Perancangan Sistem Deteksi Wajah Untuk Keamanan

Mobil Menggunakan Metode Haar Cascades Classifier

Terintegrasi Twitter

Artikel Ilmiah

Diajukan kepada

Fakultas Teknologi Informasi

untuk memperoleh gelar Sarjana Komputer

Peneliti:

Aditya Septa Mahendra (672009054)

Radius Tanone, S.Kom., M.Cs.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

April 2016

Perancangan Sistem Deteksi Wajah Untuk Keamanan Mobil

Menggunakan Metode Haar Cascades Classifier Terintegrasi Twitter 1)Aditya Septa Mahendra,

2)Radius Tanone, S.Kom., M.Cs

Fakultas Teknologi Informasi

Universitas Kristen SatyaWacana

Jl. Diponegoro 52-60, Salatiga 50711, Indonesia

Email: 1)672009054@student.uksw.edu,

2)radiustanone@staff.uksw.edu

Abstract

Technology growing rapidly so that can help in human life.Needs for

keeping human goods for example using Closed Circuit Television (CCTV) for

example. Lack of car’s security system that provide a direct notification to four-

wheels car’s owner when the owner far from the car. The regulatory process need

a system that give an automatic output. Adapted from CCTV system, the system

that will build detect face and upload detected face by webcam to specify twitter

account automaticly. Utilize webcam, raspberry pi 2 B, haar cascades classfier

method, and twitter can achieve that goal. In this study developed a face detector

system 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, twitter

Abstrak

Teknologi berkembang pesat sehingga bisa membantu dalam kehidupan

manusia. Teknologi untuk menjaga keamanan barang penggunanya sebagai

contoh penggunaan Closed Circuit Television (CCTV) misalnya. Minimnya sistem

keamanan mobil yang menyediakan fitur yang memberikan notifikasi langsung

kepemilik mobil saat berada jauh dari mobil. Proses pengawasan memerlukan

keluaran secara otomatis. Mengadaptasi dari sistem CCTV, sistem yang dibangun

mendeteksi wajah dan akan upload wajah yang terdeteksi oleh webcam keakun

twitter yang telah ditentukan secara otomatis. Memanfaatkan webcam, raspberry

pi 2B, metode deteksi wajah haar cascades classifier, dan twitter dapat mencapai

tujuan tersebut. Pada penelitian ini dirancang sebuah sistem deteksi wajah untuk

keamanan mobil menggunakan metode haar cascades classifier terintegrasi

twitter. Sistem da[at mendeteksi dan upload wajah ke twitter secara otomatis.

Kata Kunci :haar cascades classifier, raspberry pi 2 B, face detection, twitter 1)Mahasiswa Program Studi Teknik Informatika, FakultasTeknologi Informasi, Universitas Kristen

SatyaWacana 2)Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen SatyaWacana

1

1. Pendahuluan

Perkembangan teknologi sekarang ini sangat pesat sehingga bisa

membantu dalam kehidupan manusia.Teknologi untuk menjaga keamanan barang

penggunanya sebagai contoh penggunaan Closed Circuit Television (CCTV) untuk

memonitoring keadaan di perkantoran, mall, maupun di sekolah.

Kasus pencurian kendaraan yang marak terjadi, tidak hanya roda dua tetapi

juga roda empat.Waktu – waktu tertentu seperti menyambut hari raya menjadi

waktu yang rawan pencurian kendaraan. Menurut data yang dihimpun dari Bidang

Hubungan Masyarakat Polda Metro Jaya Kamis, 11 Mei 2015, menyebutkan

pencurian kendaraan bermotor mendominasi angka kriminalitas sebulan

menjelang 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. Alarm

mempunyai kelemahan yaitu terbatasnya suara alarm yang terkendala oleh jarak,

sedangkan sistem GPS hanya memberikan koordinat letak mobil berada tanpa

mengetahui pelaku pencurian. Fitur yang ditawarkan sistem keamanan yang ada

dipasar tidak menyediakan pemberitahuan dan gambaran siapa yang

mencurisecara langsung kepada pemilik kendaraan.

Berdasarkan latar belakang tersebut, maka dirancang sebuah perancangan

sistem yang diadaptasi dari sistem CCTV yaitu perancangan sistem deteksi wajah

untuk keamanan mobil menggunakan metode haar cascades classifier terintegrasi

twitteryang diharapkan dapat berguna untuk memberikan hasil monitoringmobil

secara langsung dengan memanfaatkan notifikasi dari twitter ke ponsel. Pada

penelitian terbatas hanya bagaimana cara perancangan sistem, sistem yang

dirancang hanya menampilkan wajah yang terdeteksi, tidak menampilkan lokasi

mobil berada, dan tidak membahas bahas cara menangani sinyal internet yang

lemah karena kondisi geografis, cuaca, maupun kesalahan teknis dari provider.

2. Tinjauan Pustaka

Perkembangan teknologi sekarang ini sangat pesat sehingga bisa

membantu dalam kehidupan manusia.Teknologi untuk menjaga keamanan barang

penggunanya sebagai contoh penggunaan Closed Circuit Television (CCTV) untuk

memonitoring keadaan di perkantoran, mall, maupun di sekolah.

Kasus pencurian kendaraan yang marak terjadi, tidak hanya roda dua tetapi

juga roda empat.Waktu – waktu tertentu seperti menyambut hari raya menjadi

waktu yang rawan pencurian kendaraan. Menurut data yang dihimpun dari Bidang

Hubungan Masyarakat Polda Metro Jaya Kamis, 11 Mei 2015, menyebutkan

pencurian kendaraan bermotor mendominasi angka kriminalitas sebulan

menjelang 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. Alarm

mempunyai kelemahan yaitu terbatasnya suara alarm yang terkendala oleh jarak,

sedangkan sistem GPS hanya memberikan koordinat letak mobil berada tanpa

mengetahui pelaku pencurian. Fitur yang ditawarkan sistem keamanan yang ada

2

dipasar tidak menyediakan pemberitahuan dan gambaran siapa yang

mencurisecara langsung kepada pemilik kendaraan.

Berdasarkan latar belakang tersebut, maka dirancang sebuah perancangan

sistem yang diadaptasi dari sistem CCTV yaitu perancangan sistem deteksi wajah

untuk keamanan mobil menggunakan metode haar cascades classifier terintegrasi

twitteryang diharapkan dapat berguna untuk memberikan hasil monitoringmobil

secara langsung dengan memanfaatkan notifikasi dari twitter ke ponsel. Pada

penelitian terbatas hanya bagaimana cara perancangan sistem, sistem yang

dirancang hanya menampilkan wajah yang terdeteksi, tidak menampilkan lokasi

mobil berada, dan tidak membahas bahas cara menangani sinyal internet yang

lemah karena kondisi geografis, cuaca, maupun kesalahan teknis dari provider.

Gambar 1 Board raspberry pi 2B

Raspberry pi 2B pada gambar 1 adalah Single Board Circuit (SBC) yang

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 menjadi 1024 MB.[7].

3. Metode dan Perancangan Sistem

3

Gambar 2 Tahapan Penelitian[8]

Tahapan penelitian menggunakan metode ”The PPDIOO network

lifecycle” yang telah diterapkan oleh cisco. Tahapan peneltian pada gambar 2

dijelaskan metode penelitian sebagai berikut. Tahap Prepare dilakukan proses

persiapan untuk memahami kebutuhan penelitian, anggaran untuk peneltian, dan

pemanfaatan teknologi yang mendukung sampai implementasi. Tahap kedua :Plan

mengidentifikasi kebutuhan awal penelitian berdasarkan tujuan penelitian. Pada

tahap ini dilakukan studi pustaka untuk menunjang perancangan sistem yang akan

dibangun. Tahap ketiga :Design membahas tentang perancangan arsitektur sistem

yang akan dirancang pada penelitian. Tahap keempat:Implement, tahap dimana

sistem yang telah direncanakan dan didesain diterapkan. Tahap kelima:Operate,

pada tahap ini dilakukan pengujian sistem untuk mengetahui apakah sistem yang

dirancang apakah sudah sesuai dengan desain yang direncanakan. Tahap keenam

:Optimize, pada tahap ini sistem telah selesai dirancang masih tetap diidentifikasi

agar sistem berjalan dengan maksimal[9].

Sistem yang dirancang menggunakan dua webcam yang sudah terhubung

dengan aplikasi face detection yang berada di dalam raspberry pi. Aplikasi face

detection dapat dikonfigurasi dari raspberry pi yang dapat disambungkan ke PC

maupun laptop sebagai monitor. Menyesuaikan konfigurasi yang meliputi periode

cuplik, periode valid, upload twitter, isi pesan, dan akun twitter tujuan, wajah

yang telah dicapture akan di upload ke akun twitter tujuan. Twitter kemudian

memberikan notifikasi di akun twitter berupa mention (@) beserta foto hasil

capture.

4

Gambar 3 Arsitektur sistem

Arsitektur sistem pada gambar 3 terdiri dari dua buah webcamyang

diletakkan di dashboard mobil yang berada 1 meter dari wajah yang berada pada

kursi depan mobil yang terhubung dengan raspberry pi 2B. Pada raspberry pi 2B

terdapat sebuah USB modem yang berfungsi untuk menghubungkan sistem

dengan jaringan internet. Sumber listrik untuk menghidupkan raspberry pi 2B

adalah sebesar 5 volt, jadi dapat digunakan USBlighter yang terhubung ke accu

mobil sehingga bisa digunakan dalam waktu yang lama. Pada penelitian ini

menggunakan twitter karena twitter minim ads (advertising) atau iklan yang

terpasang pada twitter sehingga mudah untuk diakses.

Gambar 4 Alur kerja sistem

Pada gambar 4 ditunjukan proses kerja sistem dimulai dari adanya wajah

yang terdeteksi atau tidak. Jika ada wajah maka akan terdapat flag. Proses ini bisa

5

dilihat ketika raspberry pi terhubung di layar monitor di halaman config. Flag

akan terus bertambah nilainya dan upload wajah yang terdeteksi ke twitter setelah

menyesuaikan nilai flag wajah yang valid sesuai dengan konfigurasi yang telah

diatur sebelumnya.

Gambar 5 Alur kerja metode haar cascade classifier

Pada gambar 5 ditunjukkan alur kerja metode haar cascades classfier

untuk deteksi wajah yang digunakan pada peneltian ini. Proses dimulai dari

pendeteksian citra yang ada dalam frame webcam kemudian discan untuk dicari

feature menggunakan integral image. Adaboost membuat klasifikasi kuat yang

terdiri dari klasifikasi-klasifikasi lemah. Haar cascade classifier menyeleksi

klasifikasi-klasifikasi kemudian menentukan apakah klasifikasi lolos atau tidak.

Klasifikasi yang lolos dari cascade classifier apabila sesuai dengan threshold

maka akan didekripsikan dan ditampilkan sebagai wajah dengan tanda segiempat

pada area wajah yang terdeteksi.

Pada tahap pengolahan awal gambar atau preprocessing image dilakukan

proses scaling, grayscaling, dan thresholding. Proses thresholding dilakukan pada

tahapan metode haar cascade classifier.

6

Gambar 6 Alur preprocessing image

Pada gambar 6 ditunjukan alur pendeteksian yang bermula dari input

gambar yang melalui proses scaling yang berguna untuk mengubah semua input

gambar berukuran sama. Input gambar yang telah melewati proses scaling diubah

ke warnanya dari RGB menjadi grayscale.

Gambar yang telah dikonversi menjadi grayscale kemudian diproses untuk

menentukan adanya wajah atau tidak dengan metode haar cascade classifier.

Apabila terdeteksi adanya wajah maka akan ditampilkan dengan segiempat yang

menandai adanya wajah.

4. Hasil dan Pembahasan

Sesuai dengan metode penelitian yang dilakukan, tahap keempat adalah

implement, tahap dimana sistem yang telah direncanakan dan didesain diterapkan.

Hasil implementasi sistem yang telah dirancang dijelaskan sebagai berikut.

7

Gambar 7 Consumer key, secret,access token dan access secret yang digunakan

Pada gambar 7 adalah akun sistem pada penelitian ini digunakan

@jscamera yang bertugas untuk mention dan upload foto ke akun twitter tujuan.

Setelah membuat aplikasi pada twitter API program akan memanggil fungsi yang

telah dibuat dengan menggunakan consumer key, consumer secret, access token,

dan access secret yang didapat dari twitter API. Pada penelitian ini menggunakan

twitter karena twitter minim ads (advertising) atau iklan yang terpasang pada

twitter sehingga mudah untuk diakses.

Gambar 8 Halaman konfigurasi

Gambar 8 adalah tampilan konfigurasi sistem yang dapat diakses melalui

LocalArea Network (LAN) melalui alamat IP 192.168.0.227. Pada halaman

konfigurasi terdapat menu periode cuplik untuk menentukan jumlah capture

webcam, jumlah valid untuk sistem menentukan jumlah wajah terdeteksi yang

valid sebagai syarat untuk upload ke twitter, isi pesan, akun twitter untuk akun

twitter yang dituju, dan tombol save untuk menyimpan konfigurasi.

8

Gambar 9 Tampilan segiempat bila mendeteksi wajahpada kamera 1 dan kamera 2

Pada gambar 9 adalah tampilan dimana gambar yang ditampilkan diberi

tanda segiempat oleh sistem yang dideskripsikan sebagai wajah setelah melalui

tahapan metode haarcascade classifier. Sistem mencari wajah diseluruh gambar

yang ditampilkan didalam frame. Proses pertama pada gambar yang ditampilkan

dalam frame dilakukan scan per subwindow dimulai dari kiri atas sampai kanan

bawah gambar. Pada gambar yang bergerak atau video, proses ini dilakukan

secara 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 dihitung

dengan integral image.Karena banyaknya jumlah subwindow yang ada pada suatu

gambar, klasifikasi subwindow dilakukan oleh cascades classifier yang mana pada

penelitian ini menggunakan file *.xml yang diload, yaitu

haarcascades_frontalface_alt.xmlakan menyeleksi dari klasifikasi-klasifikasi

subwindow yang masukcascades classifier. Subwindow yang lolos dari tahapan

cascade classifier dideskripsikan sebagai wajah dan ditampilkan dengan tanda

segiempat 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.

9

Gambar 10 Pengujian menggunakan beberapa wajah yang berbeda

Gambar 10 menunjukan tampilan segiempat tanda mendeteksi wajah dari

hasil pengujian beberapa wajah yang berbeda karateristik. Salah satu dari wajah

yang dideteksi menggunakan kacamata dan menggunakan topi masih bisa

dideteksi karena masih menampilkan wajah yang utuh. Untuk foto wajah dari

ponsel juga bisa dideteksi karena masih menampilkan wajah yang utuh.

Gambar 11 Tampilan wajah yang tidak terdeteksi

Gambar 11 adalah tampilan wajah yang tidak terdeteksi karena wajah

yang ditampilkan terhalang oleh benda dan tidak menampilkan wajah secara

utuh.Pada gambar 11 tidak terdeteksi karena gambar yang ditampilkan tidak

menampilkan wajah secara utuh sehingga segiempat tanda mendeteksi wajah

tidak muncul.

10

Gambar 12 Screencapture notifikasi pada ponsel dari twitter dan hasil foto

pada twitter

Pada gambar 12 adalah hasil dari screencapture dari ponsel berupa

notifikasi dari twitter yang berisikan isi pesan dan hasil upload di twitter yang

berasal dari dua kamera yang digabung menjadi satu foto dari akun @jscamera.

. Tabel 1 Hasil pengujian sistem dengan jumlah valid 5 dan periode cuplik 5

Uji Coba Waktu menerima notifikasi Upload foto

1 14.02 detik Ya

2 13.39 detik Ya

3 14.63 detik Ya

4 15.24 detik Ya

5 13.78 detik Ya

6 13.90 detik Ya

7 14.89 detik Ya

8 15.78 detik Ya

9 14.16 detik Ya

10

Rata –rata

13.90 detik

14.37 detik

Ya

Berdasarkan hasil pengujian, sistem berjalan sesuai rancangan yaitu dapat

upload foto ke twitter. Penghitungan waktu didapat dari waktu webcam yang

mendeteksi wajah sampai pengguna mendapatkan notifikasi dari twitter di ponsel

pengguna. Proses waktu tercepat yang didapat adalah 13.39 detik dan yang

terlama adalah 15.78 detik. Rata-rata waktu untuk menerima notifikasi dari

pengujian tabel 1 adalah 14.37 detik. Lama waktu penerimaan notifikasi dari

dapat berubah-ubah karena faktor koneksi internet yang disediakan oleh provider.

Berdasarkan hasil pengujian maka dapat disimpulkan bahwa sistem telah

berjalan sesuai rancangan.

5. Simpulan

11

Berdasarkan perancangan, pembahasan, implementasi, dan pengujian yang

telah dilakukan, diperoleh suatu sistem deteksi wajah untuk keamanan mobil

menggunakan metode haar cascades classifier terintegrasi twitter yang

memberikan notifikasi bila ada pencuri mobil dengan mengunggah foto ke twitter

berdasarkan 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 dapat

mendeteksi tertutup benda.

Pada pengujian sistem dilakukan sepuluh kali pengujian sistem yang

memberikan keluaran sistem yang dirancang dapat upload foto ke twitter dengan

rata-rata waktu untuk mengupload 14.37 detik.Penghitungan waktu dimulai dari

waktu webcam mendeteksi adanya wajah sampai pengguna mendapatkan

notifikasi dari twitter di ponsel pengguna. Lama waktuupload masih tergantung

dari kondisi sinyal internet.

Saran untuk penelitian selanjutnya, sistem dikembangkan menjadi

pengenalan wajah yang merupakan pengembangan dari deteksi wajah,

ditambahkan metode untuk mendeteksi wajah yang dihalangi benda, ditambahkan

alat maupun metode pendukung yang berfungsi untuk mengoptimalkan koneksi

internet yang digunakan untuk upload foto ke twitter, dan juga ditambahkan akses

selain via LAN untuk konfigurasi ke ponsel.

6. Daftar Pustaka

[1] Marhaenjati, Bayu. 2015. "Jelang Ramadhan Kasus Pencurian Dominasi

Angka Kriminalitas", (www.satuberita.com/megapolitan/281617-jelang-

ramadhan-kasus-pencurian-dominasi-angka-kriminalitas.html) Diakses

pada 11 November 2015.

[2] Putra, Ryan Syah, Agustus 2013, "Perancangan Aplikasi Absensi dengan

Deteksi Wajah Menggunakan Metode Eigenface", Pelita Informatika Budi

Darma, Volume : IV, Nomor: 2, http://pelita-

informatika.com/berkas/jurnal/4223.pdf.

[3] Septian, M. Yogi, 2014. Deteksi Wajah Menggunakan Metode Viola Jones

Pada Graphics Processing Unit.Ilmu Komputasi Fakultas Tekhnik

Informatika Universitas Telkom.

[4] Emami, Sherliv, dkk. 2012. Mastering OpenCV with Pratical Computer

Vision Projects. Birmingham: Packt Publishing Ltd.

[5] Paul, V., and Jones, M. J. [2004], “Robust Real-Time Face Detection”,

International Of Computer Vision 57 (2), Netherlands. 137-154.

[6] Developer, Twitter, 2012. Twitter API. https://dev.twitter.com/docs/api,

diakses pada tanggal 10 Februari 2016

[7] Raspberry Pi Foundation, 2014. Raspberry PI Documentation.

http://www.raspberrypi.org/documentation, diakses pada tanggal 11

Februari 2016.

12

[8] http://www.ciscozine.com/the-ppdioo-network-lifecycle/, diakses pada

11Februari 2016

[9] Anonim. 2006. Konsep PPDIOO.

http://www.cisco.com/global/EMEA/IPNGN. diakses pada tanggal 12

Februari 2016.