Face Recognition Untuk Sistem Pengaman Rumah Menggunakan Metode Hog Dan Knn Berbasis Embedded
| Main Author: | Wijayanto, Bagus Septian Aditya |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/166772/ |
Daftar Isi:
- Sistem keamanan rumah sudah menjadi salah satu fitur yang wajib dimiliki oleh setiap pemilik rumah yang ingin memiliki rumah yang aman dari pencurian dan gangguan keamanan yang lain yang tidak diinginkan. Sehingga dibutuhkan penelitian untuk meningkatkan kemanan tersebut. Dalam penelitian ini, sistem yang dibuat memanfaatkan wajah sebagai data keamanan. Sistem ini menggunakan Raspberry Pi sebagai pusat pengolahan data yang diintegrasikan dengan webcam Logitech C525 sebagai input. Untuk buzzer, LED, solenoid door lock dan modul SIM800L digunakan sebagai output dari sistem untuk memberikan notifikasi berupa alarm dan SMS. Metode yang digunakan pada sistem ini adalah HaarClassfier untuk deteksi wajah, sedangkan Histogram of Oriented Gradient dan k-Nearest Neighbor untuk pengenalan wajah. Pertama sistem akan mengambil citra yang ditangkap oleh webcam, selanjutnya digunakan deteksi citra wajah dengan Haar-Classifier, selanjutnya citra wajah akan diekstraksi fiturnya menggunakan HOG. Setelah didapatkan nilai fitur wajah, selanjutnya akan diklasifikasikan menggunakan algoritme k-Nearest Neighbor. Jarak terdekat antara database dengan data baru yang akan menentukan hasil klasifikasi dari sistem, apakah mirip dengan salah satu citra database atau tidak. Dari hasil pengujian akurasi deteksi wajah berdasarkan intensitas cahaya (40-100 lux) dengan jarak berbeda beda yaitu pada jarak 40cm sebesar 100%, pada jarak 60cm sebesar 87,5%, pada jarak 80cm sebesar 87,5%, dan pada jarak 100cm sebesar 75%. Sehingga didapatkan akurasi deteksi wajah terbaik yaitu pada jarak 40 cm. Hasil akurasi pengujian pengenalan wajah berdasarkan intensitas cahaya (40-100 lux) pada jarak 40 cm yaitu pada waktu pagi hari dengan objek dalam database sebesar 100% dan 75% untuk objek diluar database. Sehingga didapatkan total akurasi pengenalan wajah seluruhnya yaitu sebesar 87,5%. Integrasi sistem software dengan hardware menghasilkan tingkat akurasi sebesar 100%. Waktu rata-rata komputasi yang dibutuhkan dalam mengenali wajah adalah sebesar 13.28839 detik.