5

BAB II

TINJAUAN PUSTAKA

2.1 Raspberry Pi

Raspberry pi biasa disebut dengan mini PC, adalah sebuah SBC (Single-

Board Computer) dimana raspberry pi memang berukuran kecil seukuran dengan

kartu kredit. Didalam raspberry pi sudah dilengkapi berbagai fungsi yang lengkap

selayaknya komputer pada umumnya hanya saja ukuranya yang kecil. Di dalamnya

menggunkan SOC (System-on-a-Chip) ARM yang diintegrasikan dan dikemas

diatas PCB (Printed Circuit Board). Raspberry pi memiliki kemampuan untuk

menjalankan beberapa sistem oprasi Linux dan aplikasi LibreOffice, peramban web,

multimedia seperti audio dan video, ataupun beberapa programming. Mini PC ini

dapat untuk menampilkan sebuah gambar kedalam layar TV/HDTV dengan

menggunakan koneksi HDMI dan menggunakan kabel RJ45 ke TV standar. [3]

Pada dasarnya Raspberry pi adalah sebuah platform yang sangat fleksibel,

ada beberapa hal yng bisa dilakukan oleh Raspberry pi diantaranya adalah :

1. Pada General Purpose Computing Raspberry pi dapat untuk dijadikan

sebagai sebuah komputer yang biasa yang kita gunakan untuk sehari-hari

dengan cara menghubungkan ke monitor dan dengan mengatur bentuk

tampilan pada grafisnya melewati web browser.

2. Didalam Raspberry pi terdapat media belajar pemrograman yang terdapat

interpreter dan juga compiller dari berbagai bahasa untuk pemrograman

contohnya seperti C, Ruby, Java, Perl dan yang lainnya dikarenakan tujuan

di awal dari Raspberry pi adalah berguna untuk mendorong anak-anak agar

belajar tentang pemrograman.

3. Project pada platform Raspberry pi memiliki kemampuan untuk

berintegrasi dengan beberapa alat elektronik yang lain. Contohnya adalah

Raspberry pi dapat digunakan untuk menjadi remote AC.

4. Raspberry pi bisa dijadikan sebagai media center sperti yang dijelaskan

pada alinea sebelumnya bahwa didalam Raspberry pi terdapat port HDMI

yang dapat langsung dihubungkan pada monitor. Keunggulan ini karena

6

didukung dengan sebuah kekuatan dari prosesor Raspberry pi yang bisa

dibilang cukup digunakan untuk memutar atau memainkan video yang full

screen dan high definition. Selain itu didalam Raspberry pi juga sudah ada

XBMC (media player) yang sudah men-support berbagai macam-macam

format media file. [5]

Gambar 2. 1 Bentuk Dari Raspberry pi

2.2 Modul Kamera (webcam)

Webcam adalah modul kamera yang merupakan sebuah kamera yang

tujuannya dipergunakan untuk mengambil sebuah foto atau video. Kamera ini

memiliki resolusi sebesar 5 megapixel dan sudah mendukung resolusi video sebesar

750p, 1080p dan VGA90. Webcam terhubung atau tersambungb secara seri melalui

atau melewati port CSI (Camera Serial Interface) pada 15 pin yang sudah tersedia

didalam raspberry pi, saat pengambilan video disarankan untuk dipasang tegak dan

juga lurus terhadap suatu objek atau ±90º. [6]

Webcam PC Camera modul dengan spesifikasi sebagai berikut :

Pixel Count : 2592 x 1944(5 megapixel).

View Angle : 65 degrees.

Support : 720p 60fps and 640 x 480p 60/90fps

Interface : CSI.

7

Size : 25mm x 25mm x 10mm.

Weight : 2,8gram

Gambar 2. 2 Bentuk Dari Webcam

2.3 Raspbian OS

Raspbian OS merupakan sebuah sistem operasi yang berbasis Linux distro

Debian dimana sistem operasi ini dapat di optimalkan untuk penggunaan sebuah

komputer mini atau biasa disebut dengan Raspberry pi .[7]

Pada sistem operasi ini memiliki program standart dan juga beberapa

program pembantu agar dapat membantu menjalankan perangkat keras (hardware)

dari PC mini atau Raspberry pi ini. Dalam sistem operasi ini sudah lebih lengap

dibandingkan sistem yang memang murni digunakan di dalam komputer pada

umumnya karena memiliki 350.00 paket dan juga library pre-compiled yang di

dalamnya tersaji bentuk format yang lebih mudah untuk di instalasi pada Raspberry

pi. [4]

2.4 Raspberry pi GPIO pin

Socket GPIO (General Purpose Input Output) adalah pin dimana pin ini

berfungsi sebagai pin socket sebuah inout/output dari perangkat keras (hardware)

dan dapat untuk di kendalikan melalui perangkat lunak (software). Socket GPIO ini

dapat digunakan untuk menghubungkan dari beberapa perangkat tambahan seperti

sensor infra merah atau biasa disebut dengan PIR, layar LCD, lampu LED ataupun

perangkat seperti Arduino. [4]

8

2.5 IoT (Internet of Things)

IoT (Internet of Things) adalah merupakan sebuah perkembangan keilmuan

dimana IoT dapat untuk mengoptimalkan kehidupan yang berdasarkan sebuah

peralatan dan sebuah sensor yang bekerjasma melalui sebuah jaringan internet. [9]

Dalam perkembangannya, semua peralatan yang kita gunakan untuk

kehidupan sehari-hari dapat untuk dipantau dan juga dikendalikan menggunakan

IoT (Internet of Things). Dan kebanyakan proses dilakukan dengan bantuan dari

IoT. Sensor diletakkan diberbagai tempat dan sensor ditugaskan untuk

mengkonversi data fisik mentah agar di olah untuk menjadi sinyal digital dan

dikirimkan kepusat kontrol. Cara ini digunakan agar bisa memonitor perubahan dari

jarak jauh pada setiap bagian di dunia melalui internet. [6]

2.6 OpenCV

OpenCV (Open Computer Vision) merupakan library open source dimana

OpenCV dikhususkan atau di istimewakan untuk teknik pengolahan sebuah citra,

supaya komputer memiliki kemampuan yang mirip atau serupa dengan cara

melakukan pengolahan visual pada manusia. Didalam OpenCV telah disediakan

banyak algoritma visi komputer dasar. OpenCV menyediakan juga modul untuk

mendeteksi objek yang didalamnya menggunakan sebuah algoritma yaitu

algoritma Viola jones.[9]

Viola Jones mengklaifikasikan citra dari beberapa fitur sederhana dengan

mengggunakan 3 buah jenis fitur diantaranya yaitu fitur persegi, fitur 3 persegi, dan

yang terakhir adalah fitur empat persegi. Setiap fitur memiliki nilai dan nilai pada

bebrapa fitur ini memiliki selisih antara daerah hitam dan juga putih. [10]

Metode Viola Jones memiliki kecepatan dan juga keakuratan yang tinggi

dikarenakan metode ini adalah metode penggabungan atas bebrapa konsep

diantaranya yaitu konsep Fitur Haar, konsep Citra Integral, konsep AdaBoost, dan

yang terakhir adalah konsep Cascade Classifier dari beberapa konsep ini

digabungkan sehingga menjadi sebuah metode yang utama untuk mendeteksi

sebuah objek. Berbagai macam pengenmbangan yang telah dilakukan oleh

9

kontributor dalam penambahan komponen ke kelasnya OpenCV, sehingga pada

OpenCV hingga saat sekarang ini memiliki lebih dari 500 fugsi. [11]

Dari fitur tersebut yang terdapat didalam OpenCV beberapa diantaranya

yang pertama adalah membuat sedemikian rupa data gambar seperti alokasi pada

memori, melepaskan sebuah memori, memperbaiki gambar dan juga men-korversi

gambar. Yang kedua adalah gambar/video I/O sudah bisa menggunakan dukungan

camera pada library ini. Berikutnya yang ketiga adalah manipulasi pada matrix dan

vektor dan juga terdapat routnes linier algebra seperti products, eigenvalues,

solvers, dan SVD. Yang selanjutnya adalah yang ke empat image processing dasar

yang meliputi edge detection, pendektesian pada tepi, filtering, pada sampling dan

juga interpolasi, konversi untuk warna, operasi morfologi, histograms, dan yang

terakhir yaitu image pyramids. Berikutnya adalah analisa yang terstruktur dan

kalibrasi/gambar pada kamera. Selanjutnya ialah pendeteksi pada sebuah gerakan.

Selanjutnya pengenalan pada sebuah objek seperti hewan, manusia, tumbuhan dan

lainnya. Berikutnya adalah basic GUI seperti Display pada sebuah gambar/video,

mouse atau keyboard kontrol, dan scrollbar. Dan yang terakhir adalah image

labeling seperti line, conic, polygon dan juga text drawing. [4]

2.7 Eigenface

Eigenface adalah sebuah algoritma deteksi wajah atau biasa disebut dengan

face detection yang sedikit mudah atau gampang untuk di implementasikan.

Eigenface ini biasanya dipakai sebagai metode untuk bahan pembelajaran

dikarenakan Eigenface merupakan metode yang pertama yang dipergunakan untuk

mendeteksi sebuah benda sehingga pada metode inilah yang lumayan lebih sering

untuk dipakai. Jikalau berencana untuk memperluas atau lebih mengembangkan

metode Eigenface lebih dalam atau lebih lajut maka yang perlu untuk diketahui

dengan jelas yaitu mengenai konsep dari kerja dasar dan hal apa saja yang menjadi

dasar suatu sistem tersebut. Kalau semisalnya didalam suatu sistem sudah terdapat

database yang dimana didalamnya berisikan tentang gambar beberapa orang

dimana orang ini sudah dikenali lalu pada sistem ditujukan kembali gambar

beberapa orang yang belum atau tidak dikenal maka untuk secara global atau umum

10

berikut ini merupakan bebrapa langkah-langkah atau prosedur dari sebuah wajah

yang dideteksi. [8]

Yang pertama dilakukan yaitu dengan menghitung dari jarak pada gambar

dan akan dibandingkan beberapa gambar didalam database.

Yang kedua yaitu dilakukan memilih sebuah gambar dimana gambar ini

adalah gambar yang berada di dalam database dan gambar ini yang

mendekati wajah yang ada didalam gambar tersebut.

Yang ketiga yaitu jikalau jarak yang tlah diukur tersebut dan pada hasilnya

juga berada diatasnya nilai pada threshold maka pada gambar itu akan

dikenal oleh sistem, dan kalau nilainya yang telah dihasilkan oleh gambar

lebih kecil maka gambar itu termasuk didalam gambar yang dimana

gambar itu tidak akan dikenal oleh sistem, hal itu terjadi dikarenakan sistem

hanya akan mengenali gambar yang sudah berada didalam database.

Pada algoritma Eigenface untuk menyeluruh lebih sederhana. Pada Image

Matriks (Γ) akan di representasikan kedalam sebuah himpunan matriks (Γ1, Γ2,

…,ΓM). Lalu dilakukan pencarian nilai rata-rata atau mean (Ψ) dan selanjutnya

digunakan untuk mengekstrasi eigenvector (v) 10 dan juga eigenvalue (λ) dari

matriks. Selanjutnya gunakanlah nilai dari eigenvector agar mendapatkan nilai dari

eigenface dan juga gambar atau image. Apabila sebuah test face (Γnew) atau image

baru yang akan ingin untuk dikenali, maka proses atau tahapan yang sama juga akan

berlaku untuk image (Γnew), kalau mengekstrasi eigenvector (v) dan juga

eigenvalue (λ), kemudian yaitu mencari nilai dari eigenface dari yang didapatkan

di image test face (Γnew). Lalu setelah tahapan itu selesai maka image baru (Γnew)

memasuki pada tahapan pada pengenalan dengan digunakan kembali metode yang

dinamakan euclidean distance. [8]

Tahapan Perhitungan Eigenface

Langkah yang awal yaitu siapkan data yang akan dibuat sebuah himpunan

S yang dimana dari himpunan ini terdapat beberapa dari keseluruhan training image

(Γ1, Γ2, …, ΓM) S = (Γ1, Γ2, …, ΓM)

11

Langkah yang kedua yaitu mengambil nilai tengah atau biasa disebut dengan mean

atau rata-rata(Ψ)

M

n=1

Ψ = 1

M∑ Γn

. . . . . . . . . . . . . . . . . . . .(2.1)

Langkah yang ketiga yaitu dengan mencari selisih (Ф) diantara training image (Γi)

dengan nilai tengah (Ψ)

Фi = Γi − Ψ

. . . . . . . . . . . . . . . . . . . .(2.2)

Langkah yang keempat yang dilakukan yaitu dengan menghitung nilai matriks

kovarian (C)

1

M

C = ∑ Ф𝑛

𝑛=1

Ф𝑛 = AA𝑇 A = [Ф1Ф2, … ФM

L = ATA L = ФnФm

. . . . . . . . . . . . . . . . . . . .(2.3)

Langkah yang kelima yaitu dengan menghitung eigenvalue (λ) dan juga eigenvector

(v) dari matriks kovarian (C)

C x 𝑣i = λi x 𝑣i

. . . . . . . . . . . . . . . . . . . .(2.4)

Langkah yang keenam yang harus dilakukan yaitu setelah eigenvector (v)

diperoleh, maka eigenface (μ) dapat dicari dengan:

12

M

𝑘 = 1

μ = ∑ 𝑣𝑖𝑘 Ф𝑘

𝑙 = 1, … . , M

. . . . . . . . . . . . . . . . . . . .(2.5)

Tahapan Pengenalan

Saat sebuah gambar atau image wajah yang baru atau biasa dinamakan test

face (Γnew) akan mencoba untuk dikenali, yang pertama yaitu terapkanlah cara

yang ada ditahapan pertama perhitungan pada eigenface untuk didapatkannya

sebuah nilai eigenface dari image tersebut.

μ𝑛𝑒𝑤 = 𝑣. (Γ𝑛𝑒𝑤 − Ψ)

Ω = [μ1, μ2, … . , μ3]

. . . . . . . . . . . . . . . . . . . .(2.6)

Selanjutnya gunakanlah metode Euclidean Distance yang bertujuan untuk mencari-

cari jarak atau distance yang terpendek diantara nilai eigenface dari training image

didalam database dengan eigenface dari image test face.

𝜺 = ||Ω − Ω𝑘||

. . . . . . . . . . . . . . . . . . . .(2.7)

2.8 Viola Jones

Metode Viola-Jones adalah sebuah metode yang digunakan untuk

pendeteksian objek yang dimana metode ini mempunyai tingkat yang akurat dan

tingkatnya cukup tinggi yang berkisar antara 93,7 % dengan memiliki kecepatan

yang sekiranya 15 kali lebih-lebih cepat lagi dibandingkan dengan detektor Rowley

Baluja-Kanade dan sekitar 600 kali lebih cepat daripada detektor Schneiderman-

Kanade. Paul Viola dan Michael Jones pada saat tahun 2001 telah mengusulkan

metode ini. Dalam metode Viola-Jones menggabungkan sekitar empat buah kunci

13

utama diantaranya yaitu Haar Like Feature, Integral Image,

Adaboost learning dan yang terakhir yaitu Cascade classifier. [8]

Haar Like Feature adalah selisih diantara dari jumlah piksel didalam daerah

di sebuah persegi panjang. Berikut ini adalah contoh dari Haar Like Feature dapat

untuk dilihat atau disajikan didalam Gambar 2.3. [14]

Gambar 2. 3 Contoh Haar Like Feature

Nilai pada Haar Like Feature sendiri diperoleh dari selisih atau beda pada

jumlah dari nilai piksel yang berada di daerah gelap dengan jumlah dari nilai piksel

di daerah terang :

F(Haar) = ∑ Fwhite ∑ FBlack

F(Haar) = Nilai Fitur Total

∑ Fwhite= Nilai Fitur Pada Daerah Terang

∑ FBlack= Nilai Fitur Pada Daerah Gelap

Integral Image adalah merupakan teknik yang akan digunakan untuk

menghitung pada nilai pada fitur secara lebih cepat dengan cara mengubah nilai di

setiap piksel dan menjadi sebuah representasi citra baru, sebagaimana yang telah

disajikan seperti pada Gambar 2.4 dibawah ini.

Gambar 2. 4 Integral Image (x,y)

Berdasarkan pada Gambar 2.4 , citra integral yang terdapat dimana titik (x,y)

(ii(x,y)) dapat untuk dicari dengan digunakannya persamaan

ii(x,y)=∑𝑥′≤𝑥,𝑦′≤𝑦 𝑖(𝑥′, 𝑦′) (2)

𝑖𝑖(𝑥, 𝑦) = ∑ 𝑖(𝑥′, 𝑦𝑖)

𝑥′≤𝑥,𝑦′≤𝑦

(x,y)

14

. . . . . . . . . . . . . . . . . . . .(2.8)

keterangannya :

ii(x,y)= citra integral pada lokasi x,y

i(x’,y’)=nilai piksel pada citra asli

Dalam perhitungam pada nilai yang didapat dari suatu fitur dapat untuk dilakukan

dengan cara cepat dengan melakukan perhitungan nilai pada citra integral dalam

empat buah titik seperti yang diperhatikan pada Gambar 2.5 [14]

Gambar 2. 5 Perhitungan Nilai Fitur

Jika pada nilai dalam Integral Image di titik 1 adalah A,di titik 2 adalah

A+B,pada titik 3 itu adalah A+C, dan pada titik 4 itu adalah A+B+C+D, maka

jumlah dari piksel didalam daerah D dapat untuk diketahui dengan cara

menggabungkan dari jumlah piksel tepat di area segiempat yaitu A+B+C+D lalu

dikurangi jumlah yang berada didalam area segi empat yaitu A+B dan A+C setelah

itu ditambahkan jumlah piksel yang berada didalam A. Dimna ABCD adalah nilai

dari integral. [13]

Selanjutnya yaitu algoritma yang dinamakan Adaboost learning, yang akan

dipergunakan untuk lebih ditingkatkannya sebuah kinerja dari klasifikasi dengan

sebuah pembelajaran yang sederhana untuk digabungkannnya beberapa classifier

yang lemah untuk menjadi suatu satuan classifier yang kuat. Jawaban yang sangat

tepat dengan tingkat ketepatan atau kebenaran yang akurat yaitu disebut dengan

Classifier yang lemah. Classifier yang lemah dinyatakan:

hj (𝑥) = {1, 𝑗𝑖𝑘𝑎 𝑝𝑗𝑓𝑗(𝑥) < 𝑝𝑗𝜃𝑗(𝑥)

0, 𝑙𝑎𝑖𝑛𝑛𝑦𝑎}

keterangannya ;

15

hj(x) adalah sebuah klasifikasi yang lemah, yaitu parity ke j, adalah

threshold ke j dan x adalah dimensi sub image misalnya 24x24. [12]

Beberapa langkah atau step untuk mendapatkannya sebuah classifier yang

kuat dapat dinyatakan didalam suatu algoritma yaitu sebagai berikut :

Misalnya pada contoh seperti gambar ,𝑥1, 𝑦1 ... (𝑥𝑛 , 𝑦𝑛) dimana pada 𝑦𝑖= 0

untuk contohkan positif dan juga 𝑦𝑖= 1 untuk sebagai contoh negative

Penamaan atau inisialisasi pada beban 𝑦𝑖,1 =1

2𝑚,

1

2𝑙 ; 𝑚 dan 𝑙 adalah jumlah

dari negatif dan positif.

Untuk 𝑡 = 1, … … , 𝑇

Untuk dinormalkannya sebuah beban sehingga pada 𝑤𝑡 yaitu

distribusi pada probabilitas

𝑤𝑡,𝑖 =←𝑤𝑡,𝑖

∑ 𝑤𝑡.𝑗𝑛𝑗=1

. . . . . . . . . . . . . . . . . . . (2.9)

Pada setiap fitur, j untuk melatih classifier ℎ𝑗, pada setiap fitur

tunggal.

Kesalahan (∈𝑗) dapat dievaluasi dengan beban 𝑤 𝑡

∈𝑗= ∑ 𝑖 𝑤𝑖|ℎ𝑗(𝑥𝑖) − 𝑦𝑖

. . . . . . . . . . . . . . . . . . . (2.10)

Pilihlah classifier ℎ𝑡 yang memiliki eror terkecil dimana pada 𝑒𝑖= 0

adalah sebuah klasifikasi benar, dan 𝑒𝑖= 1 untuk yang lainnya.

Untuk memperbarui bobot :

𝑤𝑡+1 𝑖 = 𝑤𝑡.𝑖𝛽𝑡1−𝑒𝑖

. . . . . . . . . . . . . . . . . . . (2.11)

Dimana : 𝛽𝑡 =𝜖𝑡

1−𝜖𝑡

ℎ(𝑥) {1, ∑ 𝛼𝑡ℎ𝑡(𝑥) ≥

1

2∑ 𝛼𝑡

T

𝑡=1

T

𝑡=1

0, 𝑙𝑎𝑖𝑛𝑛𝑦𝑎

}

. . . . . . . . . . . . . . . . . . . (2.12)

16

dimana :𝑎𝑡 = log1

𝛽𝑡

Cascade classifier yaitu metode dimana metode ini bertujuan untuk

mengkombinasikan atau memadukan atau menggabungkan classifier yang sangat

kompleks pada sebuah struktur yang bertingkat dimana struktur ini dapat untuk

meningkatkan kecepatan pada saat pendeteksian sebuah objek dengan cara

memfokuskan pada daerah atau wilayah citra yang berpeluang saja. [12]

2.9 PIR (Passive Infra Red)

PIR (Passive Infra Red) adalah sebuah sensor yang digunakan untuk

mendeteksi pancaran atau sinaran dari sinar infra merah, dimana sensor ini hanya

akan menerima pancaran radiasi infra merah dari luar. Sensor ini akan bertugas

untuk mendeteksi sebuah gerakan ketika pada sumber infra merah terdapat pada

suhu tertentu ada perubahan suhu yang terkena sinar infra merah dalam hal ini

adalah manusia. Pada saat manusia melewati sumber infra merah dan kondisi ini

berbeda dengan suhu pada lokasi atau benda yang lain seperti halnya dinding,

sensor ini secara otomatis akan membandingkan atau membedakan pancaran pada

infra merah yang sensor ini terima pada setiap waktu atau satuan waktu, jadi setiap

ada gerakan maka akan terjadi pembacaan sensor yang selalu berubah-ubah. [4]

Sensor PIR memiliki 2 elemen sensing yang terhubungkan dengan susunan

dan masukan. Sebuah benda yang dapat untuk memancarkan energi panas berarti

benda tersebut juga memancarkan radiasi infra merah. Benda ini termasuk berbagai

macam makhluk hidup seperti tubuh manusia dan juga hewan. Tubuh hewan dan

juga manusia mendapat untuk memancarkan radiasi infra merah terkuat yaitu

panjang gelombangnya adalah sebesar 9,4 μm . Radiasi pada infra merah inilah

yang akan dipancarkan menjadi sebuah sumber pendeteksi bagi atau untuk sebuah

detektor atau pendeteksi panas atau suhu yang akan memanfaatkan radiasi infra

merah. [12]

Sensor PIR memiliki karakterisasi sebagai berikut :

1. Tegangan catu daya sebesar 4,7 sampai 12 VDC.

2. Jangkauan pada deteksi sensor sebesar 5 meter pada sudut 0º.

17

3. Output sensor pada tegangan high sebesar 5 VDC.

4. Output pada lebar pulsa adalah sebesar 0,5 s.

2.10 Telegram Messenger

Telegram Messenger adalah sebuah aplikasi chatting atau obrolan seperti

halnya BBM (Blackberry Messenger), dan LINE. Dalam Telegram messenger telah

menggunakan sebuah protokol MTProto yang dimana dari protokol ini sudah teruji

dengan tingkatan keamanannya karena sebuah proses enskripsi end-to-end yang

telah dipergunakan. Seperti halnya dengan aplikasi chatting yang lainnya, dalam

Telegram juga dapat berbagi video, berbagi foto, pesan, location tagging antara

sesama pengunanya. [6]

Banyak kelebihan yang telah ditawarkan oleh Telegram messenger yang

tentunya akan sangatlah berguna pada penelitian kali ini seperti pada adanya could

pada server telegram messenger serti data-data berbagai percakapan. Di dalam

Telegram messenger terdapat fitur bot dimana fitur ini adalah fitur yang memiliki

kecerdasan yang artifisial dan merupakan fitur yang dapat juga terintegrasi dengan

berbagai macam layanan-layanan melalui situs internet. [8]