MONITORING DAN DETEKSI DINI KEBAKARAN BERBASIS RASPBERRY PI

TUGAS AKHIR

MONITORING DAN DETEKSI DINI KEBAKARAN

BERBASIS RASPBERRY PI

Diajukan untuk memenuhi salah satu syarat Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro Jurusan Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

Disusun oleh :

ALBERTUS JALU NUGROHO NIM : 165114047

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

i

TUGAS AKHIR

MONITORING DAN DETEKSI DINI KEBAKARAN

BERBASIS RASPBERRY PI

Diajukan untuk memenuhi salah satu syarat Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro Jurusan Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

Disusun oleh :

ALBERTUS JALU NUGROHO NIM : 165114047

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

ii

FINAL PROJECT

MONITORING AND EARLY FIRE DETECTION

BASED ON RASPBERRY PI

In partial fulfillment of the requirements For the degree of Sarjana Teknik Department of Electrical Engineering

Faculty of Science and Technology, Sanata Dharma University

Arranged by :

ALBERTUS JALU NUGROHO NIM : 165114047

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

vi

HALAMAN PESEMBAHAN DAN MOTTO HIDUP

MOTTO

“Stop thinking about winning, just focus on the game”

-Kuro “KuroKy” Salehi Takhasomi-

Skripsi ini saya persembahkan untuk :

Tuhan Yang Maha Kuasa yang selalu bersama dengan saya

Keluarga dan Kerabat terdekat, yang selalu memberikan

dukungan secara jasmani dan rohani

Teman – teman elektro USD angkatan 2016 yang selalu

memberikan semangat

viii

INTISARI

Kebakaran adalah suatu kejadian yang dapat membawa dampak kehilangan yang besar bagi status kekayaan dan kehidupan manusia. Berbagai alarm kebakaran telah dikembangkan untuk mengantisipasi dan mencegah kebarakaran seperti sensor pendeteksi asap, suhu, api dan lain – lain. Semakin berkembangnya teknologi, berbagai instrumen pencegahan kebakaran menjadi lebih terjangkau dan berbagai macam otomasi pendeteksi alarm kebakaran lebih banyak pilihannya. Berbanding lurus dengan instrumen teknologi yang lebih murah dan terjangkau, berbagai sistem pendeteksi dan pemadaman kebakaran juga memungkinkan untuk tersambung dengan jaringan nirkabel yang berkecepatan tinggi dan murah.

Sistem pendeteksi kebakaran yang diusulkan pada penelitian ini adalah sistem pemantauan secara real time yang mendeteksi adanya api dengan menggunakan kamera dan mendeteksi asap di udara dengan sensor asap akibat dari kebakaran. Fitur utama dari sistem yang dikembangkan dalam penelitian ini adalah pendeteksian dan pemadaman api secara

real time, pemantauan kondisi ruangan melalui web server, dan pengiriman pesan peringatan

melalui web server dan bot telegram. Manfaat dari menggunakan sistem ini adalah pemantauan langsung kondisi ruangan sekaligus berfungsi sebagai pendeteksian api yang langsung dipadamkan apabila terindikasi adanya api yang muncul.

Hasil implementasi dari pengenalan api untuk sistem pendeteksian memiliki tingkat presentase keberhasilan melalui 4 percobaan dari masing-masing ruangan berdasarkan citra api dan intensitas cahaya disetiap jaraknya dari titik buta kamera adalah 79% pada ruangan tengah dan 100% pada ruangan tidur, sementara tingkat presentase keberhasilan aksi aktuator dalam menjalankan fungsinya berdasarkan sistem pendeteksian adalah 100%. Jarak maksimum sistem mendeteksi titik api adalah 3,6 meter pada ruangan tengah dan 2,6 meter pada ruangan tidur dari titik buta kamera. Nilai rata-rata presentase ketepatan pendeteksian titik api adalah 33,93%

ix

ABSTRACT

Fire is an event that can have a large loss impact on wealth status and human life. Various fire alarms have been developed to anticipate and prevent fires, such as sensors for detecting smoke, temperature, fire and others. As technology advances, various fire prevention instruments are becoming more affordable and various kinds of automatic fire alarm detection are more options. With the cheaper and more affordable technological instruments, various fire detection and suppression systems also make it possible to connect high speed and low cost wireless networks.

The fire detection system proposed in this study is a real time monitoring system that detects a fire using a camera and detects smoke in the air with a smoke sensor due to the fire. The main features of the system developed in this study are detection and suppression of fire in real time, monitoring of room conditions via a web server, and sending warning messages via a web server and telegram bot. The benefit of using this system is direct monitoring of the condition of the room as well as functioning as a fire detection system that is immediately extinguished if a fire is indicated.

The results of the application of fire recognition for the detection system have a percentage of success rate through 4 experiments from each room based on fire images and light intensity at each distance from the camera blind spot is 79% in the living room and 100% in the bedroom, while the percentage of the actuator success rate the action in carrying out its function based on the detection system is 100%. The system's maximum distance to detect fire spot is 3.6 meters in the living room and 2.6 meters in the bedroom from the blind spot of the camera. The average value of the percentage of fire spot detection accuracy is 33.93%

xi

DAFTAR ISI

MONITORING DAN DETEKSI DINI KEBAKARAN BERBASIS RASPBERRY PI... i

MONITORING EARLY FIRE DETECTION BASED ON RASPBERRY PI ... ii

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

PERNYATAAN KEASLIAN KARYA ... v

HALAMAN PESEMBAHAN DAN MOTTO HIDUP... vi

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... vii

INTISARI ... viii

ABSTRACT ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... x

DAFTAR GAMBAR ... xiv

DAFTAR TABEL ... xvi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Tujuan dan Manfaat Penelitian ... 3

1.3 Batasan Masalah ... 3

1.4 Metodologi Penelitian ... 4

BAB II DASAR TEORI ... 6

2.1. Kebakaran ... 6

2.1.1. Efek Kebakaran ... 6

2.2. Raspberry Pi ... 7

2.2.1. Arsitektur Hardware Raspberry Pi 3 B+ ... 7

2.2.2. Pemrograman Raspberry Pi 3 ... 8

2.2.3. Web Server Flask Raspberry Pi 3 ... 9

2.3. Webcam ... 9

2.4. Open CV ... 10

2.5. Pengolahan Citra ... 10

2.5.1. Citra RGB ... 11

xii

2.5.3. Citra Biner ... 14

2.6. Haar Cascade Classifier ... 15

2.7. Relay ... 16

2.8. Pompa Air 12V ... 18

2.9. Network Switch ... 19

2.10. Solenoid Valve ... 20

2.11. Sensor Asap MQ7 ... 21

2.12. Analog to Digital Converter ... 22

BAB III RANCANGAN PENELITIAN ... 26

3.1. Konsep Perancangan ... 26

3.2. Kebutuhan Perangkat ... 29

3.2.1. Kebutuhan Perangkat Keras ... 29

3.2.2. Kebutuhan Perangkat Lunak ... 29

3.3. Perancangan Perangkat Keras ... 29

3.3.1. Wiring Perangkat Keras... 30

3.3.2. Desain Miniatur Ruangan ... 33

3.4. Perancangan Perangkat Lunak ... 34

3.4.1. Pemrograman Algoritma ... 34

3.4.2. Perancangan GUI Web Server ... 37

3.4.3. Pemrograman Web Server ... 36

3.4.4. Pemrosesan Citra ... 41

BAB IV HASIL DAN PEMBAHASAN ... 43

4.1. Perubahan Rancangan ... 43

4.1.1. Desain Ruangan ... 43

4.1.2. Tampilan Web Server ... 44

4.1.3. Sensor Asap ... 45

4.2. Hasil Implementasi ... 45

4.2.1. Implementasi Perangkat Keras ... 45

4.2.2. Cara Kerja Sistem ... 48

4.3. Pengujian Sistem ... 49

4.3.1. Pengujian Sistem Pendeteksian Api ... 51

4.3.2. Pengujian Sistem Pendeteksian Asap ... 68

xiii

4.3.3. Pengujian Sistem Pemadam... 74 BAB V KESIMPULAN DAN SARAN ... 77 DAFTAR PUSTAKA ... 80 LAMPIRAN ... L-1

xiv

DAFTAR GAMBAR

Gambar 1.1. Diagram blok perancangan ... 4

Gambar 2.1. Model Raspberry Pi 3+ [9] ... 8

Gambar 2.2. GPIO Raspberry Pi 3+ [9] ... 8

Gambar 2.3. Webcam Logitech C270 [10] ... 10

Gambar 2.4. Citra dan piksel penyusunnya [16] ... 11

Gambar 2.5. Representasi citra RGB dan kanal warna penyusunnya [16] ... 12

Gambar 2.6. Citra konversi RGB ke grayscale [16] ... 13

Gambar 2.7. Ilustrasi perubahan nilai piksel pada proses thresholding (17) ... 14

Gambar 2.8. Citra hasil konversi grayscale menjadi biner (17) ... 15

Gambar 2.9. Rectangular Feature Haar Cascade [18] ... 15

Gambar 2.10. Skema filter pendeteksi obyek [18] ... 16

Gambar 2.11. Gambar bentuk dan simbol relay [19] ... 17

Gambar 2.12. Struktur sederhana relay [19]... 17

Gambar 2.13. Pompa air DC 12V [21] ... 18

Gambar 2.14. Network switch ZTE [23] ... 19

Gambar 2.15. Solenoid Valve [25] ... 20

Gambar 2.16. Sensor MQ7 [27] ... 21

Gambar 3.1. Diagram alir perancangan sistem program utama ... 27

Gambar 3.2. Diagram alir pengolahan gambar... 28

Gambar 3.3. Komunikasi perangkat keras... 30

Gambar 3.4. Wiring perangkat keras ... 31

Gambar 3.5. Desain perancangan alat ... 34

Gambar 3.6. Diagram alir haar cascade ... 35

Gambar 3.7. Diagram alir inisialisasi fungsi program dan web server ... 37

Gambar 3.8. Rancangan GUI web server ... 38

Gambar 3.9. Diagram alir streaming ruangan ... 39

Gambar 3.10. Diagram alir hasil tangkapan asap pada kamera... 40

Gambar 3.11. Diagram alir hasil tangkapan api pada kamera ... 40

Gambar 3.12. Diagram alir preprocessing ... 41

Gambar 3.13. Diagram alir processing ... 42

Gambar 4.1. Perubahan rancangan ruangan ... 44

xv

Gambar 4.3. Penempatan rangkaian pada ruangan tengah ... 46

Gambar 4.4. Penempatan rangkaian pada ruangan kamar tidur ... 46

Gambar 4.5. Penempatan rangkaian sistem utama ... 47

Gambar 4.6. Monitoring ruangan tengah ... 48

Gambar 4.7. Tampilan web server ruangan tengah terdeteksi ... 49

Gambar 4.8. Gambar positif untuk pelatihan sampel ... 50

Gambar 4.9. Gambar negatif untuk pelatihan sampel ... 51

Gambar 4.10. Fake fire kertas berwarna merah ... 52

Gambar 4.11. Fake fire foto api 1 ... 52

Gambar 4.12. Fake fire foto api 2 ... 52

Gambar 4.13. Fake fire foto api 3 ... 53

Gambar 4.14. Sistem berhasil mendeteksi api ... 53

Gambar 4.15. Ilustrasi pengklasifikasian data piksel ... 55

Gambar 4.16. Ilustrasi pengujian pendeteksian titik api pada ruangan tengah ... 55

Gambar 4.17. Ilustrasi pengujian pendeteksian titik api pada ruangan tidur ... 56

Gambar 4.18. Kurva rata-rata waktu pendeteksian ruangan tengah ... 66

Gambar 4.19. Kurva rata-rata waktu pendeteksian ruangan tidur ... 66

Gambar 4.20. Perintah penerjemah nilai analog ke digital... 69

Gambar 4.21. Listing program perhitungan tegangan sensor dan asap ... 71

Gambar 4.22. Hasil pendeteksian sensor asap pada ruangan tengah... 72

Gambar 4.23. Hasil pendeteksian kamera di ruangan tengah... 73

Gambar 4.24. Hasil pendeteksian kamera di ruangan tidur ... 73

xvi

DAFTAR TABEL

Tabel 2.1. Tabel model Raspberry Pi [7]... 7

Tabel 2.2. Warna dan nilai penyusun warna ... 13

Tabel 2.3. Spesifikasi MCP3008 [29] ... 22

Tabel 2.4. Klasifikasi matriks dengan metode confusion matrix [30] ... 24

Tabel 3.1. Piranti Input ... 31

Tabel 3.2. Piranti Output ... 32

Tabel 3.3. Alamat piranti Input ... 33

Tabel 3.4. Alamat piranti Output ... 33

Tabel 4.1. Pengklasifikasian data piksel ... 54

Tabel 4.2. Pengujian citra api lilin dengan intensitas cahaya 24 lux ruang tengah ... 57

Tabel 4.3. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 24 lux dengan jarak di ruang tengah ... 57

Tabel 4.4. Pengujian citra api korek gas dengan intensitas cahaya 24 lux di ruang tengah ... 58

Tabel 4.5. Ketepatan pendeteksian titik api citra api korek gas dengan intensitas cahaya 24 lux dengan jarak di ruang tengah ... 58

Tabel 4.6. Pengujian citra api lilin dengan intensitas cahaya 8-14 lux dengan jarak di ruang tengah ... 59

Tabel 4.7. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 8-14 lux dengan jarak di ruang tengah ... 60

Tabel 4.8. Pengujian citra api korek gas dengan intensitas cahaya 8-14 lux di ruang tengah ... 60

Tabel 4.9. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 24 lux dengan jarak ruang tengah ... 61

Tabel 4.10. Pengujian citra api lilin dengan intensitas cahaya 45 lux di ruang tidur ... 62

Tabel 4.11. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 45 lux dengan jarak di ruang tidur ... 62

Tabel 4.12. Pengujian citra api korek gas dengan intensitas cahaya 45 lux di ruang tidur . 63 Tabel 4.13. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 45 lux dengan jarak di ruang tidur ... 63

Tabel 4.14. Pengujian citra api lilin dengan intensitas cahaya 8-12 lux di ruang tidur ... 64

Tabel 4.15. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 8-12 lux dengan jarak di ruang tidur ... 64

Tabel 4.16. Pengujian citra api korek gas dengan intensitas cahaya 8-12 lux di ruang tidur ... 65

xvii

Tabel 4.17. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 8-12 lux

dengan jarak di ruang tidur ... 65

Tabel 4.18. Presentase keberhasilan api terdeteksi pada ruangan tengah ... 65

Tabel 4.19. Presentase keberhasilan api terdeteksi pada ruangan tidur... 66

Tabel 4.20. Hasil pembacaan nilai ADC CH0... 69

Tabel 4.21. Hasil pembacaan nilai ADC CH1... 70

Tabel 4.22. Pengujian MQ7 sebelum rangkaian terpasang penuh ... 71

Tabel 4.23. Pengujian MQ7 setelah rangkaian terpasang penuh ... 71

Tabel 4.24. Pengujian sistem pemadam langsung ... 75

Tabel 4.25. Pengujian sistem pemadam ruangan tengah ... 76

1

BAB I

PENDAHULUAN

1.1

Latar Belakang

Kebakaran adalah peristiwa yang tidak diinginkan yang dapat menyebabkan kerugian material dan nyawa. Untuk mencegah kerugian ini, maka dikembangkan berbagai sistem alarm yang bertujuan untuk mencegah dan mengatasi kebakaran seperti detektor asap dan gas, sensor suhu kontak maupun nonkontak, dan lain – lain. Seiring berkembangnya teknologi, maka sensor suhu, kamera, dan instrumen sensor lainnya menjadi lebih terjangkau sehingga banyak sistem alarm otomatis yang lebih luas kini tersedia. Selain itu, sehubungan dengan internet yang semakin maju maka dimungkinkan untuk transmisi data secara cepat dan murah melalui teknologi jaringan nirkabel. Ketersediaan komputer papan tunggal (singgle-board circuit) memungkinkan terciptanya berbagai sistem pemantauan otomatis yang memiliki konsumsi daya rendah, kemampuan pemrosesan yang lebih cepat dengan biaya yang rendah.

Sistem alarm kebakaran saat ini telah dikembangkan sedemikian rupa, namun masih sedikit sistem alarm kebakaran yang bertujuan untuk monitoring dan mendeteksi api sehingga kebakaran dapat dihindari. Berbagai penelitian dan banyak prototipe sistem pengawasan keamanan telah dikembangkan menggunakan berbagai platform. Salah satu perancang sistem ini bernama Cao et.al [1] merancang sistem alarm rumah cerdas yang terdiri atas fitur anti pencurian, fitur anti-api, dan fitur kebocoran gas menggunakan single

chip microcomputer (SCM) AT895C1 dan chip suara ISDI420. Dua SCM ini digunakan

untuk menampilkan konsentrasi gas dan host alarm ketika sinyal alarm dikirim dengan menggunakan transmisi nirkabel. Ketika sensor mendeteksi asap, pesan suara akan dikirim ke departemen terkait. Namun jika terjadi kesalahan selama deteksi, maka kemungkinan alarm palsu akan dikirimkan karena sistem ini tidak menyertakan konfirmasi pengguna.

Peneliti bernama Rezha et.al [2] merancang sistem pencari posisi darah putih dalam gambar menggunakan algoritma haar cascade classifier. Hasil dari penelitiannya

nilai presisi dan daya ingat masing-masing 95% dan 74%. Algoritma haar cascade

classifier juga mampu memvariasikan sel darah putih dari benda lain yang memiliki warna yang hampir menyerupai sel darah putih. Selain itu, peneliti lain bernama Pranamurti et.al [3] merancang sistem pendeteksi titik api menggunakan pemrosesan gambar dengan alogritma haar cascade classifier. Sistem ini menggunakan kamera

sebagai input, Raspberry Pi sebagai alat untuk pemrosesan gambar, dan smartphone sebagai output monitoring. Hasil penelitian yang di dapatkan yaitu tingkat kecerahan sangat berpengaruh dalam mencari titik api. Selain itu, sistem ini mengirimkan peringatan langsung kepada pemadam kebakaran tanpa konfirmasi dari pengguna sehingga kemungkinan terjadi sistem akan mengirimkan peringatan palsu atau fake fire kepapada pemadam.

Solusi untuk masalah dari penelitian sebelumnya adalah mengembangkan sistem alarm baru yang menggunakan Closed Circuit Television (CCTV) atau kamera sebagai alat monitoring. Permasalahannya adalah CCTV hanya bisa mengawasi saja, maka perlu ditambahkan fungsi pada CCTV sehingga bisa memproses gambar yang ditampilkan. Cara kerja sistem ini adalah menggabungkan pemrosesan gambar dalam pengawasan kamera dan sensor asap sehingga ketika kamera mendeteksi atau merekam keberadaan asap atau percikan api, maka sistem akan menampilkan gambar tangkapan kamera pada

webserver dan melaporkannya kepada pengguna untuk dilakukan pemeriksaan tangkapan

kamera pada webserver serta meminta konfirmasi pengguna untuk dilakukan penanganan kebakaran menggunakan pompa air dan nozzle. Selain itu, pemrosesan gambar menggunakan metode algoritma haar cascade classifier agar dapat mendeteksi titik api dalam suatu ruangan serta membedakan api dengan objek lain berdasarkan warna, ukuran dan bentuk.

Dari masalah diatas maka dirancanglah sistem monitoring dan deteksi dini api yang menggunakan komputer papan tunggal yang lebih murah yaitu Raspberry Pi 3. Raspberry Pi 3 sebagai master yang memonitoring adanya indikasi kebakaran dan pemadaman kebakaran. Dengan adanya sistem ini, kebakaran dapat dicegah pada suatu ruangan dengan monitoring jarak jauh.

1.2

Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah menciptakan alat untuk monitoring dan deteksi dini api pada suatu ruangan menggunakan Raspberry Pi 3 dengan algoritma Haar

Cascade Classifier. Manfaat yang ingin dicapai pada penelitian ini, yaitu:

1. Membuat sistem multifungsi pencegahan dan penanganan kebakaran pada rumah.

2. Memberikan kemudahan bagi pengguna yang awam terhadap sistem ini untuk dapat memonitor langsung keadaan suatu ruangan.

1.3

Batasan Masalah

Pembatasan masalah perlu dilakukan agar tugas akhir ini tetap mengarah pada tujuan dan menghindari kompleksnya permasalahan-permasalahan lain yang muncul. Batasan masalah tersebut adalah sebagai berikut:

1. Menggunakan webcam untuk monitoring posisi letak api dan asap.

2. Penggunaan tambahan sensor MQ7 sebagai pendeteksi asap apabila webcam tidak dapat mengenali adanya asap.

3. Perancangan web server untuk hasil monitor dari webcam menggunakan Raspberry Pi 3.

4. Menggunakan pompa air DC 12V dan nozzle sebagai pemadam kebakaran. 5. Relay sebagai saklar pengendalian on-off pompa air dan aliran air solenoid valve. 6. Menggunakan aplikasi Cascade Trainer GUI dengan algortima haar cascade

classifier sebagai pendeteksi titik api.

7. Penggunaan host online sebagai web server. Apabila tidak dimungkinkan, digunakan host local dengan modul flask sebagai web server.

8. Perancangan ini menggunakan simulasi 2 ruangan yang masing – masing terdapat 1 webcam.

9. Kondisi ruangan yang dideteksi pada simulasi dilakukan pada siang hari dan malam hari.

1.4

Metodologi Penelitian

Pengerjaan tugas akhir ini terbagi menjadi beberapa tahap sebagai berikut:

1. Studi literatur, yaitu dengan cara mempelajari dan mengumpulkan bahan – bahan referensi sebagai acuan dalam melakukan penelitian. Referensi yang dikumpulkan adalah mengenai pemrograman menggunakan Raspberry Pi 3,

webcam serta webserver yang digunakan untuk memonitoring sistem ini.

2. Perancangan sistem

Berikut gambar 1.1 adalah perancangan alat yang akan digunakan pada sistem yang akan dibuat :

3. Perancangan web server

Pembuatan desain dari web server yang nantinya akan diakses oleh pengguna untuk monitoring dengan menggunakan Raspberry Pi 3 yang mengacu pada batasan – batasan masalah tentang web server.

4. Implementasi

Dilakukan implementasi terhadap rancangan yang telah dibuat, baik itu rancangan perangkat lunak ataupun hardware. Rancangan ini nantinya akan membentuk sistem secara keseluruhan.

5. Proses uji coba

Proses pengujian dilakukan dengan pengiriman data dari ke Raspberry serta pengiriman data layanan pesan singkat kepada pengguna. Pengujian proses monitoring dapat dilakukan dengan melihat hasil capture webcam pada webserver oleh pengguna. Apabila terjadi indikasi kebakaran, maka pompa air menyala sehingga nozzle mengeluarkan air.

6. Proses pengambilan data

Gambar 1.1 Diagram blok perancangan sistem

Proses pengambilan data dengan mengamati sistem apa sudah sesusai yang diinginkan dengan cara melihat hasil capture gambar apabila terdeteksi ada api dan asap yang berlebih. Serta penerimaan data dari sensor api dan asap agar sesuai dengan hasil capture dari webcam.

7. Analisi dan pengambilan kesimpulan

Analisi dilakukan dengan mengamati sistem berhasil atau tidaknya sesuai dengan perancangan sebelumnya, serta menganalisis keluaran dari sensor asap dan

1

BAB II

DASAR TEORI

2.1. Kebakaran

Kebakaran adalah suatu reaksi oksidasi eksotermis yang berlangsung dengan cepat dari suatu bahan bakar yang disertai dengan timbulnya api/penyalaan. Penyebab umum kebakaran bersumber pada 3 faktor [4], yaitu :

a. Faktor manusia yang meliputi human error, kurangnya disiplin dan minim pengawasan.

b. Faktor teknis yaitu peningkatan suhu yang menyebabkan timbulnya panas yang berlebih disekitar bahan – bahan yang mudah terbakar, penggunaan bahan – bahan kimia yang tidak sesuai dengan petunjuk yang ada, serta hubungan arus pendek arus listrik.

c. Faktor alam yang berupa gempa bumi, petir, dan sebagainya.

2.1.1. Efek Kebakaran

Peristiwa kebakaran menimbulkan efek berbahaya antara lain [5] :

a. Asap, yaitu kumpulan partikel zat carbon ukuran kurang dari 0,5 micron sebagai hasil dari pembakaran tak sempurna dan bahan yang mengandung karbon. Asap memberikan efek berupa iritasi pada mata, selaput lendir pada hidung dan kerongkongan.

b. Panas, yaitu suatu bentuk energi yang pada 300oF dapat dikatakan sebagai temperatur tertinggi di mana manusia dapat bertahan /bernafas hanya dalam waktu yang singkat. Panas memberikan efek berupa tubuh kehilangan cairan dan tenaga, luka bakar/terbakar pada kulit dan pernafasan, mematikan jantung.

c. Nyala/Flame, biasa timbul pada proses pembakaran sempurna dan membentuk cahaya berkilauan.

d. Gas beracun.

2.2. Raspberry Pi

Raspberry Pi atau disingkat dengan nama Raspi, adalah komputer papan tunggal (single-board circuit) yang seukuran dengan kartu kredit yang dapat digunakan untuk menjalankan program perkantoran, permainan komputer, dan sebagai pemutar media hingga video beresolusi tinggi [6].

Model – model dan spesifikasi dari Raspberry Pi diperlihatkan pada tabel 2.1.

2.2.1. Arsitektur Hardware Raspberry Pi 3 B+

Raspberry Pi yang digunakan pada penelitian ini yaitu Raspberry Pi 3 Model B+ yang menggunakan chipset SOC BCM2837. SOC (System On Chip) adalah integrated circuit (IC) yang di dalamnya telah mengintegrasikan seluruh komponen komputer atau sistem elektronik lain.

BCM2837 merupakan prosesor yang memiliki empat core dengan kecepatan pemrosesan 1.4 GHz dan SDRAM 1GB. Raspberry Pi 3 B+ memiliki Camera Serial

Interface (DSI), Display Serial Interface (DSI), Ethernet, serta mendukung hingga 4 port

USB 2.0. Gambar 2.2 memperlihatkan bentuk fisik dari Raspberry Pi 3 B+ sedangkan gambar 2.3 menampilkan GPIO (General Purpose Input Output) Raspberry Pi 3 B+. GPIO adalah kumpulan pin yang dapat diprogram untuk melakukan berbagai tugas [8].

2.2.2. Pemrograman Raspberry Pi 3

Bahasa pemrograman yang digunakan oleh Raspberry Pi 3 adalah Python. Python adalah bahasa pemrograman tinggi yang bisa melakukan eksekusi sejumlah instruksi multi guna secara langsung (interpretatif) dengan metode Object Oriented Programming dan juga menggunakan semantik dinamis untuk memberikan tingkat keterbacaan syntax. Sebagai bahasa pemrograman tinggi, python dapat dipelajari dengan mudah karena telah dilengkapi

Gambar 2.1 Model Raspberry Pi 3+ [9]

dengan manajemen memori otomatis [10]. Bahasa pemrograman yang dirancang oleh Guido van Rossum ini sebenarnya sangat banyak digunakan untuk membuat program yang sangat sering dipakai oleh masyarakat umum. Sebut saja program GUI (desktop), aplikasi

smartphone, program CLI, IoT, game, web, program untuk hacking dan masih banyak lagi.

Python merupakan bahasa pemrograman yang tidak sulit untuk dipelajari. Alasan utama dari pernyataan ini adalah struktur sintak yang rapi dan lebih mudah dipahami dibandingkan bahasa pemrograman lainnya [11].

2.2.3. Web Server Flask Raspberry Pi 3

Salah satu kegunaan Raspberry Pi yang paling popular adalah sebagai web server yang ada di jaringan lokal. Raspberry Pi adalah pilihan yang tepat apabila memerlukan intranet untuk kantor atau server kecil untuk pengembangan web. Untuk membuat web

server berfungsi, Raspberry Pi perlu terhubung ke jaringan lokal dan harus menjalankan

versi yang cukup dari sistem operasi Raspbian. Instruksi akan bekerja pada hamper semua model, termasuk Raspbery Pi 4 yang kuat dan Raspberry Pi Zero W yang kecil [12]. Web

server yang digunakan dalam perancangan ini berupa web server Flask yang mudah

digunakan namun hanya bisa digunakan pada server lokal saja.

2.3. Webcam

Webcam disebut pula ‘web camera’ adalah peragkat keras komputer yang berbentuk

kamera digital dan dihubungkan ke laptop ataupun komputer. Kemampuanya sama seperti kamera digital lainya, mengambil gambar, merekam video. Hanya saja, webcam dilengkapi pula dengan kemampuan merekan dan mengambil gambar secara live. Artinya, pengguna komputer bisa mengirim video dan gambar secara langsung ke pengguna lain di seluruh dunia melalui jaringan internet. Menurut Wikipedia, webcam berasal dari dua kata: web dan

camera, yang merujuk pada kamera berkemampuan realtime. Umumnya, webcam

dilengkapi dengan sejumlah fitur utama, seperti Mikrofon, bisa disesuaikan posisinya, sensor terpasang secara build in, lampu indikator dan lain sebagainya. Berkat perkembangan beberapa aplikasi video call, penggunaan webcam menjadi semakin marak, misalnya saja untuk Skype [13].

Webcam dalam perancangan perangkat keras pada penelitian ini berfungsi sebagai input

video. Dalam penelitian ini, objek yang ditangkap oleh webcam berupa titik api atau asap dalam suatu ruangan. Webcam yang digunakan akan tersambung oleh Raspberry

menggunakan kabel usb sehingga hasil tangkapan webcam dapat diolah melalui algoritma yang sudah disiapkan pada Raspberry.

Webcam yang digunakan dalam penelitian ini merupakan webcam Logitech C270. Webcam ini ini mampu mengambil gambar atau video dengan resolusi maksimal 720p

dengan 30fps. Selain itu, webcam ini juga kompatibel dengan Windows 10 dan Raspberry Pi B+ yang digunakan [14]. Contoh webcam dapat dilihat pada gambar 2.3.

2.4. Open CV

OpenCV (Open Source Computer Vision Library), adalah sebuah library open source yang dikembangkan oleh Intel yang fokus untuk menyederhanakan programing terkait citra digital. Di dalam OpenCV sudah mempunyai banyak fitur, antara lain : pengenalan wajah, pelacakan wajah, deteksi wajah, Kalman filtering, dan berbagai jenis metode AI (Artificial

Intellegence). Dan menyediakan berbagai algoritma sederhana terkait Computer Vision

untuk low level API [15]. Dalam penelitian ini, OpenCV berperan sebagai library yang menyediakan algoritma bagi Python untuk dapat mengolah gambar hasil input dari webcam.

2.5. Pengolahan Citra

Pengolahan Citra Digital (Digital Image Processing) merupakan bidang ilmu yang mempelajari tentang bagaimana suatu citra itu dibentuk, diolah, dan dianalisis sehingga menghasilkan informasi yang dapat dipahami oleh manusia. Berdasarkan bentuk sinyal penyusunnya, citra dapat digolongkan menjadi dua jenis yaitu citra analog dan citra digital. Citra analog adalah citra yang dibentuk dari sinyal analog yang bersifat kontinyu, sedangkan citra digital adalah citra yang dibentuk dari sinyal digital yang bersifat diskrit.

Citra analog dihasilkan dari alat akuisisi citra analog, contohnya adalah mata manusia dan kamera analog. Gambaran yang tertangkap oleh mata manusia dan foto atau film yang tertangkap oleh kamera analog merupakan contoh dari citra analog. Citra tersebut memiliki kualitas dengan tingkat kerincian (resolusi) yang sangat baik tetapi memiliki kelemahan di antaranya adalah tidak dapat disimpan, diolah, dan diduplikasi di dalam komputer.

Citra digital merupakan representasi dari fungsi intensitas cahaya dalam bentuk diskrit pada bidang dua dimensi. Citra tersusun oleh sekumpulan piksel (picture element) yang memiliki koordinat (x,y) dan amplitudo f(x,y). Koordinat (x,y) menunjukkan letak/posisi piksel dalam suatu citra, sedangkan amplitudo f(x,y) menunjukkan nilai intensitas warna citra [16]. Representasi citra digital beserta piksel penyusunnya ditunjukkan pada Gambar 2.4 di atas.

2.5.1. Citra RGB

Pada umumnya, berdasarkan kombinasi warna pada piksel, citra dibagi menjadi tiga jenis yaitu citra RGB, citra grayscale, dan citra biner. Citra pada Gambar 2.4 termasuk dalam jenis citra RGB truecolor 24-bit. Citra tersebut tersusun oleh tiga kanal warna yaitu kanal merah, kanal hijau, dan kanal biru. Masing-masing kanal warna memiliki nilai intensitas piksel dengan kedalaman bit sebesar 8-bit yang artinya memiliki variasi warna sebanyak 2^8 derajat warna (0 s.d 255). Pada kanal merah, warna merah sempurna direpresentasikan dengan nilai 255 dan hitam sempurna dengan nilai 0. Pada kanal hijau, warna hijau sempurna

direpresentasikan dengan nilai 255 dan hitam sempurna dengan nilai 0. Begitu juga pada kanal biru, warna biru sempurna direpresentasikan dengan nilai 255 dan hitam sempurna dengan nilai 0 [16]. Representasi citra RGB dan masing-masing kanal warna penyusunnya ditunjukkan pada Gambar 2.5.

Setiap piksel pada citra RGB, memiliki intensitas warna yang merupakan kombinasi dari tiga nilai intensitas pada kanal R, G, dan B. Sebagai contoh, suatu piksel yang memiliki nilai intensitas warna sebesar 255 pada kanal merah, 255 pada kanal hijau, dan 0 pada kanal biru akan menghasilkan warna kuning. Pada contoh lain, suatu piksel yang memiliki nilai intensitas warna sebesar 255 pada kanal merah, 102 pada kanal hijau, dan 0 pada kanal biru akan menghasilkan warna orange. Banyaknya kombinasi warna piksel yang mungkin pada citra RGB truecolor 24-bit adalah sebanyak 256 x 256 x 256 = 16.777.216 [16]. Representasi nilai intensitas piksel dengan kombinasi warna R, G, dan B ditunjukkan pada tabel 2.2.

2.5.2. Citra Grayscale

Citra grayscale merupakan citra yang nilai intensitas pikselnya didasarkan pada derajat keabuan. Pada citra grayscale 8-bit, derajat warna hitam sampai dengan putih dibagi ke dalam 256 derajat keabuan di mana warna hitam sempurna direpresentasikan dengan nilai 0 dan putih sempurna dengan nilai 255. Citra RGB dapat dikonversi menjadi citra grayscale sehingga dihasilkan hanya satu kanal warna [16]. Citra konversi RGB menjadi grayscale ditunjukan pada gambar 2.6.

Warna R G B Yellow 255 255 0 Orange 255 102 0 Green 0 255 0 Cyan 0 255 255 Violet 204 102 204 White 255 255 255 Black 0 0 0 Turquoise 102 255 204 Brown 153 102 51

Tabel 2.2. Warna dan nilai penyusun warna

2.5.3. Citra Biner

Citra biner adalah citra yang pikselnya memiliki kedalaman bit sebesar 1 bit sehingga hanya memiliki dua nilai intensitas warna yaitu 0 (hitam) dan 1 (putih). Citra grayscale dapat dikonversi menjadi citra biner melalui proses thresholding. Proses tersebut dilakukan untuk memisahkan antara foreground (objek yang dikehendaki) dengan background (objek lain yang tidak dikehendaki). Pada hasil segmentasi, foreground direpresentasikan oleh warna putih (1) dan background direpresentasikan oleh warna hitam (0). Pada kasus segmentasi pada satu citra saja, kita dapat menentukan nilai threshold dengan metode trial and error. Namun pada kasus segmentasi pada citra dengan jumlah yang banyak, dibutuhkan suatu metode untuk menentukan nilai threshold secara otomatis. Nilai threshold dapat diperoleh secara otomatis dengan menggunakan metode Otsu. Berikut merupakan contoh ilustrasi perubahan nilai piksel pada proses thresholding pada gambar 2.7.

Dalam proses thresholding, dibutuhkan suatu nilai threshold sebagai nilai pembatas konversi. Nilai intensitas piksel yang lebih besar atau sama dengan nilai threshold akan dikonversi menjadi 1. Sedangkan nilai intensitas piksel yang kurang dari nilai threshold akan dikonversi menjadi 0. Misalnya nilai threshold yang digunakan adalah 128, maka piksel yang mempunyai intensitas kurang dari 128 akan diubah menjadi 0 (hitam) dan yang lebih dari atau sama dengan 128 akan diubah menjadi 1 (putih) [16]. Citra hasil konversi grayscale menjadi biner dengan thresholding yang menggunakan metode Otsu ditunjukan pada gambar 2.8 dibawah ini.

2.6. Haar Cascade Classifier

Haar Cascade Classifier atau Haar-like features merupakan metode yang lazim digunakan dalam pendeteksian obyek. Haar-like features merupakan rectangular features (fungsi persegi), yang memberikan indikasi secara spesifik pada sebuah gambar atau image. Prinsip Haar-like features adalah mengenali obyek berdasarkan nilai sederhana dari fitur tetapi bukan merupakan nilai piksel dari image obyek tersebut. Metode ini memiliki kelebihan yaitu komputasinya sangat cepat, karena hanya bergantung pada jumlah piksel dalam persegi bukan setiap nilai piksel dari sebuah image. Haar like feature memproses citra dalam sebuah kotak persegi dengan ukuran tertentu misalnya 24 x 24 pixel seperti ditunjukkan pada gambar 2.9 dibawah ini.

Di dalam kotak inilah proses filtering obyek dilakukan untuk diketahui apakah ada atau tidak obyek yang akan dideteksi. Proses filterisasi ini dilakukan secara bertingkat yang menyebabkan metode ini nantinya disebut sebagai Haar Cascade Classifier seperti ditunjukkan pada skema filter di gambar 2.10 berikut.

Gambar 2.8. Citra hasil konversi grayscale menjadi biner (17)

Hasil deteksi Haar-like Feature kurang akurat jika hanya menggunakan satu fungsi saja. Semakin tinggi tingkatan filter pendeteksian maka semakin tepat pula sebuah obyek dideteksi akan tetapi akan semakin lama proses pendeteksiannya. Pemrosesan Haar-like feature yang banyak tersebut diatur dalam classifier cascade. Haar-Wavelet (Wave = Gelombang) merupakan gelombang persegi (interval gelap dan interval terang) yang kemudian dibandingkan nilai rata-rata pixel keduanya. Apabila perbandingan nilai rata-rata intensitas tersebut berada di atas threshold (ambang batas), maka dikatakan memenuhi syarat fitur Haar. Untuk gambar bergerak seperti video, proses ini dilakukan secara diskrit dengan mencuplik video pada frame rate tertentu [18]. Dalam penelian ini, haar cascade classifier berfungsi sebagai sensor dalam suatu ruangan yang akan mendeteksi adanya api dan mengolahnya menggunakan haar cascade classifier.

2.7. Relay

Relay adalah Saklar (switch) yang dioperasikan secara listrik dan merupakan komponen Electromechanical (elektromekanikal) yang terdiri dari 2 bagian utama yakni elektromagnet (coil) dan Mekanikal (seperangkat kontak saklar/switch). Relay menggunakan prinsip rlektromagnetik untuk menggerakkan kontak saklar sehingga dengan arus listrik yang kecil (low power) dapat menghantarkan listrik yang bertegangan lebih tinggi. Sebagai contoh, dengan relay yang menggunakan rlektromagnet 5V dan 50 mA mampu menggerakan armature relay (yang berfungsi sebagai saklarnya) untuk menghantarkan listrik 220V 2A. Gambar bentuk dan simbol relay dapat dilihat pada gambar 2.11 dibawah ini.

Pada dasarnya, Relay terdiri dari 4 komponen dasar yaitu :

a. Electromagnet (Coil) b. Armature

c. Switch Contact Point (Saklar) d. Spring

Kontak Poin (Contact Point) Relay terdiri dari 2 jenis yaitu :

 Normally Close (NC) yaitu kondisi awal sebelum diaktifkan akan selalu berada di

posisi CLOSE (tertutup)

 Normally Open (NO) yaitu kondisi awal sebelum diaktifkan akan selalu berada di

posisi OPEN (terbuka)

Gambar 2.11. Gambar bentuk dan simbol relay [19]

Berdasarkan gambar 2.12 diatas, sebuah besi (iron core) yang dililit oleh sebuah kumparan coil yang berfungsi untuk mengendalikan besi tersebut. Apabila kumparan coil diberikan arus listrik, maka akan timbul gaya elektromagnet yang kemudian menarik

armature untuk berpindah dari posisi sebelumnya (NC) ke posisi baru (NO) sehingga

menjadi saklar yang dapat menghantarkan arus listrik di posisi barunya (NO). Posisi dimana

armature tersebut berada sebelumnya (NC) akan menjadi OPEN atau tidak terhubung. Pada

saat tidak dialiri arus listrik, Armature akan kembali lagi ke posisi Awal (NC). Coil yang digunakan oleh relay untuk menarik contact point ke Posisi Close pada umumnya hanya membutuhkan arus listrik yang relatif kecil [19]. Pada perancangan alat keras ini, relay digunakan yaitu relay 4 channel sebagai saklar on/off pada pompa air 12V.

2.8. Pompa Air 12V

Pompa air berfungsi sebagai pemompa air dari suatu penampungan ke tempat lain. Prinsip kerja pompa air tergantung pada prinsip perpindahan positif serta energi kinetik untuk mendorong air. Pompa air menggunakan daya AC selain daya DC untuk memberi energi pada motor pompa air sedangkan yang lain dapat diberi energi jenis driver lain seperti mesin bensin selain diesel. Pompa air adalah perangkat portabel dan dapat diterapkan di beberapa aplikasi rumah tangga [20]. Pompa air yang digunakan dalam perancangan ini yaitu Pompa air DC 12V yang dapat dilihat pada gambar 2.13. Pompa air ini disambungkan ke pipa dan nozzle yang berfungsi sebagai pemadam api apabila terindikasi adanya kebakaran. Pompa air DC 12V ini memiliki spesifikasi sebagai berikut :

a. Sumber tenaga : Aki 12V atau adaptor DC 12V (arus 2,1A) b. Daya sedot : 1,6 liter per menit

c. Tekanan sembur air : 5 bar

d. Material pembungkus : Plastik dan karet

2.9. Network Switch

Switch adalah sebuah perangkat jaringan pada komputer yang menghubungkan perangkat pada sebuah jaringan komputer dengan menggunakan pertukaran paket untuk menerima, memproses dan meneruskan data ke perangkat yang dituju. Membicarakan tentang jaringan komputer tentu tidak jauh dari pembahasan tentang apa saja perangkat yang digunakan dalam bidang tersebut. Perangkat untuk jaringan komputer ini lebih sering kita kenal dengan sebutan network device. Beberapa contoh dari network device adalah NIC,

repeater, modem, bridge, router, hub, dan switch.

Switch juga dianggap sebagai jembatan dengan banyak port yang menggunakan alamat dari hardware untuk memproses dan mengirimkan data pada layer kedua dari model OSI. Beberapa jenis switch juga bisa memproses data pada layer ketiga dengan menambahkan fungsi routing yang biasanya memakai alamat IP untuk melakukan pengiriman paket. Itulah sebabnya mengapa ada yang membedakan switch menjadi dua jenis, yaitu switch layer dua dan switch layer tiga. Contoh model switch dapat dilihat pada gambar 2.14 dibawah ini.

Fungsi utama dari sebuah switch adalah menerima informasi dari berbagai sumber yang tersambung dengannya, kemudian menyalurkan informasi tersebut kepada pihak yang membutuhkannya saja [22]. Switch yang digunakan pada perancangan adalah Switch ZTE GPON ONT ZXHN F609 yang berfungsi sebagai streaming, upload gambar, dan koneksi

web server.

2.10. Solenoid Valve

Katup solenoid memiliki tampilan yang cukup khas. Solenoid valve memiliki tubuh katup, tetapi di atas mereka memiliki blok dengan beberapa kabel. Bagian atas ini adalah solenoid dan bagian bawah adalah katup, oleh karena itu disebut katup solenoid valve. Katup ini memiliki beragam bentuk dan ukuran. Variasi bentuk tergantung pada kapasitas katup, tekanan yang bekerja dengannya dan mekanisme internal yang berbeda [24].

Cara kerja solenoid valve yaitu awalnya sensor merasakan proses menuju sisi outlet dari katup solenoid. Ketika merasakan bahwa jumlah tertentu dari aliran cairan diperlukan, arus dapat melewati katup solenoid. Selanjutnya katup mendapat energi dan medan magnet dihasilkan yang memicu gerakan pendorong terhadap aksi pegas. Karena ini, pendorong bergerak ke arah atas, yang memungkinkan pembukaan lubang. Pada saat ini aliran fluida diizinkan dari port inlet ke port outlet. Jika arus yang melewati katup solenoid konstan, posisi plunger dan lubang orifis tetap konstan. Jika sensor merasakan bahwa dibutuhkan lebih banyak aliran fluida, ini memungkinkan peningkatan arus yang melewati katup solenoid, yang menciptakan lebih banyak medan magnet dan lebih banyak gerakan ke atas dari plunger. Hal ini menyebabkan pembukaan lubang lebih lanjut dan lebih banyak aliran cairan dari port inlet ke outlet. Jika aliran fluida yang dibutuhkan kurang, sensor memungkinkan lewatnya arus yang lebih kecil ke katup solenoid. Ketika sensor merasakan bahwa cairan tidak lagi diperlukan dalam proses, itu menghentikan aliran arus ke katup solenoid sepenuhnya. Karena hal ini, solenoid valve mengalami de-energized dan plunger mencapai posisi paling bawah dan menutup lubang sepenuhnya sehingga menghentikan aliran cairan dari port inlet ke port outlet. Dengan cara ini koil solenoid mengoperasikan katup seolah-olah dioperasikan oleh manusia. Ketika aliran jumlah cairan tertentu diperlukan, itu

membuka katup ke tingkat yang diperlukan dan ketika aliran tidak diperlukan itu menutup katup sepenuhnya [26].

2.11. Sensor Asap MQ7

MQ7 adalah salah satu sensor gas yang umum digunakan dalam seri sensor MQ. Sensor gas ini memiliki tipe logam oksida semikonduktor yang juga dikenal sebagai

Cheremiresistors karena pendeteksiannya berdasarkan pada perubahan resistansi bahan

penginderaan ketika gas bersentuhan dengan benda tersebut. Sensor gas MQ7 menggunakan jaringan pembagi tegangan sederhana sehingga konsentrasi gas dapat dideteksi. Bentuk sensor gas MQ7 dapat dilihat pada gambar 2.16. Sensor gas MQ7 memiliki spesifikasi sebagai berikut : a. Tegangan kerja : 1.5V – 5V b. Resistansi beban : 2KΩ – 20KΩ c. Konsumsi daya : <350 mW d. Range pengukuran : 10 – 10.000 ppm

Bahan sensitif sensor gas MQ7 adalah SnO2, yang memiliki konduktivitas lebih rendah di udara bersih dan pendeteksian dengan metode siklus suhu tinggi dan rendah, serta mendeteksi CO saat suhu rendah (dipanaskan oleh 1.5V). Konduktivitas sensor semakin tinggi seiring dengan meningkatnya konsentrasi gas. Ketika suhu tinggi (dipanaskan oleh 5.0V), sensor membersihkan gas lain yang terserap di bawah suhu rendah [27]. Pada penelitian ini, sensor MQ7 berfungsi sebagai sensor yang mendeteksi adanya asap yang muncul ketika terindikasi kebakaran. Apabila sensor MQ7 mendeteksi adanya asap, maka

webcam akan mengambil gambar dan mengirimkannya ke webserver. Nilai resistansi sensor

dapat dihitung dengan menggunakan persamaan 2.1 dan 2.2 berdasarkan tingkat kenaikan ppm.

𝑅𝑠 = (𝑉𝑐𝑐 − 𝑉𝑅𝐿) 𝑉𝑅𝐿 𝑥𝑅𝐿 𝑅 = 𝑅𝑠/𝑅𝑜

Nilai Vcc pada Raspberry adalah ± 5V, RL pada module MQ7 FC-22 adalah 1k ohm berdasarkan data sheet dan nilai VRL berdasarkan tegangan yang dihasilkan oleh sensor. Selain itu, nilai Ro dicari dengan menggunakan permisalan dari perbandingan resistansi sensor pada 100 ppm udara bersih dan nilai Rs adalah berupa nilai dari resistansi sensor pada berbagai konsentrasi gas atau asap.

2.12. Analog to Digital Converter

ADC atau Analog to Digital Converter adalah pengubah input analog menjadi kode – kode digital. ADC banyak digunakan sebagai Pengatur proses industri, komunikasi digital dan rangkaian pengukuran/ pengujian. Umumnya ADC digunakan sebagai perantara antara sensor yang kebanyakan analog dengan sistim komputer seperti sensor suhu, cahaya, tekanan/ berat, aliran dan sebagainya kemudian diukur dengan menggunakan sistim digital (komputer) [28]. ADC yang digunakan pada penelitian ini adalah MCP3008 dengan spesifikasi sebagai berikut :

Name Value

Max Sample Rate (ksamples/sec) 200 Typ. INL ± (LSB) 0.5 Max. Supply Current (µA) 500

Input Type Single-ended Input Channels 8

Resolution (bits) 10

Interface SPI

Temp Range (°C) -40 to + 85°C Input Voltage Range (V) 0 to 5.5

(2.1) (2.2)

Tujuan penggunaan ADC pada penelitian ini untuk mengkonversikan nilai analog MQ7 yang digunakan sebagai pendeteksi asap ke nilai digital pada Raspberry pi sehingga nilai yang muncul dapat diukur dengan jelas dan akurat. ADC dapat dihitung dengan menggunakan persamaan 2.1 dan V terbaca dapat dihitung dengan menggunakan persamaan 2.2.

𝐴𝐷𝐶 = 𝑉𝑖𝑛

𝑉𝑟𝑒𝑓𝑥1023 𝑉𝑡𝑒𝑟𝑏𝑎𝑐𝑎 = 𝐴𝐷𝐶

1023𝑥𝑉𝑟𝑒𝑓

2.14. Klasifikasi Matriks Gambar Citra Api dengan Metode Confusion

Matrix

Pengukuran terhadap kinerja suatu sistem klasifikasi merupakan hal yang penting. Kinerja sistem klasifikasi menggambarkan seberapa baik sistem dalam mengklasifikasikan data. Confusion matrix merupakan salah satu metode yang dapat digunakan untuk mengukur kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix mengandung informasi yang membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil klasifikasi yang seharusnya⁠.

Berdasarkan jumlah keluaran kelasnya, sistem klasifikasi dapat dibagi menjadi 4 (empat) jenis yaitu klasifikasi binary, multi-class, multi-label dan hierarchical⁠. Pada klasifikasi binary, data masukan dikelompokkan ke dalam salah satu dari dua kelas. Jenis klasifikasi ini merupakan bentuk klasifikasi yang paling sederhana dan banyak digunakan. Contoh penggunaannya antara lain dalam sistem yang melakukan deteksi orang atau bukan, sistem deteksi kendaraan atau bukan, dan sistem deteksi pergerakan atau bukan.

Sementara itu, pada bentuk klasifikasi multi-class, data masukan diklasifikasikan menjadi beberapa kelas. Sebagai contoh sistem yang dapat mengklasifikasikan jenis kendaraan seperti sepeda, sepeda motor, mobil, bus, truk, dan sebagainya. Bentuk klasifikasi multi-label pada dasarnya sama dengan multi-class dimana data dikelompokkan menjadi beberapa kelas, namun pada klasifikasi multi-label, data dapat dimasukkan dalam beberapa kelas sekaligus. Bentuk klasifikasi yang terakhir adalah hierarchical. Data masukan dikelompokkan menjadi beberapa kelas, namun kelas tersebut dapat dikelompokkan kembali menjadi kelas-kelas yang lebih sederhana secara hirarkis.

(2.3) (2.4)

Contohnya dalam penelitian ini, arah pergerakan dikelompokkan menjadi 12 arah pergerakan yang tentunya dapat disederhanakan menjadi 4 arah.

Pada pengukuran kinerja menggunakan confusion matrix, terdapat 4 (empat) istilah sebagai representasi hasil proses klasifikasi. Keempat istilah tersebut adalah True

Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN). Nilai True Negative (TN) merupakan jumlah data negatif yang terdeteksi dengan benar,

sedangkan False Positive (FP) merupakan data negatif namun terdeteksi sebagai data positif. Sementara itu, True Positive (TP) merupakan data positif yang terdeteksi benar. False

Negative (FN) merupakan kebalikan dari True Positive, sehingga data posifit, namun

terdeteksi sebagai data negatif. Pada jenis klasifikasi binary yang hanya memiliki 2 keluaran kelas, confusion matrix dapat disajikan seperti pada tabel 2.4.

Kelas Terklasifikasi Positif Terklasifikasi Negatif Positif TP (True Positive) FN (False Negative) Negatif FP (False Positive) TN (True Negative) Berdasarkan nilai True Negative (TN), False Positive (FP), False Negative (FN), dan True Positive (TP) dapat diperoleh nilai akurasi, presisi dan recall. Nilai akurasi menggambarkan seberapa akurat sistem dapat mengklasifikasikan data secara benar. Dengan kata lain, nilai akurasi merupakan perbandingan antara data yang terklasifikasi benar dengan keseluruhan data. Nilai akurasi dapat diperoleh dengan persamaan 2.5. Nilai presisi menggambarkan jumlah data kategori positif yang diklasifikasikan secara benar dibagi dengan total data yang diklasifikasi positif. Presisi dapat diperoleh dengan persamaan 2.6. Sementara itu, recall menunjukkan berapa persen data kategori positif yang terklasifikasikan dengan benar oleh sistem. Nilai recall diperoleh dengan persamaan 2.7 [30]. 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃 + 𝑇𝑁 𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁𝑥100% 𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝑇𝑃 𝐹𝑃 + 𝑇𝑃𝑥100% 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝐹𝑁 + 𝑇𝑃𝑥100%

Tabel 2.4. Klasifikasi Matriks dengan Metode Confusion Matrix [30]

(2.5) (2.6) (2.7)

dimana:

 TP adalah True Positive, yaitu jumlah data positif yang terklasifikasi dengan benar oleh sistem.

 TN adalah True Negative, yaitu jumlah data negatif yang terklasifikasi dengan benar oleh sistem.

 FN adalah False Negative, yaitu jumlah data negatif namun terklasifikasi salah oleh sistem.

 FP adalah False Positive, yaitu jumlah data positif namun terklasifikasi salah oleh sistem

BAB III

RANCANGAN PENELITIAN

3.1. Konsep Perancangan

Perancangan alat monitoring dan deteksi dini kebakaran terdiri dari 3 bagian, yaitu unit input, pengolah data dan output seperti yang ditunjukan Gambar 3.1. Sistem yang akan dibangun menggunakan sistem pendeteksi kebakaran adalah pengolahan citra berbasis pemrosesan gambar. Sistem ini menggunakan aplikasi Cascade Trainer GUI yang berfungsi untuk mengklasifikasikan sebuah gambar dikategorikan sebagai api dengan algoritma Haar

Cascade Classifier . Dalam sistem ini fungsi kamera sebagai catcher yang nantinya akan

menjadi input gambar Raspberry Pi. Raspberry Pi yang digunakan adalah Raspberry Pi 3 Model B+ yang akan menjadi otak dari sistem. Semua data gambar yang diperoleh akan di proses oleh Raspberry Pi 3 Model B+ dengan menggunakan algoritma haar cascade

classifier. Data gambar yang sudah di proses oleh Raspberry Pi 3 Model B+ kemudian akan

dikirim ke server dalam bentuk data string dengan bentuk peringatan (alert). Diagram alir perancangan sistem ditampilkan pada gambar 3.1 yang merupakan sistem utama.

Setiap frame per second atau FPS yang ditangkap oleh kamera akan diproses menggunakan sub program yang berisi algoritma haar cascade. Algoritma ini didapat dari hasil pelatihan gambar-gambar yang sebelumnya telah disiapkan dan dilatih menggunakan

Haar Cascade Trainer GUI. Sub rutin program ini akan berjalan secara bersamaan dengan

program utama, namun dalam prosesnya akan berjalan terpisah tapi tetap berhubungan dengan program utama. Diagram alir sub sistem pemrosesan frame gambar webcam dapat dilihat pada gambar 3.2.

Selain itu, gambar 3.1 dan gambar 3.2 memiliki sub program lagi yang berjalan bersamaan dengan sistem utama. Sub program lainnya akan dijelaskan pada sub bab berikutnya yang menjelaskan dari masing – masing sub program.

START Inisialisasi program algoritma haar cascade Kamera mulai streamingruangan Sistem secara otomatis akan memadamkan api STOP Pengolahan gambar Inisialisasi fungsi program dan web

server

Apakah ada api atau asap yang terdeteksi ? Tidak Sistem mengirim gambar ke web server Iya RETURN START Preprocessing gambar Processing gambar

3.2. Kebutuhan Perangkat

Pada penelitian ini dibutuhkan beberapa perangkat untuk mendukung pembuatan sistem. Perangkat-perangkat tersebut terbagi menjadi dua bagian yaitu perangkat keras dan perangkat lunak.

3.2.1. Kebutuhan Perangkat Keras

Perangkat keras yang dibutuhkan dalam penelitian ini yaitu : 1. Monitor 2. Raspberry Pi 3 B+ 3. Relay 4. Pompa air DC 12V 5. Network switch 6. Keyboard 7. Mouse 8. Webcam Logitech C270 9. Solenoid valve 10. Power supply 12V 11. Sensor MQ7

3.2.2. Kebutuhan Perangkat Lunak

Perangkat lunak diperlukan untuk menuliskan program dan menampilkan hasil program. Perangkat lunak tersebut yaitu :

1. Python sebagai Bahasa pemrograman di Raspberry Pi 3 B+ .

2. Web server Rasperry Pi untuk menampilkan hasil monitoring dari kamera. 3. Cascade Trainer GUI sebagai pemrograman sampel gambar.

3.3. Perancangan Perangkat Keras

Pada perancangan perangkat keras ini, Raspberry Pi 3 akan dihubungkan ke monitor untuk menampilkan monitoring dari webcam pada setiap ruangan yang berjumlah total 2 ruangan beserta sensor asap, selain itu Raspberry Pi 3 akan disambungkan pada network switch yang berguna untuk sambungan internet pada web server. Disetiap ruangan akan dihubungkan dengan pipa beserta nozzle yang berfungsi untuk memadamkan api pada

ruangan tersebut. Pompa air DC 12V dan solenoid valve akan diberi relay yang berfungsi sebagai switch untuk mengaktifkan sistem pemadam ruangan serta terdapat sensor asap disetiap ruangan yang berguna mendeteksi adanya indikasi kebakaran berupa asap yang muncul. Komunikasi perangkat keras dapat dilihat pada gambar 3.3.

3.3.1. Wiring Perangkat Keras

Pengkabelan pada perangkat keras didesain menggunakan aplikasi fritzing sebagai ilustrasinya. Desain gambar wiring perancangan perangkat keras dapat dilihat pada gambar 3.4. beserta dengan keterangannya. Selain itu, terdapat juga keterangan piranti input dan

output yang dapat dilihat pada tabel 3.1. dan 3.2.

Raspberry Pi

GPIO Ports USB

LAN HDMI

USB

PORT

USB Mouse USB Keyboard USB Webcam Network Switch Monitor Pompa Air Relay Solenoid valve

ADC

MQ7

Keterangan warna kabel :

1. Kabel merah adalah VCC+.

2. Kabel hitam adalah VCC- atau ground.

3. Kabel kuning, hijau dan biru adalah input relay.

4. Kabel putih, abu – abu, ungu dan merah jambu adalah input sensor MQ7.

No Piranti Input Jumlah

1 Webcam 2

Pada tabel 3.1. berisi piranti input yang terdiri dari 2 buah webcam yang tersambung pada usb port berfungsi sebagai pendeteksi asap dan api.

Gambar 3.4. Wiring perangkat keras

No Piranti Ouput Jumlah 1 Pompa air 1

2 Solenoid valve 2

3 MQ7 2

4 Web server 1

Pada tabel 3.2. berisi piranti output yang terdiri dari pompa air yang berfungsi memadamkan api apabila webcam mendeteksi adanya indikasi kebakaran pada suatu ruangan, solenoid valve yang berfungsi mengatur aliran air pada pipa agar air dapat tepat memadamkan api pada ruangan yang ingin dipadamkan, sensor MQ7 yang berfungsi sebagai pendeteksian asap pada suatu ruangan dan web server yang merupakan perangkat lunak berfungsi sebagai monitoring ruangan.

Alur pengkabelan pada sistem ini yaitu raspberry tersambung dengan input relay IN1 sebagai pengatur pompa air melalui GPIO PIN 16 pada kabel kuning, input relay IN2 sebagai pengatur solenoid valve 1 melalui GPIO PIN 23 pada kabel hijau, input relay IN3 sebagai pengatur solenoid valve 2 melalui GPIO PIN 24 pada kabel biru dan VCC 5V pada kabel merah serta ground dengan kabel hitam. VCC+ pompa air yang ditandai dengan kabel merah tersambung dengan NO1 relay dan NO2 serta NO3 relay solenoid valve sedangkan VCC- pompa air dan solenoid valve tersambung dengan VCC- PSU, sementara itu VCC+ PSU akan tersambung dengan COM1 relay sebagai pemberi daya pompa air serta COM2 dan COM3 relay sebagai pemberi daya solenoid valve. Pompa air tidak dapat langsung dikoneksikan dengan raspberry karena daya dari power supply terlalu besar sehingga dapat menyebabkan kerusakan pada raspberry yang hanya memerlukan 5V sebagai sumber dayanya. Selain itu ada tambahan berupa sensor asap MQ7 yang terkoneksikan dengan ADC MCP3008 dengan pin 16 dan 15 pada adc terkoneksi pada vcc 5V raspberry serta pin 14 dan pin 9 adc terkoneksi dengan ground. Selain itu, pin adc 13 terkoneksi dengan GPIO PIN 23 raspberry, pin 12 adc dengan GPIO PIN 21, pin 11 adc dengan GPIO PIN 19 raspberry dan pin 10 adc terkoneksi dengan GPIO PIN 24 raspberry. Serta channel 0 ADC terkoneksi dengan sensor A0 MQ7 pertama dan channel 1 ADC terkoneksi dengan A0 MQ7 kedua, D0 MQ7 pertama terkoneksi dengan GPIO PIN 32 dan D0 MQ7 kedua terkoneksi dengan GPIO

PIN 31. Berikut adalah alamat piranti input dan output yang dijelaskan pada tabel 3.3. dan tabel 3.4.

INPUT

No. Nama Perangkat Alamat Keterangan 1 Webcam 1 USB PORT 1

USB PORT Raspberry Pi 2 Webcam 2 USB PORT 2

OUTPUT

No. Nama Perangkat Alamat Keterangan 1 Pompa Air GPIO PIN 16 IN1

GPIO Raspberry Pi

Relay

2 Solenoid Valve 1 GPIO PIN 23 IN2 3 Solenoid Valve 2 GPIO PIN 24 IN3 4

ADC

GPIO PIN 23 PIN 13

PIN MCP3008 5 GPIO PIN 21 PIN 12

6 GPIO PIN 19 PIN 11 7 GPIO PIN 24 PIN 10 8

Sensor Asap

GPIO PIN 32 D0 MQ7 ruangan 1

9 GPIO PIN 31 D0 MQ7 ruangan 2

10 CH0 A0 PIN

MCP3008

MQ7 ruangan 1

11 CH1 A0 MQ7 ruangan 2

Untuk tabel alamat dijelaskan pada pada tabel keterangan. Tabel amat sebelah kiri dijelaskan pada tabel keterangan sebelah kiri, begitu juga tabel alamat sebelah kanan dijelaskan pada tabel keterangan sebelah kanan. Sebagai contoh pembacaan tabel ini yaitu perangkat pompa air tersambung ke alamat IN1 pada relay yang diatur pada Raspberry Pi pada alamat GPIO PIN 16.

3.3.2. Desain Miniatur Ruangan

Ruangan miniatur ini dibuat untuk memproyeksikan prototype alat sistem yang telah dibuat ini agar sesuai dengan kondisi ruangan yang sebenarnya, seperti pada gambar 3.5.

Tabel 3.4. Alamat piranti Output Tabel 3.3. Alamat piranti Input

Adapun hal – hal yang perlu diperhatikan dalam pembuatan serta penguji cobaan ruangan miniatur ini antara lain :

1. Meminimalisi cahaya yang masuk pada suatu ruangan sehingga webcam dapat bekerja dengan baik.

2. Pemasangan kamera tidak bisa menghadap secara langsung kepada objek lampu atau objek yang dapat memancarkan cahaya karena sistem akan mendeteksi objek tersebut sebagai api.

3.4. Perancangan Perangkat Lunak

Pada perancangan lunak dalam penelitian ini terbagi menjadi 2 bagian yaitu pembuatan algoritma dan perancangan GUI web server.

3.4.1. Pemrograman Algoritma

Pemrograman algoritma dalam proses ini memerlukan beberapa cara untuk dapat menentukan hasil keluaran yang diinginkan dengan metode algoritma haar cascade

classifier. Secara garis besar, proses metode haar cascade classifier ini dibagi menjadi 3

bagian utama yang meliputi persiapan sampel negatif, persiapan sampel positif, dan pelatihan sampel dengan menggunakan aplikasi Cascade Trainer GUI yang menerapkan algoritma haar cascade classifier.

Hal yang pertama dilakukan yaitu menyiapkan sampel gambar negatif secara manual dan positif menggunakan Opencv. Hasil sampel gambar yang sudah jadi harus dilatih menggunakan Cascade Trainer GUI untuk menentukan nilai negatif dan positif suatu gambar atau video yang nantinya akan di monitor. Diagram alir proses kerja metode haar cascade

classifier dapat dilihat pada gambar 3.6. Hasil output dari tahap pemrograman algoritma ini

akan diimplementasikan dalam bentuk program yang akan dimasukkan pada program utama.

3.4.1.1. Persiapan Sampel Negatif

Persiapan sampel negatif menggunakan hasil tangkapan gambar webcam dalam bentuk apa saja yang tidak mengandung objek yang akan di deteksi oleh sistem. Gambar – gambar ini dihasilkan dengan beberapa metode dan disebut sampel latar belakang atau gambar latar belakang. Gambar yang digunakan dalam sampel negatif harus sama atau lebih besar dari ukuran gambar objek yang akan di deteksi oleh sistem, karena sampel negatif ini digunakan untuk melakukan sampel pada gambar negatif menjadi beberapa sampel gambar yang memiliki jendela pelatihan sampel yang sama.

3.4.1.2. Persiapan Sampel Positif

Persiapan sampel positif dibuat oleh perintah “opencv_createsamples” pada Raspberry Pi. Perintah tersebut digunakan proses boosting untuk menentukan model apa yang sebenarnya harus dicari ketika ingin mencoba menemukan objek yang akan di deteksi oleh sistem. Pengambilan sampel positif menggunakan cara yang sama dengan pengambilan sampel negatif, hanya saja sekarang ada objek yang akan di deteksi oleh sistem nantinya.

3.4.1.3. Pelatihan Sampel dengan Cascade

Langkah terakhir setelah persiapan sampel adalah pelatihan sampel dengan pengklasifikasian cascade. Langkah ini memproses sampel positif dan negatif yang telah disiapkan sebelumnya. Proses pelatihan cascade menggunakan aplikasi Cascade Trainer GUI untuk membuat file cascade. Setelah proses pelatihan cascade selesai, cascade yang sudah terlatih akan disimpan dalam tipe file “xml”.

3.4.2. Pemrograman Web Server

Pemrograman web server dilakukan dengan membagi program menjadi 2 naskah program yaitu naskah program pembuatan fungsi dan naskah program pemanggilan fungsi serta pembuatan web server. Naskah yang pertama merupakan pembuatan fungsi – fungsi inisialisasi GPIO dan kamera, pendeteksian pada web server serta sistem pemadaman api. Naskah program pertama dibuat agar memudahkan serta meringkas pembuatan program dengan menggunakan Class pada Python yang membuat setiap variabel yang dibuat memiliki metode pemrogramannya masing – masing.. Pembuatan fungsi-fungsi ini dijelaskan pada poin-poin berikut :

a. Inisialisasi GPIO perangkat keras.

b. Pembuatan format frame dan resolusi kamera.

c. Pembuatan fungsi menjalankan kamera pada Raspberry dan web server d. Pembuatan fungsi pendeteksian api dan asap

e. Pembuatan fungsi sistem pemadaman api

Sementara naskah kedua merupakan pembuatan GUI web server, pemanggilan fungsi pada naskah pertama, dan streaming web server. Fungsi – fungsi yang telah dibuat pada naskah pertama akan dipanggil pada naskah kedua atau naskah pembuatan web server. Tujuan pembagian dalam pembuatan script ini adalah mempermudah penulis dalam mengidektifikasi masalah dalam pembuatan script ini. Diagram alir untuk naskah kedua atau pembuatan web server dapat dilihat pada gambar 3.7.

3.4.3. Perancangan GUI Web Server

Perancangan GUI ini bertujuan agar mempermudah pengguna dalam pemantauan atau pengawasan kondisi tangkapan kamera dalam ruangan – ruangan. Rancangan GUI dapat dilihat pada gambar 3.8. Secara total, GUI ini memiliki 5 frame. 4 frame di bagian kiri dalam berfungsi untuk menampilkan hasil tangkapan kamera apabila terindikasi adanya kebakaran, sedangkan pada 1 frame dibagian kanan berfungsi untuk menampilkan streaming ruangan yang diinginkan oleh pengguna.

Diagram alir GUI streaming ruangan ditampilkan pada diagram alir 3.9 dan diagram alir GUI hasil tangkapan kamera di tampilkan pada gambar 3.10 untuk gambar asap serta gambar untuk gambar api 3.11. Diagram alir pada gambar 3.10 dan 3.11 berhubungan secara langsung pada perintah sub rutin program pada diagram alir B gambar 3.1 sebelumnya, sementara diagram alir 3.9 merupakan rincian pelaksaanaan dari tombol untuk mulai

monitoring ruangan. Selain itu, diagram alir 3.9 sampai 3.11 merupakan penjelasan tahapan

lebih rinci dari diagram alir pembuatan web server bagian menjalankan web server pada gambar 3.8.

Beberapa tombol yang dimaskudkan adalah : 1. Ruangan A dan B

Tombol ruangan A dan tombol ruangan B berfungsi untuk menampilkan streaming ruangan yang diinginkan oleh pengguna.

2. STOP

Tombol STOP berfungsi untuk menghentikan streaming ruangan yang sedang dilakukan oleh pengguna.

3. Lakukan pemadaman

Tombol lakukan pemadaman berfungsi untuk memadamkan api apabila api terdeteksi pada salah satu ruangan atau lebih.

Gambar 3.10. Diagram alir hasil tangkapan asap pada kamera