BAB II
TINJAUAN LITERATUR
2.1. Tinjauan Studi
Sebagai bahan referensi dalam penulisan laporan penelitian tugas akhir, dengan ini akan dipaparkan hasil dari penelitian-penelitian terdahulu yang memiliki hubungan dengan objek permasalahan dan solusi dari permasalahan. Berikut adalah Tabel 2.1 yang berisikan tentang tinjauan studi dari penelitian terdahulu :
Tabel 2. 1 Tinjauan Studi
No. Nama
Penulis Tahun Masalah Metode Hasil
1. Ghaida Saadouli [4]
2020 Semakin banyaknya jumlah kendaraan dari hari ke hari mengakibatkan pengecekan mobil hanya berdasarkan plat nomor mobil dengan sistem ANPR menjadi tidak terpercaya karena mudah untuk dipalsukan dengan cara penggandaan plat nomor mobil.
- Difference of Gaussians (DoG) - Scale Invariant Feature Transform (SIFT) - Viola Jones Algorithm s Pengembangan gerbang dengan perpaduan dari pengenalan merek dan model mobil, pengenalan plat nomor serta deteksi wajah pengemudi dapat meminimalisasi kerja manusia, meningkatkan tingkat keamanan dan akurasi pengecekan mobil. Pendekatan otentikasi yang
No. Nama
Penulis Tahun Masalah Metode Hasil
cepat dapat mengurangi
kepadatan lalu lintas yang timbul akibat penyaringan atau pembacaan kartu secara manual. 2. Omar Abdul Rhman Salim [5] 2020 Sistem presensi kehadiran yang dilakukan secara manual menjadi tantangan sendiri bagi mahasiswa dan dosen. Sistem presensi secara manual membutukan waktu yang lebih banyak untuk dapat menjangkau seluruh mahasiswa dalam kelas. Sehingga sistem presensi secara manual tidak terjamin dan tidak dapat diandalkan. - Raspberry Pi - Local Binary Patterns Algorithm s Pengembangan sebuah sistem presensi otomatis yang dapat menghasilkan tingkat akurasi yang lebih tinggi dan lebih dapat menghemat waktu dibandingkan dengan sistem presensi secara manual. Sistem dikembangkan dengan perangkat Raspberry Pi dan deprogram menggunakan bahasa Python.
No. Nama
Penulis Tahun Masalah Metode Hasil
Sistem dilengkapi dengan purwarupa pintu dengan menggunakan servo yang akan terbuka bagi siswa yang tervalidasi setelah dilakukannya pengenalan dalam sistem presensi. 3. Shreyak Sawhney [6] 2019 Pengelolaan presensi secara manual yang dilakukan oleh guru dapat menjadi beban yang berat. Hal ini karena guru diharuskan untuk menandai kehadiran secara fisik dan kumulatif untuk setiap siswa di kelas.
- Principle Componen t Analysis (PCA) - Convoluti onal Neural Network (CNN) Pengembangan sistem pencatat kehadiran siswa dikelas secara otomatis dengan kamera yang dapat merekam wajah
siswa yang
menggunakan metode PCA dan
CNN untuk pengenalan wajah. 4. Shubhobr ata Bhattach arya [7] 2018 Sistem presensi sampai saat ini sudah memiliki berbagai macam jenis metode
- UDOO x86 Ultra Single Pengembangan sistem presensi dengan memanfaatkan
No. Nama
Penulis Tahun Masalah Metode Hasil
dan parameter pengecekan untuk presensi. Sistem tersebut diantaranya pengecekan kehadiran dengan mengklik nama pada aplikasi desktop yang menjadi sistem presensi, sistem presensi dengan Bluetooth, sidik jari dan pola pembuluh darah vena subkutan punggung telapak tangan. Sebagian besar sistem yang dikembangkan ini memiliki Batasan dalam probabilitas, aksesibilitas,
keaslian dan biaya.
Board Computer - Convoluti on Neural Network (CNN) pengenalan wajah untuk menandai kehadiran seseorang dengan mendeteksi dan mengenali wajah menjadi solusi dari masalah yang terjadi pada sistem presensi dengan metode manual. Sistem bekerja dengan baik
dan dapat
mendeteksi wajah dengan kondisi ekspresi wajah, pencahasayaan dan pose orang yang berbeda. 5. Md. Sajid Akbar [8] 2018 Sangat ketatnya kegiatan pencatatan kehadiran di kelas sebagai penentu bisa atau tidaknya siswa
- Arduino Uno - RFID - Cascade classifier Pengembangan sistem kehadiran berdasarkan pengenalan wajah dan verifikasi
No. Nama
Penulis Tahun Masalah Metode Hasil
untuk mengikuti ujian menjadi salah satu faktor penyebab banyak siswa yang gagal dalam ujian karena rekam kehadirannya yang kurang. Kurangnya kehadiran ini biasanya diakibatkan oleh sistem kehadiran secara manual yang seringkali terjadi kesalahan pengisian sehingga gagal dalam mencatat kehadiran siswa.
dengan RFID yang sudah akurat dan dapat menyimpan data kehadiran kedalam basis data agar terorganisir dengan baik. 6. Anshun Raghuwa nshi [9] 2017 Pengisian kehadiran secara manual yang dilakukan oleh siswa atau karyawan memakan waktu yang lebih lama dan memungkinkan untuk dimanipulasi atau dihancurkan. - Principle Componen t Analysis (PCA) - Linear Discrimin ant Analysis (LDA) Pengembangan metode pengenalan wajah menggunakan pengenalan melalui video dengan PCA dan LDA yang menghasilkan bahwa dengan
No. Nama
Penulis Tahun Masalah Metode Hasil
- Viola Jones Algorithm
menggunakan metode PCA dapat memberikan hasil pengenalan yang lebih cepat dibandingkan LDA. Namun, jika ingin melakukan
pengenalan wajah yang lebih tinggi, metode LDA lebih baik digunakan dibandingkan PCA. 7. Kennedy Okokpuji e [10] 2017 Pengenalan dengan menggunakan biometrik selain pengenalan wajah ini memerlukan tidakan secara langsung oleh target yang ingin dikenali. Tindakan secara langsung ini dapat menganggu waktu serta kegiatan pengguna dan menyebarkan kuman secara tidak - Viola Jones Algorithm - Fisherface s - Global System for Mobile Communic ation (GSM) Pengembangan sistem absensi dengan pengenalan wajah yang dapat bekerja dengan baik dengan kondisi pencahayaan yang baik dan dapat mengenali wajah ketika ekspresi dan posisi wajah yang berbeda-beda.
No. Nama
Penulis Tahun Masalah Metode Hasil
langsung yang dimiliki pengguna ke pengguna lainnya. 8. Amritha Nag [11] 2018 Pengamanan yang kurang pada lokasi-lokasi sensitif dan hanya mengamankan lokasi dengan menggunakan kunci, kartu identitas atau password. - Raspberry Pi 3 - Aplikasi Telegram Pengembangan purwarupa sistem pengamanan pada pintu dengan memanfaatkan pengenalan wajah.
Pada penelitian ini [4] dilakukan pengembangan alat yang berguna untuk meningkatkan akurasi dalam pengecekan mobil. Peningkatan akurasi dibutuhkan karena sudah semakin sulitnya untuk mendeteksi mobil berdasarkan nomor seri yang dikarenakan jumlah mobil yang semakin banyak. Banyaknya mobil ini menjadi kesempatan bagi orang-orang yang tidak bertanggung jawab untuk melakukan pemalsuan nomor seri mobil demi kepentingan pribadi. Sehingga untuk menjawab masalah pemalsuan nomor seri mobil, maka alat pengecekan nomor seri mobil akan dikembangkan dengan menambahkan kemampuan untuk mengenali model, kode pembuatan dan wajah pengemudi mobil. Pengenalan model dan pembuatan mobil dilakukan dengan menggunakan sistem Automatic Vehicle Make and Model
Recognition (AVMMR). AVMMR bekerja dengan mendekteksi model dan pembuatan
mobil dengan Difference of Gaussians dan fitur ekstraksi dengan menggunakan Scale
Invariant Feature Transform. Pengenalan waja pengemudi diimplementasi dengan
menggunakan metode algoritma Viola Jone’s dan untuk pengenalan nomor seri mobil digunakan. Penelitian ini memiliki kesamaan dalam kegiatan pengenalan wajah yang juga menjadi salah satu fitur yang dimiliki oleh sistem yang dikembangkan pada
laporan ini. Sedangkan perbedaannya ada pada informasi yang didapatkan oleh sistem, yang dimana pada penelitian kali ini mendapatkan informasi terkait siapa saja dan durasi lama waktu yang dihabiskan di ITERA.
Sistem yang dikembangkan pada penelitian ini [5] memiliki konsep yang hampir sama dengan konsep sistem yang dikerjakan pada laporan ini. Penelitian yang ditinjau kali ini merupakan penelitian yang diangkat untuk meningkatkan efisiensi kegiatan pencatatan kehadiran siswa di ruang kelas. Peningkatan ini dibutuhkan untuk mengurangi waktu yang terbuang karena dilakukannya pencatatan kehadiran secara manual dan menghindari terjadinya kesalahan dalam pencatatan yang dapat merugikan siswa. Sistem pencatat kehadiran dibangun dengan memiliki kemampuan untuk mengenali wajah, membuka pintu kelas secara otomatis dan mencatat kehadiran siswa. Pengenalan wajah dikembangkan dengan memanfaatkan implementasi algoritma
Local Binary Patterns (LBP). LBP bekerja untuk merangkum struktur lokal gambar
secara efisien dengan membandingkan setiap piksel dengan piksel tetangganya [12]. Jika pengenalan berhasil maka informasi terkait identitas dan waktu kehadiran akan disimpan dalam basis data yang sudah terkoneksi dengan Attendance Management
System (AMS) dan pintu akan otomatis terbuka. AMS dibangun dalam bentuk website
agar memudahkan untuk diakses oleh guru maupun siswa. Perbedaan penelitian yang dikerjangan dengan penelitian pada laporan ini adalah informasi yang tersimpan dan kegiatan pengenalan wajah. Informasi yang tersimpan adalah berupa identitas pengunjung beserta dengan durasi lama waktu pengunjung berada di ITERA. Kegiatan pengenalan juga dilakukan dua kali, yaitu pada gerbang masuk dan keluar.
Sama seperti penelitian sebelumnya, pada penelitian [6] dan [7] dikembangkan sistem pencatatan kehadiran berbasis pengenalan wajah. Perbedaannya ada pada metode pengembangan yang digunakan, pada penelitian ini [6] algoritma yang digunakan adalah Principal Component Analysis (PCA), yang tidak dipakai oleh penelitian
sebelumnya [5] karena dengan algoritma PCA sistem harus melakukan pembangunan ulang dari pemetaan eigenfaces dari setiap gambar siswa yang baru ditambahkan pada model. Pengenalan pada penelitian [6] dan [7] juga dikembangkan dengan memanfaatkan Convolutional Neural Network (CNN). Penelitian [6] dan [7] hanya sebatas dalam pengembangan pengenalan wajah serta pengujian tingkat akurasi yang dihasilkan tanpa mengimplementasikannya dalam bentuk purwarupa alat.
Kesalahan dalam pengisian kehadiran selama di kelas sudah menjadi hal biasa yang dapat berakibat buruk terhadap siswa, yang dimana siswa tidak bisa mengikuti ujian akhir jika tidak memiliki jumlah kehadiran yang cukup. Untuk menjawab permasalahan ini, maka dikembangkanlah penelitian [8] yang memiliki konsep yang serupa seperti pada penelitian [5], [6] dan [7]. Penelitian ini berupa pengembangan sistem pencatat kehadiran berbasis pengenalan wajah dan verifikasi RFID. Pengenalan wajah berfungsi untuk mengenali siswa yang masuk agar dapat diketahui identitasnya dan verifikasi RFID berguna untuk sebagai alat penghitung jumlah siswa yang ada didalam kelas. Sistem dikembangkan dengan menggunakan Arduino Uno dan pengenalan wajah dikembangkan dengan metode Cascade Classifier.
Pencatatan kehadiran secara manual tidak hanya akan memakan waktu yang lama, namun juga dapat beresiko untuk dimanipulasi dan dirusak. Pada penelitian [9] dikembangkan sistem pencatatan kehadiran di kelas yang berbasiskan pengenalan wajah dalam bentuk video. Pengembangan pengenalan wajah dilakukan dengan memanfaatkan Principle Component Analysis (PCA) dan Linear Discriminant
Analysis (LDA). Hasil dari penelitian ini [9] adalah perbandingan dari tingkat akurasi
pengenalan dari PCA dan LDA yang dimana PCA membutuhkan waktu yang lebih singkat dibandingkan LDA untuk melakukan pengenalan wajah. Penelitian [9] hanya sebatas pengembangan pengenalan wajah tanpa mengimplementasikannya kedalam bentuk alat sama seperti penelitian [6] dan [7].
Penelitian selanjutnya adalah penelitian [10] tentang pengembangan sistem kehadiran yang memanfaatkan notifikasi Global System for Mobile (GSM) berbasiskan pengenalan wajah. Pengenalan wajah dikembangkan dengan menggunakan algoritma Viola Jone’s dan memetakan template dari wajah dengan menggunakan Fisherfaces. Sistem akan menyimpan informasi identitas dari sesorang yang telah dikenali oleh sistem kedalam basis data dan akan memberikan notifikasi pada GSM. Tingkat akurasi dari pengenalan wajah adalah sebesar 54,17% yang dimana pada saat dilakukannya pengenalan wajah sangat dibutuhkannya kondisi pencahayaan yang baik agar mendapatkan hasil pengenalan yang lebih baik.
Pengenalan wajah digunakan tidak hanya untuk pencatatan kehadiran dikelas, namun juga dapat digunakan sebagai fitur tambahan dari sistem keamanan. Pada penelitian [11] dilakukan pengembangan sistem pengamanan yang terdapat pengenalan wajah untuk mengenali siapa yang ingin memasuki ruangan dan akan membukakan pintu jika orang tersebut terverifikasi oleh sistem. Sistem dikembangkan dengan menggunakan Raspberry Pi 3 dan aplikasi telegram.
Berdasarkan penelitian sebelumnya jika dibandingkan dengan penelitian yang dikerjakan pada laporan ini terdapat perbedaan pada keluaran dari sistem yang dikembangkan. Penelitian kali ini memanfaatkan pengenalan wajah untuk dilakukannya pencatatan informasi terkait durasi lama waktu yang dihabiskan pengunjung selama di lingkungan ITERA. Selain itu terdapat juga pengambilan informasi terkait status pengunjung yang merupakan sivitas akademika ITERA atau masyarakat umum. Informasi yang didapat digunakan sebagai parameter pada kondisi terbuka atau tidaknya gerbang.
2.2. Tinjauan Pustaka 2.2.1. Pencatat Kunjungan
Pencatatan adalah kegiatan yang sangat penting untuk ada dilakukan pada suatu organisasi dalam bentuk tertulis ataupun digital yang mewakili informasi penting dan dapat diandalkan secara hukum yang berupa sumber bukti keputusan [13]. Salah satu kegiatan dalam pencatatan adalah pencatatan kunjungan para pengunjung pada suatu lokasi yang biasanya ramai dikunjungi dan pencatatan dibutuhkan untuk mendapatkan informasi yang berguna pada kondisi tertentu. Kondisi yang biasanya memanfaatkan informasi pengunjung adalah kondisi ketika terjadinya tindakan kriminal pada lokasi tersebut, sehingga membutuhkan informasi siapa saja yang masuk dan keluar dari lokasi. Pengertian pengunjung berdasarkan World Tourism Organization adalah seseorang yang berpergian ke suatu wilayah atau lokasi selain dari lokasi asalnya untuk keperluan tertentu selain keperluan pekerjaan [14]. Kegiatan pencatatan kunjungan ini seringkali dilakukan di lokasi wisata dan lokasi yang ramai akan pengunjung. Selama masih diterapkannya protokol normal baru untuk pencegahan virus COVID-19 di ITERA, pengunjung yang berasalkan dari luar wilayah harus melakukan pemeriksaan secara mendalam terkait kondisi kesehatannya. Salah satu kegiatan protokol normal baru adalah pencatatan lama waktu kunjungan. Berdasarkan SOP normal baru ITERA seluruh sivitas akademika yang tidak memiliki kepentingan khusus di kampus sebaiknya agar tidak berlama-lama berada di lingkungan kampus.
2.2.2. Kamera Raspberry Pi
Kamera raspberry pi merupakan modul kamera dengan kualitas tinggi yang portable dan dapat digunakan dengan cara menghubungkan modul ini ke microcontroller raspberry pi melalui port connector CSI [15]. Sensor kamera ini memiliki kemampuan sensitifitas yang tinggi, rendah crosstalk, tangkapan gambar yang jernih dan memiliki desain yang sederhana. Modul kamera dihubungkan dengan microcontroller melalui CSI connector yang dirancang secara khusus. CSI connector mampu mengirimkan data dengan kecepatan yang tinggi [16]. Dengan kemampuan kecepatan pengiriman data ini,
kamera raspberry pi mampu mengirimkan gambar dengan ukuran resolusi gambar 1080p pada 30 frame per detik dan frame rate akan meningkat apabila resolusi gambar yang dikirimkan berkurang besar ukurannya [17]. Kemampuan dalam menangkap gambar yang jernih ini sangat dibutuhkan dalam sistem yang akan dikembangkan, karena kualitas dari kamera mempengaruhi tingkat akurasi dari pengenalan wajah.
2.2.3. Gerbang Otomatis
Pintu gerbang biasanya digunakan pada lingkungan tempat tinggal. Sampai saat ini sudah banyak pintu gerbang yang beroperasi secara otomatis dengan memanfaatkan operator dari pintu gerbang yang memiliki berbagai fungsi khusus. Tujuan digunakannya pintu gerbang otomatis ini adalah salah satunya untuk mengurangi waktu yang digunakan [18]. Pintu gerbang otomatis juga memiliki proses pemeriksaan, dokumentasi dan verifikasi yang dilakukan secara otomatis melalu sistem secara digital tanpa melibatkan petugas pintu gerbang [19]. Pada penelitian kali ini pemeriksaan yang dilakukan adalah pengenalan wajah pengunjung untuk menentukan apakah pengunjung merupakan sivitas akademika ITERA atau masyarakat umum. Untuk dokumentasi dilakukan perekaman informasi terkait waktu masuk dan identitas pengunjung.
2.2.4. Facial Recognition
Facial recognition atau pengenalan wajah merupakan sebuah teknik yang digunakan
untuk mengidentifikasi dan verifikasi indentitas dari sesorang dengan cara menganalisa dan menyesuaikan pola yang ada pada wajah seseorang tersebut. Pengaplikasian pengenalan wajah ini biasanya digunakan sebagai pelengkap dari komponen sistem keamanan seperti pada CCTV [20]. Tingkat akurasi dari pengenalan wajah ini biasanya terbatasi oleh posisi wajah, pencahayaan, ekspresi dan usia. Sehingga penempatan agar menerima cahaya yang tepat dari sistem pengenalan wajah juga menjadi salah satu faktor penentu ketepatan dari sistem [19].
2.2.5. Raspberry Pi
Raspberry pi merupakan computer kecil atau System on Chip (SoC) yang didesain untuk dapat membawa semua sirkuit penting seperti Central Processing Unit (CPU),
Graphics Processing Unit (GPU), dan beberapa input, output dan pemrosesan sirkuit.
Input dan output yang dimaksud merupakan pin General Purpose Input Output (GPIO) yang membuat Raspberry Pi dapat menerima pemrograman perangkat keras, menggerakan sirkuit elektronik dan mengumpulkan data [21]. Selain GPIO terdapat juga port masukan yang berguna untuk menghibungkan layer monitor dengan CSI
connector dan HDMI, serta port masukan untuk kamera dengan CSI connector.
Raspberry pi sudah dilengkapi denga GPU dengan sistem operasi linux ubuntu.
2.2.6. K-nearestt Neighbor
Algoritma K-nearest Neighbor atau yang biasa disingkat dengan KNN merupakan algoritma yang paling populer pada bidang pembelajaran mesin. KNN bekerja dengan cara melakukan klasifikasi data yang belum diidentifikasi dengan mendekatkan nilai data tersebut dengan data yang sudah diberi label dengan melihat kemiripan nilai yang dimiliki [22]. Untuk mendapatkan kemiripan nilai yang dimiliki data tersebut dapat dilakukan dengan menghitung Euclidean distance dari data yang ingin diklasifikasi (y) dengan seluruh data yang sudah diklasifikasi / dilatih (xi) yang menggunakan rumus
sebagai berikut:
𝑑(𝑦, 𝑥𝑖) = ‖𝑦 − 𝑥𝑖‖
Nilai yang sudah dilatih akan dilihat jarak yang dimiliki dengan data dan akan dilihat nilai kedekatan yang paling pertama dari seluruh perbandingan jarak antar data latih sehingga dapat melihat label yang sesuai. Pendefinisian pemilihan label ini dilambangkan dengan 𝑇𝑘 = {(𝑥𝑖𝑁𝑁 , 𝑙𝑖𝑁𝑁)}𝑖=1𝑘 . Untuk menentukan label data yang
𝑙𝑦 = 𝑎𝑟𝑔 𝑚𝑎𝑥 ∑ 𝛿 (𝑐 = 𝑙𝑖𝑁𝑁
(𝑥𝑖𝑁𝑁 ,𝑙𝑖𝑁𝑁) ∈ 𝑇𝑘
)
Variabel c merupakan fungsi Dirac delta yang mengambil nilai dari label [23].
2.3. Kerangka Pemikiran
Kerangka pemikiran untuk penelitian kali ini dapat dilihat pada Gambar 2.1. penyusunan kerangka penelitian disusun berdasarkan permasalahan yang telah diuraikan sebelumnya. Selanjutnya diberikan tahapan dan kegiatan yang akan dilakukan selama penelitian sampai mendapatkan jawaban yang dapat menyelesaikan masalah tersebut. Pada kerangka pemikiran diatas terdapat 5 kegiatan yang menjadi patokan dalam penelitian. Kegiatan pertama adalah pendeskripsian masalah yang akan diteliti pada laporan ini yang dimana pada kesempatan kali ini masalah yang ditemukan adalah masih dilakukannya pengecekan status pengunjung secara manual oleh satpam. Pengecekan status secara manual ini dapat mengakibatkan antrian pada gerbang masuk, resiko satpam untuk terpapar COVID-19 yang tinggi dan tidak terpantaunya secara pasti durasi lama waktu yang dihabiskan oleh pengunjung di ITERA.
Kegiatan selanjutnya adalah aktivitas pertama yang dimana pada kegiatan ini dilakukan pengembangan dari sistem yang dapat menyelesaikan permasalahan pada kegiatan sebelumnya. Pengembangan sistem dilakukan secara bertahap yaitu pengumpulan data atau foto wajah sivitas akademika ITERA, konfigurasi Raspberry Pi dengan kamera Pi, pengembangan model dari pengenalan wajah, pengembangan program pengenalan wajah yang dapat terintegrasi dengan basis data dan yang terakhir penggabungan program pada alat. Jika pada kegiatan ini telah dilakukan semua maka selanjutnya akan memasuki kegiatan ketiga untuk evaluasi dan validasi akurasi alat dalam pengenalan wajah. Pada kegiatan ini jika alat belum dapat memberikan akurasi pengenalan wajah yang baik, maka dapat kembali pada kegiatan sebelumnya. Setelah mendapatkan akurasi yang diinginkan dan implementasi telah selesai dilakukan maka alat akan
ditempatkan pada lokasi yang telah ditentukan sebelumnya, pada penelitian kali ini alat akan ditempatkan pada gerbang ITERA.
