KESIMPULAN DAN SARAN - IMPLEMENTASI ALGORITMA HAAR CASCADE CLASSIFIER UNTUK MENDETEKSI DAN MENG

Bab ini memuat kesimpulan dari keseluruhan uraian bab-bab sebelumnya dan saran-saran yang diajukan untuk pengembangan program selanjutnya.

BAB 2

LANDASAN TEORI

2.1. Konsep Pendeteksian Wajah

Perhitungan dilakukan berdasarkan konsep pendeteksian wajah dengan menggunakan metode adaboost yang sekarang lebih dikenal dengan Al goritm a Haar Cascade Classifi er. Wajah yang dilakukan untuk perhitungan ini adalah wajah manusia.

Ketika wajah berhasil dideteksi maka dilakukan penandaan pada wajah.

Konsep pendeteksian wajah ini sebenarnya berdasarkan kepada penggabungan 4 konsep yang menjadi Algoritma Haar Cascade Classifier, yakni :

1. Fitur rectangular sederhana yang disebut fitur Haar 2. Integral image untuk deteksi fitur yang cepat 3. Metode machine learning AdaBoost.

4. Cascade classifier itu sendiri yang merupakan rantai proses dalam penentuan objek yang akan dicari.

2.1.1 Fitur Haar-Like (Haar-Like Feature)

Algoritma ini diawali dari hasil pengelompokan (training) banyak wajah dengan menggunakan metode Haar-Like Feature, wajah yang telah dikelompokkan diklasifikasikan dengan memakai suatu pemisalan skala yang tetap, misalnya 25×25 pixel. Jika wajah pada image lebih besar atau lebih kecil dari pixel tersebut, classifier akan terus menerus berjalan beberapa kali, untuk mencari wajah pada gambar tersebut.

Hasil deteksi Haar-Like Feature kurang akurat jika hanya memakai satu fungsi saja.

makin tinggi tingkatan filter pendeteksian maka makin tepat pula suatu obyek

dideteksi akan tetapi akan makin lama proses pendeteksiannya. Pemrosesan Haar-Like Feature yang banyak tersebut diatur dalam classifier cascade.

Classifier memakai data yang disimpan pada file XML untuk memutuskan bagaimana mengklasifikasi tiap lokasi gambar, salah satunya bernama haarcascade_frontalface_default.xml. Secara umum, Haar-Like Feature dipakai dalam mendeteksi objek pada gambar digital. Nama Haar merujuk pada suatu fungsi matematika (Haar Wavelet) yang berbentuk kotak, prinsipnya sama seperti pada fungsi Fourier. Awalnya pengolahan gambar hanya dengan melihat dari nilai RGB setiap pixel, namun metoda ini ternyata tidaklah efektif. Viola dan Jones lalu mengembangkannya sehingga terbentuk Haar-Like feature.

Haar-like feature memproses gambar dalam kotak-kotak, di mana dalam satu kotak bisa terdiri dari beberapa pixel. Per kotak itu pun lalu diproses dan di cari perbedaan nilai (threshold) yang menandakan daerah gelap dan terang. Nilai-nilai inilah yang nantinya dijadikan dasar dalam pemrosesan gambar.

Untuk gambar bergerak (video), perhitungan dan penjumlahan pixel terjadi secara terus menerus dan membutuhkan waktu yang lama. Oleh sebab itu, penjumlahan diganti dengan integral sehingga didapatkan perhitungan hasil yang lebih cepat. Makin banyak fungsi yang dipakai maka hasilnya akan makin akurat.

2.1.2 Integral Image

Fitur yang dipakai Viola dan Jones memakai bentuk gelombang Haar. Bentuk gelombang Haar ialah suatu gelombang kotak pada 2 dimensi, gelombang kotak ialah pasangan persegi yang bersebelahan, 1 terang dan 1 gelap. Haar ditentukan oleh pengurangan pixel rata-rata daerah gelap dari pixel rata-rata daerah terang. Jika perbedaan di atas threshold (yang diset selama learning), fitur tersebut disebut ada.

Gambar 2.1 Fitur Viola dan Jones

Untuk menentukan ada tidaknya Haar feature di setiap lokasi gambar, Viola dan Jones memakai teknik yang disebut Integral Image. Umumnya integral menambahkan unit kecil secara bersamaan, dalam hal ini unit kecil ini disebut dengan nilai dari pixel.

Nilai dari integral pada masing-masing pixel adalah penjumlahan dari semua pixel di atasnya dan di sebelah kirinya. Dimulai dari kiri atas sampai kanan bawah, gambar bisa diintegrasikan sebagai operasi matematika per pixel.

Gambar 2.2 Merupakan Teknik Integral Image

a. Sesudah diintegrasikan pixel pada (x,y) berisi jumlah nilai semua pixel dalam kotak hitam.

b. Nilai jumlah pada kotak D adalah (x4,y4)-(x2,y2)-(x3,y3) + (x1,y1).

2.1.3 Metode AdaBoost

Untuk memilih fitur Haar yang dipakai dan untuk mengubah nilai threshold, Viola dan Jones memakai metode machine-learning yang disebut AdaBoost. AdaBoost menggabungkan banyak classifier untuk membuat satu classifier. Masing-masing

classifier menetapkan suatu bobot dan gabungan dari bobot inilah yang akan membentuk satu classifier yang kuat.

Viola dan Jones menggabungkan serangkaian AdaBoost classifier sebagai rantai filter. Masing-masing filter adalah AdaBoost classifier yang terpisah dengan jumlah weak classifier yang sedikit & sama.

2.1.4 Cascade classifier

Gambar 2.3. Rangkaian Cascade classifier

Semua gambar yang melewati pendeteksian yang telah difilter adalah "wajah", sedangkan yang tidak memenuhi disebut "bukan wajah".

Filter pada masing-masing level dilatih untuk mengklasifikasikan gambar yang sebelumnya telah difilter (ditraining set yakni database dari wajah). Selama penggunaannya, jika satu dari filter-filter tersebut gagal, daerah pada gambar diklasifikasikan sebagai “Bukan Wajah”. Saat filter gagal, maka daerah pada gambar

(image region) lalu masuk pada filter yang selanjutnya. Daerah pada gambar yang telah melalui semua filter akan dianggap sebagai “Wajah”.

2.2. OpenCV dan EmguCV 2.2.1 OpenCV

(Open Computer Vision) adalah sebuah API (Application Programming Interface) Library yang sudah sangat familiar pada Pengolahan Citra Computer Vision.

Computer Vision itu sendiri adalah salah satu cabang dari Bidang Ilmu Pengolahan Citra (Image Processing) yang memungkinkan komputer dapat melihat seperti manusia. Dengan vision tersebut komputer dapat mengambil keputusan, melakukan aksi, dan mengenali terhadap suatu objek. Beberapa pengimplementasian dari Computer Vision adalah Face Detection, Face Recognition, Face/Object Tracking, Road Tracking, dll. OpenCV adalah library Open Source untuk Computer Vision untuk C/C++, OpenCV didesain untuk aplikasi real-time, memiliki fungsi-fungsi akuisisi yang baik untuk gambar atau video.

OpenCV sendiri terdiri dari beberapa bagian, yaitu :

1. CV : untuk algoritma Image processing dan Vision.

2. ML : untuk machine learning library 3. Highgui : untuk GUI, Image dan Video I/O.

4. CXCORE : untuk struktur data, support XML dan fungsi-fungsi grafis.

CV MLL HighGUI

CXCORE

Gambar 2.4. Bagian-Bagian Pada OpenCV

2.2.2 EmguCV

OpenCV sendiri adalah library yang berisi berbagai metode untuk membantu pengembang mengolah citra dan computer vision. OpenCV ditujukan bagi bahasa C++, maka beberapa pengembang, mengembangkan EmguCV sebagai `penerjemah`, sehingga para pengembang VBNET atau C# pun dapat mempergunakan OpenCV.

2.3 Webcam

Webcam singkatan dari web dan camera adalah sebutan kamera real-time (bermakna keadaan pada saat ini juga) yang gambarnya dapat dilihat secara langsung. Webcam dihubungkan ke komputer biasanya melalui colokan USB atau pun colokan PORTCOM. Pada umumnya Webcam tidak membutuhkan kaset atau tempat penyimpanan data, data hasil perekaman yang didapat langsung ditransfer ke komputer. Webcam dapat juga didefenisikan sebagai periferal berupa kamera sebagai pengambil citra/gambar dan mikropon (optional) sebagai pengambil suara (audio) yang dikendalikan oleh sebuah komputer atau oleh jaringan komputer.

Webcam bekerja seperti halnya sebuah kamera digital hanya saja di desain untuk komputer jadi tidak bisa di bawa ke mana-mana namun jauh lebih sederhana dibanding kamera-kamera pada umumnya.

Sebuah web camera yang sederhana terdiri dari :

1. Sebuah lensa standar, dipasang di sebuah papan sirkuit untuk menangkap sinyal gambar.

2. Casing, untuk menutupi lensa standar dan memiliki sebuah lubang lensa di casing depan yang berguna untuk memasukkan gambar.

3. Kabel Support, yang dibuat dari bahan yang fleksibel, salah satu ujungnya dihubungkan dengan papan sirkuit dan ujung satu lagi memiliki konektor, kabel ini dikontrol untuk menyesuaikan ketinggian, arah dan sudut pandang web camera.

4. Sebuah web camera biasanya dilengkapi dengan aplikasi, aplikasi ini berguna untuk mengambil gambar-gambar dari kamera secara digital terus menerus ataupun dalam interval waktu tertentu.

Frame rate mengindikasikan jumlah gambar sebuah aplikasi dapat mengambil dan transfer dalam satu detik. Untuk streaming video, dibutuhkan minimal 15 frame per second (fps) atau idealnya 30 fps.

Gambar 2.5. Salah Satu Model Webcam dengan Spesifikasinya.

2.4. Penyimpanan CSV

Format CSV merupakan salah satu format yang digunakan dalam standar file ASCII.

Format ini menggunakan tanda koma (,) sebagai pemisah antara satu elemen dengan yang lainnya.

CSV bisa dipisahkan dengan menggunakan koma (,) atau titik koma (;). Untuk Format CSV yang perlu dilakukan hanyalah menyisipkan tanda titik koma di antara data-data yang ada.

Contoh format penulisan pada penyimpanan CSV :

“Tanggal”,”Jam”,”Jumlah Masuk”,”Jumlah Keluar”,”Total Orang”,”FileFoto”

“01/01/2016”,”10:10:50”,”10”,”5”,”5”,”/jpg/pic.jpg”.

Keuntungan menyimpan data dalam bentuk CSV adalah Format file CSV memiliki tingkat kompabilitas yang cukup tinggi, karena hampir semua program pengolahan data sudah mendukung format CSV, seperti Microsoft Office, Notepad, UltraEdit, MySql, Oracle, OpenOffice, dan sebagainya. Karena kompabillitas yang tinggi ini, seringkali format CSV dijadikan standar penyimpanan dalam pengolahan data.

2.5. Visual Basic. NET

Visual Basic.NET adalah sebuah bahasa pemograman dan sebagai sarana (tool) untuk menghasilkan program-program aplikasi berbasiskan sistem operasi Windows yang bergerak di atas sistem .NET Framework. Beberapa kemampuan atau manfaat dari Visual Basic diantaranya:

1. Untuk membuat program aplikasi berbasiskan windows.

2. Untuk membuat obyek-obyek pembantu program, seperti Control ActiveX, File Help, Aplikasi Internet dan sebagainya.

3. Menguji program (debugging) dan menghasilkan program akhir berakhiran

”EXE” yang bersifat executable atau dapat langsung dijalankan.

2.6. Penelitian Terdahulu

Beberapa penelitian dari peneliti sebelumnya yang menjadi bahan pembelajaran penulis tentang pengenalan wajah seperti pada tabel 2.1

Tabel 2.1 Penelitian Terdahulu.

No Judul Penelitian Pengarang Tahun Keterangan

1 Haar cascade classifier dan algoritma adaboost untuk deteksi banyak wajah dalam ruang kelas

Santoso 2013 Mendeteksi

banyak wajah di dalam ruangan kelas 2 Haar Cascade Classifier

untuk deteksi multiface dan menghitung jumlah orang yang dilakukan oleh

Usmanto,RD 2012 Mendteksi

multiface dan

Ramadijanti 2013 Tracking jari pada virtual

keyboard

BAB 3

ANALISIS DAN PERANCANGAN

3.1. Analisis Masalah

3.1.1. Analisis Pengguna dan Pengaturan

Pengguna yang akan menggunakan sistem perhitungan jumlah berdasarkan pendeteksian wajah adalah admin. Ketika pertama kali admin akan menggunakan aplikasi sistem perhitungan jumlah maka harus melakukan setingan pengguna pada menu setingan. Pengguna dibatasi dengan setingan dikarenakan pengaturan sistem dan penjadwalan sistem tidak boleh asal dirubah melainkan dengan aturan yang ditetapkan.

Pengaturan pada sistem diberlakukan untuk mendefenisikan nama tempat dan alamat tempat aplikasi ini dipakai. Begitu juga dengan pengaturan untuk penjadwalan pengaktifan kamera dan mematikan kamera serta mendefenisikan jenis kamera yang digunakan untuk kamera perhitungan masuk dan kamera perhitungan keluar.

3.1.2. Analisis Sistem Perhitungan Jumlah dengan Pendeteksian Wajah

Perhitungan dilakukan berdasarkan konsep pendeteksian wajah dengan menggunakan Al goritm a Haar Cascade C lassi fier ya ng didal amn ya terdapat metode adaboost untuk pengambil keputusan. Wajah yang dilakukan untuk perhitungan ini adalah wajah manusia. Ketika wajah berhasil dideteksi maka dilakukan penandaan pada wajah. Dikarenakan kamera merupakan keluaran yang berupa video yang terdiri dari gabungan sekumpulan frame gambar persekian detik maka perhitungan tidak bisa dilakukan begitu saja dan harus ada beberapa metode bantu agar didapat perhitungan yang lebih akurat dan lebih tepat.

3.1.2.1. Metode Keakuratan Pendeteksian Wajah Terhadap Frame Video Kamera Secara Langsung (Realtime)

Untuk menghadapi proses perhitungan yang rumit dan menghadapi kendala terhadap kamera yang berupa tangkapan video dan terdiri dari frame-frame gambar yang ditangkap sebanyak 20-30 fps secara realtime, maka agar hasil tangkapan tidak berulang pada setiap detiknya dilakukan beberapa metode khusus yakni sebagai berikut :

1. Penundaan Penangkapan

Wajah yang dideteksi harus dilakukan penundaan penangkapan atau dilakukan penjadwalan setidaknya per 1 detik untuk memanipulasi penangkapan video kamera yang memiliki sekian frame perdetik. Manipulasi ini diperlukan karena rata-rata kamera bila melakukan penangkapan gambar sebanyak 30 frame perdetik maka setiap 1 detik orang yang sama bisa dihitung 30 kali dan akan terjadi salah perhitungan. Penjadwalan merupakan salah satu metode untuk memanipulasi penundaan penangkapan gambar dengan memberikan fasilitas waitkey pada Algoritma Haar Cascade Classfier.

2. Garis Bantu Koordinat Y

Wajah-wajah yang dideteksi akan ditandai dengan garis empat persegi. Karena sewaktu-waktu bisa terjadi penangkapan wajah yang banyak maka wajah yang akan dilakukan perhitungan adalah wajah yang harus melewati garis bantu koordinat Y yang tersembunyi. Untuk ini maka diperlukan cropping wajah terlebih dahulu. Cropping pada wajah ini dilakukan agar dapat dikurangi beban pada komputer dalam melakukan perhitungan terhadap objek gambar yang begitu luas. Jadi lebih difokuskan pada pixel gambar yang telah ditentukan saja sehingga pemrosesan perhitungan akan lebih cepat.

Gambar 3.1 Proses Lulus Koordinat Y dan Cropping Wajah

Metode garis bantu koordinat Y ini sangat diperlukan buat memanipulasi perhitungan agar perhitungan tidak terus menerus bertambah meski wajah yang dideteksi adalah atau masih wajah yang sama. Jadi cropping wajah yang benar-benar melewati koordinat Y lah yang akan diperhitungan untuk diteruskan ke metode berikutnya.

Semakin banyak dan rapat garis bantu koordinat Y maka semakin baik proses deteksi orang yang akan dihitung. Untuk menghidari perulangan dari perhitungan garis koordinat Y yang banyak maka dilakukan logika fungsi bilamana wajah telah melewati salah satu garis bantu koordinat Y maka perhitungan kooridnat Y berikutnya dihentikan dan wajah telah didapatkan.

3. Pengenalan Wajah yang Sama dengan Metode Model Warna HSB

Wajah yang telah lulus koordinat Y dan telah juga di crop maka dilakukan pengenalan wajah dengan membandingkan dua gambar, yakni gambar yang ditangkap sebelumnya dengan gambar yang ditangkap kemudiannya kemudian diteruskan ke metode model warna (color space) HSB untuk didapat nilai rata-rata kesamaan karakteristik warna di mana dinilai dengan persentase. Tujuan metode ini agar sistem tidak melakukan perhitungan berulang kali meski wajah yang sama yang telah lulus koordinat Y masih berada di depan kamera karena berhenti atau karena sesuatu.

Metode model warna (color space) HSB merupakan salah satu bentuk dari pengenalan wajah. Untuk metode ini diperlukan persentase batas atas dan batas bawah. Persentase yang di atas variabel batas atas di isi tergantung pada

model kamera dan ketajaman kamera serta jarak kamera (secara default di set 90%), yang artinya gambar wajah dianggap mirip bila berada di atas 90% dan meskipun kamera yang berdasarkan frame by frame berulang kali menangkap wajah tersebut maka tidak akan dilakukan perhitungan berulang.

Persentase di antara 60% hingga variabel batas atas maka wajah dianggap tidak mirip dan dapat diproses perhitungannya. Sedangkan persentase di bawah 60%, maka dianggap tidak jelasnya posisi wajah atau perbandingan dan dianggap tidak perlu diperhitungan.

Kelemahan dari pengenalan wajah ini adalah apabila setelah wajah lain datang kemudian wajah yang sebelumnya masih ada kembali, maka wajah yang sebelumnya dilakukan perhitungan akan diperhitungkan kembali. Tetapi hal ini sangat efektif diterapkan di sistem perhitungan jumlah ini, karena pada kenyataannya sangatlah kecil kemungkinan seseorang yang sudah masuk ruangan sengaja mundur kembali untuk melihat-lihat kamera. Kelemahan lainnya adalah apabila kita salah meletakkan batas atasnya. Bila mana batas atas terlalu tinggi kemungkinan wajah yang sama dengan proses tangkap wajah pada kamera dengan sudut yang kurang bagus dan hanya di bawah batas atas dianggap sesuatu yang lain dan akan diperhitungkan dan menjadi salah hitung. Oleh karena itu untuk pemasangan sistem maka diperlukan kalibrasi terlebih dahulu dan ujicoba pemasangan termasuk tata letak kamera.

Model warna adalah metode untuk menjelaskan properti atau perilaku warna di dalam beberapa hal tertentu. Tidak ada warna tunggal yang dapat menjelaskan semua aspek warna, sehingga dibuat model yang berbeda untuk mendeskripsikan perbedaan karakteristik dari warna. Sumber cahaya dideskripsikan dengan istilah frekuensi domain corak warna (hue), tingkat kecerahan warna (brighthness) dan purity atau kejenuhan warna (saturasi).

Gambar 3.2 Hasil Cropping Wajah untuk dibandingkan Berdasarkan Model Warna HSB

Rumus Model Warna HSB :

Hue = 360-((C1H) - (C2H))/360 Saturation = 1 - (C1S) - (C2S)

Brightness = 1 - (C_1B) - (C_2B)

Nilai Rata-rata = Nilai Rata-Rata + (Hue + Saturation + Brightness) 3

Meskipun telah dilakukan metode keakuratan pendeteksian wajah terhadap frame video dengan Al goritm a Haar Cascade Classifier agar bisa dilakukan perhitungan seperti yang dibutuhkan, pada kenyataannya proses tersebut tetap saja memiliki kelemahan. Kelemahan itu berada pada Algoritma Haar Cascade Classifier itu sendiri bila dihadapkan pada beberapa faktor, antara lain faktor cahaya, ketinggian dan bisa juga posisi kamera serta posisi objek manusianya yang bergerak dinamis.

Adapun kelemahan yang terjadi adalah :

1. Tidak semua wajah terdeteksi dengan baik. Wajah pada kenyataannya sudah tampak namun tidak ditandai sebagai wajah atau tidak terdeteksi dengan baik, akibat pengaruh cahaya, lokasi penempatan kamera dan juga jarak kamera ke objek.

2. Pendeteksian terhadap obyek bukan wajah namun dianggap wajah lebih sering terjadi dan ditandai oleh Haar Cascade Classifier sebagai obyek wajah (false detection).

Gambar 3.3 Kelemahan Pada Algoritma Haar Cascade Classifier

Untuk m engat asi kel em ahan l anj ut an yang dapat berakibat fatal dal am perhi tungan maka p ada pemanf aat an Em guC V untuk al goritm a Haar Cascade Classifier memiliki beberapa parameter yang harus dipilih pada saat proses pendeteksian. Parameter ini dapat ditingkatkan agar proses pendeteksiannya menjadi lebih akurat. Adapun parameternya antara lain :

1. Haar Cascade XML

Merupakan kumpulan data training yang dihadirkan untuk fungsi Haar Classifier. Classifier memakai data yang disimpan pada file XML untuk memutuskan bagaimana mengklasifikasi tiap lokasi gambar. Ada banyak file XML yang disediakan di EmguCV tetapi yang tepat adalah penggunaaan haarcascade_frontalface_default.xml. Sangat memungkinkan untuk membangun file XML sendiri tetapi akan membuang waktu, energi dan tenaga. Setidaknya dibutuhkan perangkat dengan prosesor yang sangat tinggi untuk menghasilkan file tersebut.

2. Peningkatan Skala Rata-rata (Scale Increase Rate)

Parameter kedua adalah dengan peningkatan skala rata-rata kelulusan pendeteksian wajah pada lebih dari sebuah wajah. Pengaturan yang lebih tinggi membuat detektor berjalan lebih cepat tapi jika terlalu tinggi, maka dapat melompat terlalu cepat antara skala dan banyak wajah yang terlewati. Secara umumnya di EmguCV skalanya adalah 1.1, yang

maksudnya skala meningkat dengan faktor 1,1 (10%) setiap kelulusan.

Parameter ini dapat bernilai 1.1, 1.2, 1.3 atau 1.5.

Pada sistem dapat ditetapkan untuk 1.5, sebagai skala tertinggi dengan maksud untuk mengurangi perhitungan yang begitu cepat terhadap wajah yang sama. Semakin rendah nilai, semakin "menyeluruh" detektor haar akan memeriksa gambar untuk "objek"/"wajah", tetapi secara alami akan mengambil lebih banyak waktu memutuskan opsi mana yang Anda ingin ditentukan.

3. Batas Minimum Tetangga Threshold (Minimum Neighbors Threshold) Nilai parameter ini berkisar antara 3 hingga 15. Pada kenyataan bila posisi baku dari Haar Classifier di set di bawah 3 maka proses deteksi wajah ini akan terjadi tumpang tindih antara garis persegi empat penandaan obyek wajah. Dengan meningkatkan Batas Minimium Tetangga Threshold ini maka lebih difokuskan pada penyatuan yang benar pada wajah dan memiliki probilitas yang tinggi akan wajah dan mampu melambatkan proses deteksi wajah yang sama. Namun jika lebih banyak wajah tidak terdeteksi (loss) maka nilai Batas Minimum Tetangga Threshold ini harus diturunkan. Pada kenyataan prakteknya nilai Batas Minimum Tetangga Threshold ini yang terbaik adalah 8 hingga 12. Jika terlalu rendah semakin banyak yang bukan wajah dianggap mirip wajah dideteksi sehingga menjadi kurang akurat.

4. Skala Minimum Deteksi (Minimum Detection Scale)

Merupakan penentuan ukuran terkecil untuk proses pencarian. Skala bawaanya adalah 24x24. Skala bawaan pada file Haar Cascade XML adalah 24x24. Pada prakteknya skala yang cukup baik dalam pendeteksian adalah 25x25. Tergantung daripada resolusi gambar yang ditangkap. Skala terlalu kecil pun dapat membuat pendeteksian wajah kurang beraturan namun akan menggunakan sumber tenaga prosesor yang lebih sedikit.

Terlalu besar akan mengakibatkan proses kurang mendeteksi, yang terpenting disesuaikan dengan proses dan aspek skala pixelnya harus 1:1 antara lebar dan tinggi gambar.

Parameter Detektor

Gambar 3.4 Parameter Detektor untuk mengatasi kelemahan Algoritma Haar Cascade Classifier

3.2 Spesifikasi Perangkat Keras dan Perangkat Lunak Perancangan Sistem 3.2.1 Spesifikasi Perangkat Keras

Spesifikasi perangkat keras yang digunakan selama pembangunan sistem perhitungan jumlah dengan pendeteksian wajah adalah sebagai berikut:

1. Intel i3-4030u 2. 10 GB RAM DDR3 3. Intel Graphics

3.2.2 Spesifikasi Perangkat Lunak

Spesifikasi perangkat lunak yang digunakan selama pembangunan sistem perhitungan jumlah dengan pendeteksian wajah adalah sebagai berikut:

1. Operating System Windows 7 2. Visual Basic NET 2013 3. NET Framework 4.0

3.3 Arsitektur Umum

Sistem ini dibangun untuk menampilkan informasi tentang perhitungan deteksi jumlah manusia di dalam ruangan.

Gambar3.5 Arsitektur Umum A. Input

1. Admin

Admin akan melakukan login dengan memasukkan user name dan password, setelah memasukkan user name dan password yang benar admin dapat masuk ke dalam aplikasi, dan memilih kamera yang ingin digunakan.

B. Proses

1.Konfigurasi Variabel

Setelah memasuki aplikasi, admin memilih menu deteksi. Dimenu deteksi terdapat deteksi wajah manusia yang terdeteksi melalui kamera masuk dan kamera keluar.

Admin harus mengatur konfigurasi vaeriabel yang terdapat pada kamera masuk dan kamera keluar.

C. Output

1. Wajah terdeteksi

Aplikasi akan menampilkan wajah yang terdeteksi pada kamera masuk dan kamera keluar, dan menampilkan jumlah yang dicapture pada kamera masuk dan kamera keluar, sehingga menghasilkan jumlah orang pada ruangan.

3.4 Strategi Pemecahan Masalah

Untuk mewujudkan sistem perhitungan jumlah dengan pendeteksian wajah agar dapat dibangun dan diimplementasikan berdasarkan analisis masalah yang ada maka dibutuhkan berbagai komponen yang harus dibahas supaya mempermudah kita dalam

Dalam dokumen IMPLEMENTASI ALGORITMA HAAR CASCADE CLASSIFIER UNTUK MENDETEKSI DAN MENGHITUNG JUMLAH MANUSIA DI DALAM RUANGAN TERTENTU SKRIPSI (Halaman 17-59)