alat keselamatan pengendara dari kondisi lelah …repository.ppns.ac.id/2430/1/0915040054 - nadya...
TRANSCRIPT
TUGAS AKHIR(609502A)
ALAT KESELAMATAN PENGENDARA DARI KONDISI LELAH DILENGKAPI DENGAN MULTI LEVEL SAFETY BERBASIS PENGOLAHAN CITRA MENGGUNAKAN METODE HAAR CASCADE CLASSIFIER
NADYA RATNA FADILA
0915040054
DOSEN PEMBIMBING : DR. ENG. IMAM SUTRISNO, ST., MT. AGUS KHUMAIDI, S.ST., MT.
PROGRAM STUDI TEKNIK OTOMASI
JURUSAN TEKNIK KELISTRIKAN KAPAL
POLITEKNIK PERKAPALAN NEGERI SURABAYA
SURABAYA
2019
i
TUGAS AKHIR (609502A)
ALAT KESELAMATAN PENGENDARA DARI KONDISI LELAH DILENGKAPI DENGAN MULTI LEVEL SAFETY BERBASIS PENGOLAHAN CITRA MENGGUNAKAN METODE HAAR CASCADE CLASSIFIER
NADYA RATNA FADILA 0915040054
DOSEN PEMBIMBING: DR. ENG. IMAM SUTRISNO, S.T., M.T. AGUS KHUMAIDI, S.ST., M.T.
PROGRAM STUDI TEKNIK OTOMASI JURUSAN TEKNIK KELISTRIKAN KAPAL POLITEKNIK PERKAPALAN NEGERI SURABAYA SURABAYA 2019
ii
iv
vi
vii
KATA PENGANTAR
Assalamualaikum warahmatullahi wabarakatuh
Alhamdulillahirobbil’alamin, puji syukur kehadirat Allah SWT. yang telah
melimpahkan rahmat, karunia serta hidayah-Nya, serta baginda Nabi Muhammad
SAW. yang telah mengajarkan akhlak yang mulia, sehingga pada saat ini penulis
dapat menyelesaikan Tugas Akhir yang berjudul “Alat Keselamatan Pengendara
dari Kondisi Lelah Dilengkapi dengan Multi Level Safety Berbasis Pengolahan
Citra Menggunakan Metode Haar Cascade Classifier” yang menjadi salah satu
syarat mutlak untuk menyelesaikan Program Studi Teknik Otomasi jenjang
Diploma-4 Politeknik Perkapalan Negeri Surabaya.
Dengan segala kerendahaan hati, penulis menyadari bahwa dalam
menyelesaikan Tugas Akjhir ini tidak lepas dari peran berbagai pihak yang telah
memberikan bantuan baik dari segi materi maupun moral, motivasi, serta semangat
yang tak terhingga, khususnya kepada :
1. Ibunda tercinta Ernawati Farihah, yang tiada hentinya mendoakan dan
mendukung segala usaha selama pengerjaan Tugas Akhir ini. Ayahanda
Puratno Sardianto, yang telah mengajarkan semangat dan kegigihan untuk
pantang menyerah dalam menjalani setiap usaha.
2. Bapak Ir. Eko Julianto, M.Sc., FRINA selaku Direktur Politeknik
Perkapalan Negeri Surabaya.
3. Bapak Mohammad Basuki Rahmat, ST., MT. selaku Ketua Jurusan Teknik
Kelistrikan Kapal PPNS yang telah mengarahkan dan membantu penulis
untuk segera menyelesaikan jenjang pendidikan D4 Teknik Otomasi PPNS
4. Bapak Dr. Eng. Imam Sutrisno, ST., MT. selaku Dosen Pembimbing 1dan
Koordinator Prodi Teknik Otomasi yang telah memberikan pembinaan,
serta motivasi yang tiada henti selama pengerjaan Tugas Akhir ini.
5. Bapak Muhammad Khoirul Hasin, S.Kom., M.Kom. selaku Koordinator
Tugas Akhir Program Studi Teknik Otomasi yang telah membantu dengan
segala upaya agar tugas akhir ini segera selesai.
viii
6. Bapak Agus Khumaidi, S.ST., MT. selaku Dosen Pembimbing 2 yang telah
membimbing dan memberikan dukungan dari pengajuan judul Tugas Akhir
hingga saat ini.
7. Seluruh Staf, Dosen dan Karyawan Politeknik Perkapalan Negeri Surabaya.
8. Seluruh Dosen Jurusan Teknik Kelistrikan Kapal PPNS yang telah
memberikan ilmu dan bimbingannya selama penulis melaksanakan studi.
9. Seluruh Keluarga Mahasiswa Teknik Otomasi, khususnya teman – teman
Teknik Otomasi 2015 atas segala bentuk dukungan serta kenangan
perjuangan bersama selama menempuh studi.
Penulis menyadari Tugas Akhir ini, masih memiliki kekurangan,
oleh karena itu kritik dan saran sangat diharapkan demi kesempurnaan
Tugas Akhir ini. Penulis berharap Tugas Akhir ini dapat bermanfaat bagi
semua pihak.
Akhir kata, penulis mengucapkan banyak terimaksih kepada semua
pihak yang telah banyak membantu, semoga Allah SWT. selalu
melimpahkan rahmat pada kita semua, Aamiin.
Surabaya 20 Agustus 2019
Penulis
ix
ALAT KESELAMATAN PENGENDARA DARI KONDISI
LELAH DILENGKAPI DENGAN MULTI LEVEL SAFETY
BERBASIS PENGOLAHAN CITRA MENGGUNAKAN
METODE HAAR CASCADE CLASSIFIER
Nadya Ratna Fadila
ABSTRAK
Kecelakaan lalu lintas merupakan salah satu masalah terbesar di Indonesia.
Salah satu faktor yang mengakibatkan kecelakaan lalu lintas yaitu kelelahan atau
mengantuk saat berkendara. Ada beberapa indikasi orang mengantuk yaitu
menurunnya frekuensi kedipan mata, kelopak mata menyempit dan mata menutup
hingga 100%. Hal tersebut dapat diatasi dengan memanfaatkan teknologi
pengolahan citra untuk mengetahui kondisi pengemudi dengan menggunakan
metode Haar Cascade. Selain itu untuk mendeteksi mata pengemudi menggunakan
eye detection dan blink detection sebagai pendeteksi kedipan pada kelopak mata.
Mata yang sedang mengantuk akan terdeteksi oleh camera hingga nantinya akan
memberikan notifikasi untuk membangunkan pengemudi. Selain itu terdapat fitur
tambahan yaitu adanya fitur sms yang berfungsi untuk memberitahukan kepada
orang lain (keluarga atau agen travel) bahwa si sopir yang mengendarai mobil
tersebut sedang mengantuk. Berdasarkan hasil pengujian terhadap deteksi kondisi
wajah, metode haar-cascade menunjukkan kinerja deteksi kondisi wajah yang
cukup baik. Dari 30 kali pengujian menunjukkan bahwa sistem mampu mendeteksi
kondisi wajah sebanyak 23 kali sehingga tingkat keberhasilannya sebesar 76,67%.
Tingkat keberhasilan sistem dipengaruhi oleh beberapa faktor seperti: jarak
pengujian dan sudut penempatan alat. Jarak pengujian yang baik berada pada jarak
> 25cm dan < 32cm, serta sudut penempatan yang baik antara sudut 00 sampai 90.
.
Kata kunci: Kelelahan Berkendara, Kecelakaan Lalu Lintas, Haar Cascade, Eye
Detection, Blink Detection
x
Halaman ini sengaja dikosongkan
xi
DRIVER SAFETY EQUIPMENT FROM TIRED CONDITIONS
COMPLETED WITH MULTI LEVEL SAFETY BASED ON
IMAGE PROCESSING USING HAAR CASCADE CLASSIFIER
METHOD
Nadya Ratna Fadila
ABSTRACT
Traffic accidents are one of the biggest problems in Indonesia. One factor
that cause traffic accidents is fatigue or drowsiness when driving. There are some
indications that people are drowsy, namely decreasing the frequency of eye blinks,
narrowed eyelids and eyes closing up to 100% This can be overcome by utilizing
image processing technology to determine the condition of the driver using the
Haar Cascade method. In addition to detecting the eyes of the driver using eye
detection and blink detection as a blink detector on the eyelid. Sleepy eyes will be
detected by the camera until later it will give notification to wake the driver. In
addition there are additional features, namely the existence of an SMS feature that
serves to notify others (family or travel agents) that the driver who is driving the
car is sleepy. Based on the results of tests on face condition detection, the haar-
cascade method shows a pretty good performance detection of face conditions.
From 30 tests showed that the system was able to detect facial conditions 23 times
so that the success rate was 76.67%. The success rate of the system is influenced by
several factors such as: testing distance and tool placement angle. A good test
distance is at a distance of > 25cm and <32cm, and a good placement angle
between angles 00 to 90.
Keywords: Driving Fatigue, Traffic Accidents, Haar Cascade, Eye Detection, Blink
Detection
xii
Halaman ini sengaja dikosongkan
xiii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
LEMBAR PENGESAHAN .................................................................................. iii
PERNYATAAN BEBAS PLAGIAT ..................................................................... v
KATA PENGANTAR ......................................................................................... vii
ABSTRAK ............................................................................................................ ix
ABSTRACT ............................................................................................................ xi
DAFTAR ISI ....................................................................................................... xiii
DAFTAR GAMBAR ......................................................................................... xvii
DAFTAR TABEL ............................................................................................... xix
BAB 1 PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ........................................................................................ 1
1.2 Rumusan Masalah................................................................................... 3
1.3 Tujuan ..................................................................................................... 3
1.4 Manfaat ................................................................................................... 3
1.5 Batasan Masalah ..................................................................................... 3
BAB 2 TINJAUAN PUSTAKA ............................................................................. 5
2.1 Penelitian Sebelumnya ........................................................................... 5
2.2 Arduino ................................................................................................... 5
2.3 Arduino IDE ........................................................................................... 6
2.4 Buzzer ..................................................................................................... 6
2.5 Pompa ..................................................................................................... 7
2.6 Relay ....................................................................................................... 8
2.7 Android Studio ....................................................................................... 8
2.8 Modul Bluetooth HC-05 ......................................................................... 9
2.9 Pengolahan Citra................................................................................... 10
2.10 Pengolahan Citra Digital ...................................................................... 10
2.11 Haar Cascade Classifier ........................................................................ 12
2.11.1 Integral Image ................................................................................. 13
2.12 Deteksi Mata ......................................................................................... 14
2.13 Parameter Mata Mengantuk.................................................................. 15
xiv
BAB 3 METODOLOGI PENELITIAN ................................................................ 17
3.1 Algoritma Perhitungan .......................................................................... 17
3.1.1 Haar-Like Feature ............................................................................ 17
3.1.2 Integral Image ................................................................................. 19
3.1.3 Algoritma AdaBoost ........................................................................ 22
3.1.4 Cascade Classifier............................................................................ 31
3.2 Dataset Wajah ....................................................................................... 31
3.3 Alur Penelitian ...................................................................................... 32
3.4 Tahap Identifikasi Awal ........................................................................ 33
3.4.1 Identifikasi masalah ......................................................................... 33
3.4.2 Penetapan rumusan masalah dan tujuan penelitian ......................... 33
3.4.3 Studi Literatur .................................................................................. 34
3.5 Analisa Kebutuhan Sistem .................................................................... 34
3.6 Perancangan Sistem .............................................................................. 34
3.6.1 Diagram Blok Sistem....................................................................... 35
3.6.2 Perancangan Flowchart Kerja Sistem .............................................. 36
3.7 Perancangan Hardware ......................................................................... 37
3.7.1 Desain Prototype.............................................................................. 38
3.8 Rancangan Jadwal Pengerjaan Tugas Akhir ......................................... 39
BAB 4 HASIL DAN PEMBAHASAN ................................................................. 41
4.1. Perancangan Alat .................................................................................. 41
4.1.1. Rancangan Elektrik.......................................................................... 41
4.1.2. Rancangan Mekanik ........................................................................ 41
4.2. Pengujian Sistem ................................................................................... 42
4.2.1. Pengujian Koneksi Bluetooth .......................................................... 42
4.2.2. Pengaturan Awal Aplikasi ............................................................... 43
4.2.3. Pengujian Fitur SMS ....................................................................... 44
4.2.4. Pengujian Fitur Panggilan ............................................................... 44
4.2.5. Pengujian Modul Bluetooth ............................................................. 45
4.2.6. Pengujian Deteksi Wajah................................................................. 46
4.2.7. Pengujian Jarak ................................................................................ 48
4.2.8. Pengujian Sudut Penempatan .......................................................... 48
xv
BAB 5 KESIMPULAN DAN SARAN................................................................. 53
5.1. Kesimpulan ........................................................................................... 53
5.2. Saran ..................................................................................................... 53
DAFTAR PUSTAKA .......................................................................................... 55
Lampiran Biodata Mahasiswa .............................................................................. 57
xvi
Halaman ini sengaja dikosongkan
xvii
DAFTAR GAMBAR
Gambar 1. 1 Grafik kecelakaan di Indonesia selama triwulan terakhir .................. 1
Gambar 2. 1 Arduino Uno (Caratekno, 2015)......................................................... 6
Gambar 2. 2 Buzzer................................................................................................. 7
Gambar 2. 3 Pompa air............................................................................................ 7
Gambar 2. 4 Relay................................................................................................... 8
Gambar 2. 5 Modul Bluetooth HC-05..................................................................... 9
Gambar 2. 6 Black and White (Greyscale) (RD, Pambudi, & Tompunu, 2012) .. 11
Gambar 2. 7 Binary Image (RD, Pambudi, & Tompunu, 2012) ........................... 11
Gambar 2. 8 Haar Like Feature ............................................................................. 13
Gambar 2. 9 Ekspresi mata mengantuk................................................................. 15
Gambar 3. 1 Skema Deteksi Metode Haar Cascade Classifier ............................. 17
Gambar 3. 2 Contoh hasil citra dari RGB menjadi Grayscale .............................. 18
Gambar 3. 3 Pemilihan Fitur Wajah dan Mata ..................................................... 18
Gambar 3. 4 Citra Masukan .................................................................................. 19
Gambar 3. 5 Hasil Perhitungan Integral Image ..................................................... 21
Gambar 3. 6 Dataset Wajah .................................................................................. 31
Gambar 3. 7 Flowchart Alur Penelitian ............................................................... 32
Gambar 3. 8 Diagram Blok Sistem ...................................................................... 35
Gambar 3. 9 Perancangan flowchart kerja sistem ................................................. 36
Gambar 3. 10 Perancangan Desain Hardware....................................................... 37
Gambar 3. 11 Perancangan Desain Hardware Tampak Depan ............................. 38
Gambar 3. 12 Perancangan Desain Hardware Tampak Ortogonal ....................... 38
Gambar 4. 1 Rancangan Elektrik .......................................................................... 41
Gambar 4. 2 Rancangan Mekanik ......................................................................... 41
Gambar 4. 3 Tampilan Awal Aplikasi .................................................................. 42
Gambar 4. 4 Pengujian Koneksi Bluetooth ........................................................... 42
Gambar 4. 5 Tampilan Menu Password ................................................................ 43
Gambar 4. 6 Pengaturan No HP ............................................................................ 43
Gambar 4. 7 Pengaturan No Plat Kendaraan ........................................................ 44
Gambar 4. 8 Fitur SMS ......................................................................................... 44
xviii
Gambar 4. 9 Fitur Panggilan.................................................................................. 44
Gambar 4. 10 Led Kondisi Mati ............................................................................ 45
Gambar 4. 11 Led Kondisi Nyala .......................................................................... 45
Gambar 4. 12 Tampilan Aplikasi Android ............................................................ 46
Gambar 4. 13 Pengguna Mengantuk ..................................................................... 47
Gambar 4. 14 Isi Pesan Pengemudi Mengantuk .................................................... 47
xix
DAFTAR TABEL
Tabel 3. 1 Perhitungan Integral Image .................................................................. 19
Tabel 3. 2 Rancangan jadwal pengerjaan Tugas Akhir......................................... 39
Tabel 4. 1 Data Pengujian Modul Bluetooth ......................................................... 46
Tabel 4. 2 Hasil Pengujian Aplikasi Android ....................................................... 48
Tabel 4. 3 Hasil Pengujian Sudut Sebelah Kanan ................................................. 49
Tabel 4. 4 Hasil Pengujian Sudut Sebelah Atas .................................................... 49
Tabel 4. 5 Hasil Pengujian Sudut Sebelah Kanan Atas ........................................ 50
Tabel 4. 6 Hasil Pengujian Deteksi Kondisi Wajah .............................................. 50
xx
(halaman ini sengaja dikosongkan)
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Kecelakaan lalu lintas merupakan salah satu permasalahan terbesar di
Indonesia, kecelakaan tidak hanya menimbulkan kerugian material tetapi juga jiwa.
Umumnya kecelakaan yang menyebabkan banyak korban jiwa adalah kecelakaan
yang melibatkan kendaraan roda 4 atau lebih, karena bisa membawa lebih dari satu
penumpang (mobil pribadi dan kendaraan umum). Bahkan angka kecelakaan pada
tiga triwulan terakhir telah mengalami kenaikan, seperti yang terlihat pada Gambar
1.1.
Gambar 1. 1 Grafik kecelakaan di Indonesia selama triwulan terakhir
Sumber:( http://korlantas-irsms.info , 2018)
Dari data pada Gambar 1.1 total kecelakaan pada triwulan terakhir telah
mencapai 26.630 dan korban meninggal telah mencapai 6.455. Penyebab tingginya
angka Laka Lantas masih seperti tahun-tahun sebelumnya, yakni karena faktor
2
manusia atau human error, seperti mengantuk karena kelelahan, di bawah pengaruh
alkohol, mengemudi dengan menggunakan handphone serta melanggar rambu-
rambu lalu lintas. Seperti kecelakaan yang dialami oleh Kapolres Tulungagung
AKBP Tofik Sukendar dan istrinya yang dikarenakan sopir mengalami kelelahan
atau mengantuk. Kejadian ini termuat pada Detik News, “Dugaan sementara akibat
sopirnya mengantuk. Tadi sempat kami mintai keterangan, dia (sopir) mengaku
mengantuk," kata Edwin kepada wartawan di RS Citra Medika, Tarik, Sidoarjo,
Jumat (28/9/2018)”.
Selain itu faktor penyebab pengemudi mengantuk yang sering ditemui di
masyarakat yaitu tidak adanya teman bicara. Solusi umum yang sering dilakukan
masyarakat untuk mencegah pengemudi kendaraan yang mengantuk yaitu dengan
meminta bantuan teman untuk menemani sebagai teman bicara sehingga
pengemudi tidak bosan dan mengakibatkan mengantuk. Selain itu juga teman dapat
memastikan pengemudi dalam keadaan sadar dan tidak dalam kondisi mengantuk
atau bahkan tertidur. Namun solusi ini tidak dapat dilakukan setiap saat karena
terkadang teman juga akan merasa jenuh dan merasa lelah sehingga pengemudi
mungkin saja menghadapi kondisi yang mengharuskan dia harus mengemudi
sendiri.
Pada Tugas Akhir ini untuk mengurangi jumlah kecelakaan yang disebabkan
oleh faktor kelelahan maka penulis membuat sebuah alat pendeteksi kelelahan
pengendara transportasi dengan menggunakan pengolahan citra. Alat ini dapat
mendeteksi kantuk secara presisi dengan memperhatikan pola gerakan kelopak
mata pengendara. Selain itu dilengkapi juga dengan pengamanan bertingkat yang
meliputi lampu alarm, penyemprot air dan suara alarm. Sistem ini dapat mengirim
informasi kondisi pengendara kepada orang lain dengan mengirim pesan berupa
sms. Pengenalan wajah akan diproses menggunakan metode Haar Cascade disertai
eye detection untuk mendeteksi gerakan kelopak mata pengendara. Berdasarkan
uraian tersebut maka penulis membuat rancang bangun Tugas Akhir dengan judul
“Alat Keselamatan Pengendara dari Kondisi Lelah Dilengkapi dengan Multi Level
Safety Berbasis Pengolahan Citra Menggunakan Metode Haar Cascade Classifier”.
3
1.2 Rumusan Masalah
Rumusan masalah pada penelitian ini antara lain:
1. Bagaimana algoritma Haar Cascade untuk mendeteksi wajah dan pola
gerakan kelopak mata pengendara ?
2. Bagaimana desain hardware alat pendeteksi kelelahan pada pengendara?
3. Apa saja parameter untuk mendeteksi kelelahan pada pengendara?
1.3 Tujuan
Adapun tujuan yang ingin dicapai pada Tugas Akhir ini adalah:
1. Mengetahui algoritma Haar Cascade untuk mendeteksi wajah dan pola
gerakan kelopak mata pengendara
2. Mampu membuat alat untuk mendeteksi kelelahan pada pengendara saat
berkendara
3. Mengetahui apa saja parameter untuk mendeteksi kelalahan pada pengendara
saat berkendara
1.4 Manfaat
Manfaat yang dapat diperoleh dalam pengerjaan Tugas Akhir ini adalah:
1. Dapat menjadi pilihan sebagai alat yang handal dan mudah dioperasikan
untuk keselamatan berkendara
2. Dapat mengurangi tingkat kecelakaan lalu lintas yang disebabkan oleh
kelelahan pengendara
1.5 Batasan Masalah
Adapun batasan masalah pada Tugas Akhir ini adalah:
1. Kurang efektif jika digunakan oleh pengendara yang menggunakan
kacamata
2. Jarak maksimal kamera ke objek yaitu 30cm
4
(halaman ini sengaja dikosongkan)
5
BAB 2
TINJAUAN PUSTAKA
2.1 Penelitian Sebelumnya
Penelitian sebelumnya telah dilakukan oleh (Shin, Setiawan, &
Suryotrisongko, 2013) dengan judul “Pembuatan Sistem Pendeteksi Kantuk dengan
Menganalisa Gelombang Attention dan Meditation Menggunakan Metode Support
Vector Machine”. Pada penelitian ini, peneliti memanfaatkan kemampuan
teknologi Brain-computer interface (BCI) dengan menerima masukkan dari
electroencephalographic (EEG) dapat mengukur aktifitas dari fungsi otak. Dengan
sinyal EEG ini dapat mengetahui informasi penting mengenai keadaan mental
seseorang, seperti mengantuk dan kelelahan. Pada pengujian penelitian ini
mendepatkan hasil yang berbeda-beda pada setiap subjek. Untuk subjek pertama
88,88%, subjek kedua 88,88%, subjek ketiga 84,44%, dan subjek kelima 68,88%.
Sehingga rata-rata akurasi adalah 82.77 %. Pengujian pada subjek keempat tidak
dapat dilakukan karena setelah dilakukan wawancara subjek empat mengantuk
sejak awal pengambilan data. Sehingga data subjek keempat dinyatakan tidak valid
dan tidak dapat digunakan untuk pengujian.
2.2 Arduino
Arduino adalah papan sirkuit berbasis mikrokontroler ATmega328. IC
(integrated circuit) ini memiliki 14 input/output digital (6 output untuk PWM), 6
analog input, resonator kristal keramik 16 MHz, Koneksi USB, soket adaptor, pin
header ICSP, dan tombol reset. Arduino Uno dapat diaktfikan dengan melalui kabel
power USB atau kabel power supply adaptor AC ke DC atau juga baterai. Bahasa
pemrograman Arduino adalah bahasa C. Tetapi bahasa ini sudah dipermudah
menggunakan fungsi-fungsi yang sederhana sehingga pemula pun bisa
mempelajarinya dengan cukup mudah. Gambar 2.1 merupakan tampilan dari
Arduino Uno yang berfungsi sebagai mikrokontroler pada Tugas Akhir ini.
6
Gambar 2. 1 Arduino Uno (Caratekno, 2015)
2.3 Arduino IDE
Arduino menggunakan bahasa pemrograman sendiri yang menyerupai
bahasa C. Bahasa pemrograman Arduino (Sketch) sudah dilakukan perubahan
untuk memudahkan pemula dalam melakukan pemrograman dari bahasa
aslinya. Arduino IDE dibuat dari bahasa pemrograman JAVA. Arduino IDE juga
dilengkapi dengan library C/C++ yang biasa disebut Wiring yang membuat operasi
input dan output menjadi lebih mudah. Software Arduino ini dapat di-install di
berbagai operating system (OS) seperti: LINUX, Mac OS, Windows. Software
Arduino IDE terdiri dari 3 (tiga) bagian:
1. Editor program, untuk menulis dan mengedit program dalam bahasa
processing. Listing program pada Arduino disebut sketch.
2. Compiler, modul yang berfungsi mengubah bahasa processing (kode
program) kedalam kode biner karena kode biner adalah satu– satunya
bahasa program yang dipahami oleh mikrokontroler.
3. Uploader, modul yang berfungsi memasukkan kode biner kedalam
memori mikrokontroler (Arifin, Zulita, & Hermawansyah, 2016)
2.4 Buzzer
Buzzer adalah sebuah komponen elektronika yang berfungsi untuk mengubah
getaran listrik menjadi getaran suara. Pada dasarnya prinsip kerja buzzer hampir
sama dengan loud speaker, jadi buzzer juga terdiri dari kumparan yang terpasang
pada diafragma dan kemudian kumparan tersebut dialiri arus sehingga menjadi
elektromagnet, kumparan tadi akan tertarik ke dalam atau keluar, tergantung dari
arah arus dan polaritas magnetnya, karena kumparan dipasang pada diafragma
7
maka setiap gerakan kumparan akan menggerakkan diafragma secara bolak-balik
sehingga membuat udara bergetar yang akan menghasilkan suara. Pada Tugas
Akhir ini Buzzer berfungsi sebagai alarm saat pengemudi terdeteksi sedang
mengantuk. Gambar 2.2 menunjukkan gambar dari komponen buzzer.
Gambar 2. 2 Buzzer
2.5 Pompa
Pompa adalah suatu peralatan mekanik yang digerakkan oleh tenaga mesin
yang digunakan untuk memindahkan cairan (fluida) dari suatu tempat ke tempat
lain, dimana cairan tersebut hanya mengalir apabila terdapat perbedaan tekanan.
Pompa juga dapat diartikan sebagai alat untuk memindahkan energi dari pemutar
atau penggerak ke cairan ke bejana yang bertekanan yang lebih tinggi. Selain dapat
memindahkan cairan pompa juga berfungsi untuk meningkatkan kecepatan,
tekanan dan ketinggian cairan.
Adapun bentuk pompa bermacam-macam, dengan demikian maka pompa
dalam pelayanannya dapat diklasifikasikan menurut pemakaiannya, prinsip
kerjanya, cairan yang dialirkan dan material atau bahan konstruksinya. Gambar 2.3
merupakan gambar pompa yang digunakan dalam tugas akhir ini.
Gambar 2. 3 Pompa air
8
2.6 Relay
Relay adalah saklar elektro-magnetik yang menggunakan tegangan DC
rendah untuk menghidupkan dan mematikan suatu alat atau sistem yang
terhubung dengan tegangan DC yang tinggi atau tegangan AC. Susunan relay
yang paling sederhana terdiri atas kumparan kawat penghantar yang dugulung
pada inti besi. Susunan kontak relay secara umum terdiri dari:
1. Normally Open (NO) : posisi saklar berada pada keadaan terbuka saat
relay dalam keadaan tidak dialiri arus.
2. Normally Close (NC) : posisi saklar berada pada keadaan tertutup saat
relay dalam keadaan tidak dialiri arus.
Berdasarkan pada prinsip dasar cara kerjanya, relaydapat bekerja karena adanya
medan magnet yang digunakan untuk menggerakkan saklar. Saat kumparan
diberikan tegangan sebesar tegangan kerja relay maka akan timbul medan
magnet pada kumparan karena adanya arus yang mengalir pada lilitan kawat.
Kumparan yang bersifat sebagai elektromagnet ini kemudian akan menarik saklar
dari kontak NC ke kontak NO. Jika tegangan pada kumparan dimatikan maka
medan magnet pada kumparan akan hilang sehingga pegas akan menarik
saklar ke kontak NC (Fauzi, 2012). Gambar 2.4 merupakan gambar komponen relay
yang digunakan dalam tugas akhir ini.
Gambar 2. 4 Relay
2.7 Android Studio
Android Studio adalah IDE (Integrated Development Environment) resmi
untuk pengembangan aplikasi Android dan bersifat open source atau gratis.
Peluncuran Android Studio ini diumumkan oleh Google pada 16 mei 2013 pada
event Google I/O Conference untuk tahun 2013. Sejak saat itu, Android Studio
mengantikan Eclipse sebagai IDE resmi untuk mengembangkan aplikasi Android.
9
Android studio sendiri dikembangkan berdasarkan IntelliJ IDEA yang mirip
dengan Eclipse disertai dengan ADT plugin (Android Development Tools).
Android studio memiliki fitur :
a. Projek berbasis pada Gradle Build
b. Refactory dan pembenahan bug yang cepat.
c. Tools baru yang bernama “Lint” dikalim dapat memonitor kecepatan,
kegunaan, serta kompetibelitas aplikasi dengan cepat.
d. Mendukung Proguard And App-signing untuk keamanan.
e. Memiliki GUI aplikasi android lebih mudah.
f. Didukung oleh Google Cloud Platfrom untuk setiap aplikasi yang
dikembangkan. (Juansyah, 2015)
2.8 Modul Bluetooth HC-05
Gambar 2. 5 Modul Bluetooth HC-05
Gambar 2.5 menunjukkan modul bluetooth yang digunakan dalam tugas akhir
ini. Bluetooth Module HC-05 merupakan module komunikasi nirkabel pada
frekuensi 2.4GHz dengan pilihan koneksi bisa sebagai slave, ataupun sebagai
master. Sangat mudah digunakan dengan mikrokontroler untuk membuat aplikasi
wireless. Interface yang digunakan adalah serial RXD, TXD, VCC dan GND. Built
in LED sebagai indikator koneksi bluetooth. Bentuk fisik Bluetooth module dapat
dilihat pada gambar 2. Tegangan input antara 3.6 ~ 6V, jangan menghubungkan
dengan sumber daya lebih dari 7V. Arus saat unpaired sekitar 30mA, dan saat
paired (terhubung) sebesar 10mA. 4 pin interface 3.3V dapat langsung
dihubungkan ke berbagai macam mikrokontroler (khusus Arduino, 8051, 8535,
10
AVR, PIC, ARM, MSP430, etc.). Jarak efektif jangkauan sebesar 10 meter,
meskipun dapat mencapai lebih dari 10 meter, namun kualitas koneksi makin
berkurang. (Lontoh, Mamahit, & Tulung, 2017).
2.9 Pengolahan Citra
Pengolahan citra (image processing) adalah pengolahan suatu citra (gambar)
dengan menggunakan komputer secara khusus, untuk menghasilkan suatu citra
yang lain. Sesuai dengan perkembangan komputer itu sendiri, pengolahan citra
mempunyai dua tujuan utama (Pratiarso, Hadi, Joky, Sulthon, & Endah S.U., 2011),
yaitu sebagai berikut:
1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat
menampilkan informasi secara jelas. Hal ini berarti manusia sebagai
pengolah informasi (human perception).
2. Mengekstraksi informasi ciri yang menonjol pada suatu citra, dimana
hasilnya adalah informasi citra dimana manusia mendapatkan informasi ciri
dari citra secara numerik atau dengan kata lain computer (mesin) melakukan
interprestasi terhadap informasi yang ada pada citra melalui besaran-
besaran data yang dapat dibedakan secara jelas (berupa besaran numerik).
2.10 Pengolahan Citra Digital
Pengolahan citra digital (Digital Image Processing) adalah sebuah disiplin
ilmu yang mempelajari tentang teknik-teknik mengolah citra. Pada aplikasi
pengolahan citra digital pada umumnya, citra digital dapat dibagi menjadi 3, color
image, balck and white image dan binary image. (RD, Pambudi, & Tompunu, 2012)
1. Color Image atau RGB (Red, Green, Blue).
Pada color image ini masing-masing piksel memiliki warna tertentu,
warna tersebut adalah merah (Red), hijau (Green) dan biru (Blue). Jika
masing-masing warna memiliki range 0 - 255, maka totalnya adalah 2553
= 16.581.375 (16 K) variasi warna berbeda pada gambar, dimana variasi
warna ini cukup untuk gambar apapun. Karena jumlah bit yang
diperlukan untuk setiap pixel, gambar tersebut juga disebut gambar-bit
warna. Color image ini terdiri dari tiga matriks yang mewakili nilai-nilai
merah, hijau dan biru untuk setiap pikselnya.
11
2. Black and White.
Gambar 2. 6 Black and White (Greyscale) (RD, Pambudi, & Tompunu, 2012)
Gambar 2.6 menunjukkan pengambilan piksel pada gambar hitam dan
putih. Citra digital black and white (grayscale) setiap pikselnya
mempunyai warna gradasi mulai dari putih sampai hitam. Rentang
tersebut berarti bahwa setiap piksel dapat diwakili oleh 8 bit, atau 1 byte.
Rentang warna pada black and white sangat cocok digunakan untuk
pengolahan file gambar. Salah satu bentuk fungsinya digunakan dalam
kedokteran (X-ray). Black and white sebenarnya merupakan hasil rata-
rata dari color image, dengan demikian maka persamaannya dapat
dituliskan sebagai berikut :
𝐼𝐵𝑊 (𝑥, 𝑦) = 𝐼𝑅 (𝑥,𝑦)+𝐼𝐺(𝑥,𝑦)+𝐼𝐵(𝑥,𝑦)
3 (2.1)
dimana :
IR(x,y) = nilai piksel Red titik (x,y)
IG (x,y) = nilai piksel Green titik (x,y)
IB (x,y) = nilai piksel Blue titik (x,y)
IBW(x,y) = nilai piksel black and white titik (x,y)
3. Binary Image.
Gambar 2. 7 Binary Image (RD, Pambudi, & Tompunu, 2012)
12
Gambar 2.7 merupakan pengambilan piksel berbentuk angka biner pada
gambar biner. Setiap piksel hanya terdiri dari warna hitam atau putih, karena hanya
ada dua warna untuk setiap piksel, maka hanya perlu 1 bit per piksel (0 dan 1) atau
apabila dalam 8 bit ( 0 dan 255), sehingga sangat efisien dalam hal penyimpanan.
Gambar yang direpresentasikan dengan biner sangat cocok untuk teks (dicetak atau
tulisan tangan), sidik jari (finger print), atau gambar arsitektur. Binary image
merupakan hasil pengolahan dari black and white image, dengan menggunakan
fungsi sebagai berikut :
𝐼𝐵𝑖𝑛(𝑥, 𝑦) = {0 𝐼𝐵𝑊(𝑥, 𝑦) < 𝑇
255 𝐼𝐵𝑊(𝑥, 𝑦) ≥ 𝑇 (2.2)
Jika dalam bentuk floating point :
𝐼𝐵𝑖𝑛(𝑥, 𝑦) = {0 𝐼𝐵𝑊(𝑥, 𝑦) < 𝑇
1 𝐼𝐵𝑊(𝑥, 𝑦) ≥ 𝑇 (2.3)
dimana :
IBW (x,y) = nilai piksel Gray titik (x,y)
IBin(x,y) = nilai piksel Binary titik (x,y)
T = nilai threshold.
2.11 Haar Cascade Classifier
Haar like feature atau yang dikenal sebagai Haar Cascade Classifier
merupakan rectangular (persegi) feature, yang memberikan indikasi secara spesifik
pada sebuah gambar atau image. Ide dari Haar like feature adalah mengenali obyek
berdasarkan nilai sederhana dari fitur tetapi bukan merupakan nilai piksel dari
image obyek tersebut. Metode ini memiliki kelebihan yaitu komputasi yang sangat
cepat, karena hanya tergantung pada jumlah piksel dalam persegi bukan setiap nilai
piksel dari sebuah image. Metode ini merupakan metode yang menggunakan
statistikal model (classifier). Pendekatan untuk mendeteksi objek dalam gambar
manggabungkan empat kunci utama yaitu Haar like feature, Integral Image,
Adaboost learning dan Cascade Classifier (RD, Pambudi, & Tompunu, 2012).
13
Setiap Haar-like feature terdiri dari gabungan kotak - kotak hitam dan putih seperti
yang ada pada Gambar 2.18 berikut
Gambar 2. 8 Haar Like Feature
Adanya fitur Haar ditentukan dengan cara mengurangi rata-rata piksel pada
daerah gelap dari rata-rata piksel pada daerah terang. Jika nilai perbedaannya itu
diatas nilai ambang atau treshold, maka dapat dikatakan bahwa fitur tersebut ada.
Nilai dari Haarlike feature adalah perbedaan antara jumlah nilai-nilai piksel gray
level dalam daerah kotak hitam dan daerah kotak putih. Persamaan nya yaitu :
(f x) = SumBlack rectangle - SumWhite rectangle (2.4)
dimana untuk kotak pada Haar-like feature dapat dihitung secara cepat
menggunakan “integral image” (RD, Pambudi, & Tompunu, 2012).
2.11.1 Integral Image
Integral image sering digunakan pada algoritma untuk pendeteksian
wajah. Dengan menggunakan integral image proses perhitungan bisa
dilakukan hanya dengan satu kali scan dan memakan waktu yang cepat dan
akurat. Integral image digunakan untuk menghitung hasil penjumlahan nilai
pixel pada daerah yang dideteksi oleh fitur haar. Nilai-nilai pixel yang akan
dihitung merupakan nilai-nilai pixel dari sebuah citra masukan yang dilalui
oleh fitur haar pada saat pencarian fitur wajah. Pada setiap jenis fitur yang
digunakan, pada setiap kotak-kotaknya terdiri dari beberapa pixel. Dari nilai-
nilai pixel yang didapatkan pada fitur tersebut, maka akan dihitung nilai
integral image pada fitur tersebut dengan rumus seperti dibawah ini:
14
𝑠(𝑥, 𝑦) = 𝑖(𝑥, 𝑦) + 𝑠(𝑥, 𝑦) + 𝑠(𝑥, 𝑦 + 1) + 𝑠(𝑥 + 1, 𝑦) − 𝑠(𝑥 + 1, 𝑦 + 1)
(2.5)
s(x,y) = merupakan nilai hasil penjulahan dari tiap-tiap pixel i
(x,y) = merupakan nilai intensitas diperoleh dari nilai pixel dari citra
masukan
s(x+1,y) = merupakan nilai pixel pada sumbu x
s(x,y+1) = merupakan nilai pixel pada sumbu y
s(x+1,y+1) = merupakan nilai pixel diagonal
2.12 Deteksi Mata
Setelah mendapat data utama berupa sampel gambar hasil dari camera,
selanjutnya melakukan deteksi mata menggunakan Haar Cascade Classifier. pada
mulanya gambar telah di rubah dari citra RGB menjadi grayscale. Hal itu dilakukan
agar proses perhitungan dapat dilkukan lebih cepat. Bila diamati, bagian daerah
mata pada suatu citra memiliki kecenderungan berwarna gelap. nilai fitur pada
daerah terang tentunya berbeda dengan nilai fitur yang ada pada daerah gelap.
Untuk itu mata dapat dideteksi dengan membandingkan nilai fitur di daerah mata
dengan daerah yang lebih terang yaitu daerah pipi atau hidung (Viola & Jones,
2001).
Untuk mendeteksi kedipan mata maka citra hasil grayscale di rubah menjadi
citra biner. Pada pengolahan menjadi citra biner digunakan nilai threshold, piksel
yang nilainya dibawah nilai threshold akan berwarna hitam dan nilai piksel yang
diatas nila threshold akan berwarna putih. Dari pengolahan ini akan terbentuk pola
mata terbuka dan tertutup. Setelah kondisi mata terdeteksi maka akan dihitung lama
waktu mata tertutup. Jika lama waktu mata tertutup melebihi nilai yang telah di
tentukan maka dapat diindikasikan sebagai kondisi mengantuk.
15
2.13 Parameter Mata Mengantuk
Mengantuk merupakan kondisi ketika tubuh membutuhkan waktu untuk
beristirahat atau tidur. Mengantuk dapat disebabkan karena kelelahan melakukan
pekerjaan yang berulang-ulang seperti mengendarai kendraan ketika perjalanan
jauh. Pada saat mengantuk kelopak mata akan mulai terasa berat dan seketika
menutup 100%.
Dalam keadaan normal atau bebas dari stres rata-rata kedipan mata adalah 15
sampai 20 kali permenit. Jika frekuensi ini menurun 3 kali permenit maka dapat di
indikasikan bahwa mata sedang lelah atau mengantuk. Indikator untuk mengetahui
seseorang sedang mengantuk yaitu ketika kondisi normal posisi kelopak mata
membuka lebar sebelum menutup, namun ketika mengantuk jarak antara kedua
kelopak mata semakin menyempit dan frekuensi kedipan mata semakin menurun
hingga tertidur. (Kuswara, 2013). Gambar 2.9 menunjukkan ekspresi mata saat
mengantuk
Gambar 2. 9 Ekspresi mata mengantuk
16
(halaman ini sengaja dikosongkan)
17
BAB 3
METODOLOGI PENELITIAN
Pada bab ini berisi tentang alur penelitian dari Tugas Akhir. Alur penelitian ini
membahas tentang algoritma perhitungan, identifikasi masalah, analisa kebutuhan
dan perancangan sistem, perancangan dan pembuatan rancang bangun,
perancangan dan pembuatan hardware, serta perancangan dan pembuatan software.
Penjelasan dari masing-masing tahap penelitian ini dijelaskan secara berurutan.
3.1 Algoritma Perhitungan
Dalam pendeteksian wajah terdapat beberapa tahap yang dilakukan seblum
akhirnya akan menghasilkan sebuah output wajah yang terdeteksi pada sebuah citra.
Tahapan tersebut meliputi Haar-Like Feature, Integral image, Adaptive Boosting
dan Cascade Classifier. Skema proses dari tiap-tiap tahap yang dilalui oleh sebuah
citra dapat dilihat pada Gambar 3.1 berikut:
Citra GrayscaleCitra Grayscale Haar-Like FeatureHaar-Like Feature Integral ImageIntegral Image
Adaptive BoostingAdaptive BoostingCascade ClassifierCascade ClassifierWajah atau Bukan
Wajah
Wajah atau Bukan
Wajah
Gambar 3. 1 Skema Deteksi Metode Haar Cascade Classifier
Detail dari tiap tahap yang dilalui sebuah citra pada saat proses pendeteksian
wajah adalah sebagai berikut:
3.1.1 Haar-Like Feature
Proses pertama yang dilakukan yaitu merubah citra RGB menjadi
sebuah citra grayscale. Hal itu dilakukan untuk mendapatkan fitur wajah pada
18
sebuah image. Hasil citra grayscale ditunjukkan pada Gambar 3.2 sebagai
berikut:
RGB Grayscale
Gambar 3. 2 Contoh hasil citra dari RGB menjadi Grayscale
Setelah citra dirubah menjadi grayscale, menuju ke proses selanjutnya
yaitu memilih fitur Haar dengan menggunakan Haar-Like Feature. Haar-
like feature memproses gambar dalam kotak-kotak, dimana dalam satu kotak
terdapat beberapa pixel. Kemudian per kotak akan diproses dan menghasilkan
perbedaan nilai (threshold) yang menandakan daerah gelap dan terang. Nilai-
nilai inilah yang nantinya dijadikan dasar dalam image processing. Berikut
merupakan contoh proses pemilihan fitur yang ditunjukkan pada Gambar 3.3.
Gambar 3. 3 Pemilihan Fitur Wajah dan Mata
Perhitungan dan penjumlahan pixel untuk gambar bergerak (video)
terjadi secara terus – menerus dan membutuhkan waktu yang lama. Untuk itu
menghitung nilai fitur Haar pada sebuah citra dan pada skala yang berbeda
secara cepat menggunakan satu teknik yang disebut integral image. Integral
image sangat membantu dalam perhitungan fitur Haar-like. Dengan
19
menggunakan integral image, perhitungan fitur Haar-like dapat dilakukan
dengan sangat cepat.
3.1.2 Integral Image
Gambar 3. 4 Citra Masukan
Gambar 3.4 merupakan contoh nilai pixel yang telah di dapatkan.
Selanjutnya akan dilakukan perhitungan integral image untuk citra masukan
2x2. Perhitungan akan dijelaskan pada tabel 3.1.
Tabel 3. 1 Perhitungan Integral Image
Nilai piksel Keterangan
Nilai intensitas piksel (1,1) adalah 3
atau i(x,y) =3
i(x,y) =3
s(x+1,y) = 0 (di luar batas matrik)
s(x,y+1) = 0 (di luar batas matrik)
s(x+1,y+1) = 0 (di luar batas matrik)
s(x,y) = i(x,y) + s(x,y+1) + s(x+1,y) -
s(x+1,y+1),
maka diapatkan nilai untuk piksel (1,1)
adalah : s(x,y) = 3 + 0 + 0 – 0 = 3
3 7 7 3
1 3 3 1
5 9 9 5
3 6 6 3
i(x,y) =3
20
Nilai intensitas piksel (2,1) adalah 7
atau i(x,y) =7
i(x,y) =7
s(x+1,y) = 3
s(x,y+1) = 0 (di luar batas matrik)
s(x+1,y+1) = 0 (di luar batas matrik)
s(x,y) = i(x,y) + s(x,y+1) + s(x+1,y) -
s(x+1,y+1),
maka diapatkan nilai untuk piksel (1,2)
adalah : s(x,y) = 7 + 3 + 0 – 0 = 10
Nilai intensitas piksel (1,2) adalah 1
atau i(x,y) =1
i(x,y) =1
s(x+1,y) = 0 (di luar batas matrik)
s(x,y+1) = 3
s(x+1,y+1) = 0 (di luar batas matrik)
s(x,y) = i(x,y) + s(x,y+1) + s(x+1,y) -
s(x+1,y+1),
maka diapatkan nilai untuk piksel (2,1)
adalah : s(x,y) = 1 + 0 + 3 – 0 = 4
Nilai intensitas piksel (2,2) adalah 3
atau i(x,y) =3
i(x,y) =3
s(x+1,y) = 4
s(x,y+1) = 10
s(x+1,y+1) = 3
s(x,y) = i(x,y) + s(x,y+1) + s(x+1,y) -
s(x+1,y+1),
maka diapatkan nilai untuk piksel (2,2)
adalah : s(x,y) = 3 + 10 + 4 – 3 = 14
Hasil citra integral yang terbetuk
s(x+1,y) =
3 i(x,y) = 7
s(x,y+1) =
3
s(x-1,y) =
10
i(x,y) = 1 0
s(x+1,y+1
)= 3
s(x,y+1)=
10
s(x+1,y) =
4 i(x,y) = 3
3 10
4 14
21
Setelah dilakukan perhitungan semua piksel yang terdapat dalam
kotak fitur pada Gambar 3.4 maka akan didapatkan hasil perhitungan dari
integral image pada Gambar 3.5.
Gambar 3. 5 Hasil Perhitungan Integral Image
Setelah itu dilakukan perhitungan pada wilayah tertentu yaitu pada
kotak kuning. Kotak kuning di misalkan dengan huruf “F”. Maka untuk
menghitung jumlah piksel yang ada di kotak yang berwarna kuning
menggunakan persamaan seperti yang ada di bawah ini :
F = W1 + W4 – (W2 + W3) (3.1)
Diketahui : W1=3, W2=10 W3=4 W4=14
maka nilai piksel pada daerah F adalah :
F = W1 + W4 – (W2+W3) F = 3 + 14 – ( 10 + 4) F = 3
maka didapatkan total nilai piksel pada citra inputan pada wilayah “F”
sebesar 3
Apabila sudah didapatkan nilai integral image dari sebuah citra
masukan dan nilai jumlah piksel pada daerah tertentu, maka hasil tersebut
akan dibandingkan antara nilai piksel pada daerah terang dan daerah gelap.
Jika selisih nilai piksel pada daerah terang dengan nilai piksel pada derah
3 10 17 20
4 14 24 28
9 28 47 56
12 37 62 74
W1 W2
W3 W4
22
gelap di atas nilai ambang (threshold) maka daerah tersebut dinyatakan
memiliki fitur. (Ramadhani, 2017)
3.1.3 Algoritma AdaBoost
Algoritma adaboost adalah algoritma yang menghasilkan strong
classifier dengan kombinasi jumlah simple atau weak classifier secara linier.
AdaBoost digunakan untuk pemilihan fitur Haar yang lebih spesifik dengan
cara mengevaluasi setiap fitur terhadap data latih dengan menggunakan nilai
di fitur tersebut. Algoritma tersebut berfungsi untuk meningkatkan performa
pengklasifikasian fitur (Kuswara, 2013). Adapun contoh perhitungan
algoritma adaboost berdasarkan rumus yang telah ada seperti dibawah ini :
Bobot awal 𝑊1, 𝑦𝑖 =1
2𝑚, 𝑊1, 𝑦𝑖 =
1
2𝑙, (3.2)
Dengan m = jumalah gambar negatif dengan yi = 0 untuk gambar negatif
Dengan l = jumlah gambar positif dengan yi = 1 untuk gambar positif
Contoh : l = 5, m = 10
𝑊1,0 =1
2𝑥10= 0.05, 𝑊1,1 =
1
2𝑥5= 0.1
Untuk t = 1,2,3,.....T , dimana t adalah iterasi ke t untuk gambar positif.
Untuk j = 1,2,3,.....T , dimana j adalah iterasi ke t untuk gambar negatif.
ht (x) merupakan nilai fitur gambar positif.
hl (x) merupakan nilai fitur gambar negatif.
Berikut adalah rumus untuk mendapatkan nilai error rate setiap weak
clasiffier yaitu :
Untuk gambar positif : ∈𝑡= (∑ 𝑊𝑡,𝑖) | ℎ𝑡(𝑥) − 𝑦𝑖|𝑇𝑡 (3.3)
Untuk gambar negatif : ∈𝑗= (∑ 𝑊𝑗,𝑖) | ℎ𝑗(𝑥) − 𝑦𝑖|𝐽𝑗 (3.4)
Contoh perhitungan pada citra positif (9x9) piksel memiliki nilai sebagai
berikut :
23
1. Citra positif ke–1
21 20 20 18 18 19 21 21 22
18 18 16 17 17 19 22 22 23
19 18 17 17 21 24 23 26 23
19 19 18 21 22 27 24 29 28
20 21 21 21 25 28 25 31 33
22 21 26 27 27 29 27 30 33
24 22 26 27 25 29 29 31 32
23 23 13 25 25 27 28 30 32
23 23 24 25 26 28 29 30 31
Nilai positif pada gambar tersebut akan dihitung nilai fiturnya.
Nilai fitur = (total piksel hitam) – (total piksel biru)
ht (x) = | (26+21-23-18)-(31+18-26-22)
= 5
Maka nilai error rate yang didapatkan adalah sebagai berikut :
∈𝑡= (0,1)|5 − 1| = 0,4
2. Citra positif ke–2
95 90 80 78 76 76 81 91 103
90 72 75 71 68 68 75 83 98
91 65 67 60 59 58 64 72 80
91 62 65 55 56 55 55 63 72
89 55 51 49 44 43 37 40 41
92 73 74 70 60 54 52 51 53
93 85 85 77 77 75 72 72 76
90 93 92 86 82 84 83 82 88
100 99 103 95 88 92 92 91 94
24
Nilai positif pada gambar tersebut akan dihitung nilai fiturnya.
Nilai fitur = (total piksel hitam) – (total piksel biru)
ht (x) = | (88+95-100-76)-(94+76-88-103)
= 28
Maka nilai error rate yang didapatkan adalah sebagai berikut :
∈𝑡= (0,1)|28 − 1| = 2,7
3. Citra positif ke-3
69 60 50 48 45 38 35 34 32
78 72 66 57 47 39 36 32 31
79 70 67 57 48 43 43 33 43
79 79 78 61 59 57 54 39 58
80 81 81 71 80 78 67 62 65
82 81 86 97 99 89 70 77 66
90 92 106 117 115 111 97 80 69
93 93 103 117 112 106 94 76 68
98 101 105 25 105 99 89 67 56
Nilai positif pada gambar tersebut akan dihitung nilai fiturnya.
Nilai fitur = (total piksel hitam) – (total piksel biru)
ht (x) = | (105+69-98-45)-(56+45-105-32)
= 67
Maka nilai error rate yang didapatkan adalah sebagai berikut :
∈𝑡= (0,1)|67 − 1| = 6,6
25
4. Citra positif ke-4
72 67 65 63 57 57 57 55 58
77 74 77 64 54 51 45 41 40
82 77 77 71 57 48 40 35 35
91 85 85 81 72 68 72 65 55
98 93 96 93 97 102 99 91 84
108 108 105 115 113 106 99 95 83
101 96 92 72 82 81 75 62 67
93 97 95 95 93 89 85 63 55
58 51 42 34 35 36 36 35 35
Nilai positif pada gambar tersebut akan dihitung nilai fiturnya.
Nilai fitur = (total piksel hitam) – (total piksel biru)
ht (x) = | (35+72-58-75)-(35+57-35-58)
= 7
Maka nilai error rate yang didapatkan adalah sebagai berikut :
∈𝑡= (0,1)|7 − 1| = 0,6
5. Citra positif ke-5
20 19 22 22 24 26 27 26 25
22 22 24 26 28 27 28 28 27
22 23 27 25 29 30 31 32 33
22 24 24 26 29 32 31 34 33
22 24 25 26 28 28 30 32 35
22 24 25 24 26 28 30 32 34
22 25 24 24 26 29 30 31 32
21 21 23 23 22 24 24 26 28
18 16 17 19 20 21 22 23 23
26
Nilai positif pada gambar tersebut akan dihitung nilai fiturnya.
Nilai fitur = (total piksel hitam) – (total piksel biru)
ht (x) = | (20+20-18-24)-(23+24-20-25)
= 4
Maka nilai error rate yang didapatkan adalah sebagai berikut :
∈𝑡= (0,1)|4 − 1| = 0,3
Jadi :
Error rate dari masing-masing citra dalam citra positif adalah 0,4; 2,7;
6,6; 0,6; dan 0,3. Sehingga untuk memudahkan pemilihan fitur yang
terbaik digunakan klasifikasi data training dengan nilai error rate
terkecil yaitu 0,3 dimana :
𝛽𝑡 =∈𝑡
1 −∈𝑡=
0,3
1 − 0,3= 0,428
Update bobot: 𝑊𝑡+1,𝑖 = 𝑊𝑡,𝑖 . 𝛽𝑡
Maka bobot setelah iterasi 1 : 𝑊2,1 = 0,1𝑥0,428 = 0,0428
∈𝑡= (0,1 + 0,0428)|4 − 1| = 0,4284
𝛽𝑡 = 0,428
1 − 0,4284= 0,7496
Maka bobot setelah iterasi 2 : 𝑊3,1 = 0,0428𝑥0,7496 = 0,032
∈𝑡= (0,1 + 0,0428 + 0,032)|4 − 1| = 0,5244
𝛽𝑡 = 0,5244
1 − 0,5244= 1,1026
Maka bobot setelah iterasi 3 : 𝑊4,1 = 0,032𝑥1,1026 = 0,035
∈𝑡= (0,1 + 0,0428 + 0,032 + 0,035)|4 − 1| = 0,6294
𝛽𝑡 = 0,6294
1 − 0,6294= 1,67
Maka bobot setelah iterasi 4 : 𝑊5,1 = 0,035𝑥1,67 = 0,058
∈𝑡= (0,1 + 0,0428 + 0,032 + 0,035 + 0,058)|4 − 1| = 0,8033
𝛽𝑡 = 0,803
1 − 0,803= 4,076
27
Maka bobot setelah iterasi 5 : 𝑊6,1 = 0,058𝑥4,076 = 0,236
∈𝑡= (0,1 + 0,0428 + 0,032 + 0,035 + 0,058 + 0,236)|4 − 1|
= 1,511
𝛽𝑡 = 1,511
1 − 1,511= −2,957
Maka bobot setelah iterasi 6 : 𝑊7,1 = 0,236𝑥(−2,957) = −0,697
Hasil akhir klasifikasi yang diharapkan pada citra postif adalah sebagai
berikut:
𝐻(𝑥) = {1 ∑ 𝑎𝑗ℎ𝑗(𝑥) ≥
1
2∑ 𝑎𝑡
𝑇𝑡
𝐽𝑗=1
0 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 (3.5)
Dimana:
𝑎𝑗 = 𝑙𝑜𝑔1
𝛽𝑗 𝑎𝑡 = 𝑙𝑜𝑔
1
𝛽𝑡 (3.6)
Jika posisi H(x) = Ketentuan 1 maka citra tersebut merupakan objek
Jika posisi H(x) = Ketentuan 0 maka citra tersebut merupakan
bukan objek
H(x) = Strong Classifier atau klasifikasi yang menyatakan
objek bukan objek
aj = Tingkat pembelajaran gambar negatif
at = Tingkat pembelajaran gambar positif
βj = Nilai bobot setelah error rate pada gambar negatif
βt = Nilai bobot setelah error rate pada gambar positif
Hj = weak atau basic classifiers (awal dari klasifikasi)
gambar negatif
Ht = weak atau basic classifiers (awal dari klasifikasi)
gambar positif
28
Sehingga untuk citra negatif (9x9) piksel yang memiliki nilai-nilai sebagai
berikut :
1. Citra negatif ke-1
77 68 59 38 25 18 18 27
66 66 32 25 21 23 44 66 84
76 33 43 24 36 64 62 85 95
60 27 35 54 63 93 103 75 45
45 55 58 66 85 112 118 71 33
87 77 57 77 86 27 87 69 66
155 84 87 119 113 32 84 61 77
160 87 85 117 122 37 83 66 67
162 75 75 111 120 38 79 77 100
Dengan nilai fitur:
ℎ𝑗(𝑥) = (120 + 77 − 162 − 25) − (100 + 25 − 120 − 52) = 57
Maka ∈𝑗= (0,05)|57 − 0| = 2,85
𝛽𝑗 =∈𝑗
1 −∈𝑗=
2,85
1 − 2,85= −1,54
Update bobot: 𝑊𝑡+1,𝑖 = 𝑊𝑡,𝑖. 𝛽𝑗
Maka bobot setelah iterasi 1 : 𝑊𝑡+1,𝑖 = 0,05 × (−1,54) = −0,077
Jika bobot setelah iterasi ke n jumlahnya < 0 maka iterasi berhenti. βj yang
digunakan untuk mencari H(x) menggunakan t pada citra negatif yang
nilai βj < 0
𝐻(𝑥) = ∑ 𝑎𝑗ℎ𝑗(𝑥)
𝐽
𝑗=1
≥1
2∑ 𝑎𝑡
𝑇
𝑗
= untuk nilai 1 berniai benar
Untuk salah bernilai = 0
Maka : 𝐻(𝑥) = log1
2,85× 57 ≥
1
2log
1
0,428= −25,99 ≥ 0,184
Karena −25,99 ≥ 0,184 itu bernilai salah jadi citra bukan merupakan
objek.
29
2. Citra negatif ke-2
119 117 117 116 115 114 112 110 100
117 117 116 117 115 112 111 109 104
116 116 115 115 114 111 110 109 105
115 115 115 113 113 110 108 108 105
114 114 113 112 112 107 107 104 103
111 112 111 111 110 106 105 103 99
110 108 108 108 106 103 104 102 97
105 106 106 106 104 102 102 99 94
104 104 104 102 101 99 97 96 93
Dengan nilai fitur :
ℎ𝑗(𝑥) = (101 + 119 − 104 − 115) − (93 + 115 − 101 − 100) = 6
Maka ∈𝑗= (0,05)|6 − 0| = 0,3
𝛽𝑗 =∈𝑗
1 −∈𝑗 𝑚𝑎𝑘𝑎 𝛽𝑗 =
0,3
1 − 0,3= 0,428
Update bobot: 𝑊𝑡+1,𝑖 = 𝑊𝑡,𝑖. 𝛽𝑗
Maka bobot setelah iterasi 1 : 𝑊2,1 = 0,05 × (0,428) = 0,021
∈𝑗= (0,05 + 0,021)|6 − 0| = 0,426
𝛽𝑗 = 0,426
1 − 0,426= 0,742
Maka bobot setelah iterasi 2 : 𝑊3,1 = 0,021 × 0,742 = 0,0155
∈𝑗= (0,05 + 0,021 + 0,0155)|6 − 0| = 0,519
𝛽𝑗 = 0,519
1 − 0,519= 1,079
Maka bobot setelah iterasi 3 : 𝑊4,1 = 0,0015 × 1,079 = 0,0167
∈𝑗= (0,05 + 0,021 + 0,0155 + 0,0167)|6 − 0| = 0,619
30
𝛽𝑗 = 0,619
1 − 0,619= 1,624
Maka bobot setelah iterasi 4 : 𝑊5,1 = 0,0167 × 1,624 = 0,0271
∈𝑗= (0,05 + 0,021 + 0,0155 + 0,0167 + 0,0271)|6 − 0| = 0,7818
𝛽𝑗 = 0,7818
1 − 0,7818= 3,582
Maka bobot setelah iterasi 5 : 𝑊6,1 = 0,0271 × 3,582 = 0,0971
∈𝑗= (0,05 + 0,021 + 0,0155 + 0,0167 + 0,0271 + 0,0970)|6 − 0|
= 1,364
𝛽𝑗 = 1,364
1 − 1,364= −3,747
Maka bobot setelah iterasi 6 : 𝑊7,1 = 0,0971 × (−3,747) = −0,363
Maka :
𝐻(𝑥) = (𝑙𝑜𝑔1
0,428+ 𝑙𝑜𝑔
1
0,742+ 𝑙𝑜𝑔
1
1,079+ 𝑙𝑜𝑔
1
1,624+ 𝑙𝑜𝑔
1
3,582)
× 6 ≥1
2(𝑙𝑜𝑔
1
0,428+ 𝑙𝑜𝑔
1
0,749+ 𝑙𝑜𝑔
1
1,1026+ 𝑙𝑜𝑔
1
1,67+
𝑙𝑜𝑔1
4,076)
= 0,368 + 0,129 − 0,033 − 0,210 − 0,554
≥1
2(0,368 + 0,125 − 0,042 − 0,223 − 0,610)
= −0,3 ≥ −0,191
Maka citra tersebut bukan merupakan objek.
Jadi semakin banyak iterasi yang bisa dilakukan pada citra positif dan citra
negatif maka semakin banyak kemungkinan objek ditemukan (Kuswara,
2013).
31
3.1.4 Cascade Classifier
Cascaded classifier merupakan suatu metode pengklasifikasian
bertingkat, dimana input dari setiap tingkatan merupakan output dari
tingkatan sebelumnya. Pada classifier tingkat pertama, setiap citra akan
diklasifikasi menggunakan satu fitur. Jika hasil nilai fitur setelah dikalsifikasi
tidak sesuai dengan threshold yang diinginkan maka akan langsung
dieliminasi dan dinyatakan sebagai bukan objek. Sedangkan jika sesuai
dengan threshold yang diinginkan, maka akan dilanjutkan ke klasifikasi ke
dua, dan seterusnya. Apabila suatu citra berhasil melewati semua tingkat
klasifikasi, maka akan didapatkan sebuah hasil pendeteksian. Hasil
pendeteksi bisa berupa wajah atau bukan wajah. (Shulur, 2015)
3.2 Dataset Wajah
Tegak Lurus Mata Terpejam Rotasi kanan 45o Rotasi kanan 90o Rotasi kiri 45o
Rotasi kiri 90o menengadah menunduk
Gambar 3. 6 Dataset Wajah
Menunduk
terpejam
Mata terpejam
menunduk ke kiri
Kepala kesamping
kanan
Kepala kesamping
kiri
Mata terpejam
menunduk ke kanan
Mata kanan
terpejam
Mata kiri
terpejam
32
Gambar 3.6 merupakan contoh dataset yang digunakan untuk
mengklasifikasikan wajah atau bukan wajah. Data set berisi kumpulan wajah
dengan mata terpejam dan mata normal. Apabila ingin mendeteksi wajah
mengantuk maka dataset berisi dengan gambar wajah dengan kondisi mata terpejam
atau mengantuk.
3.3 Alur Penelitian
Alur penelitian pengerjaan Tugas Akhir ditunjukkan pada Gambar 3.7.
MulaiMulai
Identifikasi
Masalah
Identifikasi
Masalah
Analisa Kebutuhan
Sistem
Analisa Kebutuhan
Sistem
Perancangan SistemPerancangan Sistem
Perancangan dan
Pembuatan Hardware
Perancangan dan
Pembuatan Hardware
Apakah
sesuai dengan
tujuan?
Apakah
sesuai dengan
tujuan?
AA
AA
Perancangan dan
Pembuatan Hardware
Perancangan dan
Pembuatan Hardware
Apakah
sesuai dengan
tujuan?
Apakah
sesuai dengan
tujuan?
Integrasi Hardware
dan Software
Integrasi Hardware
dan Software
Apakah
sesuai dengan
tujuan?
Apakah
sesuai dengan
tujuan?
Analisa dan
Pembahasan
Analisa dan
Pembahasan
SelesaiSelesai
Tidak
Ya
Tidak
Tidak
Ya
Ya
Gambar 3. 7 Flowchart Alur Penelitian
33
Gambar 3.7 menunjukkan diagram alur penelitian yang dimulai dari
identifikasi masalah mengenai mekanik, hardware dan software yang digunakan,
kemudian perancangan sistem berfungsi untuk mengatur seluruh sistem yang
digunakan pada Tugas Akhir ini, kemudian dilanjutkan untuk perancangan dan
pembuatan mekanik serta hardware. Setelah itu akan dilakukan uji coba, jika dalam
pembuatan dan perancangan mekanik serta hardware belum berhasil, maka alur
penelitian akan kembali ke pembuatan dan perancangan mekanik serta hardware
untuk diadakan perbaikan. Jika pada uji coba sudah berhasil, maka akan dilanjutkan
pada proses pembuatan software kemudian apabila terdapat error maka penelitian
akan kembali ke perbaikan program. Apabila seluruh alur telah terpenuhi maka
ditarik sebuah analisa dan kesimpulan mengenai Tugas Akhir “Alat Keselamatan
Pengendara dari Kondisi Lelah Dilengkapi dengan Multi Level Safety Berbasis
Pengolahan Citra Menggunakan Metode Haar Cascade Classifier”.
3.4 Tahap Identifikasi Awal
Tahap identifikasi awal merupakan langkah awal dalam pelaksanaan
penelitian, sehingga dapat dilakukan identifikasi permasalahan serta tujuan yang
akan dicapai. Dalam tahap identifikasi terdiri dari beberapa langkah yaitu :
3.4.1 Identifikasi masalah
Dalam pembuatan Tugas Akhir ini topik diambil berdasarkan
identifikasi masalah yang terjadi di masyarakat mengenai kelelahan pada
saat berkendara yang jika tidak terdeteksi secara otomatis akan
mengakibatkan terjadinya kecelakaan lalu lintas. Sehingga pada tugas
akhir ini dapat diambil judul yaitu “Alat Keselamatan Pengendara dari
Kondisi Lelah Dilengkapi dengan Multi Level Safety Berbasis Pengolahan
Citra Menggunakan Metode Haar Cascade Classifier” yang di harapkan
dapat mengurangi kecelakaan lalu lintas yang diakibatkan kelelahan saat
berkendara.
3.4.2 Penetapan rumusan masalah dan tujuan penelitian
Berdasarkan identifikasi masalah yang terjadi ada beberapa
rumusan masalah yang menjadi tujuan dari penelitian ini. Rumusan
masalah penelitian ini yaitu berkaitan dengan cara penerapan metode Haar
34
Cascade sebagai pengolah citra dalam mendeteksi kelelahan pengendara
saat berkendara menggunakan kontrol Arduino.
3.4.3 Studi Literatur
Tahap studi literatur dilakukan untuk memahami konsep, teori, dan
teknologi yang akan digunakan pada Tugas Akhir ini. Hal itu dilakukan
agar dapat memudahkan apa saja yang harus dikerjakan dalam Tugas
Akhir ini. Pada tahap ini hal yang akan dilakukan antara lain yaitu
mempelajari dan memahami berbagai referensi dari buku, jurnal atau
paper, internet, maupun kondisi masyarakat yang berhubungan dengan
rumusan masalah yang telah di tentukan dalam Tugas Akhir ini.
3.5 Analisa Kebutuhan Sistem
Analisa kebutuhan sistem merupakan proses dalam merancang sistem untuk
mengetahui kebutuhan apa saja yang diperlukan. Dalam tahapan ini dilakukan
analisa data dan teknologi yang diperlukan. Tahap ini dilalukan agar didapatkan
data dan teknologi yang sesuai dengan kebutuhan sistem yang akan dibangun. Data
yang dibutuhkan berupa data korban kecelakaan yang terjadi akibat kelelahan saat
berkendara. Dengan memperhatikan keandalan dalam sebuah sistem, kemampuan
dari komponen penyusunnya juga perlu diperhatikan. Adapun alat dan komponen
yang dibutuhkan dalam sistem ini diantaranya :
1. Android
2. Arduino Uno
3. Modul Bluetooth
4. Pompa
5. Relay
6. Buzzer
3.6 Perancangan Sistem
Setelah mengetahui kebutuhan sistem yang akan digunakan, maka langkah
selanjutnya adalah melakukan perancangan dan desain dari sistem yang
dikembangkan, meliputi :
35
3.6.1 Diagram Blok Sistem
Masukan Proses Keluaran
Kamera
(Pengambilan Citra)
Android
(Pengolahan Citra)
Bluetooth(Transfer Data)
Buzzer
(Sebagai alarm)
Relay
SMS
(Mengirim pesan)
Pompa Sprinkle
(Menyemprot air)
Arduino(mengaktifkan Aktuator)
Gambar 3. 8 Diagram Blok Sistem
Gambar 3.8 merupakan diagram blok yang akan diterapkan pada
Tugas Akhir ini. Sistem dirancang menggunakan Camera yang berfungsi
sebagai sensor dalam pengambilan citra, selanjutnya citra dikirim dan di
proses oleh aplikasi android. Pengolahan citra yang diproses pada aplikasi
android yang dibekali metode Haar Cascade Classifier untuk dilakukan
segmentasi citra. Didalam metode tersebut sudah terdapat algoritma adaboost
yang dapat mengolah citra pada bagian yang lebih spesifik. Setelah berhasil,
maka dari android mengirim data ke arduino yang akan memproses data
masukan untuk mengaktifkan aktuator melalui bluetooth. Saat pengemudi
terdeteksi mengantuk maka alarm akan berbunyi untuk membangunkan
pengemudi dan lampu alarm akan menyala melalui arduino. Selanjutnya
pompa sprinkle menyala untuk menyemprotkan air ke pengemudi agar
terbangun. Terdapat notifikasi pesan text melalui fitur sms yang ada di
aplikasi android untuk memberitahukan kepada orang lain bila pengemudi
sedang mengantuk.
36
3.6.2 Perancangan Flowchart Kerja Sistem
mulaimulai
Pengambilan
Citra
Pengambilan
Citra
Penentuan Area
Pendeteksian
Penentuan Area
Pendeteksian
Segementasi dengan metode
Haar Cascade
Segementasi dengan metode
Haar Cascade
Mendeteksi mata dengan
eye detection
Mendeteksi mata dengan
eye detection
AA
AA
Mendeteksi kedipan mata
dengan blink detection
Mendeteksi kedipan mata
dengan blink detection
Mendeteksi mata
mengantuk berdasarkan
set point
Mendeteksi mata
mengantuk berdasarkan
set point
Alarm berbunyi,
menyemprot air,
mengirim pesan
Alarm berbunyi,
menyemprot air,
mengirim pesan
SelesaiSelesai
Apakah jumlah
kedipan mata dapat
terhitung?
Apakah jumlah
kedipan mata dapat
terhitung?
Apakah wajah dapat
terdeteksi?
Apakah wajah dapat
terdeteksi?
Apakah mata dapat
terdeteksi?
Apakah mata dapat
terdeteksi?
Apakah mengantuk ?Apakah mengantuk ?
Tidak
Tidak
Tidak
Tidak
Ya
Ya
Ya
Ya
Gambar 3. 9 Perancangan flowchart kerja sistem
Dari Gambar 3.9 Perancangan flowchart kerja sistem, prinsip kerja
sistem pada tugas akhir ini adalah :
1. Proses dimulai dengan mengambil citra masukan yang akan
digunakan sebagai objek.
2. Menentukan area tertentu yang akan dideteksi yaitu wajah dan mata
pengemudi.
3. Segmentasi menggunakan metode Haar Cascade sehingga akan
mendeteksi citra tersebut wajah atau bukan wajah.
37
4. Setelah wajah terdeteksi dilanjutkan proses eye detection untuk
mendeteksi mata pengemudi.
5. Blink detection digunakan sebagai pendeteksi kedipan mata
pengemudi. Pada jumlah dan lama kedipan tertentu akan menandakan
bahwa pengemudi sedang mengantuk.
6. Kemudian jika pengemudi terdeteksi mengantuk, alarm akan berbunyi
untuk membangunkan pengemudi. Selanjutnya pompa sprinkle
menyala untuk menyemprotkan air ke pengemudi agar terbangun.
Terdapat notifikasi pesan text melalui fitur sms yang ada di aplikasi
android untuk memberitahukan kepada orang lain bila pengemudi
sedang mengantuk.
3.7 Perancangan Hardware
Kamera
Android
Modul
Bluetooth
Arduino
Relay
Buzzer
Pompa
SMS
Gambar 3. 10 Perancangan Desain Hardware
Gambar 3.10 merupakan desain hardware dari alat dalam tugas akhir
ini. Komponen tersebut yaitu android yang akan diletakkan di depan wajah
pengemudi dengan jarak yang ditentukan. Data yang didapat dari kamera
38
android akan di proses oleh aplikasi android yang telah dibekali metode Haar
Cascade Classifier. Setelah diproses dari aplikasi android, data di kirim ke
arduino melalui bluetooth untuk mengaktifkan aktuator yaitu Buzzer dan
pompa sebagai peringatan. Terdapat fitur sms yang mengirim pesan kepada
orang lain untuk memberitahukan bila pengemudi sedang mengantuk.
3.7.1 Desain Prototype
Gambar 3. 11 Perancangan Desain Hardware Tampak Depan
Gambar 3. 12 Perancangan Desain Hardware Tampak Ortogonal
Gambar 3.11 dan Gambar 3.12 merupakan desain Prototype pada
Tugas Akhir ini. Desain diatas merupakan desain hardware yang dibuat dari
bahan akrilik. Penerapannya yaitu sebagai tempat untuk meletakkan
rangkaian elektrik, sehingga aktuator akan terhubung pada kotak ini.
39
3.8 Rancangan Jadwal Pengerjaan Tugas Akhir
Rancangan jadwal pengerjaan tugas akhir ini diuraikan pada Tabel 3.2
sebagai berikut :
Tabel 3. 2 Rancangan jadwal pengerjaan Tugas Akhir
No Jenis Kegiatan
Bulan I Bulan II Bulan III Bulan IV
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Studi Lapangan
2 Studi Pustaka
3 Analisa Kebutuhan
Sistem
4 Perancangan
Mekanik
5 Perancangan
Hardware
6 Pembuatan Konten
Isi Aplikasi Software
7 Sinkronisasi Aplikasi
Software
8 Pengujian dan
Analisa Aplikasi
Software
9 Konsultasi Dosen
Pembimbing
10 Penulisan Tugas
Akhir
40
(halaman ini sengaja dikosongkan)
41
BAB 4
HASIL DAN PEMBAHASAN
4.1. Perancangan Alat
4.1.1. Rancangan Elektrik
Rancangan elektrik dalam Tugas Akhir ini penulis membagi menjadi
empat bagian, yaitu: rancangan elektrik komunikasi yang terdiri dari modul
bluetooth, rancangan elektrik power yang terdiri dari power supply dan buck
converter, rancangan elektrik kontroller berupa Arduino, serta rancangan
elektrik keluaran yang terdiri dari relay dan buzzer. Rancangan elektrik sensor
yang terhubung menjadi satu pada pcb layout. Gambar 4.1 berikut adalah gambar
dari rancangan elektrik yang digunakan dalam Tugas Akhir ini
Gambar 4. 1 Rancangan Elektrik
4.1.2. Rancangan Mekanik
Rancangan mekanik dalam Tugas Akhir ini menggunakan bahan akrilik
sebagai bahan pembuatan kotak tempat komponen elektrik. Desain dari
rancangan mekanik tersebut dibentuk kotak dengan beberapa bagian yang
digunakan sebagai tempat rancangan elektrik. Gambar 4.2 berikut adalah
gambar rancangan mekanik yang digunakan dalam Tugas Akhir ini.
Gambar 4. 2 Rancangan Mekanik
42
4.2. Pengujian Sistem
Gambar 4. 3 Tampilan Awal Aplikasi
Pengujian alat yang sudah dilakukan penulis pada Tugas Akhir ini dibagi
menjadi dua bagian yaitu: pengujian aplikasi android dan pengujian modul
bluetooth serta rangkaian elektrik. Gambar 4.3 diatas adalah tampilan awal
aplikasi Hasil pengujian sitem dapat diamati pada bagian berikut.
4.2.1. Pengujian Koneksi Bluetooth
Gambar 4. 4 Pengujian Koneksi Bluetooth
Gambar 4.4 diatas adalah tampilan koneksi android dengan modul bluetooth.
Pada bagian kiri merupakan tampilan awal aplikasi ini. Sebelum membuka
aplikasi ini, pengguna terlebih dahulu menghubungkan pengaturan bluetooth
dengan alat sehingga nama modul bluetooth muncul pada daftar paired device.
Pada tampilan awal tersebut selanjutnya dipilih modul bluetooth(HC-05),
selanjutnya aplikasi akan masuk pada tampilan utama. Apabila koneksi berhasil
maka akan muncul tulisan “connected” dan aplikasi siap digunakan.
43
4.2.2. Pengaturan Awal Aplikasi
Pengaturan awal pada aplikasi ini adalah pengaturan No HP tujuan dan No Plat
kendaraan yang menggunakan alat ini. dan pengaturan No Plat yang digunakan
sebagai deskripsi kendaraan yang ada pada isi pesan. Namun sebelum masuk pada
pengaturan No HP tujuan dan No Plat, pengguna terlebih dahulu memasukkan
password pada bagian seperti Gambar 4.5 berikut.
Gambar 4. 5 Tampilan Menu Password
Pengaturan No HP digunakan sebagai No HP tujuan yang akan dihubungi bila
alat mendeteksi pengemudi dalam kondisi mengantuk. Pengaturan ini penting
untuk dilakukan karena informasi mengenai pengemudi akan tersampaikan
kepada pemilik kendaraan. Gambar 4.6 berikut adalah tampilan pengaturan No
HP tujuan pada aplikasi ini.
Gambar 4. 6 Pengaturan No HP
Pengaturan No Plat digunakan sebagai identifikasi kendaraan yang
menggunakan alat ini. Informasi kendaraan ini akan dicantumkan pada isi pesan
yang akan dikirimkan kepada pemilik kendaraan. Gambar 4.7 berikut adalah
tampilan pengaturan No Plat pada aplikasi ini.
44
Gambar 4. 7 Pengaturan No Plat Kendaraan
4.2.3. Pengujian Fitur SMS
Gambar 4. 8 Fitur SMS
Gambar 4.8 diatas adalah pengujian fitur sms yang ada pada aplikasi alat ini.
Pada bagian kiri adalah menu pilihan sim card yang digunakan untuk mengirim
sms. Setelah ditekan tombol “TEST SMS” akan muncul tulisan “Sukses mengirim
pesan”. Selanjutnya pada bagian pesan Android akan ada pesan keluar kepada No
HP tujuan dengan isi “TEST KIRIM SMS WAKEME UP”.
4.2.4. Pengujian Fitur Panggilan
Gambar 4. 9 Fitur Panggilan
45
Gambar 4.9 diatas adalah pengujian fitur panggilan yang ada pada aplikasi alat
ini. Pada bagian kiri adalah menu pilihan sim card yang digunakan sebagai No HP
tujuan yang akan dihubungi. Setelah ditekan tombol “TEST PANGGILAN” akan
muncul menu tampilan panggilan kepada No HP yang sudah di atur sebelumnya.
4.2.5. Pengujian Modul Bluetooth
Dalam Tugas Akhir ini modul bluetooth digunakan sebagai penerima perintah
yang dikirimkan oleh aplikasi android. Aplikasi android akan mengirimkan
perintah ON dan OFF, selanjutnya perintah akan diterima modul bluetooth dan
dikirimkan ke arduino. Arduino sebagai kontroller akan menyalakan dan
mematikan relay yang selanjutnya akan terhubung dengan Lampu Hazzard dan
Alarm. Dalam pengujian modul bluetooth berikut penguji mencoba
menghubungkan arduino dengan led.
Gambar 4.10 berikut adalah gambar hasil pengujian yang telah penulis lakukan
ketika led dalam kondisi mati.
Gambar 4. 10 Led Kondisi Mati
Gambar 4.11 berikut adalah gambar hasil pengujian yang telah penulis lakukan
ketika led dalam kondisi menyala.
Gambar 4. 11 Led Kondisi Nyala
46
Pengujian modul bluetooth ini dilakukan sebanyak 5 kali. Dalam pengujian ini
modul bluetooth menunjukkan respon yang sangat baik dalam pengiriman data.
Data hasil pengujian modul bluetooth dan rangkaian elektrik disajikan dalam tabel
yang tersusun dalam Tabel 4.1 berikut.
Tabel 4. 1 Data Pengujian Modul Bluetooth
No. Pengujian Perintah Kondisi LED
1. 1 ON Menyala
2. 2 OFF Mati
3. 3 ON Menyala
4. 4 OFF Mati
5. 5 ON Menyala
4.2.6. Pengujian Deteksi Wajah
Pada pengujian deteksi wajah penulis menggunakan kamera android sebagai
masukan dalam pengolahan citra. Gambar hasil pengambilan kamera selanjutnya
akan diproses pada aplikasi tersebut. Gambar 4.12 berikut adalah gambar hasil
pengambilan citra dan tampilan aplikasi android.
Gambar 4. 12 Tampilan Aplikasi Android
Jika pengguna terdeteksi mengantuk maka sistem akan otomatis
mengirimkan sms berupa informasi bahwa pengguna dalam kondisi mengantuk
beserta No Plat kendaraan dan lokasi tempat pengemudi mengantuk.
47
Gambar 4.13 berikut adalah gambar hasil pengujian aplikasi android. Dimana
pengguna berpose wajah orang mengantuk dan sistem merespon dengan baik
bahwa pengguna sedang mengantuk.
Gambar 4. 13 Pengguna Mengantuk
Apabila pengemudi dalam kondisi mengantuk maka aplikasi akan mengirim
pesan kepada pemilik kendaraan sesuai dengan No HP yang sudah diatur
sebelumnya. Isi dari pesan ini berupa informasi pengemudi mengantuk beserta No
Plat dan lokasi dimana pengemudi sedang mengantuk. Gambar 4.14 berikut
adalah isi pesan yang dikirim kepada pemilik kendaraan.
Gambar 4. 14 Isi Pesan Pengemudi Mengantuk
Dalam proses pengujian aplikasi android penulis menemukan faktor yang
mempengaruhi keberhasilan sistem dalam mendeteksi kondisi pengguna yaitu
jarak, sudut dan kuat penerangan yang harus disesuaikan. Sehingga citra yang
diambil oleh kamera lebih jelas.
48
4.2.7. Pengujian Jarak
Pengujian jarak adalah pengujian mengenai jarak pengguna dengan alat.
Pengujian ini bertujuan untuk mengetahui jarak pengujian yang masih bisa
dideteksi oleh sistem. Tabel 4.2 berikut adalah tabel hasil dari pengujian jarak
yang telah dilakukan penulis.
Tabel 4. 2 Hasil Pengujian Aplikasi Android
No. Pengujian Jarak Pengujian Kondisi
1. 1 17 cm Tidak Terdeteksi
2. 2 20 cm Tidak Terdeteksi
3. 3 22 cm Tidak Terdeteksi
4. 4 25 cm Terdeteksi
5. 5 27 cm Terdeteksi
6. 6 30 cm Terdeteksi
7. 7 32 cm Terdeteksi
8. 8 35 cm Tidak Terdeteksi
9. 9 37 cm Tidak Terdeteksi
10. 10 40 cm Tidak Terdeteksi
Berdasarkan hasil pengujian jarak diatas, dapat dilihat bahwa sistem mampu
merespon kondisi pengguna dengan baik berkisar pada jarak 25-32 cm. Sehingga
pada penerapannya jarak antara android dengan pengguna bisa diperhitungkan.
4.2.8. Pengujian Sudut Penempatan
Pengujian sudut penempatan adalah pengujian mengenai sudut penempatan
alat dengan pengguna. Pengujian ini bertujuan untuk mengetahui sudut
penempatan alat terhadap posisi pengguna yang menunjukkan hasil yang baik.
Pengujian yang pertama, alat di tempatkan pada sebelah kanan dari posisi wajah.
Pada pengujian ini menggunakan 5 data pengujian dengan sudut yang berbeda.
49
Tabel 4.3 berikut adalah tabel hasil pengujian sudut penempatan pada sebelah
kanan yang telah dilakukan penulis.
Tabel 4. 3 Hasil Pengujian Sudut Sebelah Kanan
No. Pengujian Sudut Pengujian Hasil Pengujian
1. 1 Sebelah kanan 30 Berhasil Mendeteksi
2. 2 Sebelah kanan 60 Berhasil Mendeteksi
3. 3 Sebelah kanan 90 Berhasil Mendeteksi
4. 4 Sebelah kanan 120 Gagal Mendeteksi
5. 5 Sebelah kanan 150 Gagal Mendeteksi
Pengujian yang kedua, alat di tempatkan pada sebelah atas dari posisi wajah. Pada
pengujian ini menggunakan 5 data pengujian dengan sudut yang berbeda. Tabel
4.4 berikut adalah tabel hasil pengujian sudut penempatan pada sebelah atas yang
telah dilakukan penulis.
Tabel 4. 4 Hasil Pengujian Sudut Sebelah Atas No. Pengujian Sudut Pengujian Hasil Pengujian
1. 1 Sebelah atas 30 Berhasil Mendeteksi
2. 2 Sebelah atas 60 Berhasil Mendeteksi
3. 3 Sebelah atas 90 Berhasil Mendeteksi
4. 4 Sebelah atas 120 Gagal Mendeteksi
5. 5 Sebelah atas 150 Gagal Mendeteksi
Pengujian yang ketiga, alat di tempatkan pada sebelah kanan atas dari posisi
wajah. Pada pengujian ini menggunakan 5 data pengujian dengan sudut yang
berbeda. Tabel 4.5 berikut adalah tabel hasil pengujian sudut penempatan pada
sebelah kanan atas yang telah dilakukan penulis.
50
Tabel 4. 5 Hasil Pengujian Sudut Sebelah Kanan Atas No. Pengujian Sudut Pengujian Hasil Pengujian
1. 1 Sebelah kanan atas 30 Berhasil Mendeteksi
2. 2 Sebelah kanan atas 60 Berhasil Mendeteksi
3. 3 Sebelah kanan atas 90 Berhasil Mendeteksi
4. 4 Sebelah kanan atas 120 Gagal Mendeteksi
5. 5 Sebelah kanan atas 150 Gagal Mendeteksi
Berdasarkan hasil pengujian terhadap jarak dan sudut penempatan alat diatas,
penulis memutuskan untuk menggunakan jarak 30cm dan sudut penempatan
sebelah kanan atas 60 sebagai pengujian deteksi kondisi wajah karena
menunjukkan hasil yang baik. Tabel 4.6 berikut adalah hasil dari pengujian
deteksi kondisi wajah yang telah dilakukan penulis
Tabel 4. 6 Hasil Pengujian Deteksi Kondisi Wajah
No Nama
Pengguna
Uji Coba Tingkat
Keberhasilan Kondisi Wajah Keterangan Berhasil
1. Nadya
Wajah Normal 5 Kali 3 Kali 60%
Wajah
Mengantuk 5 Kali 5 Kali 100%
2. Faisal
Wajah Normal 5 Kali 3 Kali 60%
Wajah
Mengantuk 5 Kali 5 Kali 100%
3. Rafidan
Wajah Normal 5 Kali 2 Kali 40%
Wajah
Mengantuk 5 Kali 5 Kali 100%
Rata-rata Tingkat Keberhasilan 76,67%
51
Berdasarkan Tabel 4.6 hasil pengujian deteksi kondisi wajah diatas dapat
dilihat bahwa sistem mampu mendeteksi kondisi wajah dengan rata-rata tingkat
keberhasilan sebesar 93%. Pengujian ini dilakukan sebanyak 30 kali pengujian
dengan 2 kondisi wajah pada setiap pengguna. Faktor yang sangat mempengaruhi
hasil kinerja sistem yaitu jarak pengujian alat terhadap wajah dan juga sudut
penempatan dari alat tersebut terhadap wajah.
52
Halaman ini sengaja dikosongkan
53
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Kesimpulan dari Tugas Akhir yang berjudul Alat Keselamatan Pengendara Dari
Kondisi Lelah Dilengkapi Dengan Multilevel Safety Berbasis Pengolahan Citra
Menggunakan Metode Haar Cascade Classifier adalah sebagai berikut.
1. Berdasarkan pengujian yang telah dilakukan dalam Tugas Akhir ini, metode
haar-cascade menunjukkan kinerja deteksi kondisi wajah yang cukup baik.
Dari 30 kali pengujian menunjukkan bahwa sistem mampu mendeteksi kondisi
wajah sebanyak 23 kali sehingga tingkat keberhasilannya sebesar 76,67%.
2. Tingkat keberhasilan sistem dipengaruhi oleh beberapa faktor seperti: jarak
pengujian dan sudut penempatan alat. Jarak pengujian yang baik berada pada
jarak > 25cm dan < 32cm, serta sudut penempatan yang baik berada antara
sudut 00 sampai 90.
3. Modul Bluetooth sebagai penghubung antara Android dan Arduino
menunjukkan respon yang baik. Dari 5 kali pengujian, madul bluetooth mampu
mengirimkan semua data sesuai sesuai dengan perintah. Sehingga tingkat
keberhasilan dalam mengirim data adalah 100%.
5.2. Saran
Dari percobaan yang telah dilakukan dalam penelitian ini, maka terdapat
beberapa hal yang dapat di perhatikan dan ditingkatkan lagi pada penelitian
selanjutnya, yaitu :
1. Untuk meningkatkan tingkat keberhasilan sistem, penempatan alat sangat perlu
dilakukan baik jarak maupun sudut penempatan.
2. Untuk penelitian lebih lanjut, perlu dilakukan pengujian sistem dengan
pengguna yang lebih banyak dan pengujian penempatan alat yang lebih banyak
lagi.
54
Halaman ini sengaja dikosongkan
55
DAFTAR PUSTAKA
Fauzi, R. (2012). Alat Penambal Ban Elektrik Otomatis Berbasis ATMega8535.
Bandung: Politeknik Negeri Bandung.
Indriyanto, C., Pratama, M. R., & Sitompul, D. (t.thn.). Perancangan Sistem
Kendali Remote Control Robot Mobil Menggunakan Smartphone Android.
Sumatra Utara: Universitas Sumatera Utara.
Juansyah, A. (2015). PEMBANGUNAN APLIKASI CHILD TRACKER
BERBASIS ASSISTED – GLOBAL POSITIONING SYSTEM (A-GPS)
DENGAN PLATFORM ANDROID. Jurnal Ilmiah Komputer dan
Informatika (KOMPUTA), 1-7.
Kuswara, R. (2013). Aplikasi Pendeteksi Mata Mengantuk Berbasis Citra Digital
Menggunakan Metode Haar Classifier Secara Real Time. Bnadung:
UNIKOM.
Lontoh, J. H., Mamahit, D. J., & Tulung, N. M. (2017). Rancang Bangun Kunci
Pintu Elektronik Menggunakan Bluetooth berbasis Android. E-Journal
Teknik Elektro dan Komputer, 97-104.
Malyan, A. B., & Yondri, S. (2012). Pengendali Beban Listrik Menggunakan
Handphone Melalu Misscall. Jurnal Elektron, 4, 15-24.
Pratiarso, A., Hadi, M., Joky, O., Sulthon, A., & Endah S.U. (2011). Perbandingan
Metode POC, Backpropagation, Coding pada Pembacaan Plat Nomor
Kendaraan Berbasis Image Processing. 1-6.
Ramadhani, I. M. (2017). Klasifikasi Objek Kendaraan Menggunakan Haar
Cascade Classifier. Malang: Universitas muhammadiyah Malang.
RD, K., Pambudi, W. S., & Tompunu, A. N. (2012). Aplikasi Sensor Vision untuk
Deteksi Multiface dan Menghitung Jumlah Orang. 26-33.
Shin, I., Setiawan, B., & Suryotrisongko, H. (2013). Pembuatan Sistem Pendeteksi
Kantuk dengan Menganalisa Gelombang Attention dan Meditation
Menggunakan Metode Support Vector Machine. Jurnal Teknik POMITS, 1-
6.
Shulur, S. (2015). Perancangan Aplikasi Deteksi Wajah Menggunakan Algoritma
Viola-Jones. Bandung: Universitas Pasundan Bandung.
Viola, P., & Jones, M. (2001). Rapid Object Detection using a Boosted Cascade of
Simple Features. Computer Vision and Pattern Recognition, 1-9.
56
Halaman ini sengaja dikosongkan
57
Lampiran Biodata Mahasiswa
Lampiran ampiran Biodata Mahasiswa
1. Nama : Nadya Ratna Fadila
2. Nrp : 0915040054
3. Program Studi : D-4 Teknik Otomasi
4. Agama : Islam
5. Status : Belum Menikah
6. Alamat Asal : Jl. Sukarno Hatta Gg BI No. 19 Kec. Ngasem
Kab. Kediri
7. Nomor Telepon : 087858799067
8. Jenis Kelamin : Perempuan
9. Email : [email protected]
10. Tempat Tanggal Lahir : Kediri, 10 Juni 1997
11. Nama Orang Tua/Wali : Ernawati Farihah
12. Alamat Orang Tua/Wali : Jl. Sukarno Hatta Gg BI No. 19 Kec. Ngasem
Kab. Kediri
13. Telepon Orang Tua/Wali : 081335710611
PENDIDIKAN FORMAL
Pendidikan Tahun Tempat Pendidikan Jurusan
Diploma 4 2015 –
Sekarang
Politeknik Perkapalan
Negeri Surabaya
Teknik
Otomasi
SMA 2012 – 2015 SMAN 7 Kediri IPA
SMP 2009 – 2012 SMPN 2 Kediri -
SD 2003 – 2009 SDN 2 Burengan -