rancang bangun sistem smart cctv untuk ...repository.ppns.ac.id/2425/1/0915040041 - debri...

i

TUGAS AKHIR (609502A)

RANCANG BANGUN SISTEM SMART CCTV UNTUK

EFEKTIVITAS ENERGI BERBASIS YOLO CNN DAN

ANDROID DI LABORATORIUM OTOMASI PPNS

Debri Hasbi Fathoni

NRP. 0915040041

DOSEN PEMBIMBING:

Dr. Eng. MOHAMMAD ABU JAMI’IN, S.T., M.T.

II MUNADHIF, S.ST., M.T.

PROGRAM STUDI D4 TEKNIK OTOMASI

JURUSAN TEKNIK KELISTRIKAN KAPAL

POLITEKNIK PERKAPALAN NEGERI SURABAYA

SURABAYA

2019

i

HALAMAN JUDUL

TUGAS AKHIR (609502A)




Debri Hasbi Fathoni

NRP. 0915040041

DOSEN PEMBIMBING:

Dr. Eng. MOHAMMAD ABU JAMI’IN, S.T., M.T.

II MUNADHIF, S.ST., M.T.

PROGRAM STUDI D4 TEKNIK OTOMASI

JURUSAN TEKNIK KELISTRIKAN KAPAL


SURABAYA

2019

ii

Halaman Ini Sengaja Dikosongkan

iii

Mengetahui/menyetujui

Ketua Jurusan,

Mohammad Basuki Rahmat, S.T., M.T.

NIP. 197305222000031001

LEMBAR PENGESAHAN

TUGAS AKHIR

RANCANG BANGUN SISTEM SMART CCTV UNTUK EFEKTIVITAS

ENERGI BERBASIS YOLO CNN DAN ANDROID DI LABORATORIUM

OTOMASI PPNS

Diajukan Untuk Memenuhi Salah Satu Syarat Kelulusan

Program Studi Teknik Otomasi

Jurusan Teknik Kelistrikan Kapal

Disetujui oleh Tim penguji Tugas Akhir Tanggal Ujian : ……………..

Periode Wisuda : Oktober 2019

Mengetahui/menyetujui,

Dosen Penguji Tanda Tangan

1 1. Penguji 1 (………………………………………)

2. Penguji 2 (………………………………………)

3. Penguji 3 (………………………………………)

4. Penguji 4 (………………………………………)

Dosen Pembimbing Tanda Tangan

1. Dr. Eng. Mohammad Abu Jami’in, S.T., M.T. (………………………)

2. Ii Munadhif, S.ST., M.T. (………………………)

Program Studi Teknik Otomasi

Jurusan Teknik Kelistrikan Kapal


Mengetahui/menyetujui

Koordinator Program Studi,

Dr. Eng. Imam Sutrisno, S.T., M.T.

NIP. 199107102018031001

iv


v

PERNYATAAN BEBAS PLAGIAT

Yang bertandatangan dibawah ini :

Nama : Debri Hasbi Fathoni

NRP. : 0915040041

Jurusan/Prodi : Teknik Kelistrikan Kapal / Teknik Otomasi

Dengan ini menyatakan dengan sesungguhnya bahwa :

Tugas Akhir yang akan saya kerjakan dengan judul :

RANCANG BANGUN SISTEM SMART CCTV UNTUK EFEKTIVITAS

ENERGI BERBASIS YOLO CNN DAN ANDROID DI LABORATORIUM

OTOMASI PPNS

Adalah benar karya saya sendiri dan bukan plagiat dari karya orang lain.

Apabila dikemudian hari terbukti terdapat plagiat dalam karya ilmiah tersebut,

maka saya bersedia menerima sanksi sesuai ketentuan peraturan yang berlaku.

Demikian surat pernyataan ini saya buat dengan penuh tanggung jawab.

Surabaya, 29 Juli 2019

Yang membuat pernyataan,

( Debri Hasbi Fathoni )

NRP. 0915040041

PERNYATAAN BEBAS PLAGIAT

No. : F.WD I. 021

Date : 3 Nopember 2015

Rev. : 01

Page : 1 dari 1

vi


vii

KATA PENGANTAR

Alhamdulillah, puji syukur kehadirat Allah SWT yang melimpahkan

segala rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir

yang menjadi salah satu syarat mutlak untuk menyelesaikan program studi Teknik

Otomasi jenjang Diploma-4 Politeknik Perkapalan Negeri Surabaya. Sholawat serta

salam kepada nabi Muhammad SAW yang telah menunjukkan dan mengajarkan

akhlak mulia sehingga didapatkan kenyamanan dan keramahan dalam berhubungan

dengan orang di sekitar.

Dengan segala kerendahan hati, Penulis menyadari penyelesaian dan

penyusunan Tugas Akhir ini tidak terlepas dari kerjasama, bantuan, dan bimbingan

dari berbagai pihak, sehingga pada kesempatan ini penulis mengucapkan

terimakasih yang sebesar-besarnya kepada :

1. Ibu tercinta Ida Purwani yang selalu mendoakan dan mendukung

penulis. Bapak Mujito yang selalu mengajarkan untuk yang terbaik bagi

penulis. Dan keluarga penulis yang selalu mendampingi penulis.

2. Bapak Ir. Eko Julianto, M.Sc., FRINA selaku Direktur Politeknik

Perkapalan Negeri Surabaya.

3. Bapak Moh. Basuki Rahmat, S.T., M.T. selaku Ketua Jurusan Teknik

Kelistrikan Kapal.

4. Bapak Dr. Eng. Imam Sutrisno, S.T., MT. selaku Koordinator Program

Studi Teknik Otomasi.

5. Bapak Dr. Eng. Mohammad Abu Jami’in, S.T., M.T. selaku

pembimbing 1 tugas akhir saya yang selalu siap memberikan waktu dan

bimbingannya, serta dapat memacu saya untuk segera menyelesaikan

tugas akhir.

6. Bapak Ii Munadhif, S.ST., M.T. selaku pembimbing 2 tugas akhir saya

yang selalu siap memberikan waktu dan bimbingannya, serta dapat

memacu saya untuk segera menyelesaikan tugas akhir.

7. Bapak dan Ibu Dosen Teknik Otomasi PPNS yang dapat memberikan

motivasi dan pengarahan dalam tugas akhir ini.

viii

8. Sahabat-sahabat saya di kos Update 2 yang telah membantu saya dalam

pengerjaan tugas akhir saya.

9. Sahabat-sahabat saya kelas TOB yang terus mendukung dan membantu

saya dalam pengerjaan tugas akhir saya.

10. Seluruh pihak yang telah membantu saya yang tidak dapat saya sebutkan

satu-persatu.

11. Terima kasih untuk semua kenangan indah yang telah membuat hidup

saya semakin seru dan berwarna di Surabaya.

Penulis menyadari tugas akhir ini masih banyak kekurangan, oleh karena itu

kritik dan saran sangat diharapkan demi kesempurnaan tugas akhir ini. Penyusun

berharap semoga tugas akhir ini dapat bermanfaat bagi semua pihak yang

membacanya.

Akhir kata, penulis mengucapkan banyak terima kasih kepada semua

pihak yang telah banyak membantu, semoga Allah SWT selalu melimpahkan

rahmat dan hidayah-Nya kepada kita semua. Aamiin.

Penulis,

Debri Hasbi Fthoni

ix




Debri Hasbi Fathoni

ABSTRAK

Kamera CCTV yang banyak berkembang saat ini mempunyai beberapa

kelemahan. Salah satu diantaranya yaitu pada faktor penyimpanan dan efektivitas

monitoring. Untuk mengatasi masalah tersebut penulis mencoba menyematkan

sebuah teknologi baru yaitu teknologi YOLO (You Only Look Once) pada kamera

CCTV. Pertama terdapat sebuah kamera CCTV yang siap untuk merekam, kamera

CCTV ini akan mendeteksi keberadaan manusia di ruangan tersebut. Jika kamera

tersebut mendeteksi manusia maka kamera itu akan menyimpan hasil perekaman

ke memori kemudian akan di upload ke penyimpanan cloud storage. Lalu dari

cloud storage itu nanti akan langsung dikirimkan ke perangkat android sebagai hasil

monitoring untuk pengguna / user. Jika kamera tesebut tidak mendeteksi manusia

maka sistem CCTV tersebut akan mematikan perangkat elektronik yang sudah

terhubung dengan sistem. Tapi sistem tidak akan langsung mematikan perangkat

secara langsung, namun setelah beberapa menit sesuai program yang telah

ditentukan pada interface. Tingkat keberhasilan pada sistem ini mencapai 96,67 %

yang artinya memiliki error sebesar 3,33 %.

Kata kunci : Cloud Storage, You Only Look Once (YOLO), Human Real Time

Detection

x


xi

PROTOTYPE OF SMART CCTV FOR ENERGY

EFFECTIVENESS BASED YOLO CNN AND ANDROID IN PPNS

AUTOMATION LABORATORY

Debri Hasbi Fathoni

ABSTRACT

CCTV cameras that are currently developing have several weaknesses. One

of them is the storage factor and effectiveness of monitoring. To overcome this

problem the author tries to embed a new technology that is YOLO technology (You

Only Look Once) on CCTV cameras. First there is a CCTV camera that is ready to

record, this CCTV camera will detect the presence of humans in the room. If the

camera detects humans, the camera will save the results of recording to memory

and then upload them to cloud storage. Then from the cloud storage will be sent

directly to the Android device as a result of monitoring for users / users. If the

camera does not detect humans, the CCTV system will turn off electronic devices

that are already connected to the system. But the system will not immediately turn

off the device directly, but after a few minutes according to the program specified

on the interface. The success rate on this system reaches 96,67% which means it

has an error of 3,33 %.

Keyword : Cloud Storage, You Only Look Once (YOLO), Human Real Time

Detection

xii


xiii

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

LEMBAR PENGESAHAN ................................................................................... iii

PERNYATAAN BEBAS PLAGIAT ...................................................................... v

KATA PENGANTAR .......................................................................................... vii

ABSTRAK ............................................................................................................. ix

ABSTRACT ........................................................................................................... xi

DAFTAR ISI ........................................................................................................ xiii

DAFTAR TABEL ................................................................................................. xv

DAFTAR GAMBAR .......................................................................................... xvii

BAB 1 PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang .............................................................................................. 1

1.2 Rumusan Masalah ......................................................................................... 2

1.3 Batasan Masalah............................................................................................ 3

1.4 Tujuan ........................................................................................................... 3

1.5 Manfaat ......................................................................................................... 3

BAB 2 TINJAUAN PUSTAKA ............................................................................. 5

2.1 Metode dan Software yang Digunakan ......................................................... 5

2.1.1 YOLO (You Only Look Once)................................................................ 5

2.1.2 CNN (Convolution Neural Network) ..................................................... 7

2.1.3 Python .................................................................................................. 11

2.1.4 MySQL ................................................................................................. 12

2.1.5 XAMPP ................................................................................................ 12

2.1.6 Android Studio ..................................................................................... 14

2.2 Hardware yang Digunakan ......................................................................... 16

2.2.1 Kamera Web......................................................................................... 16

2.2.2 Laptop / PC .......................................................................................... 16

2.2.3 Arduino ................................................................................................ 18

2.2.4 Relay .................................................................................................... 19

BAB 3 METODOLOGI PENELITIAN................................................................ 21

3.1 Alur Penelitian ............................................................................................ 21

3.2 Tahap Identifikasi Awal .............................................................................. 22

3.2.1 Diagram Blok Sistem Image ................................................................ 23

xiv

3.2.2 Diagram Blok Sistem Smart CCTV ..................................................... 24

3.2.3 Diagram Blok Kontrol .......................................................................... 24

3.2.4 Konsep Sistem ...................................................................................... 25

3.2.5 Flowchart Sistem .................................................................................. 26

3.3 Analisa Kebutuhan Sistem........................................................................... 27

3.4 Rancangan Alat............................................................................................ 28

3.5 Perancangan Software ................................................................................. 31

3.6 Arsitektur YOLO CNN ............................................................................... 31

3.7 Cara Pembacaan Citra ................................................................................. 33

3.8 Instalasi Software Pendukung ..................................................................... 35

3.9 Dataset ......................................................................................................... 36

BAB 4 HASIL DAN PEMBAHASAN ................................................................. 39

4.1 Pengujian Hardware .................................................................................... 39

4.1.1 Kamera.................................................................................................. 40

4.1.2 Relay ..................................................................................................... 42

4.2 Hasil Hardware ........................................................................................... 44

4.3 Pengujian Software ...................................................................................... 45

4.3.1 Feature Map .......................................................................................... 45

4.3.2 Contoh Perhitungan YOLO CNN......................................................... 47

4.3.3 Training Dataset ................................................................................... 51

4.3.4 Deteksi Manusia ................................................................................... 58

4.3.5 Penyimpanan Data ................................................................................ 64

4.3.6 Interface pada Android ......................................................................... 65

4.4 Timer ........................................................................................................... 66

4.5 Pengujian Kinerja Penyimpanan Data ......................................................... 67

BAB 5 KESIMPULAN DAN SARAN ................................................................. 69

5.1 Kesimpulan .................................................................................................. 69

5.2 Saran ............................................................................................................ 70

DAFTAR PUSTAKA ............................................................................................ 71

xv

DAFTAR TABEL

Tabel 2. 1 Spesifikasi Arduino Uno ..................................................................... 19

Tabel 3. 1 Daftar Software yang Diperlukan ……………………………………36

Tabel 3. 2 Dataset yang Digunakan ...................................................................... 36

Tabel 3. 3 Dataset yang Digunakan (Lanjutan) .................................................... 37

Tabel 4. 1 Hasil Deteksi pada Pencahayaan Tertentu…………………………...41

Tabel 4. 2 Hasil Deteksi pada Pencahayaan Tertentu (Lanjutan) ........................ 42

Tabel 4. 3 Percobaan Modul Relay On Off .......................................................... 44

Tabel 4. 4 Proses Feature Map ............................................................................. 45

Tabel 4. 5 Proses Feature Map (Lanjutan) ........................................................... 46

Tabel 4. 6 Proses Feature Map (Lanjutan) ........................................................... 47

Tabel 4. 7 Pembagian Dataset dan Spesifikasinya ............................................... 51

Tabel 4. 8 Vektor Output (biner) dan Klasifikasinya ........................................... 52

Tabel 4. 9 Hasil Pendeteksi Manusia ................................................................... 59

Tabel 4. 10 Hasil Pendeteksi Manusia (Lanjutan)................................................ 60




Tabel 4. 14 Waktu Upload Video ......................................................................... 65

Tabel 4. 15 Pengujian Kinerja Upload Data di Cloud Storage............................. 67

xvi


xvii

DAFTAR GAMBAR

Gambar 2. 1 Real Time Detection ......................................................................... 5

Gambar 2. 2 Perbandingan Deteksi Objek dengan Klasifikasi ............................. 6

Gambar 2. 3 Jaringan Saraf Convolutional ........................................................... 6

Gambar 2. 4 Operasi Konvolusi (I Wayan Suartika E. P, 2016) ........................... 9

Gambar 2. 5 Operasi Max Pooling (I Wayan Suartika E. P,2016) ...................... 10

Gambar 2. 6 Antarmuka XAMPP........................................................................ 13

Gambar 2. 7 Jendela utama Android Studio ........................................................ 15

Gambar 2. 8 Kamera ............................................................................................ 16

Gambar 2. 9 Arduino Uno ................................................................................... 18

Gambar 2. 10 Modul Relay ................................................................................. 20

Gambar 3. 1 Alur Penelitian…………………………………………………….21

Gambar 3. 2 Diagram Blok Sistem Image ........................................................... 23

Gambar 3. 3 Diagram Blok Sistem Smart CCTV ............................................... 24

Gambar 3. 4 Diagram Blok Kontrol .................................................................... 24

Gambar 3. 5 Konsep Blok Sistem ....................................................................... 25

Gambar 3. 6 Flowchart Sistem ............................................................................ 26

Gambar 3. 7 Rancangan Alat (2D) ...................................................................... 28

Gambar 3. 8 Rancangan Alat tampak depan (3D) ............................................... 29

Gambar 3. 9 Rancangan Alat tampak samping (3D) ........................................... 29

Gambar 3. 10 Rancangan Alat tampak dari sudut kiri (3D) ................................ 29

Gambar 3. 11 Rancangan Sistem ......................................................................... 30

Gambar 3. 12 Proses Pengolahan Gambar .......................................................... 31

Gambar 3. 13 Arsitektur Pengolah Citra ............................................................. 32

Gambar 3. 14 Hasil Konvolusi ............................................................................ 33

Gambar 3. 15 Pemasukan Gambar ke Small Neural Network ............................ 33

Gambar 3. 16 Mengubah Output Menjadi Array ................................................ 34

Gambar 3. 17 Max Pooling.................................................................................. 34

Gambar 3. 18 Cara Kerja CNN ........................................................................... 35

Gambar 4. 1 Webcam Modifikasi……………………………………………….40

xviii

Gambar 4. 2 Tes Aplikasi Kamera Bawaan Logitech .......................................... 40

Gambar 4. 3 Rangkaian Modul Relay Dengan Arduino Uno .............................. 43

Gambar 4. 4 Percobaan Modul Relay On ............................................................ 43

Gambar 4. 5 Percobaan Modul Relay Off............................................................ 43

Gambar 4. 6 Hardware dan Mekanik ................................................................... 44

Gambar 4. 7 Gambar Berukuran 10 x 10 sebelum daialkukan konvolusi ........... 47

Gambar 4. 8 Gambar Berukuran 10 x 10 dalam bentuk array ............................. 48

Gambar 4. 9 Gaussian Kernel 3 x 3 ..................................................................... 48

Gambar 4. 10 Posisi proses konvolusi , (A) posisi 1 ........................................... 48

Gambar 4. 11 Posisi proses konvolusi, (B) posisi 2, (C) posisi 3 (Lanjutan) ...... 49

Gambar 4. 12 Hasil Konvolusi Menghasilkan Feature Maps Berukuran 8 x 8 ... 50

Gambar 4. 13 Hasil Max Pooling 4 x 4................................................................ 50

Gambar 4. 14 Grafik Training Akurasi Hidden Neuron 64 ................................. 53

Gambar 4. 15 Grafik MSE Hidden Neuron 64 .................................................... 53

Gambar 4. 16 Grafik Training Akurasi Hidden Neuron 128 ............................... 54

Gambar 4. 17 Grafik MSE Hidden Neuron 128 .................................................. 55





Gambar 4. 22 Percobaan Deteksi Manusia .......................................................... 58

Gambar 4. 23 Hasil Penyimpanan kamera pada Laptop ...................................... 64

Gambar 4. 24 Database pada MySQL ................................................................. 64

Gambar 4. 25 Interface pada Android .................................................................. 66

Gambar 4. 26 Tombol untuk Mengatur Timer ..................................................... 66

Gambar 4. 27 Cara Setting Timer ........................................................................ 67

1

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Pada era modern ini banyak sekali terjadi tindak kejahatan yang dilakukan

atas dasar sengaja ataupun karena ada kesempatan. Pada dasarnya semua manusia

punya rasa takut dan ingin merasa aman dengan lingkungan di sekitarnya. Dengan

majunya dunia teknologi sekarang, banyak orang memanfaatkan teknologi sebagai

alat pengaman ataupun pelindung diri dari berbagai macam kejahatan. Salah satu

teknologinya adalah kamera CCTV yang berguna untuk mengawasi atau mencegah

akan terjadinya tindak kriminal. Hampir setiap ruangan atau gedung-gedung

terutama di daerah perkotaan banyak ditemui kamera CCTV.

Kamera CCTV atau kepanjangan dari Closed Circuit Television adalah

sebuah kamera video digital yang berfungsi untuk memantau dan mengirimkan

sinyal video pada suatu ruang yang kemudian sinyal itu akan diteruskan ke sebuah

layar monitor. Fungsi kamera CCTV adalah untuk memantau keadaan dalam suatu

tempat yang biasanya berkaitan dengan keamanan atau tindak kejahatan. Jadi

apabila terjadi hal-hal kriminal akan dapat terekam kamera yang nantinya akan

dijadikan sebagai bahan bukti. Biasanya kamera CCTV dipasang pada tempat-

tempat umum seperti bank, bandara, hotel, tempat atm, universitas, dll. Pada saat-

saat tertentu kamera CCTV akan sangat berguna sebagai barang bukti, seperti

ketika terjadi pencurian dalam suatu ruangan atau peristiwa-peristiwa penting yang

tidak sempat dipantau oleh manusia.

Dibalik semua fungsi dan kegunaan dari kamera CCTV tersebut, ada

beberapa kelemahan yang semestinya diperbaiki dengan melihat teknologi yang

berkembang saat ini. Salah satu kelemahan kamera CCTV yaitu penyimpanan

perekaman yang terbatas dan tidak efisien. Dengan adanya fakta itu, penulis

mencoba memperbaiki masalah yang terjadi diatas. Penulis mencoba menyematkan

sebuah metode image processing pada kamera CCTV agar kamera CCTV tersebut

hanya menyimpan ketika mendeteksi adanya manusia. Dengan penyematan metode

2

ini diharapkan penyimpanan dari kamera CCTV tersebut berkurang dan lebih

efisien.

Permasalahan selanjutnya yang muncul adalah ketidakefektivitasan

pengguna dalam memantau hasil perekaman dari kemera CCTV. Disini penulis

mencoba memecahkan permasalahan yang terjadi dengan memanfaat teknologi

yang sudah ada. Penulis mencoba mengkoneksikan hasil dari perekaman video

dengan perangkat android melalui penyimpanan cloud storage. Nantinya pengguna

dapat melihat secara langsung kejadian yang terekam kamera dengan perangkat

android. Video ini akan tersimpan secara langsung dalam beberapa hari. Pengguna

tidak perlu repot-repot melihat ke monitor dan tidak perlu juga melihat semua

durasi video, karena kamera CCTV hanya merekam kejadian yang didalamnya

terlibat dengan manusia.

Selanjutnya penulis menambahkan fungsi lain dari kamera CCTV yang

tujuannya adalah untuk menghemat listrik. Penulis mengambil studi kasus di

Laboratorium Otomasi PPNS. Biasanya kebanyakan mahasiswa lupa dalam

mematikan perangkat elektronik di lab. setelah melakukan praktek. Disini penulis

mencoba mengintegrasikan kelistrikan dalam lab. dengan kamera CCTV. Jadi

ketika di lab. tersebut tidak ada orang maka selang beberapa detik semua perangkat

elektronik di dalam lab. akan dimatikan secara otomatis dengan sistem yang ada

pada kamera CCTV. Dengan begini penggunaan listrik di laboratorium akan lebih

hemat.

1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini antara lain :

1. Bagaimana implementasi monitoring manusia dalam suatu ruangan

berbasis YOLO (You Only Look Once).

2. Bagaimana implementasi rancangan sistem penyimpanan cloud storage

yang langsung terhubung dengan perangkat android.

3. Bagaimana implementasi rancangan alat dalam sistem kamera CCTV

untuk mematikan perangkat elektronik di Laboratorium Otomasi.

3

1.3 Batasan Masalah

Batasan-batasan masalah pada penelitian ini antara lain :

1. Menggunakan kamera Logitech sebagai prototype.

2. Menggunakan pengolah citra YOLO (You Only Look Once) dan hanya

mendeteksi manusia.

3. Plan yang dibuat hanya berupa prototype dengan skala uji laboratorium.

4. Percobaan dilakukan pada intensitas cahaya sekitar 130 – 200 lux.

5. Studi kasus dilakukan di dalam ruangan Laboratorium Otomasi

1.4 Tujuan

Adapun tujuan yang ingin dicapai dalam tugas akhir ini adalah :

1. Mengimplenmentasikan rancang bangun sistem smart CCTV sebagai

pendeteksi manusia.

2. Mengimplementasikan rancang bangun sistem smart CCTV dalam

menghemat kapasitas penyimpanan video.

3. Mengimplementasikan rancang bangun sistem smart CCTV dalam

menghemat energi listrik.

1.5 Manfaat

Manfaat yang diperoleh dari pengerjaan tugas akhir ini adalah :

1. Memberikan referensi sebegai bahan pembelajaran tentang

perkembangan teknologi otomasi.

2. Memberikan efisiensi dan efektivitas dalam memonitoring sebuah

ruangan.

3. Menghemat energi listrik yang dikeluarkan.

4


5

BAB 2

TINJAUAN PUSTAKA

Pada bab ini berisi tentang tinjauan pustaka yang menjelaskan tentang objek

yang digunakan pada penelitian terdahulu, metode yang digunakan, software

ataupun hardware apa saja yang digunakan dalam pembuatan tugas akhir ini.

Penjelasan dari tinjauan pustaka ini dijelaskan secara berurutan.

2.1 Metode dan Software yang Digunakan

Dalam tugas akhir ini menggunakan sebuah metode yaitu:

2.1.1 YOLO (You Only Look Once)

Kebanyakan sistem deteksi sebelumnya menggunakan pengklasifikasian

atau localizer untuk melakukan deteksi dengan menerapkan model ke gambar

di beberapa lokasi atau skala dan memberi nilai pada gambar sebagai bahan

untuk pendeteksian. YOLO menggunakan pendekatan yang sangat berbeda

dengan algoritma sebelumnya, yakni menerapkan jaringan saraf tunggal pada

keseluruhan gambar. Jaringan ini akan membagi gambar menjadi wilayah-

wilayah kemudian memprediksi kotak pembatas dan probabilitas. Setiap kotak

wilayah pembatas ditimbang probalitasnya untuk mengklasifikasi sebagai

objek atau bukan seperti pada Gambar 2.1.

Gambar 2. 1 Real Time Detection

6

Deteksi merupakan hal yang kompleks dibandingkan dengan

pengklasifikasian, klasifikasi dapat mengenali objek tetapi tidak dapat

memberi tahu dimana letak objek tersebut secara tepat yang berada di dalam

gambar. Dan pengklasifikasian tidak akan bekerja dengan baik jika dalam

gambar tesebut mengandung lebih dari satu objek seperti pada Gambar 2.2.

YOLO adalah jaringan syaraf yang pintar untuk melakukan deteksi secara

real-time. YOLO memiliki arsitektur yang sederhana yaitu jaringan saraf

convolutional. Pada Gambar 2.3 ditampilkan beberapa data tentang jaringan

saraf convolutional.

Gambar 2. 2 Perbandingan Deteksi Objek dengan Klasifikasi

Gambar 2. 3 Jaringan Saraf Convolutional

7

Jaringan saraf ini hanya menggunakan jenis lapisan standar. Konvolusi C

dengan kernel 3 × 3 dan max-pooling dengan 2 × 2 kernel. Lapisan

konvolusional terakhir memiliki 1 × 1 kernel digunakan untuk mengecilkan

data ke bentuk 13 × 13 × 125. 13×13 ini seharusnya terlihat familier. Itu adalah

ukuran grid yang dibagi menjadi 125 gambar. 125 merupakan Channel untuk

setiap grid. 125 ini berisi data untuk kotak pembatas dan prediksi kelas. Kenapa

125, karena setiap sel grid memprediksi 5 kotak sekeliling dan dijelaskan oleh

25 elemen data.

X,Y untuk lebar dan tinggi kotak pembatas ( dua elemen data)

Skor keyakinan ( satu elemen data)

Distribusi probabilitas yang lebih dari 20 kelas ( 20 elemen data)

Cara menggunakan YOLO pertama adalah memasukkan gambar,

kemudian YOLO akan memproses dengan jaringan konvolusional dalam sekali

jalan. Dan keluar (output) menjadi 13x13x125 tensor yang menggambarkan

kotak pembatas untuk sel-sel grid. Yang terakhir adalah menghitung skor akhir

untuk kotak pembatas dan mambuang yang lebih rendah dari 30%.

2.1.2 CNN (Convolution Neural Network)

Secara umum konvolusi didefinisikan sebagai cara untuk

mengkombinasikan dua buah deret angka yang menghasilkan deret angka yang

ketiga. Secara matematis, konvolusi adalah integral yang mencerminkan

jumlah lingkupan dari sebuah fungsi a yang digeser atas fungsi b sehingga

menghasilkan fungsi c. Konvolusi dilambangkan dengan asterisk. Sehingga,

bila fungsi a dikonvolusikan dengan fungsi b menghasilkan fungsi c.

Konvolusi diskrit banyak digunakan dalam pengolahan citra untuk

image smoothing, edge detection dan efek-efek lainnya, konvolusi dilakukan

berdasarkan jumlah bobot dari piksel-piksel tetangga dengan bobot ditentukan

berdasarkan ukuran window berupa matriks. Window atau disebut juga sliding

window bergerak sepanjang piksel yang ada pada citra berukuran kecil yang

biasa disebut convolution mask atau convolution kernel. Orde matriks biasanya

8

ganjil sehingga hasil konvolusi tepat berada ditengah-tengah, semakin besar

ukuran window, beban komputasi akan semakin meningkat.

Konvolusi seringkali dilibatkan dalam operasi ketetanggaan piksel.

Konvolusi pada citra sering disebut sebagai konvolusi dua-dimensi (konvolusi

2D). Konvolusi 2D didefinisikan sebagai proses untuk memperoleh suatu

piksel didasarkan pada nilai piksel itu sendiri dan tetangganya, dengan

melibatkan suatu matriks yang disebut kernel yang merepresentasikan

pembobotan. Terdapat empat fungsi konvolusi yang sering dipergunakan

dalam pengolahan citra yaitu embossing, blurring, menajamkan (sharpening),

mendeteksi tepi (edge detection), berikut adalah penjelasannya.

1. Embossing

Embossing adalah kernel yang digunakan untuk mengubah citra

menjadi gelap (shadow) dan terang (highlight), tergantung pada batas terang

atau gelap pada gambar aslinya. Area dengan kontras rendah diganti dengan

latar belakang abu-abu atau hitam. Koefisien jendela konvolusi memiliki

bobot tengah bernilai 0 & jumlah seluruh bobot = 0.

2. Blurring

Blurring (pengaburan) yaitu filter spasial low-pass yang melenyapkan

detil halus dari suatu citra. Pengaburan dicapai melalui konvolusi dari

seluruh koefisien mask bernilai sama. Blurring ini perataan nilai pixel-pixel

tetangga, makin besar ukuran mask maka makin besar efek pengaburan

3. Sharpening

Sharpening (penajaman) yaitu memperjelas detail suatu citra

(menambah kontras) dengan penjumlahan atas citra tepi dengan citra aslinya

maka bagian tepi objek akan terlihat berbeda dengan latarnya, sehingga citra

terkesan lebih tajam.

4. Edge detection

Deteksi tepi yaitu proses menentukan lokasi titik-titik yang merupakan

tepi objek.

Convolution neural network sendiri adalah perpaduan antara konvolusi

citra untuk proses ekstraksi feature, dan neural network untuk klasifikasi.

Berdasarkan aristektur LeNet5 (Stanford, 2016), terdapat 4 macam layer utama

9

pada sebuah CNN yaitu convolution layer, relu layer, subsampling layer, dan

fully connected layer. Fungsi layer awal sebagai metode ekstraksi fitur, maka

jumlah layer dalam sebuah CNN tidak memiliki aturan universal dan berlaku

berbeda-beda tergantung dataset yang digunakan. Karena hal tersebut, jumlah

layer pada jaringan serta jumlah neuron pada masing-masing layer dianggap

sebagai hyper parameter dan dioptimasi menggunakan pendekatan searching.

Berikut ini adalah penjelasan mengenai masing-masing layer.

1. Convolution layer

Convolution layer melakukan operasi konvolusi pada Output dari

layer sebelumnya. Layer tersebut adalah proses utama yang mendasari

sebuah CNN. Konvolusi adalah suatu istilah matematis yang berarti

mengaplikasikan sebuah fungsi pada Output fungsi lain secara berulang.

Dalam pengolahan citra, konvolusi berati mengaplikasikan sebuah kernel

(kotak kuning) pada citra disemua ofset yang memungkinkan seperti yang

ditunjukkan pada Error! Reference source not found.. Pada kotak hijau

ecara keseluruhan adalah citra yang akan dikonvolusi, kernel bergerak

dari sudut kiri atas ke kanan bawah. Ukuran dimensi kernel pada

penelitian ini memiliki ordo 3x3. Sehingga hasil konvolusi dari citra

tersebut dapat dilihat pada konvolusi fitur.

Tujuan dilakukannya konvolusi pada data citra adalah untuk

mengekstraksi fitur dari citra Input. Konvolusi akan menghasilkan

transformasi linear dari data Input sesuai informasi spasial pada data.

Bobot pada layer tersebut menspesifikasikan kernel konvolusi yang

digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan Input

pada CNN seperti pada Gambar 2.4.

Gambar 2. 4 Operasi Konvolusi

10

2. ReLu layer

ReLu atau rectified linear unit layer, pada layer ini dapat diibaratkan

seperti thresholding atau sama halnya seperti fungsi aktivasi pada jaringan

syaraf tiruan. Dengan tujuan untuk menjaga hasil citra proses konvolusi

berada pada domain definit positif. Angka yang dihasilkan harus bernilai

positif dikarenakan fungsi aktivasi pada jaringan syaraf tiruan propagasi

balik pada penelitian ini menggunakan fungi sigmoid. Sehingga setiap

angka hasil proses konvolusi yang bernilai negatif akan terlebih dahulu

melalui proses ReLu yang menjadikan nilai negatif bernilai sama dengan

nol.

3. Subsampling layer

Subsampling adalah proses mereduksi ukuran sebuah data citra. Dalam

pengolahan citra, subsampling juga bertujuan untuk meningkatkan

invariansi posisi dari fitur. Dalam sebagian besar CNN, metode

subsampling yang digunakan adalah max pooling. Max pooling membagi

Output dari convolution layer menjadi beberapa grid kecil lalu mengambil

nilai maksimal dari setiap grid untuk menyusun matriks citra yang telah

direduksi seperti yang ditunjukkan pada Error! Reference source not

ound.. Grid yang berwarna merah, hijau, kuning dan biru merupakan

kelompok grid yang akan dipilih nilai maksimumnya. Sehingga hasil

dari proses tersebut dapat dilihat pada kumpulan grid disebelah kanannya.

Proses tersebut memastikan fitur yang didapatkan akan sama meskipun

objek citra mengalami translasi (pergeseran) seperti pada Gambar 2.5.

Gambar 2. 5 Operasi Max Pooling

11

Penggunaan pooling layer pada CNN hanya bertujuan untuk

mereduksi ukuran citra sehingga dapat dengan mudah digantikan dengan

sebuah convolution layer dengan stride yang sama dengan pooling layer

yang bersangkutan.

4. Fully connected layer

Layer tersebut adalah layer yang biasanya digunakan dalam penerapan

MLP dan bertujuan untuk melakukan transformasi pada dimensi data

agar data dapat diklasifikasikan secara linear. Setiap neuron pada

convolution layer perlu ditransformasi menjadi data satu dimensi terlebih

dahulu sebelum dapat dimasukkan ke dalam sebuah fully connected

layer. Karena hal tersebut menyebabkan data kehilangan informasi

spasialnya dan tidak reversibel, fully connected layer hanya dapat

diimplementasikan di akhir jaringan. Convolution layer dengan ukuran

kernel 1 x 1 melakukan fungsi yang sama dengan sebuah fully connected

layer namun dengan tetap mempertahankan karakter spasial dari data.

2.1.3 Python

Python adalah bahasa pemrograman model skrip (scripting language)

yang berorientasi obyek. Python dapat digunakan untuk berbagai keperluan

pengembangan perangkat lunak dan dapat berjalan di berbagai platform sistem

operasi. Python merupakan bahasa pemrograman yang freeware atau perangkat

bebas dalam arti sebenarnya, tidak ada batasan dalam penyalinannya atau

mendistribusikannya. Lengkap dengan source codenya, debugger dan profiler,

antarmuka yang terkandung di dalamnya untuk pelayanan antarmuka, fungsi

sistem, GUI (antarmuka pengguna grafis), dan basis datanya.

Python adalah salah satu bahasa pemrograman tingkat tinggi yang

bersifat interpreter, interaktif, object-oriented dan dapat beroperasi di hampir

semua platform, seperti keluarga UNIX, mac, windows, dan lainnya. Sebagai

bahasa tingkat tinggi, Python termasuk salah satu bahasa pemrograman yang

mudah untuk dipelajari karena sintaks yang jelas dan elegan, dikombinasikan

12

dengan penggunaan modul-modul siap pakai dan struktur data tingkat tinggi

yang efisien.

2.1.4 MySQL

Istilah SQL dapat diartikan sebagai suatu bahasa yang digunakan untuk

mengakses suatu data dalam database relasional dan terstruktur sedangkan

MySQL dalam hal ini menjadi software atau tools untuk mengelola atau

memanajemen SQL dengan menggunakan Query atau Bahasa khusus. Pada

dasarnya database yang dikelola dalam MySQL memang tidak jauh berbeda

dari Microsoft Acces yakni berbentuk tabel – tabel yang berisi informasi

tertentu. Perbedaannya terletak pada penggunaan serta

pengelolaan database tersebut.

MySQL ini tergolong suatu software yang open source dan berlisensi

GPL atau General Public License. Lisensi GPL ini hanya ditujukan pada

perangkat lunak tertentu untuk keperluan proyek GNU, inilah yang menjadi

faktor banyaknya pengguna MySQL di seluruh dunia. Selain mudah

digunakan, anda dapat mengelola data dengan lebih efektif karena

menggunakan script atau Bahasa tertentu dan secara otomatis akan menjadi

perintah ke sistem.

Beberapa fitur lain yang ada pada MySQL saat ini tersedianya tipe

data yang sangat beragam seperti Float, Double, Char, Date dan lain – lain.

MySQL juga mendukung penggunaan field sebagai index serta memiliki

tingkat keamanan yang cukup bagus dengan adanya Subnetmask, nama Host

serta sandi yang terenkripsi.

2.1.5 XAMPP

XAMPP Ialah perangkat lunak bebas yang mendukung banyak sistem

operasi, merupakan campuran dari beberapa program yang mempunyai

fungsi sebagai server yang berdiri sendiri (localhost), yang terdiri dari program

13

mysql database, apache, http, server, dan penerjemah ditulis dalam bahasa

pemrograman php dan perl.

Nama xampp merupakan singkatan dari x (empat sistem operasi),

apache, mysql, php dan perl. Program ini tersedia di bawah GNU (general

public license) dan bebas. GNU ini mudah untuk menggunakan web server

yang dapat melayani tampilan halaman web yang dinamis seperti pada Gambar

2.6 ini yang merupakan tampilan antarmuka dari XAMPP

Bagian Penting pada XAMPP :

Htdoc adalah folder untuk meletakkan file yang akan dijalankan, seperti

file PHP, HTML dan script lainnya.

PhpMyAdmin adalah bagian untuk mengelola database MySQL yang

dikomputer. untuk membukanya, membuka browser dan ketik alamat

Http: // Localhost / PhpMyAdmin, halaman PhpMyAdmin akan muncul.

Control panel yang berfungsi untuk mengelola layanan (service) XAMPP.

seperti stop service (berhenti), atau mulai.

Gambar 2. 6 Antarmuka XAMPP

14

2.1.6 Android Studio

Android Studio adalah Lingkungan Pengembangan Terpadu - Integrated

Development Environment (IDE) untuk pengembangan aplikasi Android,

berdasarkan IntelliJ IDEA . Selain merupakan editor kode IntelliJ dan alat

pengembang yang berdaya guna, Android Studio menawarkan fitur lebih

banyak untuk meningkatkan produktivitas saat membuat aplikasi Android,

misalnya:

Sistem versi berbasis Gradle yang fleksibel

Emulator yang cepat dan kaya fitur

Lingkungan yang menyatu untuk pengembangan bagi semua perangkat

Android

Instant Run untuk mendorong perubahan ke aplikasi yang berjalan tanpa

membuat APK baru

Template kode dan integrasi GitHub untuk membuat fitur aplikasi yang

sama dan mengimpor kode contoh

Alat pengujian dan kerangka kerja yang ekstensif

Alat Lint untuk meningkatkan kinerja, kegunaan, kompatibilitas versi,

dan masalah-masalah lain

Dukungan C++ dan NDK

Dukungan bawaan untuk Google Cloud Platform, mempermudah

pengintegrasian Google Cloud Messaging dan App Engine

Antarmuka Pengguna

Jendela utama Android Studio terdiri dari beberapa bidang logika yang

diidentifikasi dalam Gambar 2.7.

https://www.jetbrains.com/idea/

http://developers.google.com/cloud/devtools/android_studio_templates/?hl=id

15

Gambar 2. 7 Jendela utama Android Studio

1. Bilah alat untuk melakukan berbagai jenis tindakan, termasuk

menjalankan aplikasi dan meluncurkan alat Android.

2. Bilah navigasi membantu bernavigasi di antara proyek dan membuka file

untuk diedit. Bilah ini memberikan tampilan struktur yang terlihat lebih

ringkas dalam jendela Project.

3. Jendela editor adalah tempat untuk membuat dan memodifikasi kode.

Bergantung pada jenis file saat ini, editor dapat berubah. Misalnya,

ketika melihat file tata letak, editor menampilkan Layout Editor.

4. Bilah jendela alat muncul di luar jendela IDE dan berisi tombol yang

memungkinkan untuk meluaskan atau menciutkan jendela alat

individual.

5. Jendela alat memberikan akses ke tugas tertentu seperti pengelolaan

proyek, penelusuran, kontrol versi, dan banyak lagi.

6. Bilah status menampilkan status proyek Anda dan IDE itu sendiri, serta

setiap peringatan atau pesan.

16

2.2 Hardware yang Digunakan

Dalam tugas akhir ini terdapat beberapa hardware yang di gunakan, antara

lain :

2.2.1 Kamera Web

CCTV menggunakan kamera video untuk menampilkan dan merekam

gambar pada waktu dan tempat di mana pun perangkat dipasangkan. CCTV

adalah singkatan dari Closed Circuit Television, yang menyiratkan viktimisasi

sinyal buatan tertutup atau tersembunyi, berbeda dengan sinyal siaran TV

biasa.

CCTV banyak digunakan untuk sistem keamanan komplementer dan juga

digunakan secara luas di berbagai lokasi seperti bandara, militer, kantor,

pabrik, dan toko. Bahkan banyak teknologi canggih, CCTV telah dimasukkan

ke dalam suasana rumah non-publik.

Kamera adalah alat pengambilan gambar seperti pada Gambar 2.8. Kamera

ini nantinya digunakan untuk sebagai CCTV untuk merekam video. Kamera

terdiri dari berbagai macam ukuran yang dibedakan dalam hal performa,

kualitas dan pemakaian.

2.2.2 Laptop / PC

Laptop adalah komputer bergerak (bisa dipindahkan dengan mudah) yang

berukuran relatif kecil dan ringan, beratnya berkisar dari 1-6 kg, tergantung

ukuran, bahan, dari spesifikasi laptop tersebut, laptop dapat digunakan dalam

lingkungan yang berbeda dari komputer. Mereka termasuk layar, keyboard,

Gambar 2. 8 Kamera

17

dan trackpad atau trackball, yang berfungsi sebagai mouse . Karena laptop

dimaksudkan untuk digunakan di mana saja, Laptop memiliki baterai yang

memungkinkan untuk beroperasi tanpa terhubung ke stopkontak (sumber

listrik). Laptop juga termasuk adaptor daya yang memungkinkan untuk

menggunakan daya dari stopkontak dan mengisi kembali baterai.

Laptop secara signifikan lebih lambat daripada komputer desktop. tetapi

kemajuan teknologi manufaktur telah memungkinkan laptop melakukan

hampir sama dengan Komputer PC desktop. Bahkan, laptop high-end sering

melakukan lebih baik daripada komputer desktop yang mempunyai spesifikasi

rendah. Kebanyakan laptop juga mencakup beberapa I / O port, seperti USB

port, yang memungkinkan keyboard standar dan mouse untuk digunakan

dengan laptop. Laptop modern sering termasuk adaptor jaringan nirkabel /

wireless, yang memungkinkan pengguna untuk mengakses Internet tanpa

memerlukan kabel.

Sebuah komputer laptop, biasanya disebut komputer notebook oleh

produsen, terdiri dari baterai atau AC-powered komputer pribadi umumnya

lebih kecil daripada tas yang dapat dengan mudah diangkut dan mudah

digunakan di perpustakaan, kantor,atau pada pertemuan tertentu. Sebuah laptop

biasanya berat kurang dari 5 kg tergantung ketebalannya. Di antara pembuat

paling terkenal dari komputer laptop adalah IBM, Apple, Compaq, Dell, dan

Toshiba.

Laptop komputer umumnya lebih biaya dari komputer desktop dengan

kemampuan yang sama karena mereka lebih sulit untuk merancang dan

memproduksi. Sebuah laptop secara efektif dapat berubah menjadi sebuah

komputer desktop dengan docking station , bingkai hardware yang memasok

koneksi untuk input / output perangkat periferal seperti printer atau monitor

yang lebih besar. Port replikator memungkinkan Anda untuk menghubungkan

laptop ke sejumlah peripheral melalui colokan tunggal.

18

Laptop biasanya menggunakan teknologi layar tipis.terdiri dari transistor

atau layar matriks aktif lebih cerah dan pandangan yang lebih baik pada sudut

yang berbeda dari STN atau layar dual-scan. Laptop menggunakan beberapa

pendekatan yang berbeda untuk mengintegrasikan mouse ke dalam keyboard,

termasuk touch pad ,trackball , dan pointing stick. Sebuah port serial juga

memungkinkan mouse biasa bisa terpasang. PC Card adalah perangkat keras

insertable untuk menambahkan modem atau network card ke laptop. CD-ROM

dan digital hard disk serbaguna memungkin built-in atau attachable.

2.2.3 Arduino

Pada Gambar 2.9 Arduino Uno adalah kit elektronik atau papan

rangkaian elektronik open source yang di dalamnya terdapat komponen utama,

yaitu sebuah chip mikrokontroler dengan jenis AVR dari perusahaan Atmel.

Mikrokontroler itu sendiri adalah chip atau IC (integrated circuit) yang bisa

diprogram menggunakan komputer. Tujuan menanamkan program pada

mikrokontroler adalah agar rangkaian elektronik dapat membaca input,

memproses input tersebut dan kemudian menghasilkan output sesuai yang

diinginkan. jadi mikrokontroler bertugas sebagai ‘otak’ yang mengendalikan

input, proses dan output sebuah rangkaian elektronik.

Secara umum, Arduino terdiri dari dua bagian, yaitu:

Hardware papan PCB input/output (I/ O) yang open source.

Gambar 2. 9 Arduino Uno

19

Software Arduino Yang juga open source, meliputi software Arduino

IDE untuk menulis program dan driver untuk koneksi dengan komputer.

Arduino Uno adalah papan mikrokontroler berbasis ATmega328 yang

memiliki 14 pin digital input/output (di mana 6 pin dapat digunakan sebagai

output PWM), 6 input analog, clock speed 16 MHZ, koneksi USB, jack listrik,

header ICSP, dan tornbol reset. Board ini menggunakan daya yang terhubung

ke komputer dengan kabel USB atau daya eksternal dengan adaptor AC-DC

atau baterai.

Tabel 2. 1 Spesifikasi Arduino Uno

Tegangan Operasi 5V

Tegangan Input (disarankan) 7—12V

Batas Tegangan

Input 6—2OV

Pin Digital I/O 14 (di mana 6 pin output PWM)

Pin Analog Input 6

Arus DC per I/O Pin 40 mA

Arus DC untuk pin 3.3V 50 mA

Flash Memory 32 KB (ATmega328) , di mana 0,5 KB

digunakan olehbootloader

SRAM 2 KB (Atmega328)

EEPROM 1 KB (Atmega328)

Clock 16 MHz

2.2.4 Relay

Relay adalah Saklar (Switch) yang dioperasikan secara listrik dan

merupakan komponen Electromechanical (Elektromekanikal) yang terdiri dari

2 bagian utama yakni Elektromagnet (Coil) dan Mekanikal (seperangkat

Kontak Saklar/Switch) seperti pada Gambar 2.13. 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 seperti pada Gambar 2.10.

20

Modul relay ini dapat digunakan sebagai switch untuk menjalankan

berbagai peralatan elektronik. Misalnya lampu listrik, motor listrik, dan

berbagai peralatan elektronik lainnya.

Kendali ON/OFF switch (relay) sepenuhnya ditentukan oleh nilai output

sensor, yang setelah diproses mikrokontroler akan menghasilkan perintah

kepada relay untuk melakukan fungsi ON/OFF.

Fungsi dan Aplikasi Relay

Beberapa fungsi Relay yang telah umum diaplikasikan kedalam peralatan

Elektronika diantaranya adalah :

1. Relay digunakan untuk menjalankan Fungsi Logika (Logic Function)

2. Relay digunakan untuk memberikan Fungsi penundaan waktu (Time Delay

Function)

3. Relay digunakan untuk mengendalikan Sirkuit Tegangan tinggi dengan

bantuan dari Signal Tegangan rendah.

4. Ada juga Relay yang berfungsi untuk melindungi Motor ataupun

komponen lainnya dari kelebihan Tegangan ataupun hubung singkat

(Short).

Gambar 2. 10 Modul Relay

https://2.bp.blogspot.com/-6duwuzaE6rM/WPYcOrgXapI/AAAAAAAAFI8/-lOb5_bbL1EYThOfv4RFMikyqGwYwgZ9wCLcB/s1600/relay.jpg

21

BAB 3

METODOLOGI PENELITIAN

3.1 Alur Penelitian

Dalam bab ini akan menjelaskan langkah-langkah tugas akhir untuk

memecahkan permasalahan yang ada, sehingga proses penelitian tugas akhir ini

dapat berjalan sesuai tujuan. Alur Penelitian pada tugas akhir ini, ditunjukan

flowchart pada gambar 3.1.

Mulai

Identifikasi Masalah

Studi Literatur

Analisa Kebutuhan

Sistem

Perancangan Sistem

Perancangan Alat

Pembuatan Hardware

A

A

Pembuatan Software

Pengolahan Metode

Pengujian Sistem

Uji Coba

Berhasil ?

Analisa Implementasi

Sistem

Pembuatan Laporan

Selesai

Tidak

Ya

Gambar 3. 1 Alur Penelitian

22

Berdasarkan flowchart Alur penelitian pada Gambar 3.1 dapat dijelaskan

bahwasanya penelitian Tugas Akhir ini dimulai dengan mengidentifikasi

permasalahan dari lingkungan sekitar, baik berupa permasalahan yang ada di

industri maupun di masyarakat. Dari beberapa permasalahan tersebut dipilih mana

yang dapat diangkat di Tugas Akhir dengan melakukan kajian studi pustaka dari

literatur yang sudah ada. Setelah identifikasi masalah selesai dilanjutkan ke proses

menganalisa berbegai kebutuhan sistem yang diperlukan, baik berupa hardware,

software, dan mekanik, kemudian dilanjutkan dengan melakukan perancangan

hardware dan mekanik sesuai konsep tersebut. Setelah perancangan plant selesai

dilanjutkan dengan pembuatan berbagai aplikasi yang diperlukan sebagai

monitoring dan controling dari kinerja alat tersebut. Setelah hardware, software

dan mekanik selesai, perlu dilakukan integrasi antara komponen dan komponen

penunjangnya supaya sistem dapat diijalankan. Setelah alat dapat bekerja sesuai

proses yang sudah ditentukan dan dapat termonitori dengan jelas maka perlu

dilakukan analisa dan pembahasan mengenai kinerja plan tersebut supaya dapat

diketahui berbagai permasalahan dan penyelesaian dari plan.

Berdasarkan Flowchart Alur Penelitian diatas, dapat dijelaskan di uraian

berikut :

3.2 Tahap Identifikasi Awal

Tahap identifikasi merupakan langkah awal dalam pelaksanan penelitian

sehingga dapat dilakukan identifikasi permasalahan serta tujuan yang akan dicapai.

Adapun isi dari tahap ini digambarkan sebagai berikut.

a. Identifikasi Masalah

Pada tahap ini dilakukan identifikasi beberapa permasalahan yang di

dapatkan pada saat melakukan pengamatan sehingga dapat dilakukan sebuah

penelitian. Masalah yang terjadi pada kamera CCTV salah satunya adalah

kapasitas penyimpanan yang terbatas. Selain itu waktu yang dibutuhkan untuk

mengamati sebuah kejadian dalam rekaman CCTV. Dan juga kurang

efektifitasannya dalam memonitoring sebuah ruangan serta pemborosan

energi. Dari beberapa masalah diatas, penulis dapat mengambil judul sebagai

23

tugas akhir yaitu “ Rancang Bangun Sistem Smart CCTV untuk Efektivitas

Energi Berbasis YOLO CNN dan Android di Laboratorium Otomasi PPNS ”.

b. Penetapan Tujuan dan Rumusan Manfaat Penelitian

Pada tahap ini dilakukan penetapan tujuan apa yang ingin dicapai dan

manfaatnya bagi pihak terkait serta bagi penelitian selanjutnya. Tahap ini

sebagai dasar tentang apa yang akan dilakukan selama penelitian. Rumusan

masalah ini adalah berkaitan dengan pembuatan prototype sistem Smart CCTV

yang akan diterapkan di lab. Otomasi. Oleh sebab itu tujuan dari penelitian ini

untuk efektivitas energi, baik itu energi listrik, waktu, bahkan energi fisik.

c. Studie Literature

Studi literature akan dilakukan untuk pemahaman konsep, teori, dan

teknologi yang akan digunakan dapat berupa referensi dari internet, paper, e-

book, serta dokumentasi dari komponen teknologi yang akan digunakan.

Sebelum melangkah ke dalam pengerjaan sistem dari tugas akhir ini hal yang

perlu dilakukan adalah observasi, karena dengan melakukan observasi terlebih

dahulu dapat mempermudah apa saja yang dilakukan dalam membuat tugas

akhir. Dalam observasi dapat mengetahui kondisi nyata di lab. Otomasi tentang

semua yang berhubungan dengan rumusan masalah yang telah di tentukan

dalam tugas akhir ini.

3.2.1 Diagram Blok Sistem Image

textKontroler

Laptop

Aktuator

Kotak

Indikator

Plan

Mendeteksi

Manusia

Sensor

Kamera

Menyimpan

Video

Menyimpan

Video

Input Output++

Gambar 3. 2 Diagram Blok Sistem Image

24

Berdasarkan Gambar 3.2 Diagram Blok Sistem Image untuk mendeteksi

manusia di area yang tertangkap kamera. Penggunaan kontroler menggunakan

laptop adalah untuk menjalankan metode yang digunakan yaitu YOLO CNN. Hasil

pengontrolan ini akan didapatkan video yang berisi pengklaisfikasian adanya

manusia atau tidak.

3.2.2 Diagram Blok Sistem Smart CCTV

+Kontroler

Arduino

Aktuator

Lampu

Indikator

Plan

Mematikan

Lampu

Sensor

Kamera

Lampu Mati Lampu Mati

Input Output++

Gambar 3. 3 Diagram Blok Sistem Smart CCTV

Berdasarkan Gambar 3.3 Diagram Blok Sistem Smart CCTV untuk

mematikan lampu dan peralatan listrik lainnya. Penggunaan kontroler Arduino

untuk menjalankan aktutor berupa lampu melalui relay. Hasil dari pengontrolan ini

akan membuat lampu mati secara otomatis jika tidak mendeteksi adanya manusia.

3.2.3 Diagram Blok Kontrol

Timer yang

Diinginkan

Mengatur

Timertext

Lampu Mati

Sesuai Timer

Mendeteksi

Orang

+-

Gambar 3. 4 Diagram Blok Kontrol

25

Berdasarkan Gambar 3.4 Diagram Blok Kontrol untuk mengatur timer selang

waktu antara lampu hidup ke mati. Pertama mengatur timer yang ingin ditentukan

melalui android. Lalu tinggal menunggu saja lampu akan mati otomatis sesuai timer

yang diatur ketika tidak mendeteksi manusia.

3.2.4 Konsep Sistem

YOLO CNN

Input

User

Output

Kamera

Video

Lampu

Android Laptop

Gambar 3. 5 Konsep Blok Sistem

Berdasarkan Gambar 3.5 dapat dijelaskan bahwa dalam sebuah sistem

terdapat konsep blok sistem yang digunakan pada perancangan sistem. Pada konsep

blok sistem tersebut digambarkan bahwa di dalam sistem terdapat 1 besaran fisik

sebagai input yang berupa kamera. Input tersebut akan mengirim data masukan

berupa video kedalam laptop/PC untuk dilakukan proses pengolahan citra

menggunakan YOLO (You Only Look Once). Selanjutnya hasil pengolahan citra

digunakan sebagai data masukan untuk proses pengendalian actuator sebagai

output. Aktuator yang digunakan ada 2 yaitu hasil penyimpanan video dan lampu.

Kemudian sistem tersebut dapat terpantau oleh operator melalui interface yang

terdapat pada Android dan laptop/monitor, sehingga dapat mempermudah

pekerjaan operator baik dalam pengendalian actuator secara otomatis maupun

memonitoring suatu ruangan.

26

3.2.5 Flowchart Sistem

MULAI

PENGOLAH VIDEO

DENGAN YOLO

CNN

PENYIMPANAN

KE DATABASE

YATIDAK

SELANG WAKTU

3/5/7 MENIT

SELESAI

KAMERA

APAKAH MENDETEKSI

ADANYA MANUSIA ATAU

TIDAK ?

KONDISI

AWAL RELAY

CLOSE LOOP

OPEN

LOOP

RELAY

DITERUSKAN

KE ANDROID

Gambar 3. 6 Flowchart Sistem

27

Berdasarkan flowchart pada Gambar 3.6 sistem diatas kamera bertindak

sebagai alat perekam layaknya sensor. Kemudian hasil dari perekaman tadi

akan diproses di laptop dengan sistem YOLO (You Only Look Once). Sistem

ini nantinya dapat mendeteksi manusia. Setelah itu dalam perekaman di video

itu apakah didalamnya ada manusia atau tidak. Jika ada maka akan lanjut ke

proses selanjutnya yaitu penyimpanan ke cloud storage dan nanti akan

diteruskan ke pengguna melalui perangkat android. Jika tidak ada manusia

maka selang 1 menit atau lebih akan mematikan perangkat elektronik di

ruangan tersebut melalui perubahan yang terjadi pada coil di relay.

3.3 Analisa Kebutuhan Sistem

Analisis kebutuhan sistem merupakan proses dalam merancang sistem

dengan memperhitungan kebutuhan yang diperlukan. Berdasarkan diagram sistem

yang telah dibuat, pada tahapan ini dilakukan analisis terhadap data dan teknologi

yang dibutuhkan. Data yang dibutuhkan berupa data temperatur, tekanan dan kadar

Ph yang digunakan pada prototype. Selain itu juga dilakukan analisis tentang

teknologi apa saja yang dibutuhkan untuk membangun sistem pada prototype ini.

Kebutuhan teknologi yang dibutuhkan diantaranya:

1. Webcam

Pada sistem ini dibutuhkan sebuah kamera yang dapat merekam video.

Digunakan webcam karena kamera ini mudah dalam hal konektivitas, hanya

tinggal menancapkan saja kabel usb ke port usb yang tersedia di PC/Laptop.

Kelebihan lainnya adalah kecepatan transfer data, karena menggunakan kabel

jadi tidak ada hambatan yang terlalu mengganggu dalam proses realtime data.

2. Laptop/PC

Laptop/PC ini dibutuhkan untuk dapat mengolah hasil dari perekaman ip

kamera tadi. Selain itu laptop juga digunakan untuk melihat hasil perekaman

dari ip kamera tersebut. Dibutuhkan laptop yang mempunyai spesifikasi

lumayan tinggi agar pengolahan citra menjadi lebih cepat. Dianjurkan juga

menggunakan laptop yang sudah ada vga-nya diutamakan vga nvidia karena

mendukung untuk sistem YOLO (You Olny Look Once).

28

3. Mikrokontroler (Arduino)

Arduino berfungsi sebagai mikrokontroler agar dapat mengatur relay

(close loop/open loop) sebagai aktuator. Selain itu agar dapat mengatur jeda

waktu yang ditentukan untuk mengubah coil pada relay tersebut. Penulis

memilih Arduino sebagai mikrokontroler karena mudah dalam penggunaan dan

penerapannya.

4. Modul Relay

Relay ini dibutuhkan sebagai aktuator untuk mematikan perangkat alat

elektronik. Relay yang digunakan adalah relay yang menggunakan

electromagnet 5v dan 50 mA yang mampu menggerakkan armature (yang

berfungsi sebagai saklarnya) untuk menghantarkan listrik 220v dan 2A.

5. Lampu

Lampu ini digunakan sebagai indicator apakah relay bekerja atau tidak. Dan

juga digunakan untuk sebagai contoh perangkat listrik yang digunakan dalam

rancang bangun sistem smart CCTV ini.

3.4 Rancangan Alat

Kayu

Boh

lam

220

V

Kamera

Penyangga

Penyangga

Gambar 3. 7 Rancangan Alat (2D)

29

Gambar 3. 8 Rancangan Alat tampak depan (3D)

Gambar 3. 9 Rancangan Alat tampak samping (3D)

Gambar 3. 10 Rancangan Alat tampak dari sudut kiri (3D)

30

Pada Gambar 3.8 sampai Gambar 3.10 ditampilkan rancangan alat yang

akan dibuat oleh penulis. Rancangan alat tersebut terdiri dari:

1 buah kamera

2 buah bohlam 220 V AC

1 penyangga yang terbuat dari kayu

Alat tersebut kira-kira tingginya sekitar 2 meter, sedangkan lebarnya 1

meter.

KETERANGAN :

KONEKSI

MENGGUNAKAN

KABEL=

= KONEKSI

MENGGUNAKAN

WIRELESS

Gambar 3. 11 Rancangan Sistem

31

3.5 Perancangan Software

Akuisi Data

Konvolusi

Citra

Konvolusi

CitraMax Pooling

Kernel

SoftmaxTraining dataset

dengan YOLO CNNDataset

Pre-Processing

Processing

Output

Gambar 3. 12 Proses Pengolahan Gambar

YOLO adalah singkatan dari You Only Look Once. Ini adalah detektor

objek yang menggunakan fitur yang dipelajari oleh deep convolutional neural

network untuk mendeteksi objek. Sebelum itu, kita harus memahami cara kerja

YOLO.

3.6 Arsitektur YOLO CNN

Pada tugas akhir ini menggunakan metode YOLO yang merupakan

kelanjutan dari metode CNN. Tujuan utama dari penelitian ini adalah untuk

mendapatkan hasil klasifikasi yang diinginkan dari proses pengambilan

data. Pada proses umum CNN, terdapat 3 tahap utama yaitu pre-processing,

processing, dan classifying. Pada proses pre-processing yang artinya

pembentukan input. Proses kedua adalah processing yang terdiri dari

konvolusi citra, reduksi dimensi citra, max pooling, training dengan neural

network, dan sofmax. Selanjutnya proses yang ketiga adalah classifying

yang artinya penentuan output.

32

Gambar 3. 13 Arsitektur Pengolah Citra

Pada Gambar 3.13 merupakan alur dari proses klasifikasi citra.

Kotak warna kuning merupakan feature map input dengan ukuran 227x227.

Kotak warna hijau merupakan lapisan convolusi/convolution layer. Kotak

warna orange merupakan lapisan max pooling dengan ukuran yang berbeda-

beda tiap step. Lingkaran warna biru merupakan fully connected layer.

Panah menunjukkan aliran data. Dropout 0,5 menunjukkan bahwa lapisan

dropout ada diantara 2 lapisan fully connected dengan kemungkinan

probability 0,5. Output menunjukkan jumlah feature map yang dihasilkan

oleh layer dan dimensinya ditentukan oleh ukuran. RFS adalah ukuran

bidang resptif dari lapisan. Pada Gambar 3.10 pertama-tama tersedia input

layer/input gambar dengan ukuran 227x227x3. Kemudian dikonvolusi

dengan kernel/filter ukuran 11x11 dan stride 4. Kemudian menghasilkan

ukuran 55x55x96 dengan activation map ReLu. Selanjutnya pada kotak

warna merah dilakukan max pooling dengan ukuran 3x3 dan stride 2. Dan

menghasilkan feature map dengan ukuran 27x27x96. Begitu seterusnya

sampai masuk ke tahap Fully Connected dengan jumlah node 1024. Pada

fully connected pertama menghasilkan 4096 node dengan activation

function tanh dan dropout 0,5. Begitu seterusnya sampai menghasilkan

output layer dengan 1000 node dan menggunakan activation function

softmax.

33

3.7 Cara Pembacaan Citra

Ada beberapa tahapan dalam mengolah citra supaya dapat

diinputkan ke dalam fully connected layer. Berikut beberapa tahapan dalam

mengolah citra.

Tahap 1 : Memecah gambar menjadi gambar yang lebih kecil, hasil dari

proses konvolusi dapat diilustrasikan seperti pada Gambar 3.14.

Pada Gambar 3.14, gambar asli dari seorang anak kecil dapat

dipecah menjadi 77 gambar yang lebih kecil dengan konvolusi

yang sama.

Tahap 2 : Memasukkan setiap gambar yang lebih kecil ke small neural

network. Setiap gambar kecil dari hasil konvolusi tersebut kemudian

dijadikan input untuk menghasilkan sebuah representasi fitur. Hal ini

memberikan CNN kemampuan mengenali sebuah objek, dimanapun

posisi objek tersebut muncul pada sebuah gambar.

Gambar 3. 15 Pemasukan Gambar ke Small Neural Network

Pada Gambar 3.15 dilakukan proses pengulangan sebanyak

77 kali pada masing-masing gambar kecilnya. Proses ini dilakukan

Gambar 3. 14 Hasil Konvolusi

34

untuk semua bagian dari masing-masing gambar kecilnya, dengan

menggunakan filter yang sama. Dengan kata lain, setiap bagian gambar

akan memiliki faktor pengali yang sama, atau dalam konteks neural

network disebut sebagai weights sharing. Jika ada sesuatu yang tampak

menarik di setiap gambarnya, maka akan ditandai bagian itu

sebagai object of interest.

Tahap 3 : Menyimpan hasil dari masing-masing gambar kecil ke dalam

array baru.

Gambar 3. 16 Mengubah Output Menjadi Array

Pada Gambar 3.16 menunjukkan bahwa input tiles dirubah menjadi

data array dengan small neural network.

Gambar 3. 17 Max Pooling

Pada Gambar 3.17 dilakukan max pooling untuk mengecilkan

ukuran array tapi tidak menghilangkan sifat dari array tersebut.

35

Tahap 4 : downsampling. Pada tahap ke-3, data array masih terlalu

besar, maka untuk mengecilkan ukuran array nya

digunakan downsampling yang penggunaannya dinamakan max

pooling atau mengambil nilai pixel terbesar di setiap pooling

kernel. Dengan begitu, sekalipun mengurangi jumlah parameter,

informasi terpenting dari bagian tersebut tetap diambil.

Tahap 5 : Membuat prediksi. Setelah merubah gambar yang berukuran

besar menjadi array yang cukup kecil, array tersebut nantinya akan

menjadi input dari jaringan saraf lain. Jaringan saraf yang paling

terakhir akan memutuskan apakah gambarnya cocok atau tidak. Untuk

memberikan perbedaan dari langkah konvolusi, maka bisa kita sebut

dengan “fully connected” network. Secara garis besar, langkah-

langkahnya seperti Gambar 3.18.

Gambar 3. 18 Cara Kerja CNN

Pada Gambar 3.18 dijelaskan cara dari mulai input image sampai

menjadi output sehingga dapat mengklasifikasikan sebuah gambar yang

diinginkan.

3.8 Instalasi Software Pendukung

Sebelum memasuki tahap training pada proses selanjutnya, perlu

adanya instalasi software untuk menjalankan program. Ada beberapa

software dan beberapa pendukung lainnya yang perlu di install. Tabel 3.1

akan menunjukkan software dan pendukung apa saja yang perlu di install

pada komputer / laptop.

36

Tabel 3. 1 Daftar Software yang Diperlukan

No. Nama Software Versi

1. Anaconda 3 4.2.0 (64-bit windows 10 / windows 8 / windows 7)

2. Python 3.5.5 / 3.5.4

3. Spyder 3.2.8

4. OpenCV 2 3.4 / 3.3.1 (atau versi lebih lama)

5. Theano 1.02 / 1.0

6. Keras 1.2.2 / 1.2.0

7. Tensorflow 1.2.1 / 1.1.0

8. Numpy 1.12.1 (atau versi lebih lama)

Semua versi diatas disesuaikan dengan Operating System yang

digunakan. Pada penelitian ini, Operating System yang digunakan adalah

Windows 10 64-bit.

3.9 Dataset

Dataset merupakan objek yang merepresentasikan data dan relasi

yang telah dibuat pada penyimpanan. Dataset ini digunakan untuk

klasifikasi objek. Semakin banyak variasi input dataset yang dibuat semakin

tinggi juga akurasi kalsifikasinya, tapi semakin berat jalannya sebuah

program yang berpengaruh pada PC/laptop yang digunakan. Dataset yang

diguakan kali ini merupakan gambar manusia dari berbagai sudut

penglihatan.

Tabel 3. 2 Dataset yang Digunakan

Gambar Dataset Keterangan Jumlah

Gambar manusia

dari arah depan,

pria dan wanita

150

Gambar manusia

dari arah

samping, pria dan

wanita

150

37

Tabel 3. 3 Dataset yang Digunakan (Lanjutan)

Gambar Dataset Keterangan Jumlah

Gambar manusia

dari arah

belakang, pria dan

wanita

150

Pada Tabel 3.3 terdapat beberapa varian posisi manusia. Varian posisi ini

dimaksudkan supaya kalsifikasi dapat memperoleh data yang maksimal dan akurat,

walaupun gambar menghadap ke banyak arah. Pengambilan dataset ini juga

dipengaruhi oleh kualiatas kamera yang digunakan beserta pencahayaan. Semakin

bagus dataset yang diambil semakin bagus juga kalsifikasi yang diperoleh. Dari

keseluruhan dataset yang telah diambil yaitu berjumlah sekitar 450 gambar

manusia.

38


39

BAB 4

HASIL DAN PEMBAHASAN

Pada bab 4 ini membahas tentang hasil pengujian dan analisis data dari

komponen-komponen penunjang Tugas Akhir ini. Peneliti melakukan pengujian

untuk memastikan komponen-komponen berjalan sesuai dengan rancangan yang

telah dibuat. Adapun beberapa pengujian yang dilakukan sebagai berikut :

1. Pengujian Hardware : terdiri dari pengujian kamera dan relay

2. Pengujian Software : terdiri dari pengujian interface dan metode

3. Pengujian Sistem : terdir dari pengujian sistem secara keseluruhan

Berikut ini adalah penjelasan dari masing-masing pengujian yang dilakukan

dari Tugas Akhir ini.

4.1 Pengujian Hardware

Dalam pembuatan hardware, peneliti merancang desain serta fungsi dari

masing – masing komponen sehingga ketika dijalankan dapat menghasilkan

output sesuai dengan yang diinginkan. Dalam tahap pengujian hardware ini

dilakukan dengan tujuan untuk mengetahui keakuratan serta mengetahui error

yang ditimbulkan dari masing – masing komponen tersebut.

Peneliti menggunakan rumus yang digunakan oleh Arief Hendra Saptadi (2014)

dalam menghitung error dan persentase error sebagai berikut :

Error = |Xi – Xp| (4.1)

%Error = |𝑋𝑖−𝑋𝑝

𝑋𝑝| × 100 % (4.2)

Keterangan :

Xi = Nilai pengukuran pada kontroler

Xp = Nilai pengukuran sesungguhnya pada alat ukur

Berikut adalah hasil pengujian tingkat keakuratan dan error dari masing – masing

komponen yang digunakan pada Tugas Akhir ini.

40

4.1.1 Kamera

Dalam pembuatan proyek tugas akhir ini, peneliti menggunakan webcam

sebagai perekaman untuk CCTV. Tipe webcam ini adalah Logitech c310

dengan sedikit modifikasi seperti pada Gambar 4.1.

Tes kamera menggunakan aplikasi bawaan Logitech.

Pada Gambar 4.2 merupakan hasil perekaman menggunaka kamera

Logitech dan hasilnya lumayan bagus. Untuk kondisi cahaya yang cukup,

gambar terlihat jelas. Selain itu fps nya juga lumayan cepat, sekitar 30 fps. Tapi

dengan spesifikasi 5 mp, maka kamera ini tidak cukup jernih atau tidak full hd.

Walaupun begitu, sudah cukup untuk bisa mengamati/merekam di sebuah

ruangan tertutup seperti lab otomasi.

Gambar 4. 1 Webcam Modifikasi

Gambar 4. 2 Tes Aplikasi Kamera Bawaan Logitech

41

Tabel 4. 1 Hasil Deteksi pada Pencahayaan Tertentu

No. Intensitas

Cahaya

Hasil Pengukuran Hasil Pengujian Keterangan

1. 172,6 lux

Terdeteksi

2. 155,2 lux

Terdeteksi

3. 129,9 lux

Terdeteksi

4. 111,1 lux

Terdeteksi

5. 90,9 lux

Terdeteksi

6. 61,26 lux

Terdeteksi

7. 36,35 lux

Terdeteksi

42

Tabel 4. 2 Hasil Deteksi pada Pencahayaan Tertentu (Lanjutan)

No. Intensitas

Cahaya

Hasil Pengukuran Hasil Pengujian Keterangan

8. 26,01 lux

Terdeteksi

9. 15,90 lux

Terdeteksi

10. 2,49 lux

Tidak

Terdeteksi

Dari Tabel 4.1 dan 4.2 merupakan hasil dari pengujian intensitas cahaya

terhadap objek yang akan dideteksi. Pada ruangan dengan lux 172,6 sampai

15,90 terlihat bahwa kamera dapat mengenali objek yang dideteksi yaitu

manusia. Sedangkan pada lux 2,49 kamera tidak dapat mengenali bahwa

diruangan tersebut terdapat manusia.

4.1.2 Relay

Percobaan modul relay ini dilakukan dengan menggunakan metode sebagai

berikut:

1. Membuat rangkaian komunikasi antara modul relay dengan Arduino yaitu

menghubungkan :

VCC relay 5 v Arduino

GND relay GND Arduino

IN relay pin 13 Arduino

2. Membuat program on off menggunakan software Arduino

3. Membuat inialisasi pada software, 1 artinya on dan 2 artinya off

43

Pada Gambar 4.4 terlihat bahwa ketika kita mengetik angka

1 pada serial monitor, maka lampu akan nyala. Nyala lampu ini

disebabkan oleh relay yang langsung terhubung dengan lampu.

Modul relay 1

channel

Gambar 4. 3 Rangkaian Modul Relay Dengan Arduino Uno

Gambar 4. 4 Percobaan Modul Relay On

Gambar 4. 5 Percobaan Modul Relay Off

44

Pada Gambar 4.5 terlihat bahwa ketika kita mengetik angka

2 pada serial monitor, maka lampu akan mati. Mati lampu ini

disebabkan oleh relay yang langsung terhubung dengan lampu.

Tabel 4. 3 Percobaan Modul Relay On Off

No Data Dikirim Data Diterima Persentase Error

1. 1 On 0 %

2. 2 Off 0 %

3. 1 On 0 %

4. 2 Off 0 %

5. 1 On 0 %

6. 2 Off 0 %

7. 1 On 0 %

8. 2 Off 0 %

9. 1 On 0 %

10. 2 Off 0 %

Rata-rata Error 0 %

4.2 Hasil Hardware

Peneliti mencoba membuat hardware seperti pada Gambar 4.6 :

Gambar 4. 6 Hardware dan Mekanik

45

4.3 Pengujian Software

4.3.1 Feature Map

Feature map merupakan hasil dari proses konvolusi yang sudah

dilakukan konvolusi beberapa kali dengan menggunakan kernel/filter

dan melewati max pooling beserta activation map. Pada penelitian ini

konvolusi dilakukan sebanyak 5 kali dan max pooling dilakukan

sebanyak 3 kali dengan activation map menggunakan ReLu. Ukuran

dari setiap layer bervariasi begitu juga dengan kernel dan stride. Seperti

pada Tabel 4.2 yang merupakan hasil konvolusi dari input gambar awal

hingga max pooling ketiga.

Tabel 4. 4 Proses Feature Map

No Keterangan

Layer Gambar 1 Gambar 2

1. Gambar

Asli

150 x 200

150 x 200

2. Konvolusi 1

112 x 174

112 x 174

3. Max

Pooling 1

47 x 73

47 x 73

46

Tabel 4. 5 Proses Feature Map (Lanjutan)

No Keterangan


4. Konvolusi 2

212 x 139

212 x 139

5. Max

Pooling 2

47 x 72

47 x 72

6. Konvolusi 3

143 x 218

143 x 218

7. Konvolusi 4

144 x 217

144 x 217

47

Tabel 4. 6 Proses Feature Map (Lanjutan)

No Keterangan


9. Max

Pooling 3

47 x 72

47 x 72

Dari Tabel 4.2 sampai Tabel 4.4 terlihat perubahan pada tiap-

tiap proses yang dilakukan. Proses tersebut bertujuan untuk

memperkecil ukuran matrix /gambar yang nantinya akan digunakan

sebagai input pada proses connected layer.

4.3.2 Contoh Perhitungan YOLO CNN

Untuk dapat lebih memahami cara kerja dari proses konvolusi,

peneliti akan menggunakan sampel deret angka pada input dikarenakan

keterbatasan penulis dengan ukuran 150 x 200 maka peneliti menggunakan

sampel deret angka pada input dengan ukuran 10 x 10 dan menggunakan

gaussian karnel dengan ukuran 3x3. Untuk contoh sebagai citra konvolusi

seperti Gambar 4.7.

Gambar 4. 7 Gambar Berukuran 10 x 10 sebelum daialkukan konvolusi

Pada Gambar 4.7 adalah gambar yang berukuran 10 x 10. Seperti

yang dapat kita lihat. Gambar tersebut terdiri dari 2 huruf, yaitu To. Peneliti

48

akan mengubah gambar diatas menjadi sebuah array yang berukuran 10 x

10 seperti pada Gambar 4.8.

Adapun gaussian karnel yang berukuran 3 x 3 yang akan digunakan

untuk konvolusi dapat dilihat pada Gambar 4.9.

0.1096 0.1118 0.1096

0.1118 0.1141 0.1118

0.1096 0.1118 0.1096

Gambar 4. 9 Gaussian Kernel 3 x 3

Dengan menggunakan filter 3x3 dengan stride atau langkah yang

digunakan dalam perhitungan konvolusi tersebut adalah 1 maka proses

perhitungan konvolusi tersebut dapat divisualisasikan seperti pada Gambar

4.10 dan 4.11 dibawah ini.

(A)

255 255 255 255 255 255 255 255 255 255

255 0 0 1 0 0 254 255 255 255

255 255 255 0 255 255 255 255 255 255

255 255 255 0 255 0 0 0 0 255

255 255 255 0 255 0 255 255 0 255

255 255 255 0 255 0 255 255 0 255

255 255 255 0 255 1 255 255 0 255

255 255 255 0 255 0 255 255 0 255

255 255 255 255 255 0 0 0 0 255

255 255 255 255 255 255 255 255 255 255

Gambar 4. 8 Gambar Berukuran 10 x 10 dalam bentuk array

Gambar 4. 10 Posisi proses konvolusi , (A) posisi 1

49

(B)

(C)

Proses konvolusi berlangsung sampai sudut kanan paling bawah.

Adapun perhitungan manual dapat dilihat pada keterangan dibawah ini :

- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +

(0 𝑥 0.1141) + (0 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +

(255 𝑥 0.1096) = 𝟏𝟗𝟕

- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (0 𝑥 0.1118) +

(0 𝑥 0.1141) + (1 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +

(0 𝑥 0.1096) = 𝟏𝟒𝟏

- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (0 𝑥 0.1118) +

(1 𝑥 0.1141) + (0 𝑥 0.1118) + (255 𝑥 0.1096) + (0 𝑥 0.1118) +

(255 𝑥 0.1096) = 𝟏𝟒𝟎

- … … … … ….

- … … … … ….

- (255 𝑥 0.1096) + (0 𝑥 0.1118) + (255 𝑥 0.1096) + (0 𝑥 0.1118) +

(0 𝑥 0.1141) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +

(255 𝑥 0.1096) = 𝟏𝟔𝟗

Gambar 4. 11 Posisi proses konvolusi, (B) posisi 2, (C) posisi 3 (Lanjutan)

50

Pada proses perhitungan manual akan menghasilkan sebuah array

baru yang berukuran 8 x 8. Untuk nilai keseluruhan dapa dilihat pada

Gambar 4.12.

197 141 140 141 197 226 255 255

199 114 113 86 142 143 170 199

255 170 169 114 169 141 141 169

255 170 169 86 141 141 114 141

255 170 169 86 169 171 171 169

255 171 169 86 169 171 171 169

255 171 169 86 141 114 114 141

255 199 197 142 169 141 141 169

Gambar 4. 12 Hasil Konvolusi Menghasilkan Feature Maps Berukuran 8 x 8

Untuk lebih jelasnya mengenai maxpooling. Penulis melanjutkan

dari hasil konvolusi pada 4.13. Hasil konvolusi dari yaitu citra berukuran 8

x 8. Setelah melewati proses Max pooling akan menghasilkan citra baru

yang berukuran 4 x 4. Pada Gambar 4.13 dapat dilihat proses Max pooling.

Gambar 4. 13 Hasil Max Pooling 4 x 4

Setelah proses max pooling ini selesai, maka masuk ke proses

selannjutnya,yaitu proses flattening. Proses ini merupakan proses terpenting

karena proses ini akan menghasilkan nilai yang akan digunakan untuk proses

Training dengan neural network. Proses ini berguna untuk mempermudah

komputasi dengan cara merubah array yang berdimensi n x m menjadi 1 deret

bilangan sebagai Vektor Input. Mengacu pada contoh sebelumnya, hasil

maxpooling 4 x 4 akan berubah menjadi 16x1.

51

4.3.3 Training Dataset

Setelah proses konvolusi citra maka masuk ke tahap training. Tahap

ini dilakukan menggunakan aplikasi spyder dengan dibantu library keras.io.

keras adalah library untuk jaringan syaraf tingkat lanjut dengan skala

komputasi yang besar (deep learning). Pada proses pemrograman tahap ini

memerlukan algoritma semua library yang diperlukan. Seperti dense yang

merupakan variable untuk mendeklarasi penentuan Neuron pada hidden

layer, activation untuk menentukan aktivasi yang digunakan. Fasilitas

Convolution 2D sebagai proses konvolusi citra dengan berbagai karnel

didalamnya serta Maxpool 2D untuk proses subsampling dimana matrix

max pooling dapat diatur sesuai kebutuhan.

Pada tahap ini diperlukan dataset yang telah disiapkan seperti pada

bab sebelumnya. Dengan total dataset yang ditentukan berjumlah 750 citra,

akan di bagi untuk kebutuhan tahap ini. Bagaimana sistem pembagian

dataset dan spesifikasinya dapat dilihat pada Tabel 4.7.

Tabel 4. 7 Pembagian Dataset dan Spesifikasinya

Data Training Data Validasi

Jumlah Data 352 352

Resolusi 150x200 150x200

Ruang warna RGB RGB

Pada Tabel 4.7 terdapat beberapa parameter yang harus ditentukan

terlebih dahulu diantaranya jumlah iterasi, jumlah iterasi yang digunakan

pada penelitian ini adalah 90. Menggunakan hidden layer backpropagation

neural network dengan jumlah Neuron pada hidden layer sebanyak 64

Neuron. Serta fungsi aktivasi yang digunakan yaitu sigmoid.

Vektor output pada penelitian ini berupa bilangan biner dengan 2

vektor output sesuai dengan klasifikasi citra Manusia dan Kosong. Untuk

lebih jelasnya dapat dilihat pada Tabel 4.6. Vektor output berupa biner

digunakan untuk mempermudah klasifikasi. hal tersebut digunakan untuk

proses penamaan atau labeling objek.

52

Tabel 4. 8 Vektor Output (biner) dan Klasifikasinya

No. Vektor Output (Biner) Klasifikasi

1 [ 1 0 0 0 0 0] Manusia

2 [ 0 1 0 0 0 0] Kosong

Mean Squared Error (MSE) adalah metode untuk mengevaluasi

metode prediksi. Dari hasil masing-masing kesalahan atau sisa akan

dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan jumlah

observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena

kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-

kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil,

tetapi kadang menghasilkan perbedaan yang besar. Dalam kasus klasifikasi

biner, dimana hanya terdapat dua kelas dengan label kelas 0 dan 1, tidak ada

perbedaan dalam penggunaan MSE. Hal ini karena nilai error hanya

mempunyai dua kemungkinan, 0 jika prediksi benar dan 1 jika prediksi

kelas berbeda dengan kelas sebenarnya. Hasil kuadrat ataupun absolut

dari error tersebut akan sama sehingga nilai MSE pun akan identik.

Pada penelitian ini penulis mencoba beberapa nilai Hidden Neuron

diantaranya 64 Hidden Neuron, 128 Hidden Neuron, 192 Hidden Neuron

dan 256 Hidden Neuron. Pengujian ini sangat penting sebagai dasar

keputusan untuk menggunakan 256 Hidden Neuron.

Proses validasi bertujuan untuk menentukan performa CNN

terhadap data citra yang belum diketahui sebelumnya.

1. Training dengan Hidden Neuron 64

Percobaan training pertama menggunakan Hidden Neuron 64

dengan konfigurasi sebagai berikut :

- JumlahEpoch = 70

- Fungsi Aktivasi = sigmoid

- Learning = 224 menit

- Hidden Neuron = 64

53

Dengan menggunakan konfigurasi seperti diatas, didapatkan akurasi

data validasi sebesar 90%. Saat konfigurasi diatas dilakukan beberapa

testing dan semuanya menunjukkan jawaban yang benar. Adapun lebih

jelasnya dapat dilihat grafik akurasi pada Gambar 4.14.

Gambar 4. 14 Grafik Training Akurasi Hidden Neuron 64

Gambar 4.14 menunjukkan perbedaan antara hasil training dan

validasi. Pada epoch 12 menunjukkan data akurasi sebesar 80% yang

cenderung stabil hingga pada epoch ke 70.

Gambar 4. 15 Grafik MSE Hidden Neuron 64

54

Pada Gambar 4.15 nilai rata-rata kesalahan untuk data training

dimulai pada kisaran 0.1 dan bergerak mendekati 0.00 setelah iterasi ke 20.

Pada akhirnya berjalan stabil hingga epoch ke 70.

Kelebihan dari Hidden Neuron 16 ini adalah cepat dalam proses

computing. Namun dalam pendeteksian masih ada yang kurang akurat. Dan

akhirnya penulis mencoba untuk menambah Hidden Neuron menjadi 256.




- Jumlah Epoch = 70










validasi. Pada epoch 28 menunjukkan data akurasi cenderung stabil hingga

pada epoch ke 70 dengan rata-rata 95%.

55





Kelebihan dari Hidden Neuron 128 ini adalah cepat dalam proses

computing. Namun dalam pendeteksian masih ada yang kurang akurat. Dan

akhirnya penulis mencoba untuk menambah Hidden Neuron menjadi 192.




- Jumlah Epoch = 70








56



validasi. Pada epoch 12 menunjukkan data akurasi sebesar 90% yang

cenderung stabil hingga pada epoch ke 70.





Dengan neuron 192 penulis masih mencoba hasil pendeteksian

dengan menambah yang mencapai akurasi 100%. Dan akhirnya penulis

mencoba untuk menambah Hidden Neuron menjadi 256.

57

4. Training dengan neuron 256



- Jumlah Epoch = 70





data validasi sebesar 100%. Adapun lebih jelasnya dapat dilihat grafik

akurasi.

Gambar 4.20 menunjukkan hasil konfigurasi dengan menggunakan

Hidden Neuron 256. Pada grafik akurasi dengan Hidden Neuron 256 lebih

cenderung stabil mulai epoch 9 pada 99%. Hingga sampai epoch 70 nilai

iterasi tetap stabil diantara range nilai mendekati 1.



dimulai pada kisaran 0.15 dan bergerak mendekati 0.00, setelah iterasi ke

20 rata-rata kuadrat kesalahan disetiap iterasi adalah 0.005 dan stabil hingga

epoch ke 70.

58


Menggunakan lebih banyak Hidden Neuron memiliki hasil akurasi

yang lebih bagus. Dari hal tersebut masih memiliki sisi negatif jika

menggunakan banyak Hidden Neuron, yaitu pada proses komputasi training

akan menjadi lebih lama. Namun setelah melakukan percobaan untuk

menggunakan Hidden Neuron 256 dan menjalankan program, hasilnya

hampir memiliki perbedaan yang kecil namun pada neuron tersebut

memiliki keakurasian 100%.

4.3.4 Deteksi Manusia

Pada percobaan yang dilakukan peneliti, yaitu mendeteksi

manusia memerlukan banyak sekali percobaan. Berikut salah satu

percobaan yang berhasil atau hamper sempurna menurut peneliti.

Gambar 4. 22 Percobaan Deteksi Manusia

59

Gambar 4.22 merupakan hasil perekaman dari kamera yang sudah

berisi program YOLO untuk mendeteksi adannya manusia. Pada

gambar diatas manusia yang dideteksi hanya 1 orang, sedangkan

benda-benda yang disebelahnya tidak di deteksi. Pecobaan

pendeteksian manusia ini dilakukan dengan melihat kondisi ruangan

sebagai berikut :

1. Ruangan memiliki dimensi berukuran 3 x 4 x 3 meter

2. Intensitas cahaya pada ruang tersebut adalah 130 – 150 lux

3. Kamera terletak pada ketinggian 2 meter dari lantai

Selain itu terdapat juga spesifikasi manusia yang dideteksi yaitu :

1. Posisi manusia menghadap ke depan, samping, dan belakang

2. Manusia dalam keadaan berdiri maupun duduk

Berikut ini hasil dari percobaan mendeteksi manusia dengan 3

kondisi, yaitu menghadap depan, samping, dan belakang dari kamera.

Tabel 4. 9 Hasil Pendeteksi Manusia

No Gambar Keterangan

Gambar Terdeteksi

Tidak

Terdeteksi

1.

Hadap ke

depan, berdiri,

2 orang

1 0

2.

Hadap ke

samping,

berdiri, 2

orang

1 0

3.

Hadap ke

samping,

duduk, 3 orang

1 0

60

Tabel 4. 10 Hasil Pendeteksi Manusia (Lanjutan)


Gambar Terdeteksi

Tidak

Terdeteksi

4.

Hadap ke

depan, duduk,

3 orang

1 0

5.

Hadap ke

belakang,

berdiri, 2

orang

1 0

6.

Hadap ke

belakang,

duduk, 2 orang

1 0

7.

Hadap ke

belakang,

duduk , 3

orang

1 0

8.

Hadap ke

samping,

duduk, 2 orang

1 0

9.

Hadap ke

samping,

duduk, 3 orang

1 0

10.

Hadap ke

belakang,

berdiri, 2

orang

1 0

61



Gambar Terdeteksi

Tidak

Terdeteksi

11.

Hadap ke

samping,

duduk, 1 orang

1 0

12.

Hadap ke

samping,

berdiri, 3

orang

1 0

13.

Hadap ke

belakang,

berdiri, 2

orang

1 0

14.

Hadap ke

belang, berdiri,

4 orang

1 0

15.

Hadap ke

depan, berdiri,

4 orang

1 0

15.

Hadap ke

depan, berdiri,

4 orang

1 0

16.

Hadap ke

samping,

bediri, 2 orang

1 0

62



Gambar Terdeteksi

Tidak

Terdeteksi

17

Hadap ke

samping,

duduk, 0 orang

0 1

18.

Hadap ke

depan, berdiri,

3 orang

1 0

19.

Hadap ke

depan, berdiri,

5 orang

1 0

20.

Hadap ke

samping,

berdiri, 5

orang

1 0

21.

Hadap ke

samping,

berdiri, 2

orang

1 0

22.

Hadap ke

belakang,

berdiri, 4

orang

1 0

23.

Hadap ke

depan, berdiri,

1 orang

1 0

63



Gambar Terdeteksi

Tidak

Terdeteksi

24.

Hadap ke

belakang,

berdiri, 1

orang

1 0

25.

Hadap ke

depan, berdiri,

3 orang

1 0

26.

Hadap ke

depan, bawa

kucing

1 0

27.

Hadap ke

depan, bawa

kucing

1 0

28.

Hadap ke

depan, dengan

kucing

1 0

29.

Hadap ke

depan, dengan

kucing

1 0

30.

kucing 0 1

Persentase keberhasilan 96,67 %

64

Dari percobaan yang dilakukan pada Tabel 4.7 sampai 4.11

dapat disimpulkan bahwa sistem ini dapat mendeteksi manusia dari

sisi manapun dengan persentase 96,67 % yang artinya terjadi error

3,33 %. Pada Tabel 4.13 bagian akhir terdapat pengujian pada kucing

yang tidak dideteksi oleh sistem, yang artinya sistem benar-benar

hanya mendeteksi manusia.

4.3.5 Penyimpanan Data

Pada percobaan ini, ketika kamera mendeteksi manusia maka

sistem pada kamera tersebut akan otomatis menyimpan ke dalam file

yang sudah ditentukan. Hasil dari penyimpanan ini akan langsung

diberi nama sesuai dengan tanggal pada laptop/pc yang terhubung

dengan kamera.

Pada Gambar 4.23 merupakan hasil dari perekaman yang

berupa video dengan format avi. Selanjutnya data dari video tersebut

akan dikirim ke cloud database seperti pada gambar 4.24.

Gambar 4. 23 Hasil Penyimpanan kamera pada Laptop

Gambar 4. 24 Database pada MySQL

65

Pada Gambar 4.24 merupakan database yang diterima dari

laptop/PC berupa video yang tersimpan beserta keterangan waktu

pengambilan video.

Tabel 4. 14 Waktu Upload Video

No Ukuran

File

Panjang

Video Waktu Upload

Rata-rata per

1 menit

1. 422 kb 11 detik 57 detik 5 menit 11

detik

2. 1,02 mb 24 detik 1 menit 49

detik

4 menit 33

detik

3. 121 kb 2 detik 24 detik 12 menit

4. 404 kb 12 detik 1 menit 13

detik

6 menit 5

detik

5. 679 kb 28 detik 2 menit 4 detik 4 menit 16

detik

6. 88,1 kb 3 detik 29 detik 9 menit 40

detik


detik

5 menit 45

detik


detik

5 menit 37

detik

No Ukuran

File

Panjang

Video Waktu Upload

Rata-rata per

1 menit


detik


detik

Rata-rata waktu upload per menit 6 menit 52

detik

Pada Tabel 4.12 merupakan hasil durasi waktu yang diperlukan

untuk mengupload sebuah file ke cloud storage. Rata-rata waktu upload

video berkisar 6 menit 52 detik untuk video dengan durasi 1 menit.

4.3.6 Interface pada Android

Pada percobaan ini, hasil dari penyimpanan yang ada di

laptop/PC akan bisa langsung di monitoring melalui android. Tapi

monitoring ini memerlukan waktu yang agak lama karena proses

pengunggahan data tergantung dari koneksi internet yang digunakan.

66

Pada Gambar 4.25 merupakan tampilan interface pada android

untuk memonitoting video yang telah tersimpan. Dapat dilihat pada

Gambar 4.25 terdapat juga keterangan waktu dan tanggal

pengambilan video tersebut. Peneliti hanya perlu memilih video yang

ingin kita lihat, lalu tinggal klik tombol play untuk melihat video

tersebut. Dengan begitu kita dapat memonitoring dari jarak jauh untuk

menghemat waktu.

4.4 Timer

Pada tahap ini, peneliti akan melakukan pengujian timer pada ouput

(disini output yang digunakan adalah lampu sebagai indicator) apakah

berfungsi dengan baik atau tidak. Pertama yang kita lakukan adalah

membuka aplikasi android yang sudah tersedia seperti pada Gambar 4.26.

Klik disini

Gambar 4. 25 Interface pada Android

Gambar 4. 26 Tombol untuk Mengatur Timer

67

Setelah itu nanti akan diarahkan ke layer selanjutnya seperti pada

Gambar 4.27.

4.5 Pengujian Kinerja Penyimpanan Data

Pada Gambar 4.27 merupakan cara untuk menentukan timer yang

diinginkan. Timer ini digunakan untuk mengatur selang waktu lampu mati. Jadi

jika semisal di set timer 16:29 artinya lampu akan mati setelah tidak mendeteksi

orang yang membutuhkan waktu 16 menit 29 detik untuk mati.

Tabel 4. 15 Pengujian Kinerja Upload Data di Cloud Storage

No Waktu Setting Hasil Setting Delay Data

1. 60 detik 64 detik 4 detik










Rata – rata Error 4,1 detik

Gambar 4. 27 Cara Setting Timer

68

Berdasarkan Tabel 4.13 Pengujian Kinerja Data di Cloud Storage,

merupakan waktu delay yang diperoleh dari pengunggahan file ke cloud storage

yang memiliki delay error rata-rata sebesar 4,1 detik. Delay ini dipengaruhi oleh

kecepatan koneksi internet yang digunakan, semakin cepat koneksi internet yang

digunakan, semakin sedikit pula delay yang dihasilkan.

69

BAB 5

KESIMPULAN DAN SARAN

Pada tahapan ini merupakan bagian akhir pada penelitian tugas akhir ini,

tahapan ini berisi tentang kesimpulan dari penelitian yang telah dilakukan dan saran

untuk peneliti selanjutnya yang ingin mengambil topik tugas akhir ini.

5.1 Kesimpulan

Dari pengujian yang telah dilakukan, hasil penelitian pada tugas akhir ini

dapat disimpulkan bahwa :

1. Kinerja dari sistem YOLO CNN ini saat mendeteksi manusia memiliki

keakuratan berbeda-beda dari setiap arah yang berbeda. Umumnya

sistem ini dapat mendeteksi manusia jika manusia yang terdeteksi

berada pas ditengah frame kamera tanpa terhalang benda apapun.

Sedangkan jika ada sesuatu yang menghalangi kamera dalam

mengambil gambar manusia, maka sistem tidak akan bisa mendeteksi

keberadaan manusia tersebut. Dari percobaan yang telah dilakukan,

sistem mengalami tingkat keberhasilan sebesar 96,67 % dan error

sebesar 3,33 %.

2. Ketika video yang diupload ke database memiliki jumlah ukuran file

yang besar, maka akan butuh waktu lama untuk dapat memonitoring

dari android. Setelah dilakukan percobaan ternyata rata-rata

pengunggahan file ke database dengan durasi video 1 menit

membutuhkan waktu rata-rata 6 menit 30 detik.

3. Timer pada kontrol dari android berjalan dengan baik tapi memiliki

selisih waktu rata-rata 4,1 detik. Itu semua tergantung dari jarigan

internet yang digunakan.

70

5.2 Saran

Dari pengujian yang telah dilakukan dalam penelitian ini, maka

terdapat beberapa hal yang dapat diperhatikan dan ditingkatkan lagi pada

penelitian selanjutnya :

1. Sebaiknya menggunakan laptop/PC Gaming karena memiliki

spesifikasi yang tinggi, supaya fps yang dihasilkan mencapai 30 fps.

2. Mengembangkan lagi dataset dan arsitektur YOLO CNN sehingga

dapat mendeteksi manusia dengan baik walaupun terhalang benda

sekalipun.

71

DAFTAR PUSTAKA

Admin. “Apa pengertian Dari Laptop dan Fungsinya?”, di

https://www.it-jurnal.com/apa-pengertian-dari-laptop-dan-fungsinya/

(diakses Januari 2019).

Developers. 2018. “Mengenal Android Studio”, di

https://developer.android.com/studio/intro/?hl=id (diakses Januari 2019).

GSI, Admin. 2017. “Pengertian CCTV Serta Perangkat-Perangkat Didalamnya”, di

https://www.gsicctv.co.id/pengertian-cctv-serta-perangkat-perangkat-

didalamnya/ (diakses Januari 2019).

Kathuria, Ayoosh. 2018. “How to Implement a YOLO (v3) Object Detector from

Scratch in PyTorch: Part 1”, di

https://www.kdnuggets.com/2018/05/implement-yolo-v3-object-detector-

pytorch-part-1.html (diakses Januari 2019).

Kho, Dickson. “Pengertian Relay dan Fungsinya”, di

https://teknikelektronika.com/pengertian-relay-fungsi-relay/ (diakses Januari

2019).

Lina, Qolbuyatul. 2019. “Apa itu Convolution Neural Network?”, di

https://mc.ai/apa-itu-convolutional-neural-network/ (diakses Januari 2019).

Nu’man Lutfi, Muhammad. 2018. “Pendeteksi Objek Api dan Boneka pada Robot

Pemadam Api Berkaki Menggunakan Video Processing Berbasis Mini PC”.

Surabaya:PPNS

Octavianus, Boni. 2016. “[Android] Apa itu Firebase?”, di

https://coolnetkid.wordpress.com/2016/09/08/android-apa-itu-firebase/


Rahyagara, Andiki. 2018. “Tutorial Deteksi Objek Menggunakan YOLO (You

Only Look Once)”, di https://medium.com/@andikirahyagara/tutorial-yolo-

you-only-look-once-for-absolutely-noob-c4d5f3751e1f (diakses Januari

2019).

https://www.it-jurnal.com/apa-pengertian-dari-laptop-dan-fungsinya/

https://developer.android.com/studio/intro/?hl=id

https://www.gsicctv.co.id/pengertian-cctv-serta-perangkat-perangkat-didalamnya/

https://www.gsicctv.co.id/pengertian-cctv-serta-perangkat-perangkat-didalamnya/

https://www.kdnuggets.com/2018/05/implement-yolo-v3-object-detector-pytorch-part-1.html

https://www.kdnuggets.com/2018/05/implement-yolo-v3-object-detector-pytorch-part-1.html

https://teknikelektronika.com/pengertian-relay-fungsi-relay/

https://mc.ai/apa-itu-convolutional-neural-network/

https://coolnetkid.wordpress.com/2016/09/08/android-apa-itu-firebase/

https://medium.com/@andikirahyagara/tutorial-yolo-you-only-look-once-for-absolutely-noob-c4d5f3751e1f

https://medium.com/@andikirahyagara/tutorial-yolo-you-only-look-once-for-absolutely-noob-c4d5f3751e1f

72

Rizal Al Fatah, Mochammad. 2018. Rancang Bangun Sistem Monitoring

Evaporator And Condenser Tank With Vacuum System Unit ST. Penguapan

Berbasis Microcontroller PID Pada PT. PN X PG Ngadirejo. Surabaya:

PPNS.

Wikipedia. “Microsoft Visual Studio”, di

https://id.wikipedia.org/wiki/Microsoft_Visual_Studio (diakses Januari

2019).

Yanuar, Aditya. 2018. “YOLO (You Only Look Once)”, di

http://machinelearning.mipa.ugm.ac.id/2018/08/05/yolo-you-only-look-

once/ (diakses Januari 2019).

Yulias, Zaerfani. 2013. “Arduino Mega 2560”, di

http://blog.famosastudio.com/2013/09/produk/arduino-mega-2560/531


https://id.wikipedia.org/wiki/Microsoft_Visual_Studio

http://machinelearning.mipa.ugm.ac.id/2018/08/05/yolo-you-only-look-once/

http://machinelearning.mipa.ugm.ac.id/2018/08/05/yolo-you-only-look-once/

http://blog.famosastudio.com/2013/09/produk/arduino-mega-2560/531

rancang bangun sistem smart cctv untuk ...repository.ppns.ac.id/2425/1/0915040041 - debri...

Documents