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)[email protected],
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.