Transcription

Perancangan Sistem Deteksi Wajah Untuk KeamananMobil Menggunakan Metode Haar Cascades ClassifierTerintegrasi TwitterArtikel IlmiahDiajukan kepadaFakultas Teknologi Informasiuntuk memperoleh gelar Sarjana KomputerPeneliti:Aditya Septa Mahendra (672009054)Radius Tanone, S.Kom., M.Cs.Program Studi Teknik InformatikaFakultas Teknologi InformasiUniversitas Kristen Satya WacanaSalatigaApril 2016

Perancangan Sistem Deteksi Wajah Untuk Keamanan MobilMenggunakan Metode Haar Cascades Classifier Terintegrasi Twitter1)Aditya Septa Mahendra, 2)Radius Tanone, S.Kom., M.CsFakultas Teknologi InformasiUniversitas Kristen SatyaWacanaJl. Diponegoro 52-60, Salatiga 50711, IndonesiaEmail: uksw.eduAbstractTechnology growing rapidly so that can help in human life.Needs forkeeping human goods for example using Closed Circuit Television (CCTV) forexample. Lack of car’s security system that provide a direct notification to fourwheels car’s owner when the owner far from the car. The regulatory process needa system that give an automatic output. Adapted from CCTV system, the systemthat will build detect face and upload detected face by webcam to specify twitteraccount automaticly. Utilize webcam, raspberry pi 2 B, haar cascades classfiermethod, and twitter can achieve that goal. In this study developed a face detectorsystem for car security using haar cascades classifier method intergrated twitter.System can detect and upload face image to twitter automaticly.Keywords: haar cascades classifier, raspberry pi 2 B, face detection, twitterAbstrakTeknologi berkembang pesat sehingga bisa membantu dalam kehidupanmanusia. Teknologi untuk menjaga keamanan barang penggunanya sebagaicontoh penggunaan Closed Circuit Television (CCTV) misalnya. Minimnya sistemkeamanan mobil yang menyediakan fitur yang memberikan notifikasi langsungkepemilik mobil saat berada jauh dari mobil. Proses pengawasan memerlukankeluaran secara otomatis. Mengadaptasi dari sistem CCTV, sistem yang dibangunmendeteksi wajah dan akan upload wajah yang terdeteksi oleh webcam keakuntwitter yang telah ditentukan secara otomatis. Memanfaatkan webcam, raspberrypi 2B, metode deteksi wajah haar cascades classifier, dan twitter dapat mencapaitujuan tersebut. Pada penelitian ini dirancang sebuah sistem deteksi wajah untukkeamanan mobil menggunakan metode haar cascades classifier terintegrasitwitter. Sistem da[at mendeteksi dan upload wajah ke twitter secara otomatis.Kata Kunci :haar cascades classifier, raspberry pi 2 B, face detection, twitter1)Mahasiswa Program Studi Teknik Informatika, FakultasTeknologi Informasi, Universitas KristenSatyaWacana2)Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen SatyaWacana

1.PendahuluanPerkembangan teknologi sekarang ini sangat pesat sehingga bisamembantu dalam kehidupan manusia.Teknologi untuk menjaga keamanan barangpenggunanya sebagai contoh penggunaan Closed Circuit Television (CCTV) untukmemonitoring keadaan di perkantoran, mall, maupun di sekolah.Kasus pencurian kendaraan yang marak terjadi, tidak hanya roda dua tetapijuga roda empat.Waktu – waktu tertentu seperti menyambut hari raya menjadiwaktu yang rawan pencurian kendaraan. Menurut data yang dihimpun dari BidangHubungan Masyarakat Polda Metro Jaya Kamis, 11 Mei 2015, menyebutkanpencurian kendaraanbermotor mendominasi angka kriminalitas sebulanmenjelang bulan ramadhan yaitu sebanyak 156 sepeda motor dan 56 mobil)[1].Sistem keamanan yang ada dipasar saat ini seperti alarm dan sistem GPS(Global Positioning System) memiliki kelemahannya masing – masing. Alarmmempunyai kelemahan yaitu terbatasnya suara alarm yang terkendala oleh jarak,sedangkan sistem GPS hanya memberikan koordinat letak mobil berada tanpamengetahui pelaku pencurian. Fitur yang ditawarkan sistem keamanan yang adadipasar tidak menyediakanpemberitahuan dan gambaran siapa yangmencurisecara langsung kepada pemilik kendaraan.Berdasarkan latar belakang tersebut, maka dirancang sebuah perancangansistem yang diadaptasi dari sistem CCTV yaitu perancangan sistem deteksi wajahuntuk keamanan mobil menggunakan metode haar cascades classifier terintegrasitwitteryang diharapkan dapat berguna untuk memberikan hasil monitoringmobilsecara langsung dengan memanfaatkan notifikasi dari twitter ke ponsel. Padapenelitian terbatas hanya bagaimana cara perancangan sistem, sistem yangdirancang hanya menampilkan wajah yang terdeteksi, tidak menampilkan lokasimobil berada, dan tidak membahas bahas cara menangani sinyal internet yanglemah karena kondisi geografis, cuaca, maupun kesalahan teknis dari provider.2.Tinjauan PustakaPerkembangan teknologi sekarang ini sangat pesat sehingga bisamembantu dalam kehidupan manusia.Teknologi untuk menjaga keamanan barangpenggunanya sebagai contoh penggunaan Closed Circuit Television (CCTV) untukmemonitoring keadaan di perkantoran, mall, maupun di sekolah.Kasus pencurian kendaraan yang marak terjadi, tidak hanya roda dua tetapijuga roda empat.Waktu – waktu tertentu seperti menyambut hari raya menjadiwaktu yang rawan pencurian kendaraan. Menurut data yang dihimpun dari BidangHubungan Masyarakat Polda Metro Jaya Kamis, 11 Mei 2015, menyebutkanpencurian kendaraanbermotor mendominasi angka kriminalitas sebulanmenjelang bulan ramadhan yaitu sebanyak 156 sepeda motor dan 56 mobil)[1].Sistem keamanan yang ada dipasar saat ini seperti alarm dan sistem GPS(Global Positioning System) memiliki kelemahannya masing – masing. Alarmmempunyai kelemahan yaitu terbatasnya suara alarm yang terkendala oleh jarak,sedangkan sistem GPS hanya memberikan koordinat letak mobil berada tanpamengetahui pelaku pencurian. Fitur yang ditawarkan sistem keamanan yang ada1

dipasar tidak menyediakanpemberitahuan dan gambaran siapa yangmencurisecara langsung kepada pemilik kendaraan.Berdasarkan latar belakang tersebut, maka dirancang sebuah perancangansistem yang diadaptasi dari sistem CCTV yaitu perancangan sistem deteksi wajahuntuk keamanan mobil menggunakan metode haar cascades classifier terintegrasitwitteryang diharapkan dapat berguna untuk memberikan hasil monitoringmobilsecara langsung dengan memanfaatkan notifikasi dari twitter ke ponsel. Padapenelitian terbatas hanya bagaimana cara perancangan sistem, sistem yangdirancang hanya menampilkan wajah yang terdeteksi, tidak menampilkan lokasimobil berada, dan tidak membahas bahas cara menangani sinyal internet yanglemah karena kondisi geografis, cuaca, maupun kesalahan teknis dari provider.Gambar 1 Board raspberry pi 2BRaspberry pi 2B pada gambar 1 adalah Single Board Circuit (SBC) yangmemiliki ukuran sebesar kartu kredit yang menggunakan daya listrik sebesar 5volt. Raspberry Pi 2B merupakan generasi kedua dari Raspberry Pi.Raspberry Pimemiliki sistem Broadcom BCM2836 chip (SoC), yang mencakup ARM1176JZFS 700 MHz processor,VideoCore IV GPU, dan awalnya dibuat dengan 512 MBRAM, kemudian ditingkatkan menjadi 1024 MB.[7].3.Metode dan Perancangan Sistem2

Gambar 2 Tahapan Penelitian[8]Tahapan penelitian menggunakan metode ”The PPDIOO networklifecycle” yang telah diterapkan oleh cisco. Tahapan peneltian pada gambar 2dijelaskan metode penelitian sebagai berikut. Tahap Prepare dilakukan prosespersiapan untuk memahami kebutuhan penelitian, anggaran untuk peneltian, danpemanfaatan teknologi yang mendukung sampai implementasi. Tahap kedua :Planmengidentifikasi kebutuhan awal penelitian berdasarkan tujuan penelitian. Padatahap ini dilakukan studi pustaka untuk menunjang perancangan sistem yang akandibangun. Tahap ketiga :Design membahas tentang perancangan arsitektur sistemyang akan dirancang pada penelitian. Tahap keempat:Implement, tahap dimanasistem yang telah direncanakan dan didesain diterapkan. Tahap kelima:Operate,pada tahap ini dilakukan pengujian sistem untuk mengetahui apakah sistem yangdirancang apakah sudah sesuai dengan desain yang direncanakan. Tahap keenam:Optimize, pada tahap ini sistem telah selesai dirancang masih tetap diidentifikasiagar sistem berjalan dengan maksimal[9].Sistem yang dirancang menggunakan dua webcam yang sudah terhubungdengan aplikasi face detection yang berada di dalam raspberry pi. Aplikasi facedetection dapat dikonfigurasi dari raspberry pi yang dapat disambungkan ke PCmaupun laptop sebagai monitor. Menyesuaikan konfigurasi yang meliputi periodecuplik, periode valid, upload twitter, isi pesan, dan akun twitter tujuan, wajahyang telah dicapture akan di upload ke akun twitter tujuan. Twitter kemudianmemberikan notifikasi di akun twitter berupa mention (@) beserta foto hasilcapture.3

Gambar 3 Arsitektur sistemArsitektur sistem pada gambar 3 terdiri dari dua buah webcamyangdiletakkan di dashboard mobil yang berada 1 meter dari wajah yang berada padakursi depan mobil yang terhubung dengan raspberry pi 2B. Pada raspberry pi 2Bterdapat sebuah USB modem yang berfungsi untuk menghubungkan sistemdengan jaringan internet. Sumber listrik untuk menghidupkan raspberry pi 2Badalah sebesar 5 volt, jadi dapat digunakan USBlighter yang terhubung ke accumobil sehingga bisa digunakan dalam waktu yang lama. Pada penelitian inimenggunakan twitter karena twitter minim ads (advertising) atau iklan yangterpasang pada twitter sehingga mudah untuk diakses.Gambar 4 Alur kerja sistemPada gambar 4 ditunjukan proses kerja sistem dimulai dari adanya wajahyang terdeteksi atau tidak. Jika ada wajah maka akan terdapat flag. Proses ini bisa4

dilihat ketika raspberry pi terhubung di layar monitor di halaman config. Flagakan terus bertambah nilainya dan upload wajah yang terdeteksi ke twitter setelahmenyesuaikan nilai flag wajah yang valid sesuai dengan konfigurasi yang telahdiatur sebelumnya.Gambar 5 Alur kerja metode haar cascade classifierPada gambar 5 ditunjukkan alur kerja metode haar cascades classfieruntuk deteksi wajah yang digunakan pada peneltian ini. Proses dimulai daripendeteksian citra yang ada dalam frame webcam kemudian discan untuk dicarifeature menggunakan integral image. Adaboost membuat klasifikasi kuat yangterdiri dari klasifikasi-klasifikasi lemah. Haar cascade classifier menyeleksiklasifikasi-klasifikasi kemudian menentukan apakah klasifikasi lolos atau tidak.Klasifikasi yang lolos dari cascade classifier apabila sesuai dengan thresholdmaka akan didekripsikan dan ditampilkan sebagai wajah dengan tanda segiempatpada area wajah yang terdeteksi.Pada tahap pengolahan awal gambar atau preprocessing image dilakukanproses scaling, grayscaling, dan thresholding. Proses thresholding dilakukan padatahapan metode haar cascade classifier.5

Gambar 6 Alur preprocessing imagePada gambar 6 ditunjukan alur pendeteksian yang bermula dari inputgambar yang melalui proses scaling yang berguna untuk mengubah semua inputgambar berukuran sama. Input gambar yang telah melewati proses scaling diubahke warnanya dari RGB menjadi grayscale.Gambar yang telah dikonversi menjadi grayscale kemudian diproses untukmenentukan adanya wajah atau tidak dengan metode haar cascade classifier.Apabila terdeteksi adanya wajah maka akan ditampilkan dengan segiempat yangmenandai adanya wajah.4.Hasil dan PembahasanSesuai dengan metode penelitian yang dilakukan, tahap keempat adalahimplement, tahap dimana sistem yang telah direncanakan dan didesain diterapkan.Hasil implementasi sistem yang telah dirancang dijelaskan sebagai berikut.6

Gambar 7 Consumer key, secret,access token dan access secret yang digunakanPada gambar 7 adalah akun sistem pada penelitian ini [email protected] yang bertugas untuk mention dan upload foto ke akun twitter tujuan.Setelah membuat aplikasi pada twitter API program akan memanggil fungsi yangtelah dibuat dengan menggunakan consumer key, consumer secret, access token,dan access secret yang didapat dari twitter API. Pada penelitian ini menggunakantwitter karena twitter minim ads (advertising) atau iklan yang terpasang padatwitter sehingga mudah untuk diakses.Gambar 8 Halaman konfigurasiGambar 8 adalah tampilan konfigurasi sistem yang dapat diakses melaluiLocalArea Network (LAN) melalui alamat IP 192.168.0.227. Pada halamankonfigurasi terdapat menu periode cuplik untuk menentukan jumlah capturewebcam, jumlah valid untuk sistem menentukan jumlah wajah terdeteksi yangvalid sebagai syarat untuk upload ke twitter, isi pesan, akun twitter untuk akuntwitter yang dituju, dan tombol save untuk menyimpan konfigurasi.7

Gambar 9 Tampilan segiempat bila mendeteksi wajahpada kamera 1 dan kamera 2Pada gambar 9 adalah tampilan dimana gambar yang ditampilkan diberitanda segiempat oleh sistem yang dideskripsikan sebagai wajah setelah melaluitahapan metode haarcascade classifier. Sistem mencari wajah diseluruh gambaryang ditampilkan didalam frame. Proses pertama pada gambar yang ditampilkandalam frame dilakukan scan per subwindow dimulai dari kiri atas sampai kananbawah gambar. Pada gambar yang bergerak atau video, proses ini dilakukansecara berulang-ulang.Setiap subwindow yang discan diterapkan haar feature.Pencarian nilai haarfeature yang diseleksi dihitung menggunakan integral image.Adaboost mengklasifikasikan feature berdasarkan nilai feature yang telah dihitungdengan integral image.Karena banyaknya jumlah subwindow yang ada pada suatugambar, klasifikasi subwindow dilakukan oleh cascades classifier yang mana ituhaarcascades frontalface alt.xmlakan menyeleksi dari klasifikasi-klasifikasisubwindow yang masukcascades classifier. Subwindow yang lolos dari tahapancascade classifier dideskripsikan sebagai wajah dan ditampilkan dengan tandasegiempat pada sekitar wajah yang terdeteksi oleh sistem.Webcam yang digunakan untuk pengujian mempunyai resolusi 5 MP.Webcam hanya mampu mendeteksi wajah dari jarak terdekat dari webcam yaitu 28 cm dan 158 cm jarak wajah dari webcam.8

Gambar 10 Pengujian menggunakan beberapa wajah yang berbedaGambar 10 menunjukan tampilan segiempat tanda mendeteksi wajah darihasil pengujian beberapa wajah yang berbeda karateristik. Salah satu dari wajahyang dideteksi menggunakan kacamata dan menggunakan topi masih bisadideteksi karena masih menampilkan wajah yang utuh. Untuk foto wajah dariponsel juga bisa dideteksi karena masih menampilkan wajah yang utuh.Gambar 11 Tampilan wajah yang tidak terdeteksiGambar 11 adalah tampilan wajah yang tidak terdeteksi karena wajahyang ditampilkan terhalang oleh benda dan tidak menampilkan wajah secarautuh.Pada gambar 11 tidak terdeteksi karena gambar yang ditampilkan tidakmenampilkan wajah secara utuh sehingga segiempat tanda mendeteksi wajahtidak muncul.9

Gambar 12 Screencapture notifikasi pada ponsel dari twitter dan hasil fotopada twitterPada gambar 12 adalah hasil dari screencapture dari ponsel berupanotifikasi dari twitter yang berisikan isi pesan dan hasil upload di twitter yangberasal dari dua kamera yang digabung menjadi satu foto dari akun @jscamera.Tabel 1 Hasil pengujian sistem dengan jumlah valid 5 dan periode cuplik 5Uji CobaWaktu menerima notifikasi114.02 detik213.39 detik314.63 detik415.24 detik513.78 detik613.90 detik714.89 detik815.78 detik914.16 detik1013.90 detikRata –rataUpload fotoYaYaYaYaYaYaYaYaYaYa14.37 detikBerdasarkan hasil pengujian, sistem berjalan sesuai rancangan yaitu dapatupload foto ke twitter. Penghitungan waktu didapat dari waktu webcam yangmendeteksi wajah sampai pengguna mendapatkan notifikasi dari twitter di ponselpengguna. Proses waktu tercepat yang didapat adalah 13.39 detik dan yangterlama adalah 15.78 detik. Rata-rata waktu untuk menerima notifikasi daripengujian tabel 1 adalah 14.37 detik. Lama waktu penerimaan notifikasi daridapat berubah-ubah karena faktor koneksi internet yang disediakan oleh provider.Berdasarkan hasil pengujian maka dapat disimpulkan bahwa sistem telahberjalan sesuai rancangan.5.Simpulan10

Berdasarkan perancangan, pembahasan, implementasi, dan pengujian yangtelah dilakukan, diperoleh suatu sistem deteksi wajah untuk keamanan mobilmenggunakan metode haar cascades classifier terintegrasi twitter yangmemberikan notifikasi bila ada pencuri mobil dengan mengunggah foto ke twitterberdasarkan wajah yang terdeteksi menggunakan metode haar cascades classifier.Sistem mampu mendeteksi wajah dari jarak 28 cm sampai 158 cm.Sistem mampu mendeteksi beberapa wajah yang berbeda secara karateristik.Sesuai dengan wajah yang dideteksi adalah wajah yang utuh dan tidak dapatmendeteksi tertutup benda.Pada pengujian sistem dilakukan sepuluh kali pengujian sistem yangmemberikan keluaran sistem yang dirancang dapat upload foto ke twitter denganrata-rata waktu untuk mengupload 14.37 detik.Penghitungan waktu dimulai dariwaktu webcam mendeteksi adanya wajah sampai pengguna mendapatkannotifikasi dari twitter di ponsel pengguna. Lama waktuupload masih tergantungdari kondisi sinyal internet.Saran untuk penelitian selanjutnya, sistem dikembangkan menjadipengenalan wajah yang merupakan pengembangan dari deteksi wajah,ditambahkan metode untuk mendeteksi wajah yang dihalangi benda, ditambahkanalat maupun metode pendukung yang berfungsi untuk mengoptimalkan koneksiinternet yang digunakan untuk upload foto ke twitter, dan juga ditambahkan aksesselain via LAN untuk konfigurasi ke ponsel.6.[1][2][3][4][5][6][7]Daftar PustakaMarhaenjati, Bayu. 2015. "Jelang Ramadhan Kasus Pencurian DominasiAngka Kriminalitas", ml)Diaksespada 11 November 2015.Putra, Ryan Syah, Agustus 2013, "Perancangan Aplikasi Absensi denganDeteksi Wajah Menggunakan Metode Eigenface", Pelita Informatika ka.com/berkas/jurnal/4223.pdf.Septian, M. Yogi, 2014. Deteksi Wajah Menggunakan Metode Viola JonesPada Graphics Processing Unit.Ilmu Komputasi Fakultas TekhnikInformatika Universitas Telkom.Emami, Sherliv, dkk. 2012. Mastering OpenCV with Pratical ComputerVision Projects. Birmingham: Packt Publishing Ltd.Paul, V., and Jones, M. J. [2004], “Robust Real-Time Face Detection”,International Of Computer Vision 57 (2), Netherlands. 137-154.Developer, Twitter, 2012. Twitter API. https://dev.twitter.com/docs/api,diakses pada tanggal 10 Februari 2016Raspberry Pi Foundation, 2014. Raspberry PI tion, diakses pada tanggal 11Februari 2016.11

lifecycle/, diakses pada11Februari global/EMEA/IPNGN. diakses pada tanggal 12Februari 2016.12

memiliki ukuran sebesar kartu kredit yang menggunakan daya listrik sebesar 5 volt. Raspberry Pi 2B merupakan generasi kedua dari Raspberry Pi.Raspberry Pi memiliki sistem Broadcom BCM2836 chip (SoC), yang mencakup ARM1176JZF-S 700 MHz processor,VideoCore IV GPU, dan awalnya dibuat dengan 512 MB RAM, kemudian ditingkatkan