rancang bangun prototype smart access …

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


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


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


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 3.16 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


Gambar 4.6 Hasil Pengujian Waktu Eksekusi Program API alat Smart Access hingga

menggerakan aktuator ............................................................................................. 45

xi


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


dan encodings foto dapat dilihat pada gambar 3.13 dan list 128-Dimensional dapat


Gambar 3.13 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


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 3.16 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


Gambar 3.17 Tahap mencockan indeks keberapa pada data encodings

Gambar 3.18 List indeks yang memiliki kecocokan dengan data encodings

26


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


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


Gambar 3.21 Halaman List Orang

Gambar 3.22 Window Pengambilan Gambar

29


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


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


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


Klik Tombol Exit

Program

Mengakhiri

program

Dapat mengakhiri

program [ √ ] diterima

[ ] ditolak

Tabel 4.2 Pengujian Window List Orang

Hasil Pengujian Data Normal


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


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


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


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.


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


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


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



terdeteksi tedapat pada database

namun tidak sesuai

Gerbang

tetap

tertutup

Gerbang

tertutup


sistem Smart Access

adanya kesesuaian


terdeteksi tidak tedapat pada

database

Gerbang

tetap

tertutup

Gerbang

tertutup


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.


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.


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= 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


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= 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


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= 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


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


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


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


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)

https://doi.org/10.14445/22315381/ijett-v34p208

https://doi.org/10.26760/mindjournal.v1i2.62-75

https://raspberrytips.com/raspberry-pi-history/


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).

https://doi.org/10.24853/jurtek.9.1.43-48

http://otomasi.sv.ugm.ac.id/2018/06/04/operating-system-os-pada-raspberry/

https://www.priawadi.com/2012/09/opencv.html

https://osmc.tv/2016/02/raspberry-pi-3-announced-with-osmc-support/

https://osmc.tv/2016/02/raspberry-pi-3-announced-with-osmc-support/

http://rumahshaleh.com/pengertian-webcam-dan-jenisnya/

http://rumahshaleh.com/pengertian-webcam-dan-jenisnya/


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


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


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


7. Pembuatan Laporan

L-3 Perkiraaan Biaya


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


rancang bangun prototype smart access …

Documents