BAB III RANCANGAN PENELITIAN

BAB III

RANCANGAN PENELITIAN

3.1 Metode Penelitian

Pada penelitian ini, terdapat beberapa tahapan yang dilakukan dalam mengembangkan sistem gerbang otomatis. Secara umum, tahapan yang dilakukan dalam penelitian ini yaitu identifikasi masalah, tujuan penelitian, studi literatur, pengumpulan data, perancangan sistem, implementasi serta evaluasi dan pengujian sistem.

Tahap identifikasi masalah bertujuan merumuskan dan mengevaluasi permasalahan yang akan diselesaikan dalam penelitian berdasarkan latar belakang permasalahan. Pada tahap tujuan penelitian akan ditentukan solusi dan hasil akhir yang akan dicapai selama penelitian yang berguna untuk menyelesaikan permasalahan yang ada. Tahap studi literatur merupakan tahap pencarian teori maupun metode pada penelitian terkait yang telah dilakukan sebelumnya, studi literatur juga berguna untuk mengetahui keunikan dan perbedaan penelitian saat ini dengan penelitian yang sudah ada sebelumnya. Tahap pengumpulan data bertujuan untuk memperoleh dan mengolah data yang dibutuhkan selama penelitian berlangsung. Tahap perancangan sistem merupakan tahap permodelan dan penyusunan skema maupun alur kerja keseluruhan sistem. Tahap implementasi merupakan tahap pembuatan sistem yang sebelumnya telah dirancang, pada tahap ini sistem dikembangkan dan diselesaikan sampai dapat berjalan dengan baik. Tahap evaluasi dan pengujian bertujuan melihat kehandalan dan performa sistem keseluruhan, selain itu pada tahap ini akan dilakukan perbaikan apabila terdapat celah ataupun kesalahan sistem.

Gambar 3.1 Metode penelitian

3.2 Rancangan Sistem

Pada penelitian ini, sistem dirancangan dan dimodelkan kedalam bentuk diagram skematik agar mempermudah implementasi. Diagram skematik ini menampilkan setiap komponen serta alur pemrosesan data yang direpresentasikan dalam bentuk simbol. Diagram skematik penelitian dapat dilihat pada Gambar 3.2 berikut

Sistem gerbang otomatis ini bekerja menggunakan sensor suhu MLX90614 untuk mendeteksi suhu dari pengguna. Data hasil pengukuran suhu selanjutnya akan diperiksa pada Raspberry Pi, apabila suhu berada pada range normal maka selanjutnya kamera akan diaktifkan untuk melakukan pengambilan data stream video secara realtime. Data stream video selanjutnya akan diperiksa apakah terdapat masker atau tidak dengan menggunakan OpenCV dan TensorFlow. Apabila masker terdeteksi serta suhu yang sebelumnya telah diukur berada pada range nomal, maka Raspberry Pi akan mengecek apakah target berada di gerbang melalui sensor ultrasonik, bila terpenuhi, maka Raspberry Pi akan mengaktifkan relay yang terhubung dengan gerbang untuk membuka gerbang. Selain itu, pembukaan gerbang juga dapat dilakukan secara manual apabila terjadi kasus khusus apabila gerbang harus dibuka tanpa perlu mengikuti alur pemeriksaan. Pembukaan gerbang secara manual dilakukan melalui smartphone yang terhubung pada Raspberry Pi melalui internet

Gambar 3.3 Diagram blok sistem

Pengembangan aplikasi yang akan digunakan pada smartphone untuk membuka gerbang secara manual digambarkan menggunakan diagram use case. Diagram use case bertujuan untuk merepresentasikan interaksi antara pengguna dengan aplikasi. Diagram use case aplikasi dapat dilihat pada Gambar 3.4.

Gambar 3.4 Diagram use case aplikasi mobile

Berdasarkan Gambar 3.4, aplikasi mobile memiliki 4 fitur, yaitu

1. Melihat ambient temperature atau suhu lingkungan yang terdeteksi oleh sensor suhu pada gerbang

2. Melihat object temperature atau suhu objek dalam hal ini targetnya adalah pengguna

3. Melakukan kontrol terhadap relay untuk membuka gerbang secara manual tanpa melakukan pemeriksaan suhu dan masker

4. Mengubah pengaturan sensor suhu dalam hal ini mengubah ambang batas suhu yang diizinkan dan nilai bias untuk mengkalibrasi sensor.

3.2.1 Rancangan Perangkat Keras

Pada pengembangan sistem gerbang otomatis ini, terdapat beberapa rancangan perangkat keras yang perlu dipertimbangkan sebelum melakukan implementasi sistem yaitu

3.2.1.1 Kebutuhan Perangkat Keras

Sistem gerbang otomatis ini memerlukan 7 komponen utama yang terdiri atas mikrokontroller, sensor, penyimpanan dan module input/output. Kebutuhan perangkat keras secara detail dapat dilihat pada Tabel 3.1 berikut:

Tabel 3.1 Kebutuhan perangkat keras sistem

No Nama Perangkat Fungsi

1 Raspberry Pi 4 Model B

Mikrokontroller yang berfungsi pusat pemrosesan data. Mikrokontroller bekerja dalam tiga tahapan yaitu Input, Proses dan Ouput

2 MLX90614

MLX90614 merupakan sensor suhu non kontak yang berfungsi mengukur temperature pada beragam objek

3 Raspberry Pi Camera v.1.2

Raspberry Pi Camera v.1.2 berfungsi untuk mengambil data citra berupa gambar atau video.

4 Raspberry Pi Touch Display

Raspberry Pi Touch Display berfungsi menampilkan data grafis pada mikrokontroller sekaligus memberikan perintah input melalui touch

5 Relay

Relay berfungsi sebagai saklar yang mengalirkan arus listrik yang besar dengan hanya menggunakan kendali arus listrik yang kecil

6 HC-SR04

Sensor ultrasonik yang berfungsi untuk mengukur jarak objek relatif terhadap sensor

7 MicroSD

MicroSD berfungsi menyimpan sistem operasi maupun file lainnya pada Raspberry Pi

3.2.1.2 Rangkaian Perangkat Keras

Sistem gerbang otomatis menggunakan Raspberry Pi sebagai mikrokontroller utama yang bertugas mengatur komponen lain dan memproses data. Komponen lain pada sistem seperti MLX90614, HR-SC04 dan Relay terhubung melalui port general purpose input/ouput (GPIO). Module Kamera sebagai media pengambil data stream video terhubung melalui port camera serial interface (CSI) dan Display sebagai media yang menampilkan grafis dari perangkat terhubung melalui port high definition multimedia interface (HDMI). Rangkaian perangkat keras dapat dilihat pada Gambar 3.5 berikut:

3.2.2 Rancangan Perangkat Lunak

Pada pengembangan sistem gerbang otomatis ini, terdapat beberapa rancangan perangkat lunak maupun pustaka yang perlu dipertimbangkan sebelum melakukan implementasi sistem.

Tabel 3.2 Kebutuhan perangkat lunak dan pustaka sistem

No Nama Fungsi

1 Raspberry Pi OS

Raspberry Pi OS merupakan sistem operasi khusus pada perangkat Raspberry Pi. Raspberry Pi OS berfungsi mengatur dan menjembatani perangkat keras dan program aplikasi yang terhubung kepada pengguna

2 OpenCV 4.0

OpenCV adalah library yang berfungsi mengolah gambar maupun video . OpenCV dapat digunakan untuk melakukan pengenalan citra wajah dan beragam objek lainnya

3 Tensorflow 2.2.0

Tensorflow adalah library yang berfungsi untuk membuat model machine learning

4 PyQt 5.15.0

Framework pengembangan aplikasi GUI yang support dengan bahasa pemrograman Python maupun C++

5 Python 3.7.3

Bahasa pemrograman, dalam hal ini pada Raspberry PI, default version python pada Raspberry Pi adalah 3.7.3

6 Mpyg321 1.0.1

Pustaka untuk memainkan musik pada Raspberry Pi

7 PyMLX90614

Pustaka untuk MLX90614 dengan bahasa Python

8 Google Colab

Google Colab bertujuan untuk mengeksekusi atau menjalankan program pada sistem cloud. Pada penelitian ini, Google Colab berfungsi untuk mentraining dan membuat model klasifikasi

9 Flutter 1.24.0-7.0.pre

Framework pengembangan aplikasi berbasis mobile yang cross-platform

10 Dart 2.11.0

Bahasa Pemrograman, khususnya dalam hal ini digunakan bersamaan dengan framework Flutter

11 Terminal

Terminal berfungsi mengeksekusi kode program pada Raspberry Pi

12 Text Editor

Text Editor berfungsi untuk membuat dan mengubah kode program

3.3 Rancangan Model Klasifikasi

Pada pengembangan sistem gerbang otomatis ini, terdapat beberapa rancangan model klasifikasi masker yang perlu dipertimbangkan untuk memaksimalkan pengklasifikasian masker pada sistem gerbang otomatis ini yaitu

3.3.1 Pemilihan Dataset

Dataset merupakan sekumpulan data. Pada penelitian ini, model klasifikasi masker akan dikembangkan dengan menggunakan dataset berupa citra wajah yang terlabel ataupun terpasang masker di wajah. Secara umum dataset yang dibutuhkan akan terbagi menjadi dua klasifikasi yaitu citra wajah tanpa masker dan citra wajah dengan mengenakan masker. Dataset yang akan digunakan pada penelitian ini bersumber pada salah satu platform data scientist yaitu Kaggle. Pada pemilihan dataset, terdapat tiga sumber dataset yang akan digunakan untuk mendapatkan mendapatkan hasil performa model yang baik sekaligus membandingkan hasil pengembangan model antar dataset. Dataset masker pertama oleh Omkar Gurav terdiri atas 7553 buah gambar yang terbagi atas 3725 citra wajah dengan masker dan 3828 citra wajah tanpa masker.

Gambar 3.6 Dataset oleh Omkar Gurav [19]

Dataset masker kedua oleh Dhruv Makwana terdiri atas 440 buah gambar yang terbagi atas 220 citra wajah dengan masker dan 220 citra wajah tanpa masker.

Gambar 3.7 Dataset oleh Dhruv Makwana [20]

Dataset masker ketiga oleh Sumansid terdiri atas 339 buah gambar yang terbagi atas 208 citra wajah dengan masker dan 131 citra wajah tanpa masker.

Gambar 3.8 Dataset oleh Sumansid [21]

3.3.2 MobileNet

MobileNet merupakan arsitektur convolutional neural network (CNN) yang dapat digunakan untuk mengatasi kebutuhan computer vision yang biasanya

menggunakan resource yang tinggi. MobileNet digunakan pada penelitian ini mempertimbangkan resource pada mikrokontroller yang tergolong rendah agar mampu memberikan performa yang baik dalam melakukan klasifikasi. Pada penelitian ini, model dikembangkan menggunakan versi MobileNetV2

3.4 Rancangan Pengujian

Pada penelitian ini, pengujian terhadap sistem dilakukan dengan menggunakan metode black box testing yang mana pengujian pada metode ini dilakukan dengan melihat hasil eksekusi pada perangkat.

3.4.1 Rancangan Pengujian Perangkat Keras

Pengujian perangkat keras pada sistem bertujuan untuk mengetahui seberapa besar tingkat kepercayaan yang dihasilkan perangkat keras. Pengujian perangkat keras juga dilakukan untuk mengetahui akurasi data yang didapat melalui sensor maupun perangkat lainnya. Data pengujian pada perangkat keras dapat dilihat pada tabel berikut ini

Tabel 3.3 Kinerja dan performa sensor

No Nama Sensor Kinerja Referensi Penelitian

1 MLX90614

Secara akurasi, MLX90614 sudah memiliki kemampuan yang identik dengan thermometer standar industri dengan akurasi mencapai 99.62%

E A Suprayitno et all, Measurement device for detecting oxygen

saturation in blood, heart rate, and

temperature of human body [11]

2 HC-SR04

Secara akurasi HC-SR04 sudah memiliki

kemampuan yang baik dengan alat berstandar

E A Suprayitno et all, Smart Home Integrated With Internet Of Things

industri dengan akurasi mencapai 98.22%

(Iot) In The Digital Era Of Industry 4.0 [22]

Tabel 3.4 Kinerja dan performa Raspberry Pi

No Poin Uji Performa

1 FPS (Frames Per Second) ± 50 FPS

2 GPIO Switching ± 50 kHz

3 MicroSD Throughput Read ±46 MB/s

Write ±28MB/s

3.4.2 Rancangan Pengujian Model Klasifikasi

Pengujian perangkat lunak pada sistem bertujuan untuk mengetahui seberapa besar kehandalan perangkat lunak dalam menggunakan sumber daya perangkat keras maupun fungsionalitas. Data pengujian perangkat lunak dapat dilihat pada tabel berikut.

Tabel 3.5 Data pengujian model klasifikasi masker

Perangkat Poin Uji Indikator

Model Klasifikasi Masker

Tingkat akurasi model Akurasi model klasifikasi masker mencapai 98% Variasi jenis masker yang

dikenali

Model dapat mengenali minimal 15 variasi masker yang beragam

3.4.3 Skenario Pengujian Fungsionalitas

Pada pengujian fungsionalitas, akan dilakukan dengan melakukan pengkondisian ruangan kelas ITERA dengan pintu masuk sebagai gerbang. Kondisi pada saat

pengujian skenario dibuat menyerupai kondisi aktual pada gerbang utama. Sistem yang telah dikembangkan akan diletakkan di depan ruang kelas sehingga setiap pengunjung yang akan memasuki ruang kelas harus melakukan pemeriksaan terlebih dahulu. Pengujian sistem dilakukan dengan waktu kerja serta akan diuji coba sebanyak 10 kali. Selain itu sistem akan diuji kemampuannya dengan setiap kondisi yang mungkin akan terjadi seperti kemampuan mendeteksi multi wajah, kondisi pencahayaan dan lainnya. Rincian pada perancangan berbasis scenario dapat dilihat pada Tabel 3.6 berikut:

Tabel 3.6 Skema pengujian skenario

No Poin Uji Detail Pengujian Indikator Keberhasilan

1.

Pengukuran suhu dan pengaktifan perangkat

Menguji akurasi pengukuran suhu serta pengaktifan perangkat sesuai dengan ambang batas yang ditetapkan

Akurasi pengukuran suhu dan pengaktifan perangkat mencapai 99%

Respons time perangkat kurang dari 30 detik

2 Pendeteksian masker pada pengunjung Menguji keberhasilan pendeteksian masker dan performa perangkat Akurasi dari pendeteksian masker mencapai 98%

Respons time perangkat kurang dari 30 detik

3 Pendeteksian objek

Menguji keberhasilan pendeteksian objek yang ada pada gerbang

Akurasi dari pendeteksian objek mencapai 98%

Respons time perangkat kurang dari 30 detik

4 Aktivasi gerbang

Menguji keberhasilan pengaktifan relay yang terhubung pada sistem gerbang

Akurasi mencapai 98%

Respons time kurang dari 30 detik 5 Aktivasi gerbang melalui perangkat mobile Menguji keberhasilan pengaktifan relay yang terhubung ke sistem gerbang melalui perangkat mobile

Akurasi mencapai 98%

Respons time kurang dari 1 menit