Implementasi Algoritma Haar Cascade Classifier Dalam Mendeteksi Robot Sepak Bola Beroda

(1)

**Implementasi Algoritma Haar Cascade Classifier Dalam Mendeteksi Robot Sepak Bola Beroda**

Joshua Sitompul, M Irwan Bustami, Desi Kisbianty^*

Program Studi Sistem Komputer, Fakultas Ilmu Komputer, Universitas Dinamika Bangsa Jambi, Indonesia Email: ¹[email protected], ²[email protected], ^3,*[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak−Dalam kontes robot sepak bola, umumnya robot sepak bola dapat mengenali robot seregunya sendiri melalui pendeteksian warna dengan model HSV. Robot yang menggunakan pendeteksian warna untuk mengenali robot seregunya sendiri dapat mendeteksi objek yang memiliki nilai warna yang sama, sehingga objek yang mempunyai warna yang sama akan dianggap robot seregunya sendiri. Tetapi, jikalau hanya mengandalkan metode ini dirasa masih kurang jika dilihat dari segi tracking objek. Haar like feature atau yang dikenal sebagai Haar Cascade Classifier merupakan metode rectangular (persegi) feature, yang memberikan indikasi secara spesifik pada sebuah gambar atau image. Metode ini mampu mendeteksi dengan cepat dan realtime. Oleh sebab itu, peneliti mencoba menyatukan kedua pendeteksian ini untuk dapat menghasilkan sistem pendeteksian yang lebih baik dari sebelumnya. Diharapkan dalam penelitian ini, peneliti dapat memberikan masukan untuk tim Robotik Universitas Dinamika Bangsa dalam meningkatkan akurasi pendeteksian robot terhadap robot se-tim. Dari hasil penelitian didapati bahwa pendeteksian objek dengan jarak dari kamera sejauh 100 cm sampai 150 cm berhasil dilakukan, namun dengan jarak lebih dari 150 cm objek tidak terdeteksi.

Kata Kunci: OpenCV; Python; Object Detection; Haar Cascade Classifier; Computer Vision.

Abstract−In soccer robot contests, generally soccer robots can recognize their own team robots through color detection using the HSV model. Robots that use color detection to identify their own team robot can detect objects that have the same color value, so objects that have the same color will be considered as their own team robot. However, if you only rely on this method, it is still lacking when viewed in terms of object tracking. Haar like feature or known as Haar Cascade Classifier is a rectangular (square) feature method, which gives a specific indication of an image. This method is able to detect quickly and in real time.

Therefore, the researchers tried to unite these two detections to be able to produce a better detection system than before. It is hoped that hoped that in this study, researchers can provide input for the Robotics team of Dinamika Bangsa University in improving the accuracy of robot detection against robots in the same team. From the results of the study it was found that the detection of objects with a distance from the camera as far as 100 cm to 150 cm was successfully carried out, but with a distance of more than 150 cm the object was not detected.

Keywords: OpenCV; Python; Object Detection; Haar Cascade Classifier; Computer Vision.

1. PENDAHULUAN

Kontes Robot Sepak Bola Indonesia (KRSBI) beroda merupakan sebuah kompetisi yang diadakan oleh Kontes Robot Indonesia (KRI). Robot adalah sebuah alat mekanik yang dapat melakukan tugas fisik, baik menggunakan pengawasan ataupun kontrol manusia dengan menggunakan program yang telah didefinisikan terlebih dulu (kecerdasan buatan). [1], [2]. Dalam Kontes Robot Sepak Bola Indonesia (KRSBI) beroda, tiap peserta diharuskan untuk membuat robot yang mampu mendeteksi, dan menghalau bola agar tidak dapat mencetak poin dalam pertandingan tersebut. Oleh karena itu Computer Vision sangat diperlukan agar robot dapat mendeteksi objek yang ada dalam lapangan.

Computer vision berkaitan dengan bagian persepsi visual, itu adalah ilmu memahami dunia melalui gambar dan video dengan membangun model fisik dunia sehingga AI sistem kemudian dapat mengambil tindakan yang tepat. [3], [4]. Robot yang menggunakan pendeteksian warna untuk mengenali robot seregu dapat mendeteksi objek yang memiliki nilai warna yang sama, sehingga objek yang mempunyai warna yang sama akan dianggap robot seregu. Akurasi pendeteksian antar robot sangat diperlukan dalam pertandingan terutama dalam kontes robot sepak bola Indonesia beroda. Selayaknya pemain sepak bola, robot memerlukan akurasi dalam pendeteksian antar robot seregu agar dapat membuat strategi dengan lebih akurat. Mendeteksi robot seregu dapat dilakukan dengan berbagai cara, salah satunya menggunakan metode Haar Cascade Classifier. Haar like feature atau yang dikenal sebagai Haar Cascade Classifier merupakan metode rectangular (persegi) feature, yang memberikan indikasi secara spesifik pada sebuah gambar [5], [6]. Metode ini mampu mendeteksi dengan cepat dan realtime sebuah objek yang telah di pelajari (training) sehingga semakin banyak sampel yang dipelajari maka semakin tinggi tingkat akurasi pendeteksian.

Implementasi merupakan tahap dimana sistem siap dioperasikan pada tahap sebenarnya, sehingga akan diketahui apakah sistem yang akan dibuat benar-benar dapat menghasilakan tujuan yang diinginkan [7]. Dalam tahap implementasi, penulis melakukan tracking objek yang dibangun menggunakan bahasa pemogramana python dengan library OpenCV [8], [9] . Dalam bidang pengolahan citra teknik pelacakan atau tracking sering kali diimplementasikan guna membantu kegiatan manusia dimana diperlukannya suatu sistem yang mampu melacak objek secara otomatis. OpenCV memiliki berbagai modul yang dapat membantu terutama dalam bidang computer vision [10]. Python adalah bahasa pemrograman modern yang mendukung gaya pemrograman berorientasi objek, fungsional, dan imperatif yang dimana sangat ideal untuk pemula karena mudah dibaca dan mudah digunakan[11].

(2)

Untuk merincikan alur penelitian, peneliti menggunakan flowchart yang merupakan bagian-bagian yang mempunyai arus yang mengambarkan langkah-langkah penyelesaian suatu masalah. Flowchart merupakan cara yang akan penulis gunakan sebagai penyajian dari suatu algoritma yang akan dibuat[12]. Peneliti akan menggunakan motor servo dalam proses tracking yang dimana motor servo dengan sistem closed feedback yaitu posisi dari motor servo akan diinformasikan kembali ke rangkaian kontrol yang ada dalam motor servo[13].

Berdasarkan penelitian yang penah dilakukan oleh Zulkifri et. al [14], dinyatakan bahwa sistem berhasil melakukan deteksi kendaraan dengan nilai rata-rata recall 0.988 dan presisi 0.97 dan dari perhitungan kecepatan didapatkan nilai Mean Squared Error (MSE) yaitu 0,6. Peneliti lain menemukan hasil pengujian menggunakan faktor skala 1.2 saat ini merupakan yang terbaik dengan tingkat keakuratan tertinggi yaitu sebesar 88,7%

sedangkan factor skala 1.3 adalah yang terburuk dengan tingkat keakuratans sebesar 44,9% [15].

algoritma Haar Cascade mampu mendeteksi citra real time dengan baik, dimana citra diambil melalui webcam [16], [6], [17]. Penelitian selanjutnya menyatakan bahwa Sistem dapat membedakan mata mengantuk dan tidak mengantuk dari objek [17], [14], [18], [19]. Dan dalam penelitian Deteksi Senjata Tajam Dengan Metode Haar Cascade Classifier Menggunakan Teknologi SMS Gateway ditemukan hasil sistem berjalan cukup baik pada tingkat pencahayaan terang dan pada jarak 31-60 cm [20].

Dari beberapa penelitian sejenis diatas dilakukan pendeteksian objek, dan dalam penelitian ini akan dibuat suatu sistem yang dapat meningkatkan akurasi pendeteksian objek menggunakan algoritma Haar Cascade Classifier dengan memberikan indikasi secara spesifik pada sebuah gambar atau image.

Penelitian ini bertujuan untuk melakukan rancang bangun sistem pendeteksian menggunakan metode Haar Cascade Classifier dan mengetahui hasil implementasi sistem pendeteksian menggunakan metode Haar Cascade Classifier.

Hasil penelitian ini diharapkan dapat mampu mendeteksi dengan akurat, menambah wawasan mengenai computer vision, dan dapat sebagai bahan pembanding bagi peneliti lain yang tertarik dengan permasalahan objek deteksi dengan menggunakan Haar Cascade Classifier.

2. METODOLOGI PENELITIAN

2.2 Kerangka Kerja Penelitian

Untuk membantu dalam penyusunan penelitian ini, maka perlu adanya susunan kerangka kerja (frame work) yang jelas tahap-tahapnya. Kerangka kerja ini merupakan langlah-langkah yang akan dilakukan dalam penyelesaian masalah yang akan dibahas. Adapun kerangka kerja penelitian yang digunakan adalah sebagai berikut dilihat pada gambar 1:

Gambar 1. Kerangka kerja penelitian

Berdasarkan kerangka kerja yang telah digambarkan pada gambar 1, maka dapat diuraikan pembahasan masing-masing tahap dalam penelitian adalah sebagai berikut :

1. Identifikasi Masalah

Fase ini dilakukan untuk mendapatkan masalah yang benar-benar perlu diselesaikan, dan jika memungkinkan untuk mencapai tujuan dan manfaat yang baik dalam segala hal. Pada fase ini, Penulis mengidentifikasi agenda penelitian dan menentukan batasan masalah yang dibahas dalam penelitian. Dalam hal ini, identifikasi masalah

Identifikasi Masalah

Studi Literatur

Analisis dan Perancangan

Pengujian

Pembuatan Laporan Akhir

(3)

dilakukan dengan mengamati proses pengenalan robot dari objek robot tim, seperti kecepatan, akurasi, dan noise (kebisingan).Kemudian mencari solusi yang akan menghasilkan penelitian ini.

2. Studi Literatur

Pada fase ini, penulis mencari dari berbagai sumber seperti buku dan internet, untuk melengkapi teori penulis dan membuat landasan teori yang sesuai dan tepat.

3. Analisis dan Perancangan

Pada tahap ini penulis melakukan analisa dan pengolahan terhadap data-data yang diperoleh. Kemudian dilanjutkan dengan perancangan sistem pendeteksian dengan menggunakan bahasa pemrograman Python.

4. Pengujian

Pada tahap ini dilakukan pengujian terhadap robot dalam mendeteksi robot se-tim menggunakan sistem baru yang telah dibuat yang kemudian datanya di ambil untuk membandingkan dan kemudian dilakukan pengoptimalan lebih lanjut sampai memperoleh hasil yang maksimal.

5. Pembuatan Laporan Akhir

Setelah dilakukan pengujian dan mendapatkan hasil maksimal, tahap selanjutnya yaitu pembuatan laporan akhir yang mana laporan ini dibuat berdasarkan kerangka penelitian yang telah dirancang. Laporan terdiri dari beberapa bagian, antara lain:

a. Pendahuluan, bertujuan untuk mengantarkan pembaca agar mengetahui topik penelitian, alasan, dan pentingnya suatu penelitian.

b. Landasan Teori, berisikan seperangkat definisi dan konsep yang bertujuan sebagai dasar dalam penelitian.

c. Metodologi penelitian mencakup serangkaian kegiatan dan prosedur yang digunakan peneliti untuk melakukan penelitian ini.

d. Analisa dan perancangan sistem dimaksudkan untuk mempelajari dan mengevaluasi masalah atau kasus dalam penelitian.

e. Implementasi dan Pengujian Sistem, dimaksudkan untuk menentukan kinerja sistem dalam aplikasi dunia nyata.

f. Penutup, berisi pemahaman penulis terhadap penelitian yang dikaji.

2.2 Alat Bantu (Tools) Pembuatan Program

Adapun alat yang digunakan dalam melakukan pengembangan sistem ini adalah sebagai berikut:

2.2.1 Perangkat Keras (Hardware)

1. Laptop ACER E5-475G dengan spesifikasi processor CPU (Intel Core i5-7200U 2,7GHz RAM 12 GB) 2. Intel Mini PC

3. Webcam Logitech C922 Pro Stream 1080p 4. Mikrokontroler ATmega16

5. Motor DC 6. Driver Mosfet

2.2.2 Perangkat Lunak (Software) 1. System Operasi Windows 10 2. Bahasa Pemograman Python 3. CodeVisionAVR

4. Visual Studio Code 5. Python IDLE

6. Browser Google Chrome

7. Microsoft Office Word 2021 dan perankat lunak pendukung.

3. HASIL DAN PEMBAHASAN

3.1 Implementasi Haar Cascade Classifier

Haar Cascade Classifier menggunakan pendeteksian bertingkat dapat dilihat pada gambar 2:

Gambar 2. Pendeteksian Bertingkat

Pada klasifikasi tingkat pertama, setiap sub-gambar diklasifikasikan menggunakan fungsi (feature). Hasil dari klasifikasi pertama ini adalah Pass jika gambar memenuhi karakteristik dari suatu feature tertentu dan Fail

(4)

sebaliknya.Saat tingkat klasifikasi naik, persyaratan yang lebih spesifik diperlukan untuk menggunakan lebih banyak fitur. Tahapan yang terakhir adalah menampilakan objek sampel gambar yang telah terdeteksi, dengan memberi tanda bujur sangkar.

Gambar 3. Pendeteksian Menggunakan Haar Cascade Classifier 3.2 Tampilan Program Pendeteksian

Tampilan program dibuat minimalis karena program ini ditujukan untuk robot otomatisasi sehingga tidak banyak user action yang dilakukan setelah program dijalankan. Berikut tampilan program dapat dilihat pada gambar 4.

Gambar 4. User Interface 3.3 Pengujian Komunikasi Serial

Pada tahap ini, dilakukan pengujian pada modul komunikasi serial untuk mengetahui apakah alat terhubung ke sistem berjalan dengan baik atau tidak. Hasil pengujian pada modul komunikasi serial dapat dilihat pada Tabel 1.

Tabel 1. Pengujian Modul Komunikasi Serial Modul

yang diuji Prosedur Pengujian Masukan

Keluaran yang di harapkan

Hasil yang

didapat Kesimpulan

Komunikasi serial

Menghubungkan port serial yang tersambung pada Servo Dynamixel AX-12A dengan laptop/pc menggunakan

USB2Dynamixel.

Mengecek apakah port berhasil tersambung.

Port serial yang terhubung dapat terdeteksi.

Port serial berhasil terhubung dan dapat

digunakan.

Baik

Servo AX- 12A

Memposisikan servo ke posisi center.

Mengatur goal position servo ke 512.

Servo kembali ke posisi center.

Perintah berhasil terkirim dan servo kembali ke posisi center.

Baik

(5)

Modul

yang diuji Prosedur Pengujian Masukan

Keluaran yang di harapkan

Hasil yang

didapat Kesimpulan

Servo AX- 12A

Menggerakkan servo dari kiri ke kanan.

Memasukkan goal position servo.

Servo bergerak dari kiri ke kanan.

Servo berhasil bergerak dari kiri ke kanan.

Baik

Servo AX- 12A

Menggerakkan servo dari atas ke bawah.

Memasukkan goal position servo.

Servo bergerak dari atas ke bawah

Servo berhasil bergerak dari atas ke bawah

Baik

3.4 Pengujian Sistem

Pengujian sistem bertujuan untuk memastikan apakah semua fungsi sistem bekerja dengan baik dan mencari kesalahan yang mungkin terjadi. Dalam pengujian sistem meliputi pengujian perangkat lunak dan pengujian perangkat keras.

1. Python

Dalam sistem pendeteksian objek ini, peneliti menggunakan bahasa pemrograman python. Untuk pengujian, dapat dimulai dari menjalankan python melalui terminal dengan mengetik python kemudian enter seperti pada gambar 5.

Gambar 5. Menjalankan Python pada Terminal

Bila tampilannya sudah seperti pada gambar diatas, tandanya python telah berhasil di instal. Selanjutnya menginstall semua library yang dibutuhkan dalam penelitian ini yaitu, OpenCV, Numpy, Matplotlib.

2. Visual Studio Code

Setelah semua library telah di instal, selanjutnya dimulai penulisan kode sistem pendeteksian objek menggunakan text editor Visual Studio Code, buka VSCode dan buat file baru kemudian simpan dengan extension .py seperti pada gambar 6.

Gambar 6. Tampilan Visual Studio Code

Kemudian import library yang diperlukan seperti yang dapat dilihat pada gambar 7 berikut.

Gambar 7. Import Library pada file Python 3. Menjalankan Program

Jika penulisan kode telah selesai, langkah selanjutnya yaitu menjalankan program, hal ini bisa dilakukan dengan dua cara yaitu dengan menekan F5 jika didalam VSCode, atau bisa dengan mengetik python <nama file>.py pada terminal untuk menjalankan program.

(6)

3.5 Pengujian Alat

Adapun rancangan alat yang digunakan dalam simulasi ini adalah sebagai berikut :

Gambar 8. Bentuk Fisik Webcam dan Servo 1. Pengujian Servo Dynamixel AX-12A

Pengujian dilakukan dengan cara mengubah nilai goal position pada servo dan melihat reaksi dari servo tersebut apakah ada kendala atau tidak agar kamera tidak kesulitan saat mengikuti pergerakan dari objek.

Tabel 2. Pengujian Servo Dynamixel AX-12A

3.6 Pengujian Deteksi Menggunakan Haar Cascade Classifier

Gambar 4. Pengujian Pada Jarak 150 cm

Pengujian ini dilakukan dengan tujuan untuk melihat sejauh mana kamera webcam dapat mendeteksi objek dengan baik saat menggunakan Haar Cascade Classifier. Hasil pengujian dapat dilihat pada tabel 1.

ID Servo

Prosedur Pengujian

Masukan Keluaran yang di harapkan

Hasil yang didapat

Kesimpulan 00 Mengatur Goal

Position -90°

Goal Position di atur ke -90°

Servo bergerak kearah

-90°

Servo berhasil bergerak kearah

-90°

Baik

00 Mengatur Goal Position +90°

Goal Position di atur ke +90°

Servo bergerak kearah +90°Servo berhasil

bergerak kearah -90°

+90°

Baik

01 Mengatur Goal Position -90°

Goal Position di atur ke -90°

-90°

Baik

01 Mengatur Goal Position +90°

Goal Position di atur ke +90°

+90°

Baik

(7)

Tabel 1. Pengujian Jarak Deteksi dengan Haar Cascade Classfier

Percobaan Jarak Koordinat

Kesimpulan

x Y

1 100 cm 157 161 Berhasil

10 160 cm - - Tidak Berhasil

3.7 Analisis Sistem Secara Keseluruhan

Seluruh rangkaian harus dianalisis untuk menentukan apakah telah terjadi kesalahan setelah pengujian. Dari keseluruhan proses pengujian baik perangkat keras maupun perangkat lunak, dapat dikatakan bahwa alat ini berfungsi sesuai keinginan penulis.

Pengujian ini dilakukan untuk mencoba dan membuktikan apakah algoritma ini dapat di gunakan untuk sistem pendeteksian robot sepak bola beroda dan mencari tahu apakah dengan menggunakan algoritma ini robot sepak bola beroda dapat mendeteksi objek dengan lebih akurat. Tes ini dilakukan dengan tahapan sebagai berikut :

1. Menghubungkan Servo Dynamixel AX-12A ke PowerHub 2. Memasang USB2Dynamixel ke PC/Laptop

3. Menjalankan program python yang telah penulis buat.

4. Lalu selanjutnya koordinat (x, y) dari objek akan dikirimkan melalui serial port untuk menggerakkan servo agar kamera dapat mengikuti objek.

4. KESIMPULAN

Deteksi warna pada penelitian ini menggunakan model warna HSV untuk menyeleksi warna dan mengirim koordinat pada objek yang dideteksi kemudian melakukan pendeteksian bentuk objek menggunakan Haar Cascade Classifier dari posisi koordinat yang telah diterima untuk deteksi yang akurat sehingga kamera tetap dapat mendeteksi objek walau banyak benda lain disekitar objek. Hasil pengujian tracking, yaitu koordinat y akan bertambah kecil jika objek bergerak ke atas pada frame, dan akan bertambah besar jika objek bergerak ke bawah pada frame. Koordinat x akan bertambah kecil jika objek bergerak kearah kiri pada frame dan akan bertambah besar jika objek bergerak kearah kanan pada frame. Setiap perubahan posisi gerakan objek akan menyebabkan perubahan pada nilai koordinat x dan y.

REFERENCES

[1] I. A. Wicaksono, T. Winarno, and A. Komarudin, “Implementasi Kontrol PID Pada Gerakan Robot Line Follower Berkaki Menggunakan Sensor Kamera,” J. Elektron. dan Otomasi Ind., vol. 7, no. 3, p. 66, 2021, doi:

10.33795/elkolind.v7i3.209.

[2] Ristekdikti, BUKU PANDUAN KONTES ROBOT SEPAKBOLA INDONESIA BERODA (KRSBI Beroda). 2018.

[3] M. Elgendy, Deep Learning for Vision Systems, vol. 1, no. 1. 2020.

[4] A. Sophokleous, P. Christodoulou, L. Doitsidis, and S. A. Chatzichristofis, “Computer vision meets educational robotics,” Electronics (Switzerland), vol. 10, no. 6. pp. 1–24, 2021, doi: 10.3390/electronics10060730.

[5] I. K. S. Buana, “DETEKSI GERAKAN KEPALA DAN KEDIPAN MATA DENGAN HAAR CASCADE CLASSIFIER CONTOUR DAN MORFOLOGI DALAM PENGOPERASIAN KOMPUTER UNTUK KAUM DIFABLE,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 5, no. 1, pp. 29–36, 2019, doi:

10.33330/jurteksi.v5i1.273.

[6] A. B. Shetty, Bhoomika, Deeksha, J. Rebeiro, and Ramyashree, “Facial recognition using Haar cascade and LBP classifiers,” Glob. Transitions Proc., vol. 2, no. 2, pp. 330–335, 2021, doi: 10.1016/j.gltp.2021.08.044.

[7] A. Bahrudin, Jupriyadi, and Permata, “Optimasi Arsip Penyimpanan Dokumen Foto Menggunakan Algoritma Kompresi Deflate (Studi Kasus :Studio Muezzart),” J. Ilm. Infrastruktur Teknol. Inf., vol. 1, no. 2, pp. 14–18, 2020, doi: 10.33365/jiiti.v1i2.582.

[8] A. Fahriannur and M. Siswanto, “Sistem Tracking Obyek Berbasis Algoritma Optical Flow Menggunakan Kamera Pan-Tilt,” Semin. Nas. Has. Penelit., pp. 175–178, 2017.

[9] G. Oltean, C. Florea, R. Orghidan, and V. Oltean, “Towards Real Time Vehicle Counting using YOLO-Tiny and Fast Motion Estimation,” SIITME 2019 - 2019 IEEE 25th Int. Symp. Des. Technol. Electron. Packag. Proc., no. October, pp. 240–243, 2019, doi: 10.1109/SIITME47687.2019.8990708.

[10] S. Brahmbhatt, Practical OpenCV. New York: Paul Manning, 2013.

(8)

[11] S. Kelly, Python, PyGame and Raspberry Pi Game Development. 2016.

[12] F. Rozi, H. Amnur, F. Fitriani, and P. Primawati, “Home Security Menggunakan Arduino Berbasis Internet Of Things,” INVOTEK J. Inov. Vokasional dan Teknol., vol. 18, no. 2, pp. 17–24, 2018, doi: 10.24036/invotek.v18i2.287.

[13] N. Satrio Pambudi, D. M. Wiharta, and N. Putra Sastra, “ANALISA KESTABILAN GERAKAN STATIS PADA ROBOT HUMANOID,” J. SPEKTRUM, vol. 5, no. 2, p. 253, 2018, doi: 10.24843/spektrum.2018.v05.i02.p32.

[14] M. Zulfikri, K. A. Latif, H. Hairani, A. Ahmad, R. Hammad, and M. Syahrir, “Deteksi dan Estimasi Kecepatan Kendaraan dalam Sistem Pengawasan Lalu Lintas Menggunakan Pengolahan Citra,” Techno.Com, vol. 20, no. 3, pp.

455–467, 2021, doi: 10.33633/tc.v20i3.4588.

[15] G. Aprilian Anarki, K. Auliasari, and M. Orisa, “PENERAPAN METODE HAAR CASCADE PADA APLIKASI DETEKSI MASKER,” JATI (Jurnal Mhs. Tek. Inform., vol. 5, no. 1, pp. 179–186, 2021, doi: 10.36040/jati.v5i1.3214.

[16] F. Utami, S. Suhendri, and M. Abdul Mujib, “Implementasi Algoritma Haar Cascade pada Aplikasi Pengenalan Wajah,” J. Inf. Technol., vol. 3, no. 1, pp. 33–38, 2021, doi: 10.47292/joint.v3i1.45.

[17] I. Imanuddin, F. Alhadi, R. Oktafian, and A. Ihsan, “Deteksi Mata Mengantuk pada Pengemudi Mobil Menggunakan Metode Viola Jones,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 18, no. 2, pp. 321–329, 2019, doi: 10.30812/matrik.v18i2.389.

[18] Hendry and R. C. Chen, “Using deep learning to predict user rating on imbalance classification data,” IAENG Int. J.

Comput. Sci., vol. 46, no. 1, 2019.

[19] F. Fachruddin, E. Rasywir, Hendrawan, Y. Pratama, D. Kisbianty, and M. R. Borroek, “Real Time Detection on Face Side Image with Ear Biometric Imaging Using Integral Image and Haar- Like Feature,” 2018 Int. Conf. Electr. Eng.

Comput. Sci., pp. 165–170, 2018.

[20] A. Mahmudi, “DETEKSI SENJATA TAJAM DENGAN METODE HAAR CASCADE CLASSIFIER MENGGUNAKAN TEKNOLOGI SMS GATEWAY,” MATICS, vol. 1, no. 1, 2014, doi: 10.18860/mat.v1i1.2646.