ALAT KESELAMATAN PENGENDARA DARI KONDISI LELAH …repository.ppns.ac.id/2430/1/0915040054 - Nadya...

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

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


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


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

http://korlantas-irsms.info/

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


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


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


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,y) = i(x,y) + s(x,y+1) + s(x+1,y) -

s(x+1,y+1),


adalah : s(x,y) = 7 + 3 + 0 – 0 = 10


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,y) = i(x,y) + s(x,y+1) + s(x+1,y) -

s(x+1,y+1),


adalah : s(x,y) = 1 + 0 + 3 – 0 = 4


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),


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



ht (x) = | (88+95-100-76)-(94+76-88-103)

= 28


∈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



ht (x) = | (105+69-98-45)-(56+45-105-32)

= 67


∈𝑡= (0,1)|67 − 1| = 6,6

25


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



ht (x) = | (35+72-58-75)-(35+57-35-58)

= 7


∈𝑡= (0,1)|7 − 1| = 0,6


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



ht (x) = | (20+20-18-24)-(23+24-20-25)

= 4


∈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


∈𝑡= (0,1 + 0,0428 + 0,032)|4 − 1| = 0,5244

𝛽𝑡 = 0,5244

1 − 0,5244= 1,1026


∈𝑡= (0,1 + 0,0428 + 0,032 + 0,035)|4 − 1| = 0,6294

𝛽𝑡 = 0,6294

1 − 0,6294= 1,67


∈𝑡= (0,1 + 0,0428 + 0,032 + 0,035 + 0,058)|4 − 1| = 0,8033

𝛽𝑡 = 0,803

1 − 0,803= 4,076

27


∈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


∈𝑗= (0,05 + 0,021 + 0,0155 + 0,0167)|6 − 0| = 0,619

30

𝛽𝑗 = 0,619

1 − 0,619= 1,624


∈𝑗= (0,05 + 0,021 + 0,0155 + 0,0167 + 0,0271)|6 − 0| = 0,7818

𝛽𝑗 = 0,7818

1 − 0,7818= 3,582


∈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


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



4. 4 25 cm 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



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



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



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


3. Rafidan


Wajah


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


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


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


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 -

mailto:[email protected]

ALAT KESELAMATAN PENGENDARA DARI KONDISI LELAH …repository.ppns.ac.id/2430/1/0915040054 - Nadya...

Documents

Transcript of ALAT KESELAMATAN PENGENDARA DARI KONDISI LELAH …repository.ppns.ac.id/2430/1/0915040054 - Nadya...