BAB III PERANCANGAN SISTEM
3.3. Perancangan Perangkat Lunak
3.3.4. Rancangan Telegram
45 nilainya menggunakan KNN search. KNN search akan mencari klaster pada database yang nilai vektor descriptor paling dekat jaraknya dengan vektor descriptor pada citra sample. Setelah klaster didapat, kemudian akan dicari nilai vektor descriptor pada klaster tersebut yang sama atau paling dekat dengan vektor descriptor pada citra sample. Jika ada yang sama maka ada satu keypoint yang cocok antara kedua citra tersebut. Semakin banyak jumlah keypoint yang cocok, maka dianggap paling baik dalam mendeteksi titik fitur.
Adapun potongan script program untuk proses FLANN sebagai berikut:
Pada gambar 3.9 dapat dilihat hasil dari FLANN dalam mencocokkan keypoint pada citra sample dan citra database yang dianggap paling mendekati dengan citra database yang ada.
Gambar 3.9 Hasil proses FLANN
46 tersebut. Pemilihan Telegram sebagai pemberi notifikasi kepada pemilik dikarenakan Telegram merupakan aplikasi gratis yang dapat diunduh di berbagai basis gadget selama terinstallnya aplikasi. Selain itu developer Telegram menyediakan API (Application Programming Interface) yang dapat diprogram dengan berbagai bahasa pemrograman dan salah satunya adalah Python atau dalam hal ini disebut dengan metode long-polling.
Berikut ini dijelaskan bagaimana untuk membuat tampilan Telegram Bot sebagai tampilan kepada pemilik rumah, untuk pembuatannya dapat melalui aplikasi telegram pada smartphone atau melalui web Telegram, serta cara menghubungkan telegram dengan Python:
1) Membuat bot dan usernamenya, caranya :
Gambar 3.10 Pembuatan Telegram Bot
47
Buka telegram
Cari dan add @botfather,
Klik start, akan muncul daftar perintah, klik /newbot.
Akan muncul perintah untuk memberi nama bot kita. Ketik nama yang kita inginkan, kemudian klik Enter/Ok.
Setelah Ok, akan muncul perintah untuk membuat username bot kita, yang
harus menggunakan kata “bot”. Kita beri nama saja Sistemskam_bot.
Username sudah jadi, lalu copy kode angka dengan tulisan berwarna merah yang merupakan kode token API kita. Token ini yang akan menjadi acuan agar nantinya bot dapat diprogram untuk mengirimkan teks, gambar, video, dan sebagainya.
2)
Menghubungkan telegram bot yang telah dibuat dengan Python agar nantinya Raspberry Pi 3 mampu mengendalikan balasan dari bot tadi. Untuk menghubungkan Python dan bot yang dibuat, perlu memperhatikan langkah-langkah berikut Menginstall library telegram dengan mengetikkan kode terminal dari Raspberry Pi 3:
$ pip install python-telegram-bot
atau menginstall dari sumber dengan:
$ git clone https://github.com/python-telegram-bot -- recursive
$ cd python-telegram-bot
$ python setup.py install
Setelah terinstall pada Raspberry Pi 3, selanjutnya mengetikkan script pemanggilan API Telegram pada aplikasi programming Python.
48
#Memanggil API telegram
bot = telegram.Bot(token="555919767:AAGP25TCeQZmwjBmexTmbN5aQ9zXg0QS-w8")
#Mengirim teks dan gambar ke telegram
bot.sendMessage(chat_id=179126574,text="Wajah Tidak Dikenali") bot.sendPhoto(chat_id=179126574, photo=open(images,"rb"))
49 BAB IV
PENGUJIAN DAN ANALISA
Pada bab ini akan membahas pengujian dari sistem dengan mengambil data dan melakukan analisa terhadap pengujian perangkat lunak pengujian citra wajah dan delay pengiriman data terhadap Telegram. Pengujian perangkat keras dalam hal ini delay kerja relay, dan pengujian terhadap sistem keseluruhan.
Pengujian dilakukan pada Raspberry Pi 3 model B dengan spesifikasi:
1. Broadcom BCM2837 ARMv8 Quad Core Processor 1,2 GHz 2. RAM 1GB 900 MHz
3. Networking 2.4 GHz 802.11n wireless 4. Storage: microSD 16 GB kelas 10 5. GPIO: 40-pin header
Perangkat lunak:
1. Operation System Raspbian Jessie 2. Python 3.4 (IDLE)
3. Library Opencv 3.4.1
4.1.Pengujian Akurasi Pencocokan Wajah
Pengujian akurasi pencocokan wajah dilakukan untuk mengetahui akurasi sistem dalam mencocokan wajah. Dilakukan dua pengujian pertama menguji citra sample yang sesuai dengan database, kedua menguji citra sample yang tidak sesuai dengan database. Pengujian ini dilakukan secara real time Raspberry Pi 3. Citra yang tersimpan pada database berupa data 9 orang dengan masing-masing 10 pose yang berbeda dan intensitas cahaya yang sama (menggunakan cahaya lampu yang
50 disorot ke wajah). Database terdiri dari berbagai citra wajah (lima laki-laki dan empat perempuan, jenis rambut, dan warna kulit). Perbadaan pose pada database terdiri dari posisi dan ekspresi. Perbedaan posisi wajah tersimpan berupa citra menghadap atas, bawah, kiri, dan kanan. Untuk ekspresi wajah tersimpan berupa tanpa ekspresi, senyum, senyum dengan kelihatan gigi, mulut yang dirapatkan, buka mulut, dan mata melotot (lampiran 1). Perbedaan posisi dan ekspresi yang disimpan pada database ini dimaksudkan karena sistem ini akan mengambil citra dengan posisi dan eskpresi random sehingga diharapkan beberapa keadaan ini akan menjadi posisi dan ekspresi yang paling memungkinkan untuk ditangkap oleh deteksi wajah. Adapun resolusi dari citra database ini berbeda-beda sebab pada saat pengambilan sistem otomatis mengcropping wajah yang tersimpan hanya pada bagian wajah yang terdeteksi.
4.1.1. Pengujian Citra Sesuai Database
Pada pengujian ini dilakukan dengan menggunakan wajah yang sama dengan database yang telah dilatih sebelumnya. Pengujian ini bertujuan untuk mengetahui apakah sistem mengenali dengan baik atau tidak citra wajah yang telah dilatih tersebut. Gambar 4.1 menunjukkan hasil dari pengujian ini.
Gambar 4.1 Hasil Pengujian Citra Sesuai Database
51 Tabel di bawah ini menunjukkan hasil pengujian terhadap tujuh sample citra wajah yang sesuai database dengan pengambilan citra sebanyak 10 kali tiap sample (lampiran 2). Pengambilan data dilakukan dengan menjalankan program sebanyak 10 kali dan mencatat hasil pencocokan pada pendeteksian awalnya serta membatasi titik kecocokan sebesar delapan titik.
Tabel 4.1 Hasil pengujian citra sesuai database
Wajah Nomor Uji Citra Dikenali Hasil Pengujian
A
1 Citra A Sesuai
2 Citra A Sesuai
3 Citra A Sesuai
4 Citra A Sesuai
5 Citra A Sesuai
6 Citra A Sesuai
7 Citra A Sesuai
8 Citra A Sesuai
9 Citra A Sesuai
10 Citra A Sesuai
B
1 Citra B Sesuai
2 Citra B Sesuai
3 Citra B Sesuai
4 Citra D Tidak Sesuai
5 Citra A Tidak Sesuai
6 Citra B Sesuai
7 Citra B Sesuai
8 Citra B Sesuai
9 Citra A Tidak Sesuai
10 Citra A Tidak Sesuai
C
1 Citra C Sesuai
2 Citra A Tidak Sesuai
3 Citra C Sesuai
4 Citra C Sesuai
5 Citra C Sesuai
6 Citra A Tidak Sesuai
7 Citra C Sesuai
8 Citra C Sesuai
9 Citra C Sesuai
10 Citra C Sesuai
D
1 Citra D Sesuai
2 Citra D Sesuai
3 Citra D Sesuai
4 Citra D Sesuai
5 Citra D Sesuai
6 Citra D Sesuai
7 Citra D Sesuai
8 Citra D Sesuai
52 Tabel 4.2 Hasil pengujian citra sesuai database (lanjutan)
Wajah Nomor Uji Citra Dikenali Hasil Pengujian
D 9 Citra D Sesuai
10 Citra D Sesuai
E
1 Citra E Sesuai
2 Citra E Sesuai
3 Citra E Sesuai
4 Citra E Sesuai
5 Citra E Sesuai
6 Citra E Sesuai
7 Citra E Sesuai
8 Citra E Sesuai
9 Citra E Sesuai
10 Citra E Sesuai
F
1 Citra F Sesuai
2 Citra F Sesuai
3 Citra F Sesuai
4 Citra F Sesuai
5 Citra F Sesuai
6 Citra F Sesuai
7 Citra F Sesuai
8 Citra F Sesuai
9 Citra F Sesuai
10 Citra F Sesuai
G
1 Citra G Sesuai
2 Citra G Sesuai
3 Citra G Sesuai
4 Citra G Sesuai
5 Citra G Sesuai
6 Citra G Sesuai
7 Citra G Sesuai
8 Citra G Sesuai
9 Citra G Sesuai
10 Citra G Sesuai
Dari hasil pengujian pada tabel 4.1 di atas, dapat diketahui bahwa keakuratan sistem (As) untuk citra wajah yang sesuai dengan database dimana hasil pencocokan keypoint dengan menggunakan rumus di bawah ini.
As = ( 𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 𝐵𝑒𝑛𝑎𝑟
𝐽𝑢𝑚𝑙𝑎ℎ 𝑆𝑒𝑙𝑢𝑟𝑢ℎ 𝐷𝑎𝑡𝑎) 𝑥 100%
53 Adapun hasil keakuratan sistem untuk mengenali citra wajah yang sesuai database.
As = ( 64
70) 𝑥 100%
As = 91,4%
Dari hasil pengujian yang telah dilakukan didapatkan keakuratan sistem (As) sebesar 91,4%. Dimana terdapat 8,6% atau enam citra data yang salah dalam pencocokannya. Kesalahan tersebut dikarenakan sistem mengenali deskriptor data sample paling mendekati dengan database hal ini disebabkan karena resolusi citra sample yang didapat random artinya setiap terdeteksi wajah maka akan langsung tersimpan tanpa ada pengaturan resolusi citra yang tetap.
4.1.2. Pengujian Citra Tidak Sesuai Database
Pada pengujian ini dilakukan dengan menggunakan wajah yang sama dengan database yang telah dilatih sebelumnya. Pengujian ini bertujuan untuk mengetahui apakah sistem mengenali dengan baik atau tidak citra wajah yang dilatih tersebut. Gambar 4.2 menunjukkan hasil yang seharusnya tidak didapatkan oleh sistem.
Gambar 4.2 Hasil Pencocokan Citra Tidak Sesuai Database
Tabel di bawah ini menunjukkan hasil pengujian terhadap sample tujuh wajah yang tidak sesuai database dengan pengambilan citra sebanyak 10 kali tiap
54 sample (lampiran 3). Pengambilan data dilakukan dengan menjalankan program sebanyak 10 kali dan dengan melihat 10 kali sistem mendeteksi wajah, serta pada program dibatasi delapan titik kecocokan
Tabel 4.3 Hasil pengujian citra tidak sesuai database
Wajah Nomor Uji Citra Dikenali Hasil Pengujian
Imam
1 Tidak Ada Tidak Dikenali
2 Tidak Ada Tidak Dikenali
3 Tidak Ada Tidak Dikenali
4 Tidak Ada Tidak Dikenali
5 Tidak Ada Tidak Dikenali
6 Tidak Ada Tidak Dikenali
7 Tidak Ada Tidak Dikenali
8 Citra C Dikenali
9 Tidak Ada Tidak Dikenali
10 Tidak Ada Tidak Dikenali
Hanif
1 Tidak Ada Tidak Dikenali
2 Tidak Ada Tidak Dikenali
3 Citra B Dikenali
4 Tidak Ada Tidak Dikenali
5 Tidak Ada Tidak Dikenali
6 Tidak Ada Tidak Dikenali
7 Tidak Ada Tidak Dikenali
8 Citra A Dikenali
9 Tidak Ada Tidak Dikenali
10 Tidak Ada Tidak Dikenali
Winda
1 Tidak Ada Tidak Dikenali
2 Tidak Ada Tidak Dikenali
3 Citra G Dikenali
4 Tidak Ada Tidak Dikenali
5 Citra G Dikenali
6 Tidak Ada Tidak Dikenali
7 Tidak Ada Tidak Dikenali
8 Tidak Ada Tidak Dikenali
9 Tidak Ada Tidak Dikenali
10 Tidak Ada Tidak Dikenali
Atik
1 Tidak Ada Tidak Dikenali
2 Tidak Ada Tidak Dikenali
3 Citra G Dikenali
4 Tidak Ada Tidak Dikenali
5 Citra G Dikenali
6 Tidak Ada Tidak Dikenali
7 Tidak Ada Tidak Dikenali
8 Tidak Ada Tidak Dikenali
9 Tidak Ada Tidak Dikenali
10 Tidak Ada Tidak Dikenali
Anto
1 Tidak Ada Tidak Dikenali
2 Tidak Ada Tidak Dikenali
3 Tidak Ada Tidak Dikenali
55 Tabel 4.4 Hasil pengujian citra tidak sesuai database (lanjutan)
Wajah Nomor Uji Citra Dikenali Hasil Pengujian
Anto
4 Tidak Ada Tidak Dikenali
5 Tidak Ada Tidak Dikenali
6 Tidak Ada Tidak Dikenali
7 Tidak Ada Tidak Dikenali
8 Citra A Dikenali
9 Citra A Dikenali
10 Tidak Ada Tidak Dikenali
Malik
1 Tidak Ada Tidak Dikenali
2 Tidak Ada Tidak Dikenali
3 Tidak Ada Tidak Dikenali
4 Tidak Ada Tidak Dikenali
5 Tidak Ada Tidak Dikenali
6 Tidak Ada Tidak Dikenali
7 Tidak Ada Tidak Dikenali
8 Tidak Ada Tidak Dikenali
9 Tidak Ada Tidak Dikenali
10 Citra B Dikenali
Aldi
1 Tidak Ada Tidak Dikenali
2 Tidak Ada Tidak Dikenali
3 Tidak Ada Tidak Dikenali
4 Tidak Ada Tidak Dikenali
5 Tidak Ada Tidak Dikenali
6 Tidak Ada Tidak Dikenali
7 Tidak Ada Tidak Dikenali
8 Citra A Dikenali
9 Tidak Ada Tidak Dikenali
10 Citra C Dikenali
Keterangan:
1.Ekspresi biasa, 2.Ekspresi senyum, 3.Ekspresi kelihatan gigi, 4.
Ekspresi mulut rapat, 5.Ekspresi buka mulut, 6.Menghadap atas, 7.
Menghadap bawah, 8.Menghadap kiri, 9.Menghadap kanan, 10.
Ekspresi Melotot.
Dari hasil pengujian pada tabel 4.1 di atas, dapat diketahui bahwa keakuratan sistem untuk citra wajah yang sesuai dengan database dimana hasil pencocokan keypoint dengan menggunakan rumus keakuratan sistem (As) didapatkan.
As = ( 58
70) 𝑥 100%
As = 82,9%
56 Dari hasil pengujian yang telah dilakukan didapatkan akuratan sistem sebesar 82,9%. Dimana terdapat 17,1% atau 12 citra data yang salah dalam pencocokannya. Kesalahan tersebut dikarenakan sistem mengenali deskriptor data sample paling mendekati dengan database hal ini disebabkan karena resolusi citra sample yang didapat random artinya setiap terdeteksi wajah maka akan langsung tersimpan tanpa ada pengaturan resolusi citra yang tetap. Serta dengan pembatasan delapan titik cocok maka titik yang memiliki nilai sama pada citra wajah berbeda akan dikenali sebagai citra yang ada pada database.
4.2. Pengujian Dan Analisis Waktu Delay Pengendalian Relay
Pengujian dilakukan dengan mengirimkan 20 kali perintah pada Telegram untuk mengendalikan relay. Untuk menghitung delay maka digunakan stopwatch Smartphone. Hal ini dilakukan untuk mengetahui berapa delay untuk Telegram mengendalikan keadaan relay. Gambar 4.3 menunjukkan perintah yang dikirimkan dan perubahan relay yang terjadi
Gambar 4.3 Proses Pengujian Delay Relay Dengan Telegram
57 Tabel di bawah ini menunjukkan hasil pengujian delay relay yang dikendalikan dengan Telegram.
Tabel 4.5 Hasil pengujian delay Relay dengan Telegram
Pengujian Keadaan Relay Delay (detik)
1 Menyala 0,8
2 Menyala 1,1
3 Menyala 0,4
4 Menyala 1,3
5 Menyala 0,9
6 Menyala 0,8
7 Menyala 0,8
8 Menyala 0,7
9 Menyala 0,7
10 Menyala 0,5
11 Menyala 0,8
12 Menyala 0,9
13 Menyala 0,9
14 Menyala 0,8
15 Menyala 1,0
16 Menyala 1,2
17 Menyala 0,6
18 Menyala 0,6
19 Menyala 1,0
20 Menyala 1,3
Rata-Rata 0.85
Dari hasil pengujian pada tabel 4.4 di atas, dapat diketahui bahwa delay pengendalian relay melalui perintah yang dikirimkan dari Telegram memiliki rata-rata delay waktu sebesar 0,85 detik. Dengan waktu delay tercepat adalah 0,4 detik dan waktu delay terlama adalah 1,3 detik. Delay ini terjadi akibat adanya pengaruh dari kecepatan internet.
4.3. Pengujian Kerja Alat Secara Keseluruhan
Pengujian sistem kerja alat dilakukan dengan dua kali pengambilan data.
Pertama pengujian dengan citra sample yang terdapat pada database hingga akhirnya terjadi pengendalian relay. Kedua pengujian citra sample yang tidak terdapat pada database.
58 4.3.1. Pengujian Pengendalian Relay
Pengujian ini bertujuan untuk mengetahui ketepatan pencocokan wajah dan delay waktu sistem sampai akhirnya terjadi pengendalian relay. Pengujian dilakukan dengan 20 data citra sample dengan lima citra orang berbeda (tiga laki-laki dan dua perempuan) yang terdapat pada database. Pengambilan data dengan melakukan secara real time melalui WebCam dengan deteksi pertama serta dilakukan pengulangan mulai sistem, dan mengurangi nilai kecocokan pada program sebesar enam titik pencocokan saja. Pengurangan nilai kecocokan dilakukan agar meningkatkan keakuratan sistem. Untuk menghitung waktu proses keseluruhan digunakan stopwatch dengan mencatat waktu awal program dijalankan sampai terkendalinya relay. Berikut ini adalah tabel pengujian sistem kerja alat secara keseluruhan:
Tabel 4.6 Hasil pengujian kerja alat sampai pengendalian relay
No Sample Citra Dikenali Berhasil Relay
Waktu Respon
(detik) 1
B
Citra B Ya Berubah 3.95
2 Citra B Ya Berubah 3.79
3 Citra B Ya Berubah 3.78
4 Citra B Ya Berubah 3.81
5
C
Citra C Ya Berubah 4.05
6 Citra C Ya Berubah 3.89
7 Citra C Ya Berubah 3.79
8 Citra C Ya Berubah 3.74
9
E
Citra E Ya Berubah 3.94
10 Citra E Ya Berubah 3.89
11 Citra E Ya Berubah 3.87
12 Citra E Ya Berubah 3.82
13
F
Citra F Ya Berubah 3.50
14 Citra F Ya Berubah 3.65
15 Citra F Ya Berubah 3.97
16 Citra F Ya Berubah 3.68
17
G
Citra G Ya Berubah 3.77
18 Citra G Ya Berubah 3.76
19 Citra G Ya Berubah 3.78
20 Citra G Ya Berubah 3.83
59 Pada tabel di atas dapat diketahui bahwa dari 20 citra wajah yang diuji, tidak terdapat kesalahan pencocokan citra. Sehingga keberhasilan sistem di atas berdasarkan rumus yang telah digunakan adalah 100%. Terlihat ada peningkatan nilai keberhasilan. Hal ini dikarenakan citra yang disimpan pada sistem memiliki resolusi kecil sehingga pemberian titik cocok pada sample menjadi lebih sedikit sehingga hanya dengan enam titik yang diartikan sebagai citra dikenali mampu dicocokan dengan benar. Dapat juga diketahui dari tabel di atas waktu yang dibutuhkan oleh sistem dalam mendeteksi benar sampai akhirnya relay dikendalikan rata-rata sebesar 3,813. Hal ini diakibatkan karena saat sistem bekerja pertama kali, maka sistem akan melakukan pelatihan dan menyimpan data ke library terlebih dahulu sebelum akhirnya sistem melakukan pencocokan dan pengendalian terhadap relay.
4.3.2. Pengujian Pengiriman Data Ke Telegram
Pengujian pengiriman data ke telegram ini untuk mengetahui delay waktu Raspberry Pi 3 mengirimkan data ke Telegram. Pengujian ini termasuk pengujian kerja alat keseluruhan karena dilakukan dari saat alat mulai mendeteksi wajah hingga akhirnya data terkirim ke telegram. Pengujian dilakukan dengan 20 data citra sample dengan lima citra orang berbeda (tiga laki-laki dan dua perempuan) namun tidak terdapat pada database (lampiran 4). Pengambilan data dilakukan secara real time melalui WebCam dengan deteksi pertama serta dilakukan pengulangan mulai sistem, dan mengurangi nilai kecocokan pada program sebesar enam titik pencocokan saja. Untuk menghitung waktu proses pengiriman digunakan
60 stopwatch dari awal program dijalankan sampai citra dan teks terkirim ke Telegram.
Gambar 4.4 memperlihatkan citra dan teks yang diterima oleh Bot Telegram.
Gambar 4.4 Citra dan teks pada Telegram
Berikut ini adalah tabel pengujian delay pengiriman data citra dan teks ke telegram:
Tabel 4.7 Hasil pengujian delay pengiriman data ke Telegram
Sample Data ke
Telegram Keterangan
Delay Pengiriman
(detik)
Maharani
Terkirim Berhasil 4.56 Terkirim Berhasil 4.94 Terkirim Berhasil 4.69 Terkirim Berhasil 4.62
Atik
Terkirim Berhasil 4.55 Terkirim Berhasil 5.21 Terkirim Berhasil 4.67 Terkirim Berhasil 4.43
Aldi
Terkirim Berhasil 4.56 Terkirim Berhasil 5.21 Terkirim Berhasil 5.55 Terkirim Berhasil 5.48
Hanif
Terkirim Berhasil 4.88 Terkirim Berhasil 4.05 Terkirim Berhasil 4.11 Terkirim Berhasil 4.03
Anto
Terkirim Berhasil 4.75 Terkirim Berhasil 3.97 Terkirim Berhasil 4.29 Terkirim Berhasil 4.27 Rata-rata delay pengiriman 4.64
61 Pada tabel di atas dapat diketahui bahwa dari 20 citra wajah yang diuji, tidak terdapat kesalahan pencocokan citra atau semua citra dikenali sebagai citra yang tidak dikenali oleh sistem. Sehingga keberhasilan sistem di atas berdasarkan rumus yang telah digunakan adalah 100%. Dapat juga diketahui dari tabel di atas delay atau waktu yang dibutuhkan oleh sistem dalam pendeteksian sampai akhirnya data citra dan teks diterima oleh Telegram paling lama dengan delay 5,55 detik dan delay paling cepat 3,97 dengan rata-rata delay sebesar 4,641. Hal ini diakibatkan karena setiap sistem bekerja pertama kali, maka sistem akan melakukan pelatihan dan menyimpan data ke library terlebih dahulu, serta dalam melakukan pencocokan sistem memerlukan waktu pencocokan yang berbeda-beda yang disebabkan oleh perbedaan resolusi citra yang akan dilakukan pencocokan sehingga setelah proses penyimpanan dan pencocokan selesai sistem akan melakukan pengiriman data ke Telegram. Pengiriman data ke Telegram kemudian dipengaruhi oleh kecepatan internet yang digunakan pada Raspberry Pi 3 serta ukuran file yang dikirimkan.
62 BAB V
PENUTUP
5.1. Kesimpulan
Dari hasil pengujian yang telah dilakukan untuk sebuah akses keamaan menggunakan face recognition berbasis raspberry pi, dapat disimpulkan:
1. Dengan menggunakan algoritma SURF sebagai face recognition didapatkan akurasi pencocokan citra wajah yang sesuai data sebesar 91,4% dan untuk pencocokan citra wajah yang tidak sesuai data 82,9 % sehingga algoritma SURF dapat diterapkan sebagai face recognition dalam sebuah sistem.
2. Pengendalian relay menggunakan telegram memiliki delay rata-rata sebesar 0,85 detik. Hal ini menunjukkan bahwa sistem pengendalian relay menggunakan telegram dapat diimplementasikan sebagai sistem yang memiliki delay yang rendah.
3. Kinerja alat secara keseluruhan dengan mengurangi tingkat kecocokan meningkatkan akurasi tingkat keberhasilan untuk wajah yang sesuai dengan database serta untuk menjalankan perintah dari awal pendeteksian, pencocokan citra, dan pengendalian relay didapatkan waktu rata-rata 3,813 detik. Sedangkan untuk kinerja alat dalam mengirim data citra dan teks ke Telegram didapatkan waktu rata-rata 4,641 detik. Hal ini menunjukkan sistem dapat diimplementasikan dalam sebuah sistem keamanan dengan delay yang rendah
63 5.2. Saran
Dari hasil penelitian ini masih terdapat kekurangan dan dapat memungkinkan untuk pengembangan lebih lanjut. Oleh karena itu penulis merasa perlu untk memberi saran-saran sebagai berikut:
Untuk memperbaiki keakuratan pencocokan gambar yang lebih baik disarankan untuk perancangan input template ditambah dan dengan berbagai kondisi, serta citra database diberikan resolusi yang lebih tinggi agar sistem dapat mengenali wajah dengan baik.
Agar melakukan pencarian algoritma untuk sebuah proses face recognition yang memiliki tingkat akurasi yang tinggi sehingga nantinya dapat diimplementasikan pada bidang keamanan saat ini.
Sistem dijalankan dengan embedded board yang spesifikasinya lebih tinggi untuk mendapatkan waktu dan akurasi yang lebih baik.
Menggunakan WebCam atau kamera yang memiliki spesifikasi yang lebih tinggi.
64 DAFTAR PUSTAKA
[1]. Juliandi, Reza. 2017. “Teknologi Biometrik: dari Sidik Jari, Iris Mata, Hingga Suara”,http://www.sainsphd.com/2016/03/teknologi-biometrik.html.
Diakses pada 06 November 2017 pukul 14.33.
[2]. Rakhman Edi, Candrasyah Faisal, D.sutera Fajar. 2014. Raspberry Pi Mikrokontroler Mungil yang Serba Bisa. Yogyakarta: Penerbit Andi.
[3]. Dinata, Andi. 2017. Physical Computing dengan Raspberry Pi. Jakarta: PT Elex Media Komputindo
[4]. Shaleh. 2017. “Pengertian WebCam dan Jenisnya”, http://rumahshaleh.com/pengertian-webcam-dan-jenisnya/. Diakses pada 16 Juli 2018 pukul 10.16.
[5]. Dermanto, Trikueni. 2014. “Pengertian Push Button Switch (Saklar Tombol Tekan)”, http://trikueni-desain-sistem.blogspot.com/2014/04/Pengertian-Push-Button.html. Diakses pada 16 Juli 2018 pukul 10.54.
[6]. Kho, Dickson. 2017. “Pengertian Relay dan Fungsinya”, http://teknikelektronika.com/pengertian-relay-fungsi-relay/. Diakses pada 14 November 2017 pukul 15.00.
[7]. Supriyono. 2016. “Kegunaan Solenoid Untuk Kunci Pintu Rumah”,
http://trikueni-desain-sistem.blogspot.com/2014/04/Pengertian-Push-Button.html. Diakses pada 16 Juli 2018 pukul 14.21.
[8]. Kho, Dickson. 2017. “Pengertian LED (Light Emitting Diode) dan Cara Kerjanya”,http://teknikelektronika.com/pengertian-led-light-emitting-diode-cara-kerja/. Diakses pada 15 November 2017 pukul 14.40.
[9]. Budiharto, Widodo. 2014. Modern Robotics with OpenCV. New York:
Science Publishing Group.
[10]. Musa Purnawarman, Nuryuliani, Missa Lamsani. 2012. Rancang Bangun Pengendalian Pintu Automatis Berdasarkan Ciri Wajah Menggunakan Metode Euclidean Distance Dan Fuzzy C-Mean. Depok: Repository Gunadarma
[11]. Basuki Achmad, Jozua F. Palandi, dan Fathurrochman. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Bandung: Graha Ilmu.
[12]. Shulur, Permata Sandy. 2015. Perancangan Aplikasi Deteksi Wajah Menggunakan Algoritma Viola-Jones. Bandung: Repository Universitas Pasundan
[13]. Bay, H., Ess, A., Tuytelaars, T., dan Gool, L. V. 2006. SURF : Speeded-UP Robust Features. Austria: Proceeding of 9th European Conference on Computer Vision, Hal 7-13.
[14]. Yansyah, Febry. 2014. Deteksi Wajah Menggunakan Metode Speed-Up Robust Features (SURF). Bandung: Repository Unikom
[15]. Hasan, Biben Nurbani. 2012. Pendeteksi Posisi Marker Pada Teknologi Augmented Reality. Bandung: Repository Politeknik Negeri Bandung
[16]. Rohaya, Siti. 2008. Internet: Pengertian, Sejarah, Fasilitas dan Koneksinya.
Perpustakaan Digital UIN Sunan Kalijaga. Yogyakarta.
65 [17]. Hamizan, Zak dan Raden Sumiharto. 2017. Sistem Pentautan Citra Udara Menggunakan Algoritma SURF dan Metode Reduksi Data. Yogyakarta:
JEIS, Vol.7 No.2
66 LAMPIRAN
Lampiran 1. Database Wajah Data A
Data B
Data C
Data D
67 Data E
Data F
Data G
Data H
68 Data I
69 Lampiran 2. Citra Sesuai Database
Data A
70 Data B
71
72 Data C
73 Data D
74
75 Data E
76 Data F
77
78 Data G
79
80 Lampiran 3. Citra Tidak Sesuai Database
Aldi
Anto
Atik
81 Hanif
Winda
Malik Imam
82 Lampiran 4. Data yang diterima oleh Telegram
Maharani
Atik
83 Aldi
Anto
84 Hanif
1
2
3