& a(/ C*a&&i3i/
0#. )aar like feature atau yang dikenal se,agai )aar *as+ade
*lassifier merupkan rectangular persegi2 'eature / yang mem,erikan
indikasi se+ara spesifik pada se,uah gam,ar atau image . )aar +as+ade
+lassifier ,erasal dari gagasan %aul Biola dan Mi+hael (hon/ karena itu
dinamakan metode Biola H (hon. Ide dari ,aar li+e 'eature adalahmengenali o,yek ,erdasarkan nilai sederhana dari fitur tetapi ,ukan
merupakan nilai piksel dari image o,yek terse,ut. Metode ini
memiliki kele,ihan yaitu komputasi yang sangat +epat/ karena hanya
tergantung pada jumlah piksel dalam persegi ,ukan setiap nilai piksel
dari se,uah image . Metode ini merupakan metode yang menggunakan
statistikal model classi'ier 2. %endekatan untuk mendeteksi o,jek
dalam gam,ar mangga,ungkan empat kun+i utama yaitu )aar like
feature/ Integral Image/ Ada,oost learning dan *as+ade *lassifier
K !L.
a. )aar ike &eature00. )aar &eature adalah fitur yang didasarkan pada
;a4elet )aar. ;a4elet )aar adalah gelom,ang tunggal ,ujur
sangkar satu inter4al tinggi dan satu inter4al rendah2. 3ntuk dua
dimensi/ satu terang dan satu gelap. Selanjutnya kom,inasi5
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
29/79
18
kom,inasi kotak yang digunakan untuk pendeteksian o,jek 4isual
yang le,ih ,aik. Setiap )aar5like feature terdiri dari ga,ungan
kotak 5 kotak hitam dan putih.
56.
5?$ Ga%'a > : Ma a%8%a a% @a a&i 3/a!) / -a(a Haa K !L
0F. Adanya fitur )aar ditentukan dengan +ara
mengurangi rata5rata piksel pada daerah gelap dari rata5rata piksel pada daerah terang. (ika nilai per,edaannya itu diatas nilai am,ang
atau treshold / maka dapat dikatakan ,ah-a fitur terse,ut ada. Nilai
dari )aar5like feature adalah per,edaan antara jumlah nilai5nilai
piksel gray level dalam daerah kotak hitam dan daerah kotak putih:
0 . f ( x)= SumBlackrectangle SumWhite rectangle
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
30/79
19
"!. dimana untuk kotak pada )aar like feature dapat dihitung
se+ara +epat menggunakan < integral image >.
"1. *ontoh dari feature yang memungkinkan adanya pola
-ajah seperti ,erikut :
62.
> $ Ga%'a ? ; F/a!) / aja4 %/!"(/ @i"*a j"n/& 921:
b. &ntegral &mage
"#. &ntegral &mage digunakan untuk menentukan ada
atau tidaknya dari ratusan fitur )aar pada se,uah gam,ar dan pada
skala yang ,er,eda se+ara efisien. %ada umumnya/ pengintegrasian
terse,ut ,erarti menam,ahkan unit5unit ke+il se+ara ,ersamaan.
Dalam hal ini unit5unit ke+il terse,ut adalah nilai5nilai piksel. Nilai
integral untuk masing5masing piksel adalah jumlah dari semua
piksel5piksel dari atas sampai ,a-ah. Dimulai dari kiri atas sampai
kanan ,a-ah/ keseluruhan gam,ar itu dapat dijumlahkan dengan
,e,erapa operasi ,ilangan ,ulat per piksel.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
31/79
20
65.
>>$ Ga%'a 7 ; I%"e&$al Ima&e 920:
"$. Seperti yang ditunjukkan oleh gam,ar di atas
setelah pengintegrasian/ nilai pada lokasi piksel /y2 ,erisi jumlah
dari semua piksel di dalam daerah segiempat dari kiri atas sampai
pada lokasi /y2 atau daerah yang diarsir. =una mendapatkan nilairata5rata piksel pada area segiempat daerah yang diarsir2 ini dapat
dilakukan hanya dengan mem,agi nilai pada /y2 oleh area
segiempat.
"F.ii ( x , y )=
x' x , y ' y
i ( x' , y ' )
" . dimana ii ( x , y) adalah integral image dan i ( x , y)adalah original image. *ontoh dari nilai integral dari se,uah +itra
masukan adalah :
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
32/79
21
70.
?1$ Ga%'a ; Ki i ni*ai -i,&/* i! a# ,anan ni*ai in!/. a*
$ . =una mengetahui nilai piksel untuk ,e,erapa
segiempat yang lain/ seperti segiempat D/ dapat dihitung denganempat nilai. Nilai5nilai ini merupakan piksel pada +itra integral
yang ,ertepatan dengan sudut5sudut persegi panjang yang ada pada
+itra masukan. K 1L
$?. Rec D= D (B+C )+ A
+. Ada,oost earning
$#. Algoritma Ada7oost learning/ digunakan untuk meningkatkan kinerja klasifikasi dengan pem,elajaran sederhana
untuk mengga,ungkann ,anyak +lassifier lemah -eak +lassifier2
menjadi satu +lassifer kuat strong +lassifier2. *lassifier adalah
suatu ja-a,an ,enar dengan tingkat ke,enaran yang kurang akurat.
Se,uah +lassifier lemah dinyatakan :
$0. h j( x)={1, jika p j f j( x)< p j j( x)0, lainnya
$". 'eterangan :
$$. h j( x) adalah klasifikasi lemah/ p j adalah parity ke j/
j adalah threshold ke j dan adalah dimensi su, image
misalnya # #.
d. *as+ade *lassifier
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
33/79
22
$F. Se,uah metode untuk mengom,inasikan +lassifier
yang kompleks dalam se,uah struktur ,ertingkat yang dapat
meningkatkan ke+epatan pendeteksian o,yek dengan memfokuskan
pada daerah +itra yang ,erpeluang saja. K !L Struktur +as+ade
+lassifier se,agai ,erikut :
79.
! . Ga%'a 10 ; M"(/* Classi!ie$ &/ a a Cas+a)e 920:
F1. =am,ar di atas menjelaskan proses penyeleksian
ke,eradaan o,yek. Diasumsikan suatu su, image die4aluasi oleh
+lassifier pertama dan ,erhasil mele-ati +lassifier terse,ut/ hal ini
mengindikasikan su, image ,erpotensi terkandung o,yek dan
dilanjutkan pada +lassifier ke dua sampai dengan ke5n/ jika ,erhasil
mele-ati keseluruhan +lassifier/ maka disimpulkan terdapat o,yek
yang terdeteksi. (ika tidak/ proses e4aluasi tidak dilanjutkan ke
+lassifier ,erikutnya dan disimpulkan tidak terdapat o,yek.
F . *ontoh dari penggunaan )aar *as+ade *lassifier dalam Open*B se,agai ,erikut :
F?. Misalkan ada se,uah gam,ar yang akan dideteksi apakah
ada -ajah atau tidak/ dengan memanfaatkan fa+e. M yang ada
pada li,rary Open*B seperti ,erkut :
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
34/79
23
84.
75$Ga%'a 11 ; P"!"n.an P&/)("8 "(/ 3a /$ ML
F".Maka proses yang akan dilalui adalah :a. Mem,etuk Su, ;indo- dengan ukuran ! ! pada
gam,ar asal. Rsi e ! ! R si e ,erarti mem,entuk su,
-indo- dengan ukuran ! ! pi el.
87.
77$ Ga%'a 12 ; S)' in(" (/n.an ),) an 20 20
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
35/79
24
F .7ila diketahui nilai pi el dari su, -indo- terse,ut/ maka
dapat digam,arkan seperti ini :90.
1$ Ga%'a 1 ; C"n!"4 Ni*ai -i,&/* Ci! a %a&),an
,. Maka akan mulai masuk pada stage ! tree !/ dan feature
dengan re+tangle se,agai ,erikut :.
?. 'olom pertama dan kedua +ontoh diatas ? $
dan ? 2/ menunjukkan posisi dan y pada su, -indo-.
'olom ketiga dan keempat +ontoh diatas 1# # dan 1# 2
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
36/79
25
menujukkan le,ar dan panjang re+tangle ,aris H kolom2.
Sedangkan kolom terkhir adalah konstanta yang akan
menujukkan daerah yang gelap dan daerah yang terang.
(ika diterapkan pada +ontoh nilai pi el dalam +itra ukuran
! ! tadi/ maka akan menjadi seperti ini :#.0.".
$. Ga%'a 16 ; R/ !an.*/ (a i ! // 0
F. 3ntuk menentukan daerah gelap dan terangdapat ditandai dengan +ara/ apa,ila nilai konstanta R !
di,a-ah !2/ maka daerah terse,ut ,er-arna gelap. Dan
daerah ! R le,ih dari !2 maka ,er-arna terang. Dalam
+ontoh diatas/ re+tangle pertama ,ernilai 51 yang ,erarti
,erada pada daerah gelap/ sedangkan re+tangle kedua
,ernilai . 'arena re+tangle kedua ,erada pada daerah
re+tangle pertama/ maka nilainya harus dijumlahkan.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
37/79
26
. 2 +( 1 )= 1
1!!. 'arena hasilnya 1/ maka re+tangle kedua ,erada
pada daerah terang. Maka hasilnya akan seperti gam,ar
.. Dapat dilihat ,ah-a daerah pada re+tangle pertama
,er-arna gelap/ dan daeah re+tangle kedua ,er-arna
terang. Daerah terse,ut yang akan dihitung untuk
mendapatkan nilai daerah.
101.
102$ Ga%'a 15 ; R/ !an.*/ (a/ a4 ./*a- (an (a/ a4 !/ an.
+. 3ntuk mempermudah dan memper+epat perhitungan
daerah terse,ut/ maka menggunkan +ara integral image.
Nilai integral image5nya adalah :
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
38/79
27
103.
106$ Ga%'a 1> ; Ni*ai in!/. a* i%a./
1!0. 3ntuk derah gelap nilainya/ $$5 1!# E 0002 E $!" U
1 #. Sedangkan untuk daerah terang/ nilai daerahnya
adalah 1!# @ 1?# E $!"2 E F$" U 1#!. 'emudian akan
dihitung nilai feature dengan mengurangkan daerah gelap
dengan daerah terang. Maka nilai feature yang didapat 1 #
5 1#! U 51".
d. 'emudian akan dilanjutkan ke stage dan tree ,erikutnya/
dan akan ,erpindah ke su, -indo- ,erikutnya setelah
seluruh feature dalam su, -indo- terse,ut terle-ati
semua.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
39/79
28
e. 'emudian nilai ini akan di,andingkan dengan nilai
Threshold dari tree terse,ut. *ontoh untuk stage ! tree !/
nilai Thresholdnya :
1!".
1!$. Apa,ila nilai feature kurang dari nilai Threshold/
maka dapat diartikan tidak ada pola -ajah/ namun apa,ila
mele,ihi threshold/ maka akan di,andingkan dengan nilai
leftV4al left 4alue2 dan rightV4al right 4alue2. Apa,ila
,erada diantara nilai tese,ut/ maka dapat diartikan ada
kemungkinan pola -ajah.f. angkah selanjutnya adalah menggunakan Ada7oost
untuk menjadikan -eek learner menjadi Strong learner
feature5feature yang masih memliki kemungkinan terdapat
pola -ajah. Dengan algoritma se,agai ,erikut :
Di,erikan +ontoh gam,ar
x
(1 y1 )
/ .
( xn , yn) dimana yi= 0 untuk +ontoh positif
dan yi U 1 untuk +ontoh negati4e dan positif.
Inisialisasi ,o,ot yi ,1= 12 m
, 12 l
; m dan l adalah
jumlah negati4e dan positif. 3ntuk t U1/ / T
o Menormalkan ,o,ot sehingga w t adalah
distri,usi pro,a,ilitas
1!F.w t ,i
wt , i
j= 1
n
w t , j
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
40/79
29
o 3ntuk setiap fitur/ j melatih +lassifier h j /
untuk setiap fitur tunggal. 'esalahan ( j)
die4aluasi dengan ,o,ot w t
1! .
w i h j( xi) yi
j= i
o %ilih +lassifier ht dengan eror terke+il
dimana e i= 0 untuk xi adalah klasifikasi
,enar/ dan e i= 1 untuk yang lain.o %er,arui ,o,ot :
11!. wt +1, i= w t ,i ! t 1 i
111. Dimana ! t =
t
1 t
o Didapatkan se,uah +lassifier kuat yaitu
11 . h( x)={1, t = 1
"
# t ht ( x)$ 12 t = 1
"
# t
0, lainnya
11?. dimana# t = log
1 ! t
g. angkah terakhir adalah +as+ade +lassifier yang akan
mengkom,inasikan feature5feature ke dalam se,uahstruktur +as+ade/ ke+epatan dari proses deteksi dapat
meningkat/ yaitu dengan +ara memusatkan perhatian pada
daerah5daerah dalam image yang ,erpeluang saja. )al ini
dilakukan untuk menentukan di mana letak o,yek yang
di+ari pada suatu image.
11#.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
41/79
30
2$2$11 C"n!")
110. *ontour adalah se,uah list yang ,erisi point yang
dapat dikatakan me-akili dalam suatu +ur4a dari se,uah gam,ar.
=am,aran ini dapat ,er,eda5,eda tergantung pada situasi yang
dihadapi. Ada ,anyak +ara untuk me-akili se,uah +ur4a dalam
suatu gam,ar. *ontour digam,arkan dalam Open*B se,agai
urutan seJuen+e2 informasi yang dikodekan tentang lokasi dari
point ,erikutnya dalam kur4a. &ungsi yang ada pada Open*B/
menghitung +ontour dari gam,ar ,iner. =am,ar ,iner dapatdihasilkan dari suatu threshold yang memiliki sudut yang implisit
se,agai ,atas antara area yang positif dan negati4e. 7erikut adalah
gam,aran +ontour yang dihasilkan dalam Open*B :
116.
11?$ Ga%'a 1? ; I*)&! a&i C"n!") -a(a O-/nCV
11F. &igur yang ter,entuk dari ,agian permukaan pada
suatu gam,ar uji +o,a/ terlihat se,agai area putih la,el A sampai
92 diatas ,a+kground gelap. &igur kedua menunjukkan gam,ar
yang sama dengan +ontour yang didapatkan dari fungsi di Open*B.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
42/79
31
*ontour itu di eri la,el + atau h / dimana adalah +ontour/ dan
adalah hole/ dan adalah ,erapa nomor. 7e,erapa +ontour
yang ,erada pada garis putus5putus/ menggam,arkan ,atas terluar
dari area putih area non ero2.11 . Seperti penjelasan se,elumnya/ untuk mendapatkan
+ontour maka +itra masukan ,erupa gam,ar ,iner/ oleh karena ada
,e,erapa tahapan yang harus dilalui apa,ila ingin mendapatkan
+ontour dari gamar 8=7 true +olor2. Tahapannya adalah :1. Mem,alikkan -arna +itra negati4e +olor2.. Mem,uat gam,ar menjadi +itra kea,uan gray s+ale2.?. Thresholding dengan threshold ,inary
1 !. Operasi thresholding dapat di hitung
dengan :
1 1. %&t ( x , y)={max'al , if &rc( x , y)>thre&0, (therwi&e
1 . (ika piksel pada gam,ar asal sr+ /y2/
mele,ihi thresh/ maka akan di set menjadi Ma Bal/
selain itu akan piksel akan di set menjadi !.
1 ?.1 #.
1 0.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
43/79
32
126.
12?$ Ga%'a 17 ; P"&/& T4 /&4"*(in.
#. Menentukan +ontour dari gam,ar
1 F.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
44/79
33
.? K/ an.,a P/%i,i an
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
45/79
34
129.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
46/79
35
1 0$ Ga%'a 1 ; K/ an.,a P/%i,i an
a. Mengimplementasikan Metode Haar CascadeClassifer dan Metode Contour se agai deteksikedipan mata
Conto!r
Data
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
47/79
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
48/79
32
webcame dengan jarak dan posisi pengguna/ serta posisi
sum,er +ahaya tertentu se,agai pass-ord. Dan juga sempel data,se
,er,agai jenis mata se,agai pem,uktian keakuratan metode
*ontour.
?. . Studi %ustaka
Selain menggunakan metode pengumpulan data dokumen/
penulis juga menggunakan metode pengumpulan data studi pustaka
yaitu dengan +ara men+ari sum,er @ sum,er dari jurnal/ ,uku/
media internet/ dan ,e,erapa media yang ,erhu,ungan dengan penelitian. 7e,erapa studi pustaka yang didapatkan adalah:a. 7uku @ ,uku yang mem,ahas tentang pengolahan +itra digital
dan kemanan sistem. ,. (urnal tentang deteksi kedipan mata.+. 7e,erapa ,uku dan jurnal yang mem,ahas metode haar
cascade classi'ier dan *ontour.
$ M/!"(/ P/n.)%-)*an Da!a
Dalam penelitian ini/ setelah data didapatkan ada ,e,erapa tahapan
yang dilakukan terhadap data @ data yang diperoleh. Tahapan @ tahapan
terse,ut antara lain:1. Mengam,il gam,ar realtime dari webcame / dari jarak dan posisi
pengguna/ serta posisi sum,er +ahaya tertentu.. Dari gam,ar webcame dilakukan deteksi -ajah dengan menggunakan
haar +as+ade +lassifier.?. Setelah terdeteksi -ajah/ kemudian akan dideteksi mata dengan metode
haar +as+ade +lassifer.#. Dari deteksi mata terse,ut/ akan di +ari kontur ,entuk mata.0. Dari data kedipan terse,ut akan digunakan se,agai password pada
prototype halaman login .
$6 M/!"(/ P/n/*i!ian
Dalam penelitian ini/ penulis menerapkan dua metode penelitian yaitu
se,agai ,erikut:
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
49/79
"eteksi Mata"eteksi #a$a%&ideo real'time #e cam(n
&erifkasi pass#ord "eteksi kedipan mata
33
?.#.1 Metode yang diusulkan
Dalam penelitian ini menerapkan ,e,erapa metode dan prosedur
penyelesaian yang ,ertujuan untuk menyelesaikan masalah yang
ada dalam penelitian. %rosedur penyelesaian yang dilakukan adalah
se,agai ,erikut:
Ga%'a 20 ; P "&/() P/n+/*/&aian
Metode yang diusulkan dalam penelitian ada dua ma+am/ yaitu:
a. Metode )aar *as+ade *lassifier Dengan )aar +as+ade +lassifier dapat dimanfaatkan untuk
menemukan ,agian tertentu seperti -ajah/ mata/ hidung/
mulut/ telinga kanan/ telinga kiri/ dll. Misalnya )aar +as+ade
'ace detector dalam li,rary Open*B/ jika ada se,uah gam,ar/
maka 'ace detector akan menguji setiap lokasi image dan
mengklarifikasinya se,agai atau .
7egitu pula dengan ,agian tertentu seperti mata/ maka akan
diuji setiap lokasi image dan mengklarifikasinya se,agai mata
atau ,ukan mata. )aar +as+ade +lassifier ini disimpan dalam
format file M / yang akan di panggil dalam program yang
meng5in+lude li,rary Open*B. Seperti yang dikemukakan
se,elumnya/ )aar *as+ade pada Open*B memanfaatkan
metode Biola and (ones/ yang memiliki # ,agian penting yaitu
)!to!t
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
50/79
34
haar feature/ image integral/ Ada7oost/ dan +as+ade +lassifier.
)asil dari haar +as+ade +lassifier seperti ,erikut :
Ga%'a 21 ; Fa+e De"e+"i % (/n.an Haa Ca& a(/ C*a&&i3i/
Ga%'a 22 ; E,e De"e+"i % (/n.an Haa Ca& a(/ C*a&&i3i/
'edua gam,ar diatas didapatkan dari hasil haar +as+ade
+lassifier fa+e dan eye dete+tor. &a+e dete+tor didapatkan dari
file fa+e. M sedangkan eye didapatkan dari file eye. M .
,. Metode *ontour
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
51/79
35
Dalam penelitian ini/ *ontour dimanfaatkan untuk
mendapatkan kontur mata hasil dari deteksi mata dengan haar
+as+ade +lassifier. Setelah mata terdeteksi/ maka akan diru,ah
menjadi ,entuk se,uah kontur/ dimana kontur terse,ut akan
menjadi a+uan ,ah-a mata terse,ut ,erkedip atau tidak. Saat
mata ter,uka/ maka akan terlihat gam,ar yang memiliki kontur
menyerupai lingkaran yang diindikasikan se,agai pupil mata
atau area mata. Dan ketika mata ,erkedip/ maka kontur
terse,ut tidak terlihat/ atau ke+il kemungkinannya untuk
mem,entuk kontur mata ter,uka.
?.#. Metode %engem,angan Sistem
Dalam penelitian ini akan di,angun se,uah prototype login
dengan menggunakan kedipan mata. "rototype ini hanya sekedar
halaman login saja/ tanpa mem,uat sistem yang sesungguhnya.
Dalam pem,uatan prototype ini menggunakan peran+angan
,erorientasi o,yek dan 3M se,agai ,ahasa pemodelan. 7erikut ,e,erapa diagram untuk meran+ang prototype terse,ut :
a. $se %ase (iagram
Ga%'a 2 ; Use Case Dia&$am
7erikut penjelasan untuk diagram use +ase diatas :
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
52/79
36
Ta'/* 1 ; D/&, i-&i Use Case
$se %ase Deskripsi*ign up $ser harus mendaftar terle,ih
dahulu agar data yang terdiri
dari nama dan password
kedipan mata ter+atat ke dalam
data,ase ogin $ser memasukan nama dan
password kedipan mata agar
dapat di4alidasi dengan datauser yang ada di database .
,. SJuen+e Diagram5 SJuen+e diagram *ign up
Ga%'a 26 ; S )/n / Dia. a% Si&% -
Diagram terse,ut menunjukkan tahapan proses saat user
melakukan sign up untuk memasukkan data diri ke dalam
data,ase.5 SJuen+e Diagram ogin
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
53/79
37
Ga%'a 25 ; S )/n / Dia. a% l &i%
Diagram terse,ut menunjukkan ,agaimana tahapan dalam
proses login . Dengan dia-ali memasukkan data pri,adi
yaitu nama dan password / kemudian sistem akan
mem4alidasi data terse,ut apakah sesuai dengan data yang
ada pada data,ase. Apa,ila tidak ada ke+o+okan/ maka user
akan diminta login kem,ali.
$5 E,&-/ i%/n
Dalam penelitian ini/ data pass-ord kedipan mata diam,il dari jarak
antara #!5"!/ threshold ?0/ posisi kepala menghadap ke depan kamera/ dan
posisi sum,er +ahaya dari depan. "assword kedipan akan ,er,entuk tiga jenis kedipan/ yaitu kedipan mata kanan 8 U right 2/ mata kiri U le't 2/ dan
kedua5duanya % U pair 2. 7erikut +ontoh data dari pass-ord kedipan :
5 Rigth 82
Ga%'a 2> ; K/(i-an Ri.4!
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
54/79
38
5 e't 2
Ga%'a 2? ; K/(i-an L/3!
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
55/79
BAB IV
ANALISIS HASIL PENELITIAN DAN PEMBAHASAN
Dalam ,a, ini akan di,ahas mengenai analisa dan langkah implementasi
penelitian metode haar +as+ade +lassifier dan *ontour untuk mendapatkan kedipan
mata se,agai pass-ord.
6$1 K/')!)4an Da!a Ci! aData +itra yang di,utuhkan pertama adalah sampel data +itra dari data
real5time hasil -e,+ame. %engam,ilan data gam,ar dari -e,+ame memiliki
klasifikasi seperti ,erikut :a. (arak antara o,jek dan -e,+ame W #! @ "! +m
,. %osisi kepala menghadap ke depan -e,+ame+. %osisi sum,er +ahaya dari depan
Maka diperoleh data gam,ar hasil -e,+ame seperti ,erikut :
Ga%'a 2 ; Ha&i* /' a%/
40
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
56/79
41
6$2 D/!/,&i Ma!a#.? Setelah mendapatkan data utama ,erupa sampel gam,ar hasil
-e,+ame/ selanjutnya melakukan deteksi mata dengan haar +as+ade
+lassifier. 7erikut hasil dari deteksi mata untuk sampel data utama :#.#
6$5 Ga%'a 0 ; Ha&i* D/!/,&i Ma!a (/n.an Haa Ca& a(/ C*a&&i3i/
#." )asil dari deteksi mata ditandai dengan kotak ,er-arna merah.
Setelah mata dapat terdeteksi kemudian akan difokuskan pada area mata
saja/ untuk mendapatkan kontur dari mata.
#.$
6$7 Ga%'a 1 ; F",)& A /a Ma!a
#. 7erikut sampel hasil deteksi mata pada ,e,erapa +itra uji +o,a/
dengan -arna dan jenis mata yang ,er,eda5,eda :
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
57/79
42
#.1!
#.11
6$12 Ta'/* 2 ; J/ni& %a!a '/ (a&a ,an '/n!), (an a na -)-i*
#.1? #.1#Ma
#.10(
#.1" N
#.1$ #.1F
#.1
#. !
#. 1=
#.D
#. ? #. #
#. 0
#. "
#. $8
#. FD
#. #.?!
#.?1
#.?
#.??7
#.?#D
#.?0 #.?"
#.?$
#.?F
#.?
7
#.#!
D
#.#1 #.#
#.#?
#.#07
#.#"D
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
58/79
43
#.##
#.#$ 4.48
4.49
4.50
#.01;
#.0D
#.0? 4.54
4.55
4.56
#.0$*
#.0FD
#.0 4.60
4.61
4.62
#."?I
#."#D
#."0 4.66
4.67
4.68
#."T
#.$!D
#.$1 4.72
4.73
4.74
#.$08
#.$"D
#.$$ 4.78
4.79
4.80
#.F1S
#.FD
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
59/79
44
#.F? 4.84
4.85
4.86
#.F$
#.FFD
#.F
#. !D
#. 1 4.92
4.93
4.94
#. 0%
#. "D
#. $ 4.98
4.99
4.100
#.1!1%
#.1!D
#.1!? 4.104
4.105
4.106
#.1!$
D
#.1!F
D
#.1! 4.110
4.111
4.112
#.11?%
#.11#D
#.110 4.116
4.117
4.118
#.11%
#.1 !D
#.1 1 4.122 #.1 0S
#.1 "D
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
60/79
45
4.123
4.124
#.1 $
6$127 M/n/%),an C"n!")#.1 Se,elum menemukan kontur/ ada ,e,erapa tahapan yang harus
dilalui untuk mendapatkan kontur mata yang dapat terdeteksi sempurna.
Tahapan5tahapannya se,agai ,erikut :5 Negati4e +olor
#.1?! Negati4e +olor atau mem,alikkan -arna dari gam,ar mata
hasil deteksi. 7erikut hasil dari Negati4e +olor dari sample data :
6$1 1 Ta'/* ; Ha&i* N/.a!i@/ "*"
#.1?
No
#.1?? Deteksi Mata #.1?# )asil Negati4e
#.1?0 #.1?"
#.1?$#.1?F#.1?
#.1#!#.1#1
#.1##.1#?
#.1###.1#0
#.1#"
#.1#$
#.1#F
#.1# #.10!
#.101
#.10
#.10?
#.10#
#.100 #.10"#.10$
#.10F
#.10
#.1"!
#.1"1 #.1"
#.1"?
#.1"0
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
61/79
46
#.1"##.1""
#.1"$ 4.1684.169
4.170
#.1$1
#.1$
#.1$? 4.1744.175
4.176
#.1$$
#.1$F
#.1$ 4.1804.181
4.182
#.1F?
#.1F#
#.1F0 4.1864.187
4.188
#.1F
#.1 !
#.1 1 4.192
4.193
4.194
#.1 0
#.1 "
#.1 $ 4.1984.199
4.200
#. !1
#. !
#. !? 4.2044.205
4.206
#. !$
#. !F
#. ! 4.2104.211
4.212
#. 1?
#. 1#
#. 10 4.216
4.217
#. 1
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
62/79
47
4.218#. !
#. 1 4.2224.223
4.224
#. 0
#. "
#. $ 4.2284.229
4.230
#. ?1
#. ?
#. ?? 4.2344.235
4.236
#. ?$
#. ?F
#. ?
1F
4.2404.241
4.242
#. #?
#. ##
#. #0
5 Meru,ah ke +itra kea,uan =rays+ale2#. #" Meru,ah gam,ar hasil dari Negati4e +olor menjadi gam,ar
kea,uan grays+ale2
6$26? Ta'/* 6 ;N/.a!i@/ "*" ,/ G a+& a*/
#. #F
No
#. # )asil Negati4e *olor #. 0! =rays+ale
#. 0 #. 0?#. 0#
#. 00 #. 0"
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
63/79
48
#. 0F#. 0
#. "!
#. "1#. "
#. "##. "0#. ""
#. "$#. "F
#. $!#. $1#. $
#. $?#. $#
#. $"#. $$
#. $F#. $
#. F #. F?#. F#
#. F0 #. F"
#. FF#. F
#. !
#. 1
#.
#. ##. 0
#. "
#. $
#. F
#.?!!#.?!1
#.?!
#.?!?
#.?!#
#.?!"#.?!$
#.?!F
#.?!
#.?1!
#.?1#.?1?
#.?1#
#.?10
#.?1"
#.?1F#.?1
#.? 1
#.?
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
64/79
49
#.? !#.? ##.? 0
#.? "
#.? $
#.? F
#.??!#.??1
#.??
#.???
#.??#
#.??"
#.??$
#.??F
#.??
#.?#!
#.?##.?#?
#.?##
#.?#0
#.?#"
#.?#F#.?#
#.?0!
#.?01
#.?0
1F
#.?0?#.?0#
#.?00
#.?0"
#.?0$
#.?0F5 Thresholding
#.?0 Menentukan threshold agar mem,entuk kontur yang
diinginkan. Threshold mempengaruhi hasil penentuan kontur yang
teridentifikasi mata atau tidak. Semakin ke+il threshold maka akan
,anyak kontur P,erukuran ,esar yang dihasilkan/ ,ahkan mem,entuk
satu kontur ,esar. Semakin ,esar threshold/ maka semakin tidak terlihat
kontur. Maka threshold haruslah tepat agar kontur mata sempurna.
7erikut +ontoh per,andingan kontur hasil threshold dari file Data1F :
6$ >0 Ta'/* 5 ; C"n!"4 4a&i* ! /&4"*(in.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
65/79
50
#.?"1 Data1F #.?" Threshol
d
#.?"? )asil *ontour
#.?"#
#.?"0 8endah#.?""#.?"$#.?"F
#.?$! Tepat#.?$1#.?$#.?$?
#.?$0 Tinggi#.?$"#.?$$#.?$F
#.?$
5 Menentukan *ontour #.?F! Threshold dikatakan tepat apa,ila kontur yang dihasilkan
memiliki suatu ukuran yang memungkinkan mem,entuk kontur mata
sempurna/ atau terdeteksi se+ara tepat pada area mata. Dalam penelitian
ini/ dengan jarak W #!+m5 "!+m/ dengan hasil gam,ar -e,+ame
,erukuran "#! #F piksel/ maka kontur yang mem,entuk mata
sempurna adalah kontur dengan tinggi F @ 0 piksel. 'ontur yang
di,a-ah atau mele,ihi ,atas terse,ut/ akan dianggap ,ukan kontur
mata.#.?F1 )asil dari deteksi kontur mata dari +itra sample dengan
threshold tepat se,agai ,erikut :
6$ 72 Ta'/* > ; Ha&i* (/!/,&i a /a %a!a (/n.an C"n!") (/n.anPH !/-a!
#.?F?S
#.?F#*
#.?F")
4.387
4.388
4.389
4.390
4.3914.392
4.393
4.394
4.395
4.3964.397
4.398
4.399
4.400 4.401
4.402
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
66/79
51
4.403
4.404
4.405
4.406
4.4074.408
4.409
4.410
4.411
4.412
4.413
4.414
4.4154.416
4.417
4.418
4.419
4.420
4.421
4.422
4.4234.424
4.425
4.426
4.427
4.428
4.429
4.430
4.4314.432
4.433
4.434
4.435
4.436
4.437
4.438
4.4394.440
4.441
4.442
4.443
4.444
4.445
4.446
4.4474.448
4.449
4.450
4.451 4.454 4.456 4.457
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
67/79
52
4.452
4.453
4.455 4.458
4.459
4.460
4.461
4.462
4.4634.464
4.465
4.466
4.467
4.468
4.469
4.470
4.471 4.4724.473
4.474
4.475
4.476
4.477
4.478
4.479
4.480 4.481
4.482
4.483
4.484
4.485
4.486
4.487
4.4884.489
4.490
4.491
4.492
4.493
4.494
4.495
4.4964.497
4.498
4.499
4.500
4.501
4.503
4.504
4.505 4.506
4.507
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
68/79
53
4.502
4.508
4.509
4.510
4.511
4.5124.513
4.514
4.515
4.516
4.517
4.518
4.519
4.5204.521
4.522
4.523
4.524
4.525
4.526
4.527
4.5284.529
4.530
4.531
#.0?6$5 D/!/,&i K/(i-an Ma!a
#.0?# Seperti yang telah dise,utkan se,elumnya/ setelah kontur mata
sempurna terdeteksi/ maka dapat menjadi a+uan untuk mendeteksi kedipan
mata. Apa,ila kontur pada area mata terdeteksi/ mengindikasikan ,ah-a
mata terse,ut ter,uka. Dan apa,ila kontur mata tidak ada setelah
se,elumnya terdeteksi2 atau ukurannya terlalu ke+il untuk mem,entuk
kontur mata sempurna/ dapat diindikasikan ,ah-a mata terse,ut sedang
tertutup. 7erikut hasil deteksi kedipan mata terdiri dari 8ight 82/ eft 2/
dan %air %2.#.0?0#.0?"#.0?$#.0?F
6$5 Ta'/* ? ; C"n!"4 (/!/,&i @a ia&i ,/(i-an R# L (an P
#.0#! Mata terdeteksi #.0#1 *ontour #.0# )asil Deteksi #.0#?
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
69/79
54
)asil#.0###.0#0
#.0#"
#.0#$ #.0#F #.0#
8
#.00!#.001
#.00
#.00? #.00##.000
#.00"#.00$
#.00F
#.00 #.0"!#.0"1
%
6$5>2 K/(i-an &/'a.ai Pa&& " (
#.0"? )asil yang diperoleh dari deteksi kedipan mata akan mengirimkan
data ,erupa karakter yang menjadi pass-ord masukan. 'arakter terse,utterdiri dari P8 se,agai kedipan kanan/ P se,agai kedipan kiri/ dan P%
se,agai kedipan kedua mata. Dalam penelitian ini panjang pass-ord
ditentukan dengan panjang " karakter.
6$5>6 M/%'an.)n An!a M),a P "!"!+-/
#.".1. Tampilan a-al login
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
70/79
55
4.565
Ga
%'a 2 ; Ta%-i*an U!a%a Ha*a%an L".in
#.". . Tampilan input pass-ord
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
71/79
56
#.0""
6$5>? Ga%'a ; Ta%-i*an &aa! %/%a&),,an -a&& " (
,/(i-an
#.".?. Berifikasi 3ser dan %ass-ord
#.0"F
6$5> Ga%'a 6 ; Ta%-i*an @a*i(a&i )&/ (an -a&& " (
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
72/79
57
#.0$!
6$5?1 P/n.)jian
#.0$ Seperti yang telah dijelaskan pada ,a, se,elumnya/ pengujian akan
dilakukan terhadap metode yang diusulkan untuk mengetahui se,erapa
akurat deteksi mata/ dan menguji apakah pass-ord terdeteksi se+ara
keystroke atau tidak.
#.$.1. %engujian terhadap Deteksi 'edipan
6$5? Ta'/* 7 ; P/n.)jian a,) a&i ,/(i-an (/n.an 15 j/ni&-a&& " (
#.0$"#.0$$
#.0$F'edipan
#.#.0F!
#.
#.0F
# #. #.# #. #.
#.0 #. #.# #. #.# #. #.# #. #.
#." #. #.# #. #.
#."#? #. #.# #. #.# #. #.# #. #.
#."$1 #. #.# #. #.# #. #.
#." 1 ( #.
#." " Dari hasil terse,ut dapat diperoleh nilai akurasi dan error
rate dalam mendeteksi kedipan mata se,esar:
#." $ akura&i= 80112
100 = $1/#? C
#." F err(r rate = 32112
100 = 28,57
#."
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
73/79
58
#.$. . %engujian terhadap Deteksi 'eystroke
#.$!! %engujian dilakukan menggunakan aplikasi keylogger/
&amily 'eylogger 4 .$1/ untuk mendeteksi pass-ord kedipan mata.
)asil keystroke dapat diketahui dengan melihat logfile yang ada pada
folder &amily 'eylogger. 7erikut hasil pengujian dengan keylogger :
#.$!1
#.$!
#.$!?
#.$!#
6$?05 Ga%'a 5 ; Ha&i* (/!/,&i ,/+&! ",/ (/n.an Fa%i*+
K/+*"../ 1
#.$!" =am,ar diatas menunjukkan log keystroke yang mem,uka
aplikasi notepad dan mengetikkan . Apa yang
diketikkan dapat terekam oleh aplikasi keylogger. 'emudian
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
74/79
59
dilanjutkan dengan pengujian terhadap prototype login sistem
menggunakan pass-ord kedipan mata.
#.$!$
#.$!F
#.$!
#.$1!
#.$11
6$?12 Ga%'a > ; Pa&& " ( ,/(i-an !i(a, !/ (/!/,&i Fa%i*+
K/+*"../
#.$1? =am,ar diatas menunjukkan ,ah-a user id masih terekam
oleh keylogger/ karena dalam memasukkan user id masih
menggunakan key,oard/ namun untuk pass-ord tidak terlihat atau
terekam keylogger.
#.$1#
#.$10
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
75/79
60
#.$1"
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
76/79
61
6$?1? BAB V
6$?17 KESIMPULAN DAN SARAN
6$?1
0.1. 'esimpulan#.$ ! 'esimpulan yang diperoleh dari penelitian ini adalah :1. Implementasi dari metode )aar *as+ade *lassifier dan *ontour dapat
mendeteksi kedipan mata.. Metode )aar +as+ade +lassifier dapat mendeteksi ,again tu,uh seperti
-ajah dan mata.?. Dengan jarak/ posisi o,yek/ dan posisi sum,er +ahaya tertentu dapat
menghasilkan kontur mata sempurna se,agai a+uan mendeteksi
kedipan mata.#. Selain jarak/ posisi o,yek dan posisi sum,er +ahaya/ thresholding
menjadi ,agian penting untuk menghasilkan kontur yang sempurna.0. Dengan threshold yang tepat/ kontur ,e,erpa jenis mata ,aik -arna
maupun ,entuknya/ dapat dikenali.". Dari uji +o,a dengan 10 jenis pass-ord kedipan/ dengan total 11
kedipan yang di deteksi/ ,erhasil mengenali F! kedipan tepat sesuai
kedipan dari o,yek/ dengan akurasi ke,erhasilan $1/#? C/ dan error
rate F/0$ C.$. %engujian menggunakan keylogger menunjukkan ,ah-a pass-ord
dengan kedipan mata tidak terdeteksi/ sehingga pass-ord tidak
terekam dalam aplikasi keylogger.F. %ass-ord dengan kedipan mata menghindari pen+urian pass-ord
se+ara keystroke.0. . Saran
#.$ 1 7erikut merupakan ,e,erapa hal yang perlu diperhatikan untuk
melakukan penelitian le,ih lanjut :1. Di,utuhkan algoritma %repro+essing untuk mengoptimisasi data dari
-e,+ame/ sehingga tanpa harus diam,il dengan jarak/ posisi o,yek/
dan posisi sum,er +ahaya tertentu.. Otomatisasi pem,erian parameter threshold/ agar dapat
mengoptimalkan deteksi ,er,agai jenis mata ,aik ,entuk atau -arna
mata.
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
77/79
62
?. %rototype sistem login dikem,angkan agar memiliki data,ase
penyimpanan data user/ karena masih tersimpan dalam 4aria,le.#. Diharapkan kedepannya dikom,inasikan dengan algoritma enkripsi
untuk ,agian user id/ agar tidak tersimpan ,egitu saja dalam aplikasi
perekam keystroke.#.$
#.$ ?
#.$ #
#.$ 0
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
78/79
-
7/26/2019 Implementation Of Eye Blink Detection Using Haar Cascade Classifier And Contour To System Login Password
79/79
58
%ustaka 3tama/ !!$.
1?.A7D3 A)/ M.G SA'TI6ONOG 3T)&I. IPA !/ -a() &%- (an %!& ji*i(A . (akarta: 9rlangga/ !!$.
1#.TA3&IY/ M. I. Da*i* an3)& a*8 ) an (an /%' i"*".i; ayat5ayat tentang pen+iptaan manusia2. Solo: tiga serangkai/ !!".
10.S3TO(O/ T. et al. T/" i P/n."*a4an Ci! a Di.i!a* . 6ogyakarta: ANDI/!! .
1".7INANTO/ I. %)*!i%/(ia (i.i!a* 8 (a&a !/" i (an -/n./%'an.ann+a .6ogyakarta: Andi/ !1!.
1$. '9)TA8NABAQ/ N.G =AMADIA/ M. R/a*8Ti%/ I%a./ an( Vi(/"P " /&&in.; &rom 8esear+h to 8eality. 3SA: Morgan H *laypool %u,lisher/!!".
1F.M3NI8/ 8. P/n."*a4an Ci! a Di.i!a* D/n.an P/n(/,a!an A*." i!%i, .(akarta: Informatika/ !!#.
1 . &A6/ (. En + *"-/(ia "3 S/ ) i!+ Mana./%/n!; Te+hniJues andTe+hnologi. 3SA: 7utter-orth5)einemann/ 1 ?.
!. 8D/ '.G %AM73DI/ ;. S.G TOM%3N3/ A. N. Aplikasi Sensor Bision untukDeteksi Multi&a+e dan Menghitung (umlah Orang. S/%ina Na&i"na*T/,n"*".i In3" %a&i K"%)ni,a&i T/ a-an 2012