rancang bangun prototype smart access …
TRANSCRIPT
RANCANG BANGUN PROTOTYPE SMART ACCESS
PERUMAHAN MENGGUNAKAN FACE RECOGNITION
LAPORAN SKRIPSI
Disusun oleh:
SHINA QOLBUNAJATI ATMAJA (4616030032)
PROGRAM STUDI TEKNIK MULTIMEDIA DAN JARINGAN
JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER
POLITEKNIK NEGERI JAKARTA
2020
RANCANG BANGUN PROTOTYPE SMART ACCESS
PERUMAHAN MENGGUNAKAN FACE RECOGNITION
LAPORAN SKRIPSI
Dibuat untuk Melengkapi Syarat-Syarat yang Diperlukan untuk Memperoleh
Diploma Empat Politeknik
SHINA QOLBUNAJATI ATMAJA 4616030032
PROGRAM STUDI TEKNIK MULTIMEDIA DAN JARINGAN
JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER
POLITEKNIK NEGERI JAKARTA
2020
i
HALAMAN PERNYATAAN ORISINALITAS
ii
LEMBAR PENGESAHAN
iii
KATA PENGANTAR
iv
HALAMAN PERNYATAAN PERSETUJUAN
v
v
Rancang Bangun Prototype Smart Access Perumahan Menggunakan Face
Recognition dan Plate Detectition
Abstrak
Sistem keamanan akses perumahan merupakan suatu kegiatan oleh warga perumahan untuk
mengurangi tingkat kejahatan/kriminal dilingkungan perumahan. Beberapa perumahan masih menggunakan sistem keamanan akses perumahan secara manual, padahal saat ini sudah ada
teknologi biometrik Teknologi biometrik adalah teknologi pengenalan individu yang
didasarkan pada ciri khusus fisik. Contoh teknologi biometrik adalah face recognition. Face recognition didukung dengan proses dan perangkat tambahan seperti proses pengolahan citra,
penambahan library Python berupa OpenCV serta package face recogniton, metode untuk
pengenalan wajah berupa metode Histogram of Gradient (HOG), penggunaan MySQL sebagai media database dari sistem dan penambahan software Tkinter yang digunakan untuk
pembuatan GUI dari sistem. Untuk merancang dan merealisasikan sistem kemanan akses
perumahan menggunakan face recognition membutuhkan parameter berupa receiver
operating characteristic (ROC) untuk mendapatkan false positive rate (FPR) yang menunjukkan tingkat kesalahan dalam proses identifikasi dan nilai akurasi yang menunjukkan
nilai tingkat kecocokan pada proses identifikasi. Pengujian menggunakan dengan beberapa
metode seperti pembuatan dataset, pengujian dalam keadaan normal, jarak tertentu, penggunaan aksesoris, pengujian pada user tidak terdaftar, dan integrasi dengan web service
serto servo. Sehingga didapatkan nilai kekhususan atau false positive rate (FPR) sebesar
1,21% dan nilai akurasi sebesar 97,8%.
Kata kunci: Face Recognition, Metode Histogram of Gradient, MySQL, Python, Tkinter
vi
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Daftar Isi
HALAMAN PERNYATAAN ORISINALITAS ........................................................ i
LEMBAR PENGESAHAN ....................................................................................... ii
KATA PENGANTAR ............................................................................................. iii
HALAMAN PERNYATAAN PERSETUJUAN ...................................................... iv
Abstrak ..................................................................................................................... v
Daftar Isi .................................................................................................................. vi
Daftar Gambar ......................................................................................................... ix
Daftar Table ............................................................................................................. xi
BAB I ....................................................................................................................... 1
PENDAHULUAN .................................................................................................... 1
1.1 Latar belakang ......................................................................................... 1
1.2 Perumusan masalah ................................................................................. 3
1.3 Batasan masalah ...................................................................................... 3
1.4 Tujuan dan manfaat ................................................................................. 3
1.5 Metode pelaksanaan skripsi ..................................................................... 4
BAB II ...................................................................................................................... 6
TINJAUAN PUSTAKA............................................................................................ 6
2.1 Raspberry Pi ............................................................................................ 6
2.1.1 Raspberry Pi 3 ......................................................................................... 6
2.1.2 Sistem Operasi Raspberry ....................................................................... 7
2.2 Bahasa Pemograman Phyton ................................................................... 7
2.3 WebCam ................................................................................................. 7
2.4 Relay ....................................................................................................... 8
2.5 OpenCV .................................................................................................. 8
vii
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
2.6 Deteksi Wajah (Face Detection) .............................................................. 9
2.7 Algoritma HOG....................................................................................... 9
2.8 Training .................................................................................................. 9
2.9 Validasi ................................................................................................. 10
2.10 Deteksi Objek........................................................................................ 10
BAB III................................................................................................................... 11
PERENCANAAN DAN REALISASI ATAU RANCANG BANGUN .................... 11
3.1 Deskripsi Sistem ................................................................................... 11
3.2 Cara Kerja Sistem ................................................................................. 14
3.2.1 Sistem Mekanik..................................................................................... 18
3.2.2 Sistem Elektronik .................................................................................. 19
3.2.3 Diagram Blok ........................................................................................ 19
3.3 Realisasi Program Face Recognition ..................................................... 20
3.3.1 Realisasi Pembuatan Dataset ................................................................. 20
3.3.2 Realisasi Proses Training Data .............................................................. 21
3.3.3 Realisasi Proses Pengenalan Wajah ....................................................... 22
3.3.4 Realisasi Modul Pembuatan Dataset Wajah ........................................... 26
BAB IV .................................................................................................................. 30
PEMBAHASAN ..................................................................................................... 30
4.1 Pengujian .............................................................................................. 30
4.2 Deskripsi Pengujian............................................................................... 31
4.3 Prosedur Pengujian ................................................................................ 31
4.4 Data Pengujian ............................................................................................. 32
4.4.1 Pengujian Modul Pembuatan Dataset .................................................... 32
4.4.2 Pengujian dengan Keadaan Normal ....................................................... 34
viii
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
4.4.3 Pengujian Wajah dengan Jarak Tertentu ................................................ 35
4.4.4 Pengujian Wajah Tidak Terdaftar .......................................................... 37
4.5.1 Pengujian Wajah Menggunakan Aksesoris ............................................ 37
4.4.5 Pengujian Wajah dengan Sistem Smart Access ...................................... 38
4.4.6 Pengujian Waktu Eksekusi dan Delay Aktuator pada Sistem Smart Access
39
4.5 Analisis Pengujian ........................................................................................ 39
4.5.2 Hasil Pengujian Pembuatan Dataset ....................................................... 39
4.5.3 Hasil Pengujian dengan Keadaan Normal .............................................. 40
4.5.4 Hasil Pengujian Wajah dengan Jarak Tertentu ....................................... 41
4.5.5 Hasil Pengujian Wajah Tidak Terdaftar ................................................. 42
4.5.6 Hasil Pengujian Wajah Menggunakan Aksesoris ................................... 43
4.5.7 Hasil Pengujian Wajah dengan Sistem Smart Access ............................. 44
4.5.8 Hasil Pengujian Waktu Eksekusi dan Delay Aktuator pada Sistem Smart
Access 44
BAB V .................................................................................................................... 46
PENUTUP .............................................................................................................. 46
5.1 Kesimpulan .................................................................................................. 46
5.2 Saran ............................................................................................................ 47
DAFTAR PUSTAKA ............................................................................................. 48
ix
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Daftar Gambar
Gambar 3.1 Alur kerja sistem utama ....................................................................... 15
Gambar 3.2 Alur Sistem Face Recognition ............................................................. 16
Gambar 3.3 Diagram Alir Pengenalan Wajah .......................................................... 17
Gambar 3.4 Desain Prototipe Sistem ....................................................................... 18
Gambar 3.5 Desain Skematik Sistem Elektronik ..................................................... 19
Gambar 3.6 Diagram Blok ...................................................................................... 19
Gambar 3.7 Folder Dataset Wajah ........................................................................... 20
Gambar 3.8 Isi Folder Dataset Wajah ...................................................................... 21
Gambar 3.9 Tahap Pengambilan ID untuk setiap wajah ........................................... 21
Gambar 3.10 Tahap Mencari Posisi Wajah .............................................................. 22
Gambar 3.11 Tahap Penyimpanan ID dan Encoding Wajah .................................... 22
Gambar 3.12 Tahap deklarasi File Encoding dan File Foto ...................................... 22
Gambar 3.13 Tahap Deteksi wajah dan Encodings wajah ........................................ 23
Gambar 3.14 Tahap Deteksi wajah dan Encodings wajah ........................................ 23
Gambar 3.15 Tahap Deteksi wajah dan Encodings wajah ........................................ 24
Gambar 3.16 List perbandingan data encodings dengan encodings foto ................... 24
Gambar 3.17 Tahap mencockan indeks keberapa pada data encodings .................... 25
Gambar 3.18 List indeks yang memiliki kecocokan dengan data encodings............. 25
Gambar 3.19 Halaman Awal Modul Pembuatan Dataset ......................................... 26
Gambar 3.20 Code Halaman Awal Modul Pembuatan Dataset ................................ 27
Gambar 3.21 Halaman List Orang ........................................................................... 28
Gambar 3.22 Window Pengambilan Gambar........................................................... 28
Gambar 3.23 Code Halaman List Orang .................................................................. 29
Gambar 4.1 Proses Pengujian Keadaan Normal ....................................................... 41
Gambar 4.2 Proses Pengujian dengan Jarak Tertentu ............................................... 41
Gambar 4.3 Proses Pengujian Wajah Tidak Terdaftar.............................................. 42
Gambar 4.4 Proses Pengujian Wajah Menggunakan Aksesoris ................................ 43
Gambar 4.5 Hasil Pengujian Waktu Eksekusi Program Face Recognition. API Smart
Access dan Sistem Smart Access ............................................................................. 45
x
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 4.6 Hasil Pengujian Waktu Eksekusi Program API alat Smart Access hingga
menggerakan aktuator ............................................................................................. 45
xi
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Daftar Table
Tabel 3.1 Perangkat Keras ...................................................................................... 12
Tabel 3.2 Perangkat Lunak ...................................................................................... 13
Tabel 4.1 Pengujian Modul Pembuatan Dataset ....................................................... 32
Tabel 4.2 Pengujian Window List Orang ................................................................. 33
Tabel 4.3 Hasil Pengujian Keadaan Normal ............................................................ 34
Tabel 4.4 Hasil Pengujian Jarak Tertentu ................................................................ 36
Tabel 4.5 Hasil Pengujian Wajah Tidak Terdaftar ................................................... 37
Tabel 4.6 Hasil Pengujian Menggunakan Aksesoris ................................................ 37
Tabel 4.7 Hasil Pengujian Pengenalan Wajah dengan Sistem Smart Access............. 38
Tabel 4.8 Pengujian Waktu Eksekusi dan Delay Aktuator pada Sistem Smart Access
............................................................................................................................... 39
1
BAB I
PENDAHULUAN
1.1 Latar belakang
Saat ini Indonesia dihuni oleh 250 juta jiwa dan melalui perkembangan yang sangat
cepat tiap tahunnya (katadata.co.id, 2018). Pertambahan jiwa yang ada saat ini
membuat hampir 50 juta jiwa warga Indonesia telah bergeser dari kelas bawah menuju
kelas menengah. Adanya perkembangan kelas setiap tahunnya maka menaikkan minat
warga akan kebutuhan hunian yang lebih layak. Menurut Suleman yang merupakan
anggota REI (Real Estate Indonesia) kebutuhan perumahan saat ini mencapai 11,4 juta
unit dan akan bertambah 800 ribu unit setiap tahunnya.
Untuk wilayah DKI Jakarta sendiri, kriteria dalam memilih hunian yang diinginkan
sangatlah beragam. Salah satu faktor yang mulai diperhatikan oleh masyarakat wilayah
DKI Jakarta dalam memilih hunian adalah jaminan keamanan (ekonomi.bisnis.com,
2018). Berdasarkan survey Rumah.com tentang Property Affordability Sentiment
Index H1-2018, sebanyak 75% responden mencantumkan keamanan sebagai faktor
pertimbangan pembelian hunian selain lokasi, akses, dan harga. Jaminan keamanan
pada kawasan hunian dapat meminimalkan tindakan kriminal yang dapat merugikan
penghuni kawasan hunian.
Tindakan kriminal sering kali terjadi pada kawasan hunian di DKI Jakarta. Menurut
Tirto.id pada tahun 2018 ada total 3.138 laporan kasus pencurian yang masuk ke
2
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
kepolisian. Hal ini menjadi masalah besar yang harus diperhatikan pada setiap kawasan
hunian. Setiap sistem keamanan yang ada pasti mempunyai kelemahan masing-masing.
Jika hanya mengandalkan sistem keamanan menggunakan tenaga manusia, terkadang
hal tersebut juga tidak begitu efektif karena manusia sejatinya juga mempunyai rasa
lelah. Dikarenakan hal tersebut maka diciptakan sistem pendukung keamanan dengan
menggunaan media keamanan seperti barcode, rfid card, password, PIN dan
semacamnya. Namun penggunaan media keamanan tersebut sebenarnya mempunyai
beberapa kelemahan yaitu dapat hilang, rusak, dan dicuri atau disalahgunakan oleh
orang lain yang tidak bertanggung jawab. Untuk mengatasi masalah ini, sistem
pengamanan pintu akses kawasan hunian yang cerdas dan otomatis perlu dimanfaatkan.
Untuk mengatasi masalah ini, sistem pengamanan pintu masuk dan keluar perumahan
yang cerdas dan otomatis perlu dimanfaatkan. Tetapi otentikasi adalah masalah penting
dalam sistem ini. Sistem Smart Access ini dirancang dengan bantuan biometrik.
Pengenalan wajah adalah salah satu metode biometrik untuk meningkatkan sistem ini.
Karena Wajah manusia mempunyai banyak informasi. Selain dapat memperlihatkan
suasana hati, niat, dan perhatian, wajah juga dapat berfungsi untuk mengidentifikasi
seseorang. Wajah adalah kunci paling khas dan banyak digunakan untuk identitas
seseorang. Selanjutnya sistem mengekstraksi citra wajah yang terdeteksi menggunakan
metode histogram of gradient (HOG) sebagai sarana pengenalan wajah antara
penghuni kawasan dan orang luar. Kemudian sistem akan mencocokan citra wajah baru
dengan database penghuni kawasan serta plat nomor yang terdeteksi. Setelah itu sistem
akan membuka gerbang dan menyalakan LED berwana hijau jika citra wajah baru yang
dideteksi dikenali oleh sistem sebagai penghuni kawasan. Namun apabila sistem tidak
mengenali citra wajah baru, maka gerbang akan tetap tertutup dan LED akan menyala
merah. Berdasarkan uraian yang telah dipaparkan sebelumnya, perlu dibuat sebuah
RANCANG BANGUN PROTOTYPE SMART ACCESS PERUMAHAN
MENGGUNAKAN FACE RECOGNITION DAN PLATE DETECTION tentunya
memiliki keamanan yang lebih baik dibandingkan pengamanan manual yang ada
sekarang.
3
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
1.2 Perumusan masalah
Berdasarkan permasalahan yang berada pada uraian diatas, dapat dirumuskan sebuah
masalah pada penelitian ini yaitu:
a. Bagaimana cara membuat Smart Access menggunakan face recognition?
b. Bagaimana sistem dapat mengenali wajah menggunakan metode HOG?
c. Bagaimana delay actuator terhadap sistem ketika bekerja?
d. Bagaimana membuat database face recognition yang saling terhubung dengan
plate detection?
1.3 Batasan masalah
Untuk membatasi cakupan permasalahan yang akan dibahas dalam pembuatan sistem
ini, maka pada penelitian ini diberikan batasan sebagai berikut:
a. Membuat sistem face recognition untuk Smart Access.
b. Menggunakan Raspberry Pi sebagai pusat kendali.
c. Menggunakan bahasa pemograman Phyton.
d. Mengenali wajah hanya dari tampak depan.
e. Sistem bekerja hanya untuk orang yang membawa kendaraan bermotor
1.4 Tujuan dan manfaat
Tujuan dari pembuatan Rancang Bangun Prototype Smart Access Perumahan
Menggunakan Face Recognation dan Plate Detection adalah:
1. Menghasilkan sebuah prototipe sistem Smart Access yang dapat mengenali wajah.
2. Merancang dan menganalisis sistem pengenalan wajah dengan metode HOG.
3. Mengetahui nilai akurasi dari sistem Smart Access menggunakan face recognition
4. Mengetahui seberapa cepat delay actuator terhadap sistem.
4
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Adapun manfaat dari pembuatan sistem ini adalah:
1. Membantu mengurangi kejadian kemalingan pada perumahan.
2. Mencegah mobil keluar dan masuk dalam area perumahan selain mobil maupun
dan pengendara yang terdaftar
3. Memudahkan petugas keamanan dalam menjaga akses masuk dan keluar warga
perumahan.
1.5 Metode pelaksanaan skripsi
Metode pelaksanaan skripsi ini adalah sebagai berikut:
a. Studi Litelatur
Studi literatur dilakukan dengan melakukan pencarian dan pengumpulan literatur-
literatur yang berkaitan dengan pengenalan wajah, algoritma hog, dan OpenCv.
Baik itu berupa artikel, buku referensi, jurnal-jurnal, internet, dan sumber-sumber
yang dapat menunjang penelitian sebagai bahan referensi untuk menyelesaikan
penelitian ini.
b. Analisa Kebutuhan
Melakukan analisa terhadap kebutuhan pada pembuatan sistem pengenalan wajah
untuk snart access.
c. Perancangan Alat.
Meliputi perancangan hardware (perangkat keras) dan perancangan software
(perangkat lunak) dari sistem ini serta pembuatan database untuk beberapa contoh
wajah.
d. Pembuatan Alat
Melakukan pembuatan perangkat keras berupa pintu otomatis menggunakan servo
sebagai penggerak dan raspberry sebagai kontrollernya dan membuat perangkat
lunak berupa User Interface untuk memasukan wajah baru sehingga siap untuk
dilakukan uji coba.
5
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
e. Pengujian Alat
Meliputi pengujian terhadap alat yang sudah dibuat dengan menghasilkan data-
data dengan beberapa parameter yang diterapkan untuk selanjutnya akan dianalisa.
f. Analisa Hasil dan Simpulan
Melakukan analisa terhadap seluruh data yang telah diperoleh kemudian
membandingkan dengan beberapa sistem keamanan yang telah ada sehingga dapat
diperoleh sebuah kesimpulan dari hasil tersebut.
6
BAB II
TINJAUAN PUSTAKA
2.1 Raspberry Pi
Raspberry Pi adalah sebuah komputer papan tunggal (single-board computer) atau SBC
berukuran kartu kredit. Raspberry Pi telah dilengkapi dengan semua fungsi sebuah
komputer lengkap, menggunakan SoC (System-on-a-chip) ARM yang dikemas dan
diintegrasikan diatas PCB. Perangkat ini menggunakan kartu microSD untuk booting
dan penyimpanan jangka Panjang (Richardson, M dan S.Wallace. 2013).
2.1.1 Raspberry Pi 3
Raspberry Pi 3 merupakan model yang populer saat ini karena kecepatannya mencapai
4 kali lipat dari Pi 2. Selain itu, versi ini sudah memiliki built-in WiFi (802.11n) dan
Bluetooth 4, serta Bluetooth Low Energy (BLE). Raspberry Pi 3 memiliki nilai
ekonomis yang lebih tinggi sehingga pembeli tidak perlu mengeluarkan biaya
tambahan untuk membeli WiFi dan Bluetooth USB, karena lebih cepat dan lengkap.
Spesifikasinya adalah sebagai berikut:
• CPU 64-bit quad-core ARMv8 1.2GHz
• RAM 1 GB
Sama seperti Pi 2, Raspberry Pi 3 juga memiliki 4 USB port, 40 pin GPIO, Full HDMI
port, Port Ethernet, Combined 3.5mm audio jack and composite video, Camera
interface (CSI), Display interface (DSI), slot kartu Micro SD (Sistem tekan-tarik,
berbeda dari yang sebelumnya ditekan-tekan), dan VideoCore IV 3D graphics core
(Andi Dinata, 2017)
7
2.1.2 Sistem Operasi Raspberry
Raspberry Pi tidak menggunakan sistem operasi yang sering kita gunakan di sekolah
atau di rumah, seperti Windows atau Mac. Ada banyak sistem operasi yang bisa
berjalan di Raspberry Pi seperti RISC OS, FreeBSD, bahkan versi Windows IoT
(Internet of Things).. Sistem operasi yang sering digunakan Raspberry Pi adalah versi
Linux yang disebut dengan Raspbian. Raspbian adalah versi Linux yang dibuat khusus
untuk Raspberry Pi. Sistem operasi ini dilengkapi dengan semua perangkat lunak yang
perlukan untuk setiap tugas dasar dengan komputer (otomasi.sv.ugm.ac.id, 2018).
2.2 Bahasa Pemograman Phyton
Python adalah bahasa pemrograman interpretatif multiguna. Tidak seperti bahasa lain
yang susah untuk dibaca dan dipahami, python lebih menekankan pada pembacaan
kode agar lebih mudah untuk memahami sintaks (belajarpython.com, 2018). Python
menjadi Bahasa resmi yang terintegrasi dalam Raspberry Pi. Kata “Pi” pada Raspberry
Pi merupakan selang yang merujuk pada “Python”. Oleh karenanya, tepat dikatakan
bahwa Python adalah Bahasa natural Raspberry Pi (raspberrytips.com).
Bahasa ini muncul pertama kali pada tahun 1991, dirancang oleh seorang bernama
Guido van Rossum. Sampai saat ini Python masih dikembangkan oleh Python Software
Foundation. Bahasa Python mendukung hampir semua sistem operasi, bahkan untuk
sistem operasi Linux (belajarpython.com, 2018).
2.3 WebCam
WebCam merupakan gabungan dari kata web dan camera. WebCam sendiri sebutan
bagi kamera real-time (bermakna keadaan pada saat ini juga) yang gambarnya bisa
diakses atau dilihat melalui internet, program instant messaging seperti Yahoo
Messenger, AOL Instant Messenger (AIM), Windows Live Messenger, dan Skype, dan
lainnya. Istilah “webcam” sendiri mengarah pada jenis kamera yang digunakan untuk
8
kebutuhan layanan berbasis web. Webcam sendiri biasanya digunakan untuk keperluan
konferensi jarak jauh atau juga sebagai kamera pemantau.
WebCam adalah sebuah peripheral berupa kamera sebagai pengambil citra/gambar dan
mikropon (optional) sebagai pengambil suara/audio yang dikendalikan oleh sebuah
komputer atau oleh jaringan komputer. Gambar yang diambil oleh WebCam
ditampilkan ke layar monitor, karena dikendalikan oleh komputer maka ada interface
atau port yang digunakan untuk menghubungkan WebCam dengan komputer atau
jaringan (Shaleh, 2018).
2.4 Relay
Relay adalah Saklar (switch) yang dioperasikan secara listrik dan merupakan
komponen elektromekanikal yang terdiri dari 2 bagian utama yakni elektromagnet
(coil) dan mekanikal (seperangkat kontak saklar atau switch). Relay menggunakan
prinsip elektromagnetik untuk menggerakkan kontak saklar sehingga dengan arus
listrik yang kecil (low power) dapat menghantarkan listrik yang bertegangan lebih
tinggi. Sebagai contoh, dengan relay yang menggunakan elektromagnet 5V dan 50 mA
mampu menggerakan Armature Relay (yang berfungsi sebagai saklarnya) untuk
menghantarkan listrik 220V 2A.
2.5 OpenCV
OpenCV (Open Source Computer Vision) adalah perpustakaan fungsi pemrograman
terutama ditujukan untuk computer vision pada real time, dikembangkan oleh Intel dan
sekarang didukung oleh Willow Garage dan Itseez. OpenCV dirilis dengan lisensi
bawahan BSD dan oleh karenanya gratis untuk penggunaan akademis dan komersial.
OpenCV memiliki antarmuka dengan bahasa pemrograman C, C++, Java, dan Python
dan mendukung Windows, Linux, Mac OS, iOS, dan Android. OpenCv dirancang
untuk efisiensi komputasi dan dengan focus yang kuat pada aplikasi real time. Ditulis
dalam bahasa pemrograman C/C++ yang dioptimalkan, perpustakaan bisa
memanfaatkan pengolahan pada multi-core.
9
OpenCV yang dibangun pada modul yang kinerja tinggi dan serbaguna untuk
memecahkan sebagian besar masalah computer vision.
2.6 Deteksi Wajah (Face Detection)
Deteksi wajah atau face detection merupakan teknologi komputer untuk mendeteksi
wajah manusia, dengan cara menentukan posisi dan ukuran wajah manusia dalam suatu
citra digital. Teknologi ini mampu mendeteksi wajah melalui sifat atau karakteristik
wajah dengan mengabaikan objek lainnya, seperti badan manusa itu sendiri. Bidang-
bidang penelitian lain yang juga berkaitan dengan face processing (pemrosesan wajah)
antara lain face localization (lokalisasi wajah), face tracking (penjejakan wajah), facial
expression recognition (pengenalan ekspresi wajah), serta face authentication
(Pranoto, M. B., Ramadhani, K. N., dan Arifianto, A, 2017).
2.7 Algoritma HOG
Histogram of Oriented Gradients (HOG) adalah salah satu metode ekstraksi ciri yang
digunakan dalam image processing untuk mendeteksi suatu objek. HOG berasal dari
sebuah asumsi yang menyatakan bahwa suatu objek dapat direpresentasikan dengan
baik berdasarkan bentuk. Untuk memperoleh informasi pembeda maka gambar akan
dibagi menjadi cell dan setiap cell akan dihitung sebagai histogram of oriented
gradients. Setiap piksel dalam cell berkontribusi pada saat dilakukan voting bobot
untuk membangun sebuah histogram yang berorientasi pada nilai-nilai gradien yang
dihitung. Proses awal untuk membangun HOG adalah dengan menghitung nilai gradien
horizontal dan vertikal menggunakan deteksi tepi Sobel 1-D (Pranoto, M. B.,
Ramadhani, K. N., dan Arifianto, A, 2017).
2.8 Training
Data yang telah di ekstraksi ciri, kemudian di training menggunakan Support Vector
Machine (SVM), setelah sebelumnya ditambahkan kelas data, 1 untuk citra
positif/wajah, dan -1 untuk citra negatif/bukan wajah. Dalam proses training kali ini,
penulis melakukan observasi terhadap 3 kernel SVM, yaitu Linear,
10
Polynomial/Quadratic, dan Gaussian. Keluaran dari proses training ini adalah model
yang akan digunakan dalam memprediksi objek wajah (Pranoto, M. B., Ramadhani, K.
N., dan Arifianto, A, 2017).
2.9 Validasi
Proses validasi dilakukan setelah proses training. Validasi ini dilakukan terhadap
parameter-parameter yang menentukan dalam proses deteksi, sehingga dalam proses
deteksi nanti, sistem menggunakan parameter-parameter yang telah teruji memiliki
akurasi yang tinggi. Dalam proses validasi ini, dilakukan pengujian terhadap 110 citra
uji yang telah disiapkan, dan 644 citra positif yang digunakan sebagai data latih. Baik
citra uji dan citra latih tersebut berukuran sama, yaitu 24x32 piksel, proses validasi
diawali dengan menginputkan citra, lalu mengekstraksinya dengan HOG, dan selanjut
melakukan pengenalan/klasifikasi kelas data berdasarkan model yang telah dibangun
dari proses training. Output dari proses validasi ini adalah 1 untuk citra yang dikenali
sebagai wajah, dan -1 untuk citra yang tidak dikenali sebagai wajah (Pranoto, M. B.,
Ramadhani, K. N., dan Arifianto, A, 2017).
2.10 Deteksi Objek
Proses deteksi wajah menggunakan parameter-parameter yang terbaik setelah melalui
proses pengujian, yaitu ukuran cell HOG, jumlah dataset, dan kernel SVM yang
digunakan. Dalam proses deteksi wajah ini sendiri menggunakan sliding window
dengan masing-masing window mengekstraksi ciri berukuran 24x32 pixel. Window
bergerak dari sudut atas kiri ke kanan, dan selanjutnya ke bawah. Dengan proses
deteksi seperti ini, wajah yang bisa dideteksi hanya berukuran 24x32 pixel (Pranoto,
M. B., Ramadhani, K. N., dan Arifianto, A, 2017).
11
BAB III
PERENCANAAN DAN REALISASI ATAU RANCANG BANGUN
3.1 Deskripsi Sistem
Sistem yang akan dibuat merupakan prototipe Smart Access menggunakan face
recognition dengan metode hog dan plate detection dengan metode KNN. Sistem ini
menggunakan Raspberry Pi3 sebagai mikrokontroler dan mikroprossesor. Dalam
Sistem ini terdapat beberapa komponen penyusun berikut penjelasannya:
1. Komponen Webcam berfungsi sebagai alat untuk mengambil citra wajah penguni
dan citra plat nomor kendaraan penghuni, selain untuk mengambil citra wajah dan
plat nomor kendaraan penghuni, webcam ini nantinya juga berfungsi sebagai alat
scan saat akan masuk atau keluar kawasan hunian.
2. Komponen Servo berfungsi sebagai alat untuk menggerakan gerbang.
3. Komponen Citra Wajah dan Plat berfungsi untuk mekanisme pengambilan citra
wajah dan Plat dengan bantuan webcam, pengambilan citra ini berguna untuk
sebagai penyimpanan di database dan sebagai input pada saat pintu akses
dijalankan.
4. Komponen user interface berfungsi sebagai perantara antara pengguna dengan
sistem, perancangan diusahakan sederhana agar dapat dimudahkan oleh pengguna.
5. Subsistem Pengenalan wajah, berfungsi untuk proses pengenalan wajah yaitu
mencocokkan citra wajah yang di tangkap oleh webcam pada saat melewati pintu
akses dengan data wajah yang ada di database penghuni.
12
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
6. Subsistem Pengenalan plat nomor kendaraan, berfungsi untuk proses pengenalan
plat nomor kendarran yaitu mencocokkan citra plat nomor kendaraan yang di
tangkap oleh webcam pada saat saat melewati pintu akses dengan data karakter
yang ada di database karakter dan penghuni.
7. File wajah, berfungsi sebagai citra wajah penghuni yang digunakan sebagai data
untuk pencocokan pada saat proses melewati pintu akses.
Tabel 3.1 Perangkat Keras
No Nama Komponen Fungsi Spesifikasi
1 Raspberry Pi 3 Sebagai kontroler utama
untuk pengoperasian alat
embeded
- Quad Core 1.2GHz
Broadcom BCM2837
64bit CPU
- 1GB RAM
- BCM43438 wireless
LAN and Bluetooth Low
Energy (BLE) on board
- 100 Base Ethernet LAN
- 40-pin extended GPIO
- 4 USB 2 ports
- 4 Pole stereo output and
composite video port
- Full size HDMI
2 Servo Sebagai aktuator pintu
akses hunian
- Tegangan 4.8-7.2V
- Analog Servo
- Torque
:13.0kg/cm(4.8V)-
15.0kg/cm(6.0V)
3 Sensor Ultrasonik HC-SR04 Sensor pembaca jarak
untuk mendeteksi
ketersediaan proyektor
didalam setiap rak
- Tegangan DC5V 15mA
- Jarak maksimal 4m
- Jarak minimal 2cm
- Sudut penggunaan 15o
13
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
4 Adaptor Sebaga power untuk
raspberry
- DC12V 3A
5 LED HPL Sebagai indikator pintu
terbuka dan tertutup
- Tegangan 3.2V
- Power : 3 Watt
- AC250V 10A : DC30V
10A
6 Resistor Penghambat tegangan
dan arus listrik
- 100Ω(Ohm)
- 10k Ω(Ohm)
7 Kabel Jumper Sebagai penghubung
antar komponen dengan
soket
- Kabel jumper male-male
- Kabel jumper male-
female
8 Kabel Meteran Untuk menghubungkan
antar komponen dengan
jarak melebihi kabel
jumper
- Minimal 2A (Ampere)
9 Timah Solder Untuk menghubungkan
antar komponen yang
tidak memiliki socket
dengan kabel
-
Tabel 3.2 Perangkat Lunak
No Nama Komponen Keterangan
1 Sistem Operasi Raspbian
2 Aplikasi Pembuat Flow Chart Microsoft Visio 2019
3 Aplikasi Pembuat Wiring dan
Schematic
Fritzing
4 Aplikasi Computer Vision Open CV
14
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
3.2 Cara Kerja Sistem
Pada gambar 3.1 menunjukan diagram alur sistem utama yang dibangun yang dapat
dijelaskan sebagai berikut ini:
Citra diperoleh dari kedua webcam, citra memasuki pre image processing yaitu warna
RGB dikonversi menjadi citra grayscale untuk mengurangi kedalaman warna.
Pada proses pengenalan wajah citra grayscale dilakukan pendeteksian wajah dengan
menggunakan metode Adaboost, jika citra tidak terdeteksi sebagai wajah maka lakukan
penangkapan citra oleh webcam secara berulang.
Jika bagian dari citra terdeteksi sebagai wajah oleh sistem maka lanjutkan dengan dua
opsi berikutnya:
• Menyimpan data profile personal ke dalam database sekaligus menyimpan citra
wajah ke file sebagai bahan perbandingan.
• Jika sebelumnya citra wajah dan data profile telah tersimpan di dalam database
maka lakukan identifikasi wajah dengan metode Histogram of Gradient (HOG).
Pada proses plate detection citra grayscale dilakukan segmentasi pada image
berdasarkan contour. Hasil segmentasi tersebut berupa island atau kelompok-kelompok
segmen pada image. Segmen-segmen ini dikelompokan lagi berdasarkan jarak dan
ukuran kedalam satu rectangle.
Untuk proses selanjutnya yaitu proses pengenalan atau recognizing. Untuk proses ini
secara khusus peneliti menggunakan metode K-Nearest Neighbour. Secara umum,
dibuat suatu set data berdasarkan sample data yang telah diketahui klasifikasinya. Set
data ini merupakan Training Set atau data pelatihan. Kemudian berdasarkan data
tersebut, program diharapkan untuk dapat memprediksi klasifikasi pada suatu data
15
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
baru. Selanjutnya data wajah di gabungkan dengan gambar plat nomor yang terdeteksi
oleh sistem lalu di bandingkan dengan database penghuni.
Setelah itu sistem akan membuka gerbang dan menyalakan LED berwarna hijau jika
citra wajah baru dan plat nomor kendaraan yang dideteksi dikenali oleh sistem
sebagai penghuni kawasan. Namun apabila sistem tidak mengenali citra wajah baru
tersebut, maka gerbang akan tetap terkunci, LED akan menyala merah.
Start
Mengambil Gambar
Pre Image Processing Face
Pre Image Processing Plate
Mendeteksi Posisi Wajah
Wajah?
Segmentasi karakter
Pengenalan Karakter
Karakter Dikenali Dalam Bentuk Teks
Database Penghuni
Perumahan
Pengenalan Wajah
Proses Relasi Database dan Citra Wajah serta Plate
1
1
Kecocokan Wajah dan Plat
Membuka Gerbang
End
2
2
Penambahan Data Baru
Input dan Simpan Data Profile
ya
Tidak Cocok
ya
Tidak
Cocok?
Tidak
Gambar 3.1 Alur kerja sistem utama
Didalam Smart Access menggunakan face recognition ini dibagi menjadi dua tahap
yaitu tahap pengambilan gambar dan pengenalan gambar. Didalam tahap pengambilan
gambar ini, gambar yang diambil akan dijadikan pembanding lalu akan disimpan
hasilnya kedalam database. Setiap gambar berukuran 540x720 pixel. Pada proses
16
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
preprocessing terdapat tiga tahap yaitu: cropping, resize, grayscale, dan histogram
equalization. Setelah melalui proses tersebut gambar akan memalui tahap HOG.
Selanjutnya tahap yang kedua yaitu tahap pengenalan, kedua matrix dari gambar
tersebut akan dibandingkan. Theshold yang merupakan batas kemiripan yang sudah
ditentukan sebelumnya. Jika gambar tersebut melampaui batas threshold yang sudah
ditentukan maka gambar tersebut tidak dikenali. Seperi pada gambar 3.2.
Gambar 3.2 Alur Sistem Face Recognition
a. Cara Kerja Histogram of Gradient dengan KNN
17
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3.3 Diagram Alir Pengenalan Wajah
Pada Gambar 3.3 merupakan diagram alir pengenalan wajah. Pertama program dimulai
dengan memasukan data latih. Selanjutnya citra wajah yang sudah diproses
sebelumnya dimasukkan dan dikonversi dari GBR menjadi RGB.Kemudian diproses
mencari letak posisi wajah. Setelah itu wajah diproses dengan menghitung nilai
18
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
euclidance distance matrix data uji. Kemudian dibandingkan nilai euclidance matrix
data uji dengan hasil data training. Jika nilai euclidean distance minimum lebih kecil
maka program akan menghasilkan keluaran mirip (nama citra). Namun apabila bobot
selisih terkecil diatas ambang batas tersebut maka program akan menghasilkan
keluaran tidak mirip.
3.2.1 Sistem Mekanik
Pada perancangan sistem ini dirancang sebuah prototype seperti gerbang pintu akses
sebuah kawasan hunian dimana untuk pengambilan wajah manusia dan plat nomor
kendaraan yang akan diindentifikasi menggunakan web camera. Format pengambilan
gambar berupa JPG dengan ukuran 540x720 pixel. Desain keamanan pintu akses ini
diterapkan sebagai output dari pengambilan citra wajah yang memenuhi hak akses pada
pintu akses kawasan hunian.
Pos Penjaga
Ka
mera
Pla
te D
ete
ction
Kamera Face RecognitionGerbang Otomatis
W1
W2
Gambar 3.4 Desain Prototipe Sistem
19
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
3.2.2 Sistem Elektronik
Perancangan modul Raspberry Pi ini berfungsi untuk mengontrol semua kinerja sistem
mulai dari proses pengolahan citra, menjalankan modul servo, dan memberikan output
indikator LED Merah dan Hijau.
Gambar 3.5 Desain Skematik Sistem Elektronik
3.2.3 Diagram Blok
Raspberry Pi3
Webcam
Ultra Sonik
Input
Face Detection
Face Recognition (HOG)
Plate Detection (KNN)
GPIO Servo dan Ultra Sonik
Proses
Servo
LED
Output
Gambar 3.6 Diagram Blok
20
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
3.3 Realisasi Program Face Recognition
3.3.1 Realisasi Pembuatan Dataset
Langkah pertama yang dilakukan pada pembuatan face recognition untuk Smart Access
pada Perumahan adalah pengumpulan dan perluasan dataset wajah. Setiap orang yang
didaftarkan akan dilakukan pengambilan wajah dari data wajah yang didapat akan
disimpan ke dalam folder dengan nama folder yaitu uniqe ID dari setiap orang dapat
dilihat pada gambar 3.5. Setiap folder minimal berisi 20 foto wajah dengan berbagai
ekspresi dan aksesoris. Format untuk file foto disimpan dalam bentuk jpg dapat dilihat
pada gambar 3.6.
Gambar 3.7 Folder Dataset Wajah
21
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3.8 Isi Folder Dataset Wajah
3.3.2 Realisasi Proses Training Data
Setelah melakukan pembuatan dataset langkah selanjutnya adalah melakukan training
dataset tersebut. Tahap pertama yaitu pengambilan ID untuk setiap wajah dengan
mengambil nilai dari nama setiap folder yang ada di folder dataset, proses
pengambilanya dapat dilihat pada gambar 3.9.Pada tahap selanjutnya setiap foto wajah
yang ada di folder dataset diproses kedalam bentuk matrix 2D array untuk dilihat
dimana posisi wajah yang ada di setiap photo pendeteksian wajah menggunakan
metode Histogram of Gradient (HOG).
Gambar 3.9 Tahap Pengambilan ID untuk setiap wajah
Setiap photo yang terdeteksi posisi wajahnya dikembalikan kedalam bentuk list of
tuples dengan format css(top,right,bottom,left), proses mencari posisi wajah dapat
dilihat pada gambar 3.10.
22
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3.10 Tahap Mencari Posisi Wajah
Tahap selanjutnya setiap photo di encoding kedalam bentuk array 128D matriks setiap
photo yang terdeteksi terdapat wajahnya dan di ditambahkan ID kedalam encodingnya.
Selanjutnya face encodings dan ID disimpan dalam bentuk file pickle, prosesnya dapat
dilihat pada gambar 3.11.
Gambar 3.11 Tahap Penyimpanan ID dan Encoding Wajah
3.3.3 Realisasi Proses Pengenalan Wajah
Selanjutnya melakukan proses pengenalan wajah dengan membandingkan foto dengan
file encoding. Tahap pertama yang dilakukan yaitu deklasi file encoding, nilai
toleransi, file foto yang ingin diuji, dan konversi file foto kedalam format dlib RGB,
prosesnya dapat dilihat pada gambar 3.12.
Gambar 3.12 Tahap deklarasi File Encoding dan File Foto
Tahap selanjutnya foto yang diproses diubah menjadi matriks 2D untuk mendeteksi
posisi wajah di dalam foto dengan metode Histogram of Gradien (HOG). Setelah itu
foto diubah menjadi bentuk list 128-Dimensional face encodings. Proses deteksi wajah
23
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
dan encodings foto dapat dilihat pada gambar 3.13 dan list 128-Dimensional dapat
dilihat pada gambar 3.14.
Gambar 3.13 Tahap Deteksi wajah dan Encodings wajah
Gambar 3.14 Tahap Deteksi wajah dan Encodings wajah
Tahap selanjutnya list encodings foto membandingkan dengan data encodings hasil
training dengan nilai toleransi 0.4. Setelah menghitung nilai kecocokan antara foto
24
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
dengan data encodings dengan menghitung nilai Euclidean distance. Proses
perbandingan foto dan data encodings serta nilai kecocokan foto dengan data encodings
dapat dilihat pada gambar 3.15 dan list perbandingan data encodings dengan encodings
foto dapat dilihat pada gambar 3.16.
Gambar 3.15 Tahap Deteksi wajah dan Encodings wajah
Gambar 3.16 List perbandingan data encodings dengan encodings foto
Tahap berikutnya jika ditemukan kecocokan antara hasil encodings foto dengan data
encodings. Selanjutnya mencocokan indeks keberapa saja yang memiliki kecocokan
dengan foto lalu mengekstrak ID dari list encodings yang memiliki kecocokan. Proses
melihat kecocokan list data encodings dan ekstrasi ID pada list encoding dapat dilihat
pada gambar 3.17 dan List keberapa saja yang memiliki kecocokan dengan data
encodings dapat dilihat pada gambar 3.18.
25
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3.17 Tahap mencockan indeks keberapa pada data encodings
Gambar 3.18 List indeks yang memiliki kecocokan dengan data encodings
26
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
3.3.4 Realisasi Modul Pembuatan Dataset Wajah
Gambar 3.19 Halaman Awal Modul Pembuatan Dataset
Pada gambar 3.19 tampak halaman User Interface untuk face recognition dalam modul
ini user dapat melakukan pengujian foto untuk pengenalan wajah dengan melakukan
klik pada button recognition yang hasil pengenalannya akan ditampilkan pada bagian
result dan pembuatan dataset untuk wajah dengan cara melakukan klik pada button list
orang. Pada gambar 3.20 merupakan code untuk pembuatan halaman awal.
27
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3.20 Code Halaman Awal Modul Pembuatan Dataset
Setelah user melakukan klik pada button list orang maka akan menampilkan window
untuk melakukan pencarian orang bisa bedasarkan nama, nomor ktp ataupun plat
nomot kendaraannya yang akan dibuat datasetnya. Selanjutnya user membuat dataset
dengan melakukan klik pada button build dataset setalah itu akan tampil window
tampilan webcam untuk menggambil gambarnya user dapat melakukan klik dengan
menekan keyboard huruf “K” setelah user selesai membuat dataset untuk keluar dari
window webcam user dengan cara menekan keyboard huruf “Q”. Berikut tampilan List
orang, Frame webcam dan code list orang pada gambar 3.21, 3.22, 3.23.
28
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3.21 Halaman List Orang
Gambar 3.22 Window Pengambilan Gambar
29
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 3.23 Code Halaman List Orang
30
30
BAB IV
PEMBAHASAN
4.1 Pengujian
Pada penelitian ini pengujian yang akan dilakukan pada sistem yang telah dibangun
adalah pengujian pada prototype Smart Access dengan menggunakan face recognition
dan menggunakan plate detection dengan beberapa scenario yang akan dilakukan
untuk mengukur akurasi dari sistem Smart Access menggunakan face recognition dan
plate detection. Proses pengujian dilakukan dengan berbagai cara seperti:
a. Pengujian pembuatan dataset
b. Pengujian dengan keadaan normal
c. Pengujian wajah dengan jarak tertentu
d. Pengujian wajah tidak terdaftar
e. Pengujian wajah menggunakan aksesoris
f. Pengujian wajah dengan sistem Smart Access
Setiap satu proses pengujian dilakukan 20 kali pada setiap orang. Banyak orang yang
diujicobakan dalam proses pengujian sebanyak sepuluh orang. Hasil dari pengujian ini,
akan menghasilkan nilai receiver operating characteristic (ROC). ROC diperoleh dari
empat nilai yaitu: True Positive (TP) menujukkan citra wajah yang teridentifikasi
secara tepat dan sesuai dengan yang ada pada database. False Positive (FP)
menunjukkan citra wajah yang seharusnya teridentifikasi dengan tepat, tetapi ternyata
dalam proses pengujian salah identifikasi. True Negative (TN) menunjukkan citra
wajah yang tidak ada pada database dengan identifikasi tidak dikenali. False Negative
(FN) menunjukkan citra wajah yang tidak ada pada database, tetapi teridentifikasi
dengan data orang lain
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
4.2 Deskripsi Pengujian
Pada penelitian ini terdapat empat pengujian yang dilakukan untuk mengetahui tingkat
akurasi dari sistem Smart Access menggunakan face recognition dan plate detection.
Berikut penjelasan dari setiap pengujian:
a. Pengujian pembuatan dataset
Pengujian dilakukan dengan pengambilan wajah yang akan di daftarkan kedalam
database
b. Pengujian dengan keadaan normal
Pengujian dilakukan dengan cara wajah pengemudi diam atau menampilkan ekspersi
datar
c. Pengujian wajah dengan jarak tertentu
Pengujian dilakukan dengan cara menentukan titik berhenti kendaraan dengan posisi
wajah pengemudi terhadap kameran dengan jarak tertentu dengan rincian jarak sebagai
berikut; 50 cm, 60 cm,70 cm,80 cm,90 cm,100 cm
d. Pengujian wajah tidak terdaftar
Pengujian dilakukan dengan cara menggunakan wajah yang tidak didaftarkan pada
database.
g. Pengujian wajah menggunakan aksesoris
Pengujian dilakukan dengan cara menggunakan wajah yang menggunakan aksesoris
seperti kacamata, helm dan masker
e. Pengujian wajah dengan sistem Smart Access
Pengujian dilakukan dengan cara mengirimkan data wajah yang terdeteksi kedalam
database dan mengitegrasikannya dengan web service dan servo.
4.3 Prosedur Pengujian
Pengujian dilakukan dengan beberapa tahapan, yaitu pengujian pembuatan dataset dan
pengolahan data input, pengujian proses training dataset, pengujian dalam
penyimpanan model hasil training, pengujian hasil prediksi wajah dengan kedaan
normal setelah berhasil menyimpan model hasil training, pengujian hasil prediksi
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
wajah dengan jarak tertentu, pengujian integrasi antara pengenalan wajah dengan
platnomor serta web service, web interface, mikrokontroler Raspberry Pi 3 dan juga
komponen seperti Relay dan servo.
4.4 Data Pengujian
4.4.1 Pengujian Modul Pembuatan Dataset
Pada Tabel 4.1 merupakan pengujian pada Modul pembuatan dataset sistem Smart
Access dan 4.2 merupakan pengujian pada window list orang untuk pembuatan dataset.
Tabel 4.1 Pengujian Modul Pembuatan Dataset
Hasil Pengujian Data Normal
Data Masukan Harapan Pengamatan Kesimpulan
Klik Tombol Load
Images
Menampilkan file
explorer
Dapat
menampilkan file
explorer
[ √ ] diterima
[ ] ditolak
Klik Tombol list
orang
Menampilkan
window list orang
Dapat
menampilkan
window list orang
[ √ ] diterima
[ ] ditolak
Klik Tombol
Recognition
Menjalan fungsi
pengenalan wajah
dan menampilkan
hasilnya di bagian
result
Dapat menjalakan
fungsi pengenalan
wajah [ √ ] diterima
[ ] ditolak
Klik Tombol
Restart
Menghapus semua
masukan gambar
dan keluaran result
Dapat menghapus
semua masukan
gambar dan
keluaran dari result
[ √ ] diterima
[ ] ditolak
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Klik Tombol Exit
Program
Mengakhiri
program
Dapat mengakhiri
program [ √ ] diterima
[ ] ditolak
Tabel 4.2 Pengujian Window List Orang
Hasil Pengujian Data Normal
Data Masukan Harapan Pengamatan Kesimpulan
Mengisisi Field Search
dan Memilih Drop Down
Menu lalu Klik Tombol
Search Orang
Search Field: Azmi
Drop Down Menu: Nama
Menampilkan
window list orang
dengan Nama
Azmi
Dapat
menampilkan
orang yang
bernama Azmi
[ √ ] diterima
[ ] ditolak
Klik Tombol Build
Dataset
Menjalankan
fungsi pembuatan
dataset dengan
membuat folder
bedasarkan Id dari
data orang serta
menampilkan
frame
Dapat menjalakan
fungsi pembuatan
dataset dan
membuat folder
bedasarkan Id
dari data orang
serta
menampilkan
frame
[ √ ] diterima
[ ] ditolak
Hasil Pengujian Data Salah
Data Masukan Harapan Pengamatan Kesimpulan
Mengisisi Field Search
Tapi Tidak Memilih
Drop Down Menu lalu
Menampilkan teks
"You Forgot To
Pick Drop Down
Seletection"
Dapat
menampilkan teks
"You Forgot To
[ √ ] diterima
[ ] ditolak
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Klik Tombol Search
Orang
Search Field: Azmi
Drop Down Menu:
Search By
Pick Drop Down
Seletection"
4.4.2 Pengujian dengan Keadaan Normal
Pada Tabel 4.3 merupakan hasil pengujian dengan keadaan normal yang dilakukan
kepada 10 orang sebanyak 20 kali setiap orangnya.
Tabel 4.3 Hasil Pengujian Keadaan Normal
Nama Photo TP FP TN FN Jumlah
Pengujian
Sandra
20 - - - 20
Azmi
20 - - - 20
Adrian
20 - - - 20
Tri Cahyo
20 - - - 20
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Ananda
Fathur
20 - - - 20
Lukman Nur
Hakim
20 - - - 20
Bagas
Kusniardi
20 - - - 20
Uyu Wahyudi
20 - - - 20
Shina
Qolbunajati
20 - - - 20
Irsyad
Firdaus
20 - - - 20
4.4.3 Pengujian Wajah dengan Jarak Tertentu
Pada Tabel 4.4 merupakan hasil pengujian dengan jarak tertentu yang dilakukan
kepada 5 orang sebanyak 20 kali setiap orangnya.
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Tabel 4.4 Hasil Pengujian Jarak Tertentu
Skema Photo TP FP TN FN Jumlah
Pengujian
50 cm
95 5 - - 100
60 cm
95 5 - - 100
70 cm
100 - - - 100
80 cm
100 - - - 100
90 cm
95 5 - - 100
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
100 cm
95 5 - - 100
4.4.4 Pengujian Wajah Tidak Terdaftar
Pada Tabel 4.5 merupakan hasil pengujian dengan wajah yang tidak terdaftar dalam
database yang dilakukan sebanyak 20 kali.
Tabel 4.5 Hasil Pengujian Wajah Tidak Terdaftar
Skema Photo TP FP TN FN Jumlah
Pengujian
User tidak
terdaftar
- - 20 - 20
4.5.1 Pengujian Wajah Menggunakan Aksesoris
Pada Tabel 4.6 merupakan hasil pengujian pengenalan wajah menggunakan aksesoris
yang dilakukan sebanyak 30 kali setiap penggunaan aksesoris.
Tabel 4.6 Hasil Pengujian Menggunakan Aksesoris
Aksesoris Photo TP FP TN FN Jumlah
Pengujian
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Helm
30 - - - 30
Kacamata
30 - - - 30
Masker
30 - - - 30
4.4.5 Pengujian Wajah dengan Sistem Smart Access
Pada Tabel 4.7 merupakan hasil pengujian pengenalan wajah dengan sistem Smart
Access.
Tabel 4.7 Hasil Pengujian Pengenalan Wajah dengan Sistem Smart Access
Skema Hasil
Diagnosa
Hasil
Diagnosa
Sistem Smart
Access
Kesimpulan
ID wajah dan Plat Nomor yang
terdeteksi sesuai dengan database
Gerbang
Akan
terbuka
Gerbang
Terbuka
Hasil dari diagnosa dan
sistem Smart Access
adanya kesesuaian
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
ID wajah dan Plat Nomor yang
terdeteksi tedapat pada database
namun tidak sesuai
Gerbang
tetap
tertutup
Gerbang
tertutup
Hasil dari diagnosa dan
sistem Smart Access
adanya kesesuaian
ID wajah dan Plat Nomor yang
terdeteksi tidak tedapat pada
database
Gerbang
tetap
tertutup
Gerbang
tertutup
Hasil dari diagnosa dan
sistem Smart Access
adanya kesesuaian
4.4.6 Pengujian Waktu Eksekusi dan Delay Aktuator pada Sistem Smart Access
Pada Tabel 4.8 merupakan hasil pengujian waktu eksekusi dan delay aktuator pada
Sistem Smart Access.
Tabel 4.8 Pengujian Waktu Eksekusi dan Delay Aktuator pada Sistem Smart Access
Program Jumlah
Pengujian
Rata-Rata Waktu
Eksekusi
Face Recognition 10 3.59
API Sistem Smart Acess 10 4.63
API Alat Smart Access 10 0.51
Smart Access 10 10.26
4.5 Analisis Pengujian
4.5.2 Hasil Pengujian Pembuatan Dataset
Bedasarkan Tabel 4.1 dan 4.2 dapat dilihat semua fungsi yang dinginkan dalam
pembuatan dataset dapat berkerja sesuai dengan harapan sehingga dapat disimpulkan
bahwa User Interface pembuatan dataset sudah berlajan dengan baik.
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
4.5.3 Hasil Pengujian dengan Keadaan Normal
Berdasarkan Tabel 4.3 dapat dihitung nilai akurasi dari pengujian dalam keadaan
normal menggunakan persamaan sebagai berikut:
Akurasi= 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁× 100%
Akurasi= 200+0
200+0+0+0× 100%
Akurasi= 100%
Berdasarkan hasil perhitungan nilai akurasi pada pengujian dalam keadaan normal,
nilai tersebut dikarenakan tidak terdapatnya hambatan pada proses face recognition.
Hambatan yang dimaksud yaitu perubahan ekspresi maupun penggunaan aksesoris
pada saat proses berlangsung, sehingga dalam pengenalan fitur wajah yang berupa
mata, hidung dan mulut tidak mengalami ganguan maupun salah dalam
mengidentifikasi wajah. Sehingga nilai akurasi dari pengujian sistem Smart Access
menggunakan face recognition dengan keadaan normal sebesar 100% dapat
dikategorikan bahwa tingkat akurasi dari sistem Smart Access menggunakan face
recognition dengan akurasi sangat tinggi. Salah satu contoh pengujian dalam keadaan
normal dapat dilihat pada gambar 4.1.
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Gambar 4.1 Proses Pengujian Keadaan Normal
4.5.4 Hasil Pengujian Wajah dengan Jarak Tertentu
Berdasarkan Tabel 4.4 dapat dihitung nilai akurasi dari pengujian dengan jarak tertentu
menggunakan konsdisi berbagai jarak yaitu; 50 cm, 60 cm, 70 cm,80 cm, 90 cm,100
cm menggunakan persamaan sebagai berikut:
Akurasi= 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁× 100%
Akurasi= 580+0
580+20+0+0× 100%
Akurasi= 96,67%
Berdasarkan hasil perhitungan nilai akurasi pada pengujian dengan jarak tertentu,
terdapat beberapa percobaan yang mengalami salah identifikasi citra wajah. Kesalahan
tersebut terjadi karena beberapa fakor seperti tidak ditemukan nilai euclidian distance
yang cocok pada training dataset sehingga dalam pengenalan fitur wajah tidak dapat
dikenali. Sehingga nilai akurasi dari pengujian sistem Smart Access menggunakan face
recognition dengan jarak tertentu sebesar 96,67% dapat dikategorikan bahwa tingkat
akurasi dari sistem Smart Access menggunakan face recognition dengan akurasi sangat
tinggi. Salah satu contoh pengujian dengan jarak tertentu dapat dilihat pada Gambar
4.2.
Gambar 4.2 Proses Pengujian dengan Jarak Tertentu
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
4.5.5 Hasil Pengujian Wajah Tidak Terdaftar
Berdasarkan Tabel 4.5 dapat dihitung nilai akurasi dari pengujian wajah tidak terdaftar
menggunakan persamaan sebagai berikut:
Akurasi= 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁× 100%
Akurasi= 20+0
20+0+0+0× 100%
Akurasi= 100%
Bedasarkan hasil perhitungan nilai akurasi pada pengujian wajah tidak terdaftar, nilai
yang didapat cukup tinggi karena nilai toleransi euclidian distance sangat kecil
sehingga kecil kemungkinan pengenalan wajah salah mendeteksi user tidak terdaftar
sebagai user yang terdaftar. Sehingga nilai akurasi dari pengujian Smart Access
menggunakan face recognition pada user tidak terdaftar sebesar 100% dapat
dikategorikan bahwa tingkat akurasi dari sistem Smart Access menggunakan face
recognition dengan akurasi sangat tinggi. Salah satu contoh pengujian dengan wajah
tidak terdaftar dapat dilihat pada Gambar 4.3.
Gambar 4.3 Proses Pengujian Wajah Tidak Terdaftar
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
4.5.6 Hasil Pengujian Wajah Menggunakan Aksesoris
Berdasarkan Tabel 4.6 dapat dihitung nilai akurasi dari pengujian wajah menggunakan
aksesoris dengan berbagai aksesoris seperti kacamata, helm, dan masker menggunakan
persamaan sebagai berikut:
Akurasi= 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁× 100%
Akurasi= 90+0
90+0+0+0× 100%
Akurasi= 100%
Bedasarkan hasil perhitungan nilai akurasi pada pengujian wajah menggunakan
aksesoris, nilai yang didapat cukup tinggi karena nilai toleransi euclidian distance
sangat kecil sehingga kecil kemungkinan pengenalan wajah salah mendeteksi user
walaupun menggunakan aksesoris serta lengkap foto wajah saat di training menjadikan
pengenalan wajah menggunakan aksesoris memiliki tingkat akurasi yang tinggi.
Sehingga nilai akurasi dari pengujian Smart Access menggunakan face recognition
pada penggunaan aksesoris pada wajah sebesar 100% dapat dikategorikan bahwa
tingkat akurasi dari sistem Smart Access menggunakan face recognition dengan akurasi
sangat tinggi. Salah satu contoh pengujian wajah menggunakan aksesoris dapat dilihat
pada Gambar 4.4.
Gambar 4.4 Proses Pengujian Wajah Menggunakan Aksesoris
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
4.5.7 Hasil Pengujian Wajah dengan Sistem Smart Access
Berdasarkan pada tabel 4.7 dari hasil pengujian terhadap tiga (3) data uji dengan
kondisi wajah dan plat nomor yang terdeteksi semuanya sesuai dengan hasil diagnosa.
Maka dari itu, dapat ditarik kesimpulan nilai probabilitas sistem seperti berikut ini:
1) Nilai Probabilitas Keakuratan Sistem Smart Access adalah:
3
3× 100% = 100%
Keterangan:
Angka 3 = Jumlah hasil nilai akurat (hasil diagnosa sistem smart acces).
Angka 3 = Semua jumlah kondisi wajah dan plat nomor yang terdeteksi.
4.5.8 Hasil Pengujian Waktu Eksekusi dan Delay Aktuator pada Sistem Smart
Access
Berdasarkan pada tabel 4.8 dari hasil pengujian terhadap empat (4) data uji waktu
eksekusi dan delay aktuator pada sistem smart didapatkan nilai rata-rata dari keempat
data uji yaitu:
a. Rata-rata eksekusi untuk program face recognition untuk mengenali wajah dari foto
yang didapat membutuhkan waktu selama 3.59 detik
b. Rata-rata eksekusi untuk program API Smart Access untuk mengirim data yang
dikenali kedalam database membutuhkan waktu selama 4.63 detik
c. Rata-rata eksekusi untuk program API alat Smart Access untuk membaca data yang
dikirimkan oleh API Smart Access hingga menggerakan aktuator membutuhkan
waktu selama 0.51 detik
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
d. Rata-rata eksekusi untuk keseluruhan program Smart Access baik itu mengenali
wajah, membaca plat nomor kendaraan hingga mengirimkannya kedalam database
membutuhkan waktu selama 10.29 detik
Gambar 4.5 Hasil Pengujian Waktu Eksekusi Program Face Recognition. API Smart Access
dan Sistem Smart Access
Gambar 4.6 Hasil Pengujian Waktu Eksekusi Program API alat Smart Access hingga
menggerakan aktuator
46
BAB V
PENUTUP
5.1 Kesimpulan
Pengujian yang dilakukan dengan beberapa skenario untuk mengukur tingkat akurasi
dan kecepatan proses dari sistem Smart Access menggunakan face recognition dengan
Histogram of Gradien dan plate detection. Proses pengujian dilakukan dengan skenario
berikut:
a) Sistem pengenlana wajah dengan Histogram of Gradien dapat terhubung dengan
smart access perumahan. Terhubung menggunakan database yang terhubung
dengan alat dan user interface.
b) Dibutuhkan banyak dataset dalam pengidentifikasian citra sehingga tidak terjadi
kesalahan, karena dalam proses identifikasi wajah, citra yang diambil akan dicari
kemiripannya dengan dataset yang sudah ada, jika di temukan perbedaan antara citra
dengan dataset yang ada maka akan terjadi kesalahan. Dimana hal ini merupakan
karakter dari metode Histogram of Gradien.
c) Rata-rata ROC pada Semua Pengujian Sistem. nilai akurasi sebesar 97,8% dapat
dikatakan bawah nilai akurasi dari sistem Smart Access menggunakan face
recognition dengan metode Histogram of Gradient secara keseluruhan dapat
dikategorikan dengan tingkat akurasi sangat tinggi.
d) Pengujian waktu eksekusi dan delay aktuator sistem Smart Access mendapatkan
nilai rata-rata untuk setiap programnya sebagai berikut:
• Face Recognition membutuhkan waktu 3.59 detik
• API Smart Access membutuhkan waktu 4.63 detik
• API alat Smart Access hingga menggerakan aktuator membutuhkan waktu 0.51
detik
• Smart Acess membutuhkan waktu 10.26 detik
47
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
5.2 Saran
Saran yang bisa dilakukan untuk penelitian selanjutnya dengan topik yang sama yaitu
deteksi wajah:
1. Apabila menggunakan metode Histogram of Oriented Gradients dalam ekstraksi
citra, yang harus diperhatikan adalah ukuran citra yang digunakan pada saat
pembangunan model. Sebaiknya citra berukuran tidak terlalu kecil dan citra tersebut
menggambarkan ciri objek yang dideteksi.
2. Perlu dibuat user interface pembuatan dataset yang berbasis mobile application
untuk mempermudah user melihat aktifitas gerbang.
3. Untuk meningkatkan precision, perlu membuat dataset positif dan negatif
48
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
DAFTAR PUSTAKA
Dinata, Andi. 2017. Physical Computing dengan Raspberry Pi. Jakarta: PT Elex Media
Komputindo
Bakhshi, Y., Kaur, S., dan Verma, P. 2016. Face Recognition using SIFT, SURF and
PCA for Invariant Faces. International Journal of Engineering Trends and
Technology, 34(1), 39–42. https://doi.org/10.14445/22315381/ijett-v34p208.
(Diakses 12 November 2019).
Barmawi, Muhammad. 2018. Daftar Kehadiran Mahasiswa dengan Autentikasi Wajah
Menggunakan Metode Eigenface. MIND Journal, 1(1), 62–75.
https://doi.org/10.26760/mindjournal.v1i2.62-75. (Diakses 12 November 2019).
Fatta, Hanif al. 2009. Rekayasa Sistem Pengenalan Wajah. Yogyakarta: CV Andi
Offset. (Diakses 12 November 2019).
Fromaget, Patrick. 2018. The awesome story of Raspberry Pi.
https://raspberrytips.com/raspberry-pi-history/. Diakses 4 Febuari 2020).
Gunawan, T. S., Gani, M., Rahman, F. A., dan Kartiwi, M. 2017. Development of face
recognition on raspberry pi for security enhancement of smart home system.
Indonesian Journal of Electrical Engineering and Informatics, 5(4), 317–325.
https://doi.org/10.11591/ijeei.v5i4.361. (Diakses 4 Febuari 2020)
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Kustian, N. 2017. Analisis Komponen Utama Menggunakan Metode Eigenface
Terhadap Pengenalan Citra Wajah. Jurnal Teknologi, 9(1), 43.
https://doi.org/10.24853/jurtek.9.1.43-48. (Diakses 4 Febuari 2020)
Maruf, S. 2018. Operating System (OS) pada Raspberry.
http://otomasi.sv.ugm.ac.id/2018/06/04/operating-system-os-pada-raspberry/.
(Diakses 4 Febuari 2020).
Monika, S., Rakhman, A., dan Lindawati. 2017. Pengaman Rumah dengan Sistem Face
Recogntition secara Real Time Menggunakan Metode Principal Component
Analysis. Prosiding SNATIF Ke-4 Tahun 2017, 35–40. (Diakses 12 November
2019).
M. Turk, A. Pentland.1991. Eigenfaces for Recognition, Journal of Cognitive
Neurosicence, Vol. 3, No. 1,1991. (Diakses 12 November 2019)
Priawadi, Ozi. 2012. OpenCV. https://www.priawadi.com/2012/09/opencv.html.
(Diakses 12 November 2019).
Richardson, M dan S.Wallace. 2013 Getting Started With Raspberry Pi. O’Reilly
Media, Inc.,USA. (Diakses 12 November 2019)
Anonymus, 2016. Raspberry Pi 3 announced. https://osmc.tv/2016/02/raspberry-pi-3-
announced-with-osmc-support/. (Diakses 4 Febuari 2020).
Rasyid Sindu Prihantono, Ary Mahzaruddin Shiddiqi., S.Kom., M.Comp.Sc., Hudan
Studiawan, S.Kom.,M.Kom 2013. Rancang Bangun Sistem Keamanan dan
Pengenalan Objek dalam Ruangan Sebagai Pengganti CCTV dengan
Menggunakan Raspberry Pi, JURNAL TEKNIK POMITS, Vol. 2, pp. 2301-9271,
2013. (Diakses 4 Febuari 2020)
Shaleh. 2017. Pengertian WebCam dan Jenisnya. http://rumahshaleh.com/pengertian-
webcam-dan-jenisnya/. (Diakses 4 Febuari 2020).
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Singgalen, R. 2017. Sistem Pengenalan Wajah sebagai Akses Loker Penyimpanan
Barang Facial Recognition System as a Storage Locker Access. Telekontran, 5(2),
149–158. (Diakses 4 Febuari 2020).
Susanto, B. M., Purnomo, F. E., dan Fahmi, M. F. I. 2017. Sistem Keamanan Pintu
Berbasis Pengenalan Wajah Menggunakan Metode Fisherface Security System
Based On Face Recognition Using Fisherface Method. Jurnal Ilmiah INOVASI,
17(1), 10. (Diakses 4 Febuari 2020)
Suprianto, D. 2013. Sistem Pengenalan Wajah Secara Real-Time. Sistem Pengenalan
Wajah Secara Real-Time Dengan Adaboost, Eigenface PCA & MySQL, 7(2), 179–
184. (Diakses 4 Febuari 2020).
Pranoto, M. B., Ramadhani, K. N., dan Arifianto, A. 2017. Face Detection System
Menggunakan Metode Histogram of Oriented Gradients ( HOG ) dan Support
Vector Machine ( SVM ) Face Dtection System using Histogram of Oriented
Gradients ( HOG ) Method amd Support Vector Machine ( SVM ). E-Proceeding
of Engineering, 4(3), 5038–5045. (Diakses 20 Juni 2020).
Septian, B., Wijayanto, A., Utaminingrum, F., dan Arwani, I. 2019. Face Recognition
Untuk Sistem Pengaman Rumah Menggunakan Metode HOG dan KNN Berbasis
Embedded. Universitas Brawijaya, Jurnal Pengembangan TI Dan Ilmu Komputer,
e-ISSN 2548-964X, 3(3), 2774–2781. (Diakses 20 Juni 2020)
L-1 Daftar Riwayat Hidup
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
Daftar Riwayat Hidup
Penulis bernama Shina Qolbunajati Atmaja. Lahir
di Bandung 14 Juni 1998. Penulis merupakan
anak pertama dari dua bersaudara. Penulis lahir
dari pasangan suami dan istri Bapak Karya
Atmaja dan Ibu Betty Sri Mauliddiah. Penulis
bertempat tinggal di Perumahan Taman Sari
Persada Cluster Palem Blok G7 No.9, Kelurahan
Cibadak, Kecamatan Tanah Sareal, Kota Bogor,
Propinsi Jawa Barat. Penulis menyelesaikan
pendidikan Sekolah Dasar di SD Islam Pondok Duta pada tahun 2010, pendidikan
Sekolah Menengah Pertama di SMP Negeri 3 Depok pada tahun 2013 dan pendidikan
Sekolah Menengah Atas di SMAN 2 Depok pada tahun 2016. Sampai dengan penulisan
Skripsi ini, penulis masih terdaftar sebagai mahasiswa Diploma Empat Teknik
Multimedia dan Jarigan di Politeknik Negeri Jakarta.
L-2 Jadwal Pelaksanaan
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
JADWAL PELAKSANAAN
No
.
Kegiatan Bulan Ke-1 Bulan Ke-2 Bulan Ke-3
1 2 3 4 1 2 3 4 1 2 3 4
1. Perencanaan
Pengumpulan Data
Identifikasi
Kebutuhan
2. Analisa dan Desain
Analisa Data
Konsep Sistem
3. Proposal
Pembuatan
Proposal
4. Pengembangan
Sistem
Perancangan
Sistem
Pembuatan Sistem
5. Evaluasi Sistem
6. Revisi Sistem
L-2 Jadwal Pelaksanaan
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
7. Pembuatan Laporan
L-3 Perkiraaan Biaya
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
PERKIRAAN BIAYA
No. Nama Barang Kuantitas Harga Satuan Jumlah
1 Raspberry Pi 3 1 buah Rp 700.000 Rp 700.000
2 Webcam 2 buah Rp 250.000 Rp 500.000
3 Relay 1 buah Rp 10.000 Rp 10.000
4 Servo 1 buah Rp 80.000 Rp 80.000
5 Lampu LED 1 pasang Rp 35.000 Rp 35.000
Cat Kaleng 3 buah Rp.45.000 Rp.135.000
Triplek 1mx1m 1 papan Rp.70.000 Rp.70.000
Jumlah Rp 1.325.000
L-4 Dokumentasi Proses Pengejaan
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
L-4 Dokumentasi Proses Pengejaan
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
L-4 Dokumentasi Proses Pengejaan
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta
L-4 Dokumentasi Proses Pengejaan
Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta