SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER …

SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER

VISION MENGGUNAKAN ALGORITMA HAAR CASCADE DENGAN

NOTIFIKASI BOT TELEGRAM

SKRIPSI

IKHWANUL KHOIR PULUNGAN

161402012

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2021

Universitas Sumatera Utara

SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER VISION

MENGGUNAKAN ALGORITMA HAAR CASCADE DENGAN NOTIFIKASI

BOT TELEGRAM

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Sarjana Teknologi Informasi

IKHWANUL KHOIR PULUNGAN

161402012

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2021


UCAPAN TERIMA KASIH

Bismillahhirrahmannirrahim, Penulis ucapkan puji dan syukur kepada

Allah SWT atas rahmat dan kesempatan-Nya penulis akhirnya dapat

menyelesaikan tugas akhir ini sebagai syarat untuk kelulusan dan mendapat gelar

sarjana.

Terimakasih yang begitu besar penulis ucapkan untuk Ibu penulis, Saripah

Ainun, yang telah bertanggung jawab serta mengajarkan tentang suatu ketulusan,

dan juga berjuang seorang diri untuk kebahagiaan penulis dengan doa-doa yang

setiap kali dipanjatkan sehingga penulis dapat menyelesaikan tugas akhir ini.

Penulis ucapkan juga rasa terimakasih yang teramat untuk ayah penulis, Mukhlis

Pulungan yang telah memberikan bantuan materi selama penulis hidup, terutama

untuk menyelesaikan pendidikan dan juga doa, nasihat yang selalu dipanjatkan

sehingga penulis dapat menyelesaikan S1 ini. Selanjutnya penulis ucapkan untuk

saudara/i penulis yang selalu memberikan motivasi kepada penulis sehingga

penulis lebih bersemangat dalam menyelesaikan tugas akhir ini.

Adapun berbagai pihak yang juga banyak terlibat dalam penyelesaian

tugas akhir ini, atas doa dan dukungan mereka, pada kesempatan kali ini penulis

ucapkan terima kasih kepada:

1. Bapak Prof. Dr. Drs. Opim Salim Sitompul, M,Sc. Selaku Dekan Fakultas

Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara beserta

jajarannya.

2. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc., selaku Ketua Program

Studi S1 Teknologi Informasi Universitas Sumatera Utara.

3. Bapak Baihaqi Siregar, S.Si., MT selaku dosen pembimbing I yang telah

banyak memberi ilmu, bimbingan dan saran dan juga kritik dalam

penyempurnaan tugas akhir ini.

4. Ibu Rossy Nurhasanah, S.Kom, M.Kom selaku Dosen Pembimbing II yang telah membimbing penulis dalam penelitian serta penulisan tugas akhir ini.

5. Bapak Seniman, S.Kom.,M.Kom selaku Dosen Pembanding I dan Bapak

Ainul Hizriadi, S.Kom, M.Sc selaku Dosen Pembanding II yang telah

memberi kritik dan saran dalam penyempurnaan tugas akhir ini.


ABSTRAK

Api yang tidak ditangani dengan benar dapat sangat berpotensi untuk menimbulkan kebakaran yang menyebabkan kerusakan properti dan kerugian materi. Menurut Badan penanggulangan Bencana Daerah, Api yang dapat menimbulkan kebakaran umumnya disebabkan oleh manusia seperti kelalaian pada area dapur,puntung rokok dan pembakaran sampah selain itu api yang berasal dari masalah kelistrikan dan kebocoran gas menjadi penyebab utama terjadinya kebakaran. Selain itu sistem alarm kebakaran konvensional yang didasarkan pada jaringan kabel memiliki kekurangan dan keterbatasan seperti rencana tata letak dan output berupa alarm yang hanya dapat direspon oleh orang pada sekitar area tersebut Karenanya diperlukan suatu sistem yang mampu mendeteksi dini nyala api secara otomatis menggunakan kamera dan dapat mengirim notifikasi kepada pengguna sebelum kebakaran semakin meluas. Pada penelitian ini, penulis menggunakan metode Computer Vision untuk otomatisasi deteksi nyala api menggunakan algoritma HAAR Cascade dan Telegram Bot untuk mengirim notifikasi. Dengan menggunakan metode tersebut, diperoleh kesimpulan bahwa pengujian sistem deteksi objek api yang diimplementasikan pada skenario area dapur dan ruang tamu memiliki tingkat keberhasilan 77 %. Kata kunci : Kebakaran, Otomatisasi, Computer Vision, HAAR Cascade,

Deteksi Objek.


EARLY DETECTION FIRE SYSTEM BASED ON COMPUTER VISION USING HAAR CASCADE ALGORITHM WITH

TELEGRAM BOT NOTIFICATION

ABSTRACT A fire that is not handled properly can have the potential to cause a fire, causing

property damage and property loss. According to the Regional Disaster Management Agency, fires that can cause fires are generally caused by humans such as negligence in the kitchen area, cigarette butts and burning garbage besides fire originating from electrical problems and gas leaks are the main causes of fires. In addition, conventional fire alarm systems based on cable networks have shortcomings and limitations such as the layout plan and output in the form of an alarm that can only be responded to by people around the area. Therefore, we need a system that is able to detect flames early automatically using a camera and can send notification to users before the fire spreads. In this study, the authors used a computer vision method to automate flame detection using HAAR Cascade algorithm and the Telegram Bot to send notifications. By using this method, it is concluded that the fire object detection system testing implemented in the kitchen and living room area scenario has a success rate of 77%. Keywords : Fire, Automation, Computer Vision, HAAR Cascade, Object

Detection


DAFTAR ISI

Hal. PERSETUJUAN i

PERNYATAAN ii

UCAPAN TERIMA KASIH iii

ABSTRAK v

ABSTRACT vi

DAFTAR ISI vii

DAFTAR TABEL x

DAFTAR GAMBAR xi

BAB 1 PENDAHULUAN

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Tujuan Penelitian 3

1.4 Batasan Masalah 3

1.5 Manfaat Penelitian 3

1.6 Metodologi Penelitian 4

1.7 Sistematika Penulisan 5

BAB 2 LANDASAN TEORI

2.1 Computer Vision 6

2.2 Image Processing 6

2.3 Deteksi Objek 6

2.4 HAAR Cascade 7

2.5 Cascade GUI Trainer 8

2.6 Raspberry- Pi3 9

2.7 Penelitian Terdahulu 9


BAB 3 ANALISIS DAN PERANCANGAN

3.1 Tahapan Penelitian 14

3.2 Data yang digunakan 14

3.3 Arsitektur Umum 16

3.4 Diagram Alir Sistem 18

3.5 Preprocessing 19

3.5.1 Convert Video to Image 19

3.5.2 Dataset & Preprocess 19

3.5.3 Setting & Training 20

3.6 Post Processing 22

3.6.1 Grayscalling 22

3.6.2 HAAR Classifier 23

3.6.3 Rule of Decision 24

3.7 Metode Pendeteksi Objek Api 24

3.8 Rancangan Tampilan 25

3.9 Rancangan Perangkat Keras 25

BAB 4 IMPLEMENTASI DAN PENGUJIAN

4.1 Spesifikasi Kebutuhan Perangkat 27

4.2 Implementasi Sistem 28

4.2.1 Rangkaian Alat Pendeteksi Dini Kebakaran 28

4.2.2 Implemenasi Tampilan Aplikasi 28

4.2.3 Implementasi Data Untuk Membuat Model 29

4.2.4 Code Training Model Pada Cascade GUI Trainer 30

4.2.5 Code Deteksi Objek Pada Raspberry-Pi 31

4.2.6 Pembuatan Dan Konektifitas Bot Telegram 31

4.3 Prosedur Operasional 32

4.4 Pengujian Sistem 33

BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan 105


5.2 Saran 106

DAFTAR PUSTAKA


DAFTAR TABEL

Hal. Tabel 2.1 Penelitian Terdahulu 11 Tabel 3.1 Formasi Jumlah Pengambilan Citra Untuk Pelatihan Dataset 15 Tabel 4.1 Hasil Pengujian Sistem 36 Tabel 4.2 Confusion Matrix dari Klasifikasi Potensi Kebakaran 102


DAFTAR GAMBAR

Hal

Gambar 2.1 Wavelet Pemilihan HAAR-type dari OpenCV Cascade Classification (bagian yang terang menunjukkan “add that region” bagian yang gelap menunjukkan “subtract that region”) 8

Gambar 2.2 Raspberry Pi-3 9 Gambar 3.1 Tahapan Penelitian 14 Gambar 3.2 Positive Image 15 Gambar 3.3 Negative Image 15 Gambar 3.4 Arsitektur Umum 17 Gambar 3.5 Flowchart Pengujian Sistem 18 Gambar 3.6 Tampilan Awal Cascade GUI Trainer 20 Gambar 3.7 Tampilan Setting Awal Cascade GUI Trainer 20 Gambar 3.8 Spesifikasi Tab Common 21 Gambar 3.9 Parameter Pelatihan Cascade 21 Gambar 3.10 Grayscaling Objek Api 22 Gambar 3.11 Substraksi Piksel 23 Gambar 3.12 Rancangan Sistem Pendeteksi Dini Kebakaran 24 Gambar 3.13 Tampilan Dasar Program 25 Gambar 3.14 Rangkaian Komponen 26 Gambar 4.1 Rangkaian Alat Pendeteksi Dini Kebakaran 28 Gambar 4.2 Tampilan Aplikasi 29 Gambar 4.3 Data Training 30 Gambar 4.4 Hasil Nilai Training Model 30 Gambar 4.5 Tampilan Awal Raspberry-Pi 3 32 Gambar 4.6 Tampilan Aplikasi 33 Gambar 4.7 Tampilan Aplikasi Pada Skenario Ruang Tamu 34 Gambar 4.8 Tampilan Aplikasi Pada Skenario Dapur 35 Gambar 4.9 Tampilan Led dan Buzzer 103 Gambar 4.10 Tampilan Notifikasi Telegram 104


BAB 1

PENDAHULUAN

1.1 Latar Belakang

Api yang tidak ditangani dengan benar dapat sangat berpotensi untuk

menimbulkan kebakaran yang menyebabkan kerusakan properti dan kerugian

materi. Menurut Badan penanggulangan Bencana Daerah, Api yang dapat

menimbulkan kebakaran umumnya disebabkan oleh manusia seperti kelalaian

pada area dapur,puntung rokok dan pembakaran sampah selain itu api yang

berasal dari masalah kelistrikan dan kebocoran gas menjadi penyebab utama

terjadinya kebakaran. Selain itu sistem alarm kebakaran konvensional yang

didasarkan pada jaringan kabel memiliki kekurangan dan keterbatasan seperti

rencana tata letak dan output berupa alarm yang hanya dapat direspon oleh orang

pada sekitar area tersebut Perkembangan teknologi informasi dan komunikasi

yang cepat telah menuntun ke era baru untuk pendeteksi dini kebakaran bahkan

dapat mencegahnya terjadi,jaringan kamera dan sensor berbasis TIK bahkan

solusi berbasis satelit telah dikembangkan dalam beberapa dekade terakhir. Solusi

ini terbukti telah mengurangi keterlibatan langsung manusia dalam proses deteksi

kebakaran ,tetapi juga terbukti sulit dipelihara.pada tulisan ini akan digunakan

pendekatan modul kamera pada Raspberry-Pi 3 dengan algoritma HAAR Cascade

dan Bot Telegram untuk mengirim notifikasi.

Sebelumnya telah dilakukan penelitian untuk mendeteksi api dan monitoring

berbasis wireless sensor network (WSN) oleh Li Guang-Hui.(2006) yang

berfokus pada pemodelan perkiraan kebakaran hutan,penyebaran node

WSN,posisi kebakaran hutan,protokol kontrol transmisi,dan deteksi kebakaran

hutan dan sistem alarm berbasis WSN.

Kemudian penelitian lain yang dilakukan oleh Evizal Abdul Kadir et

al.(2018) menggunakan wireless sensor network yang diletakkan pada beberapa

lokasi yang berpotensi mengalami kebakaran sepanjang area hutan di Provinsi


Riau.sistem ini memberikan peringatan dini kepada lembaga perwakilan ketika

mendeteksi adanya nyala api di hutan.

Beberapa penelitian berbasis video multi-feature fusion juga sudah

dilakukan,diantaranya oleh Lie(2009). Menggunakan sistem monitor berdasarkan

informasi gambar digital.sistem ini didasarkan pada karakteristik konfigurasi

CCD dan informasi warna untuk menemukan api,mengirim sinyal peringatan dan

menentukan lokasi terjadinya kebakaran.

Selanjutnya penelitian oleh Alexander A. Khamukin et al.(2016). Penelitian

ini memfokuskan pada spektrum noise yang dihasilkan api kebakaran hutan,

Dimodelkan sebagai noise merah yang amplitudonya berkisar antara 250 hingga

450 Hz pada mahkota api dan menurun secara bertahap ke frekuensi yang lebih

rendah semakin kebawah, garis trend dari spektrum noise kebakaran hutan yang

berbeda menjadi parameter pada penelitian ini.

Kemudian penelitian oleh Georgi Hristov et al.(2018) yang menggunakan

metode Unmanned Aerial Vehicles (UAV) dan jaringan sensor

LoRaWAN,penelitian ini menggunakan drone yang dilengkapi dengan kamera

yang khusus untuk mendeteksi kebakaran hutan juga memberikan solusi untuk

penggunaan kombinasi antara fixed-wing dan rotary-wind dari UAVs kemudian

menggunakan jaringan sensor LoRaWAN sebagai komunikasi data.

Lalu penelitian yang menggunakan metode object Detection untuk mendeteksi

kebakaran hutan secara real-time diantaranya: YOLO (tiny yolo voc, tiny yolo

voc 1, tiny yolo voc 2.0, dan YOLO v3), Faster R-CNN dan SSD yang memiliki

realtime property yang lebih baik,akurasi deteksi yang lebih tinggi dan

kemampuan deteksi kebakaran dini. Peneliti membuat patokan api dan asap,

memanfaatkan kelas asap baru yang ditambahkan dan perubahan area api untuk

meminimalisir kesalahan deteksi.percobaan membuktikan bahwa ini

meningkatkan tingkat akurasi deteksi kebakaran. Penelitian ini dilakukan oleh Shi

Xiao Wu et al.(2018).

Oleh karena itu penulis mengusulkan suatu penelitian menggunakan computer

vision untuk mendeteksi nyala api dengan menggunakan algortima HAAR


Cascade dengan judul “Sistem Pendeteksi Dini Kebakaran Berbasis Computer

Vision Dengan Menggunakan HAAR Cascade Dengan Notifikasi Bot Telegram ”.

1.2 Rumusan Masalah

Banyaknya kasus kebakaran yang terjadi khususnya di indonesia

menyebabkan kerugian yang besar bagi alam dan manusia seperti gangguan

pernafasan, terganggunya aktivitas sosial,pendidikan dan ekonomi. Karenanya

diperlukan sistem yang dapat mendeteksi dini kebakaran dalam mengidentifikasi

nyala api dan mengirimkan sinyal peringatan ke pengguna.

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk membangun sistem yang dapat

melakukan deteksi dini kebakaran menggunakan Computer Vision dan Bot

Telegram untuk mengirim notifikasi ke pengguna sistem.

1.4 Batasan Masalah

Dalam studi ini, penulis mengusulkan beberapa batasan untuk mencegah

masalah meluas. Adapun batasan masalah yaitu :

1. Sistem hanya memproses citra digital berbentuk video yang diambil

secara real time.

2. Sistem tidak bisa mengirim notifikasi jika tidak terhubung dengan

internet.

3. Sistem hanya bisa mendeteksi api dengan jarak < 20 meter.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah:

1. Mempermudah mendeteksi nyala api secara otomatis dan mencegah

terjadinya kebakaran yang lebih luas.

2. Mengefisiensi terhadap kinerja kamera dan penggunaan komputer mini

Raspberry-Pi 3


3. Sebagai referensi dalam penelitian akademik khususnya penelitian terkait

implementasi deteksi objek secara real time dan otomatisasi.

1.6 Metodologi Penelitian

Adapun tahap – tahap yang dilakukan pada penelitian ini adalah sebagai berikut:

1. Studi Literatur

Pada tahapan ini dilaksanakan untuk memperoleh dan meneliti informasi

yang ada di buku, jurnal, skripsi, dan berbagai sumber informasi lain yang

mendukung penelitian ini.

2. Analisis Permasalahan

Selanjutnya yaitu tahap analisis permasalahan. Pada tahap ini dilakukan

analisis terhadap berbagai informasi yang telah didapat dari berbagai sumber

yang terkait penelitian agar mendapatkan metode yang tepat untuk

menyelesaikan masalah dalam penelitian ini.

3. Pengumpulan Data

Setelah menganalisis permasalahan dilakukan pengumpulan data terkait

dengan penelitian.

4. Perancangan Sistem

Pada tahap ini, penulis melakukan implementasi dari sistem untuk

menyelesaikan masalah.

5. Implementasi

Pada tahap ini, penulis melakukan implementasi dari analisis sesuai

perancangan yang akan dilakukan pada sistem.

6. Penyusunan Laporan

Tahap terakhir, penulis akan menyusun dokumentasi berupa laporan

penelitian yang akan memaparkan hasil penelitian yang telah dilakukan.


1.7 Sistematika Penulisan

Sistematika penulisan penelitian terdiri dari lima bagian :

BAB 1 : PENDAHULUAN

Padaibabiini, hal – hal yang dibahas yaituilataribelakang, rumusanimasalah,

batasanimasalah,itujuanipenelitian, manfaat penelitian, metodologi penelitian,idan

sistematikaipenulisan.

BAB 2 : LANDASAN TEORI

Pada babi ni berisi teori teori yang digunakan untuk memaham permasalahan

yang diangkat pada penelitian ini. Teori - teori mengenai pengolahan citra digital,

Computer Vision, Raspberry-Pi 3 dan HAAR Cascade akan dibahas dan

dijabarkan.

BAB 3 : ANALISA PERANCANGAN

Pada bab analisis dan perancangan, akan dijelaskan mengenai arsitektur

umum penelitian, perancangan aplikasi, dan langkah-langkah dalam proses data

&preprocessing, Setting&training, dan deteksi objek .

BAB 4 : IMPLEMENTASI DAN PENGUJIAN

Pada bab ini, akan dijelaskan implementasi dan pembahasan dari rancangan

aplikasi dari penelitian yang telah dibuat pada bab 3. Hasil dari pengujian aplikasi

dan implementasi juga akan dijelaskan pada bab ini.

BAB 5 : KESIMPULAN DAN SARAN

Pada bab ini, berisi kesimpulan dan ringkasan desain dibahas di Bab 3 dan

hasil penelitian dijelaskan di Bab 4. Bab ini juga berisi saran-saran untuk

penelitian dan pengembangan lebih lanjut.


BAB 2

LANDASAN TEORI

2.1 Computer Vision

Computer Vision adalah suatu bidang ilmu interdisipliner yang melibatkan

bagaimana komputer itu dapat pemahaman yang lebih tinggi tentang gambar atau

video digital.computer vision berkaitan dengan ekstraksi otomatis, analisis dan

pemahaman informasi yang berguna dari satu gambar ke urutan gambar

lainnya.Milan Sonka et al.(2008). Tugas dari computer vision itu sendiri termasuk

metode untuk memperoleh, memproses, menganalisis dan memahami gambar

digital, dan ekstraksi data dimensi tinggi dari dunia nyata untuk menghasilkan

informasi numeric atau simbolis, misalnya dalam bentuk keputusan.Reinhard

Klette.(2014).

2.2 Image Processing

Image processing atau pengolahan citra digital adalah penggunaan komputer

untuk memproses gambar digital melalui algoritma.Gonzales, Rafael(2018).

Sebagai subkategori pemrosesan sinyal digital, pemrosesan citra digital unggul

dibandingkan pemrosesan citra analog, hal ini karena gambar digital

memungkinkan penggunaan algoritma yang lebih luas yang dapat ditetapkan pada

data masukan dan dapat menghindari masalah seperti noise dan distorsi selama

pemrosesan. Secara khusus pengolahan citra digital adalah sebuah aplikasi yang

kongkrit dan teknologi yang praktis berdasarkan: Classification, Feature

extraction, Multi-scale signalianalysis, Patternirecognition dan Projection.

2.3 Deteksi Objek

Saat orang melirik suatu gambar, otak manusia dapat langsung mengenali

objek dalam gambar, lokasi objek tersebut, dan kondisi interaksi yang terjadi.


Sistem penglihatan manusia dengan cepat dan akurat, memungkinkan melakukan

tugas tugas kompleks. Algoritma deteksi objek yang cepat dan akurat akan

memungkinkan komputer melakukan tugas yang sama, sehingga memungkinkan

untuk menyelesaikan tugas secara keseluruhan. Deteksi objek dalam pengolahan

citra digital merupakan proses penentuan objek tertentu dalam citra digital.

Proses deteksi dapat diselesaikan dengan secara umum melakukan berbagai

metode untuk pembacaan fitur semua objek dalam gambar input. Karakteristik

objek pada citra input dengan karakteristik model atau template yang digunakan

akan saling dibandingkan. Hasil perbandingan dapat digunakan untuk menentukan

apakah objek akan dideteksi sebagai template yang diharapkan. Sistem deteksi

objek perlu menggunakan training dengan bounding box pada kumpulan data

pengujian dan diberi label untuk setiap kategori objek dalam proses pengenalan.

Untuk mencapai tujuan ini, ada banyak beberapa cara yang tersedia untuk

menghasilkan model deep learning seperti Pascal-VOC dan lain sebagainya.

2.4 HAAR Cascade

Deteksi Objek menggunakan pengklasifikasi cascade berbasis fitur Haar

adalah metode deteksi objek efektif yang diusulkan oleh Paul Viola dan Michael

Jones dalam makalah mereka, "Deteksi Objek Cepat menggunakan Kaskade

Peningkatan Fitur Sederhana" pada tahun 2001. Ini adalah pendekatan berbasis

pembelajaran mesin di mana a Fungsi cascade dilatih dari banyak gambar positif

dan negatif. Ini kemudian digunakan untuk mendeteksi objek dalam gambar

lain.Awalnya, algoritma membutuhkan banyak citra positif (citra dengan objek

yang akan dideteksi) dan citra negatif (citra tanpa objek yang akan dideteksi)

untuk melatih pengklasifikasi. Kemudian mengekstrak fitur darinya seperti kernel

konvolusional. Setiap fitur adalah nilai tunggal yang diperoleh dengan

mengurangi jumlah piksel.


2.5 Cascade GUI Trainer

Cascade GUI Trainer adalah Tools yang digunakan untuk melatih, menguji,

dan mengembangkan desain pengklasifikasi kaskade. Biasanya menggunakan

antarmuka grafis untuk memperbaiki nilai dan merumuskannya menjadi

sederhana untuk menerapkan mekanisme OpenCV untuk melatih dan menguji

pengklasifikasi. Pengklasifikasi kaskade adalah metode berformat cabang, di

mana Viola-Jones menggunakan pemilihan HAAR-type untuk identifikasi.

Pemilihan HAAR-type biasa yang ditetapkan oleh standar, seperti yang

diilustrasikan pada Gambar 2.1, mungkin diterapkan dengan mempertimbangkan

setiap pengukuran dalam mengklasifikasi yang ditingkatkan untuk penghitungan

cepat dari versi integral terkait dari gambar yang ditargetkan untuk dideteksi.

Pilihan HAAR-type ditempatkan dalam oleh HAAR wavelet. Wavelet HAAR

adalah formasi segi empat yang unik.

Gambar 2.1 Wavelet Pemilihan HAAR-type dari OpenCV Cascade

Classification (bagian yang terang menunjukkan “add that

region” bagian yang gelap menunjukkan “subtract that

region”

Dalam 2 Dimensi (D), persegi panjang diwakili oleh putih dan hitam.

Signifikansi pemilihan HAAR-type bertahan jika hasilnya lebih dari permulaan,


dengan mengurangi tingkat rata-rata piksel dalam kotak hitam dan putih. Ciri-ciri

ini dapat ditemukan di ruang manapun di antara jendela gambar pemindaian.

2.6 Raspberry- Pi 3

Raspberry-Pi 3 adalah komputer papan tunggal (Single Board Circuit ; SBC),

seukuran kartu kredit dan dapat digunakan untuk menjalankan program kantor,

permainan komputer, dan sebagai pemutar media untuk video beresolusi tinggi.

Bentuk Raspberry-Pi 3 ditunjukkan pada Gambar 2.2.

Gambar 2.2 Raspberry Pi-3

2.7 Penelitian Terdahulu

Alexander A Khamukhin et al (2016) telah melakukan penelitian dan

disimpulkan spektrum noise yang dihasilkan api kebakaran , Dimodelkan sebagai

noise merah yang amplitudonya berkisar antara 250 hingga 450 Hz pada mahkota

api dan menurun secara bertahap ke frekuensi yang lebih rendah semakin ke

bawah.

Kemudian penelitian untuk mendeteksi api dan monitoring berbasis wireless

sensor network (WSN) oleh Li Guang-Hui.(2006) yang berfokus pada pemodelan

perkiraan kebakaran ,penyebaran node WSN, posisi kebakaran, protokol kontrol

transmisi, dan deteksi kebakaran dan sistem alarm berbasis WSN.

Pada penelitian lain yang dilakukan oleh Evizal Abdul Kadir et al.(2018)

menggunakan wireless sensor network yang diletakkan pada beberapa lokasi yang


berpotensi mengalami kebakaran sepanjang area di Provinsi Riau. Sistem ini

memberikan peringatan dini kepada lembaga perwakilan ketika mendeteksi

adanya nyala api.

Penelitian berbasis video multi-fiture fusion juga sudah dilakukan,

diantaranya oleh Li Jie(2009). Menggunakan sistem monitor berdasarkan

informasi gambar digital.sistem ini didasarkan pada karakteristik konfigurasi

CCD dan informasi warna untuk menemukan api, mengirim sinyal peringatan dan

menentukan lokasi terjadinya kebakaran.

Kemudian penelitian oleh Georgi Hristov et al.(2018) yang menggunakan

metode Unmanned Aerial Vehicles (UAV) dan jaringan sensor

LoRaWAN,penelitian ini menggunakan drone yang dilengkapi dengan kamera

yang khusus untuk mendeteksi kebakaran juga memberikan solusi untuk

penggunaan kombinasi antara fixed-wind dan rotary-wind dari UAVs kemudian

menggunakan jaringan sensor LoRaWAN sebagai komunikasi data.

Lalu penelitian yang menggunakan metode object Detection untuk

mendeteksi kebakaran secara real-time diantaranya:, YOLO (tiny yolo voc, tiny

yolo voc 1, tiny yolo voc 2.0, dan YOLOv3), Faster R-CNN daniSSDiyang

memiliki real-time property yang lebih baik,akurasi deteksi yang lebih tinggi dan

kemampuan deteksi kebakaran dini. Peneliti membuat patokan api dan asap,

memanfaatkan kelas asap baru yang ditambahkan dan perubahan area api untuk

meminimalisir kesalahan deteksi.percobaan membuktikan bahwa ini

meningkatkan tingkat akurasi deteksi kebakaran. Penelitian ini dilakukan oleh

Shixiao Wu et al.(2018).

Dan peneletian yang dilakukan oleh Sasmitha et al.(2018) menggunakan

modul sensor api yang diintegrasikan dengan LoRaWAN dan GPS. Sensor api

digunakan untuk mendeteksi api kemudian LoRaWAn/GPS HAT sebagai media

perangkat keras untuk transmisi komunikasi menggunakan frekuensi radio.dengan

mengkombinasikan keduanya tercipta sebuah prototype untuk mendeteksi api.

Rincian dari penelitian terdahulu yang dijelaskan diatas dapat dilihat pada Tabel

2.1.


Tabel 2.1 Penelitian Terdahulu

No Peneliti Tahun Judul Keterangan

1 Khamukhin

et al.

2016 SpectralAnalysis

of Forest Fire

Noise for Early

Detection using

Wireless Sensor

Networks

Api kebakaran, Dimodelkan

sebagai noise merah yang

amplitudonya berkisar antara

250 hingga 450 Hz pada

mahkota api dan menurun

secara bertahap ke frekuensi

yang lebih rendah semakin

ke bawah.

2 Li

GuangHui

2006 Research on

Forest Fire

Detection Based

on Wireless

Sensor Network

Berfokus pada pemodelan

perkiraan kebakaran,

penyebaran node WSN,

posisi kebakaran, protokol

kontrol transmisi, dan

deteksi kebakaran dan

sistem alarm berbasis WSN.

3 Evizal

Abdul Kadir

et al.

2018 Application of

WSNs for

Detection Land

and Forest Fire in

Riau Province

Indonesia

Menggunakan wireless

sensor network yang

diletakkan pada beberapa

lokasi yang berpotensi

mengalami kebakaran

sepanjang area di Provinsi

Riau.sistem ini memberikan

peringatan dini kepada

lembaga perwakilan ketika

mendeteksi adanya nyala api


4 Li Jie 2009 Forest Fire

Detection Based

on Video

MultiFeature

Fusion

Menggunakan sistem monitor

berdasarkan informasi

gambar digital.sistem ini

didasarkan pada karakteristik

konfigurasi CCD dan

informasi warna untuk

menemukan api,mengirim

sinyal peringatan dan

menentukan lokasi terjadinya

kebakaran

5 Georgi

Hristov et

al.

2018 Emerging

methods for early

detection of forest

fires using

unmanned aerial

vehicles and

LoRaWAN

sensor networks

Menggunakan metode

Unmanned Aerial Vehicles

(UAV) dan jaringan sensor

LoRaWAN,penelitian ini

menggunakan drone yang

dilengkapi dengan kamera

yang khusus untuk

mendeteksi kebakaran juga

memberikan solusi untuk

penggunaan kombinasi

antara fixed-wind dan

rotary-wind dari UAVs

kemudian menggunakan

jaringan sensor LoRaWAN

sebagai komunikasi data

6 Shixiao Wu

et al.

2018 Using Popular

Object Detection

Methods for

Real Time Forest

Fire Detection

Faster R-CNN, YOLO

(tinyyolovoc, tiny-yolo-voc

1, tiny-yolovoc 2.0, dan

YOLO v3), dan SSD yang

memiliki real-time property


yang lebih baik,akurasi

deteksi yang lebih tinggi dan

kemampuan deteksi

kebakaran dini. Peneliti

membuat patokan api dan

asap, memanfaatkan kelas

asap baru yang ditambahkan

dan perubahan area api untuk

meminimalisir kesalahan

deteksi.

7 Sasmitha et

al.

2018 Integrating

Forest Fire

Detection With

Wireless Sensor

Network Based on

Long Range

Radio

Sensor api digunakan untuk

mendeteksi api kemudian

LoRaWAn/GPS HAT

sebagai media perangkat

keras untuk transmisi

komunikasi menggunakan

frekuensi radio.


BAB 3

ANALISIS PERANCANGAN

3.1 Tahapan Penelitian

Gambaran umum tentang prosedur dan proses peneliti dan ditunjukkan pada

Gambar 3.1.

Gambar 3.1 Tahapan Penelitian

3.2 Data yang digunakan

Data yang digunakan dalam penelitian ini adalah gambar digital diambil dari

frame video yang ditangkap dengan kamera webcam USB. Objek gambar yang

ditangkap untuk dilatih adalah objek api . Setelah data gambar api terkumpul akan

masuk ke tahap pre-trained model nantinya. Data gambar ditangkap dalam

berbagai waktu dan kondisi intensitas cahaya agar efisien dalam melakukan

deteksi dan penyimpanan memori. Pada Tabel 3.1 mencantumkan informasi


waktu kapan data berupa video ditangkap dan jumlah kuantitas data yang diambil

untuk dilakukan training.

Tabel 3.1 Formasi Jumlah Pengambilan Citra Untuk Pelatihan Dataset

Hari ke Positive Image Negative Image Total

Hari - 1 25 25 50

Hari - 2 15 15 30

Hari - 3 10 10 20

Gambar 3. 2 Positive Image

Gambar 3. 3 Negative Image


3.3 Arsitektur Umum

Bagian ini membahas tentang tahapan yang akan dilakukan dalam

membangun sistem pendeteksi dini kebakaran Tahap pertama yaitu perekaman

video secara realtime yang dilakukan oleh kamera webcam. Kamera tersebut

diletakkan di tempat yang cenderung tinggi dan memiliki jangkau pandang yang

luas . Hasil perekaman video dibagi menjadi dua proses, yaitu proses training dan

proses testing. Pada proses training hasil video akan masuk ke tahap

preprocessing untuk menghasilkan model dataset yang akan dipakai untuk proses

testing. Sedangkan pada proses testing hasil video yang direkam secara realtime

akan masuk ke proses post processing di perangkat Raspberry-Pi 3. Arsitektur

umum sistem dapat dilihat pada Gambar 3.4.


Gambar 3. 4 Arsitektur Umum

KAMERA


3.4 Diagram Alir Sistem

Gambar 3. 5 Flowchart Pengujian Sistem

Inisialisasi Hardware

Mulai


3.5 Preprocessing

Pada tahap ini dimana citra diolah agar memudahkan untuk proses

selanjutnya. Tahapan preprocessing ini terdiri dari convert video to image dan

grayscaling, dan dataset production.

3.5.1 Convert Video to Image

Data yang ditangkap oleh kamera webcam masih berbentuk video. Sedangkan

untuk melakukan pelatihan untuk membuat sebuah model dibutuhkan kumpulan

data objek berbentuk gambar. Pada proses ini dibutuhkan sebuah aplikasi

tambahan untuk mengubahnya. Setelah diubah menjadi kumpulan gambar,

penulis memilih gambar yang hanya terdapat ada objek api di dalam gambar

tersebut.

3.5.2 Dataset & Preprocess

Saat Cascade GUI Trainer pertama kali dijalankan, Akan muncul tampilan

seperti Gambar 3.6. Ini adalah layar awal dan dapat digunakan untuk melatih

pengklasifikasi. Untuk melatih pengklasifikasi biasanya perlu menyediakan

utilitas dengan ribuan sampel gambar positif dan negatif, tetapi ada kasus ketika

dapat mencapai hal yang sama dengan sampel yang lebih sedikit. Untuk memulai

pelatihan, Penulis membuat folder untuk pengklasifikasi. Buat dua folder di

dalamnya. Satu harus "p" (untuk gambar positif) dan yang lainnya harus "n"

(untuk gambar negatif).


Gambar 3. 6 Tampilan Awal Cascade GUI Trainer

Disini penulis memiliki folder bernama "Api" yang memiliki folder gambar

api berisi 100 gambar.Dan memiliki folder gambar negatif, yaitu gambar selain

dari Api sebanyak 100 gambar .Perlu diingat Gambar negatif tidak boleh

menyertakan gambar positif.

3.5.3 Setting & Training

Untuk tujuan pelatihan, digunakan Cascade GUI Trainer (versi 3.3.1), seperti

yang diilustrasikan pada Gambar 3.7.

Gambar 3. 7 Tampilan Setting Awal Cascade GUI Trainer


Direktori untuk gambar positif ditempatkan pada bidang 'Samples Folder:'

pada antarmuka. Setelah direktori ini ditetapkan, bidang 'Negative Image Count:'

ditempatkan ke 100, karena 100 gambar negatif diambil. Setelah semua

spesifikasi masukan ditetapkan, langkah selanjutnya adalah menempatkan jumlah

tahapan pelatihan, di bawah tab 'Common', seperti yang diilustrasikan pada

Gambar 3.8.

Gambar 3. 8 Spesifikasi Tab Common

Number of Stages:' disetel ke 20 - semakin tinggi angkanya, semakin baik

akurasi pendeteksiannya. Namun, dibutuhkan waktu yang semakin lama dengan

setiap kenaikannya. Di sini, langkah selanjutnya adalah menempatkan parameter

di bawah tab 'Cascade', seperti yang diilustrasikan pada Gambar 3.9.

Gambar 3. 9 Parameter Pelatihan Cascade


Sample Width:' dan 'Sample Height:' masing-masing mewakili lebar dan

tinggi sampel pelatihan dalam piksel. Untuk model ini, 'Sample Width:' dan

'Sample Height:' disetel ke 24. 'Feature Type:' ditempatkan ke 'HAAR,' dan

'HAAR Feature Type:' disetel ke 'BASIC'.

Setelah parameter pelatihan ditetapkan, tombol 'Mulai' digunakan untuk

memulai pelatihan, yang biasanya mengarahkan perangkat lunak untuk

menggunakan 'opencv_createsamples' secara internal untuk membuat sampel

positif. Kemudian menggunakan aplikasi 'opencv_traincascade' untuk melatih

model. Saat pelatihan selesai, ini akan memberikan file .xml Cascade Classifier

untuk mendeteksi objek api dalam gambar.

3.6 Post processing

3.6.1 Grayscaling

Intensitas cahaya sangat bervariasi sepanjang waktu, apakah dapat tidaknya

memproses gambar yang dikumpulkan pada waktu yang berbeda tergantung pada

integritas set data pelatihan. Agar meningkatkan kekayaan dataset eksperimental,

gambar yang dikumpulkan diproses sebelumnya dalam istilah warna dan

kecerahan.

Gambar 3. 10 Grayscaling Objek Api

Jika kecerahan gambar terlalu tinggi atau terlalu rendah, kotak yang akan

melabeli objek (bounding box) akan sulit digambar selama manual anotasi karena

tepi target tidak jelas. Selama pelatihan, gambar set pelatihan ini akan memiliki

pengaruh yang merugikan pada kinerja model deteksi.


Gambar yang diperoleh mungkin tidak jelas karena panjangnya kamera jarak

pandang, focus yang tidak benar, atau gerakan kamera. Gambar yang blur juga

dapat mempengaruhi hasil deteksi neural network.

3.6.2 HAAR Classifier

Deteksi Objek menggunakan pengklasifikasi kaskade berbasis fitur Haar

adalah metode deteksi objek efektif yang diusulkan oleh Paul Viola dan Michael

Jones. Ini adalah pendekatan berbasis pembelajaran mesin di mana a Fungsi

cascade dilatih dari banyak gambar positif dan negatif. Ini kemudian digunakan

untuk mendeteksi objek dalam gambar lain.

Di sini kita akan bekerja dengan deteksi api. Awalnya, algoritma

membutuhkan banyak citra positif (citra api) dan citra negatif (citra tanpa api)

untuk melatih pengklasifikasi. Kemudian kita perlu mengekstrak fitur darinya.

Untuk ini, fitur Haar yang ditunjukkan pada gambar di bawah digunakan. Mereka

seperti kernel konvolusional. Setiap fitur adalah nilai tunggal yang diperoleh

dengan mengurangi jumlah piksel di bawah persegi panjang putih dari jumlah

piksel di bawah persegi hitam.

Gambar 3. 11 Substraksi Piksel


3.6.3 Rule of Decision

Kumpulan gambar yang telah dilatih dan diproses akan masuk ke tahap Rule

of Decision dimana pada tahap ini akan ditentukan apakah gambar masuk

kedalam kategori api yang berpotensi menimbulkan kebakaran atau tidak, jika

objek api yang dideteksi memenuhi persyaratan maka alarm akan aktif dan

notifikasi akan dikirimkan.

3.7 Metode Pendeteksi Objek Api

Gambar 3.12 Rancangan Sistem Pendeteksi Dini Kebakaran

Tahap ini dilakukan pada Raspberry-Pi 3 untuk memutuskan kapan notifikasi

akan dikirimkan. Program tersebut akan mendeteksi api, jika api terdeteksi pada

Skenario area maka sistem akan otomatis mengirim notifikasi ke bot telegram dan

mencatat waktu terdeteksinya objek api. Setelah objek api telah menghilang dari

frame maka kamera kembali mendeteksi apabila masih ada objek api terdeteksi

pada frame maka notifikasi akan terus menerus dikirim.


3.8 Rancangan Tampilan

Tampilan objek api terdeteksi Tampilan objek api

Gambar 3. 13 Tampilan Dasar Program

Gambar 3.9 merupakan tampilan rancangan aplikasi secara default. Setelah

menjalankan program dan menyelesaikan proses pengecekan komponen sistem,

program akan menampilkan tampilan berupa tab berukuran 645 x 515 pixel. Pada

tampilan aplikasi tersebut menampilkan secara real time. Disaat objek api

terdeteksi, maka objek akan diberi bounding box.

3.9 Rancangan Perangkat Keras

Pada Gambar 3 terdapat rancangan perangkat keras yang dibutuhkan untuk

membuat sistem pendeteksi nyala api. Berikut adalah penjelasannya.

1. Merupakan Monitor yang digunakan untuk melihat tampilan hasil deteksi

dari sistem yang sudah dibangun. Monitor terhubung ke perangkat

Raspberry-Pi 3 menggunakan port HDMI.

2. Merupakan Raspberry-Pi 3 yang berfungsi sebagai perangkat utama yang

menjalankan proses. Perangkat Raspberry-Pi 3 juga dilengkapi GPU untuk

mempercepat dan membantu menjalankan proses deteksi.

3. Merupakan kamera webcam yang digunakan untuk merekam video secara

real time di sistem. Kamera menggunakan port USB untuk terhubung ke

perangkat Raspberry-Pi 3.


4. Merupakan Buzzer dan LED yang digunakan untuk alarm. Buzzer dan LED

dihubungkan ke perangkat arduino menggunakan port GPIO.

Gambar 3. 14 Rangkaian Komponen


BAB 4

IMPLEMENTASI DAN PENGUJIAN

Berdasarkan analisis dan desain yang dibahas pada Bab 3, Bab ini membahas

hasil yang diperoleh dalam proses deteksi objek api pada sistem pendeteksi dini

kebakaran menggunakan algoritma HAAR Cascade.

4.1 Spesifikasi Kebutuhan Perangkat

Adapun spesifikasi perangkat keras dan lunak yang digunakan untuk

membangun sistem deteksi dini kebakaran pada penelitian ini adalah sebagai

berikut :

1. Perangkat yang digunakan yaitu Raspberry-Pi 3

2. Operating System Linux

3. Storage Micro USB 32 GB

4. CPU Quad-core Cortex ARM A72 @ 1.5 GHz, Sistem Broadcom BMC2711,

4 GB 64-bit LPDDR4 25.6 GB/s RAM.

5. Kamera USB 1080p Logitech

6. Buzzer dan LED

7. Monitor LED 22 inch

8. Software yang digunakan yaitu Python 3.6.9

9. Library yang digunakan adalah OpenCV , Tensorflow GPU 1.15, Keras,

Raspi GPIO, Telepot dan Python-time.


4.2 Implementasi Sistem

Pada sistem pendeteksi dini kebakaran terdapat proses deteksi objek api

menggunakan model HAAR Cascade yang akan diimplementasikan ke dalam

sistem. Pada sistem deteksi dibangun menggunakan bahasa pemrograman Python.

4.2.1 Rangkaian Alat Pendeteksi Dini Kebakaran

Pada sistem pendeteksi dini kebakaran terdapat beberapa perangkat ataupun

alat yang telah disusun sedemikian rupa. Rangkaian tersebut berupa Raspberry-Pi

3, Kamera Webcam, Adaptor Power Supply 5 Volt 4 Ampere, buzzer dan led

yang disatukan dengan kabel jumper. Setelah dihubungkan, rangkaian tersebut

diletakkan di tempat yang di inginkan. Rangkaian tersebut dapat dilihat pada

Gambar 4.1.

Gambar 4. 1 Rangkaian Alat Pendeteksi Dini Kebakaran

4.2.2 Implementasi Tampilan Aplikasi

Pada sistem hanya memiliki satu tampilan yang dapat diakses. Tampilan

tersebut dapat dilihat pada Gambar 4.2.


Gambar 4. 2 Tampilan Aplikasi

4.2.3 Implementasi Data Untuk Membuat Model

Data training yang digunakan untuk membuat model pada penelitian ini

adalah data objek api yang direkam menggunakan kamera webcam. Untuk hasil

rekaman masih berbentuk video, maka harus diubah terlebih dulu menjadi

kumpulan gambar untuk diberi label. Sebelum diberi label, data gambar harus

disortir terlebih dahulu yang terlihat jelas objeknya. Jumlah data yang gambar

yang dikumpulkan sebanyak 200 citra dengan ukuran 320 × 240 piksel dan ukuran

file rata-rata tidak mencapai 40 kb. Data citra yang dilatih dapat dilihat pada

Gambar 4.3.


Gambar 4. 3 Data Training

4.2.4 Code Training Model Pada Cascade GUI Trainer.

Sebelum sistem dapat melakukan pendeteksian objek, dibutuhkan untuk

membuat model agar dapat mendeteksi sesuai penelitian. Dibutuhkan CPU dan

GPU berspesifikasi tinggi untuk melakukan training. Pada penelitian ini penulis

menggunakan tools Cascade GUI Trainer untuk melakukan training untuk

menghasilkan model.

Adapun code program untuk melakukan training objek dan membuat model

dapat dilihat pada Lampiran 2. Penjelasan pada kode tersebut yaitu sebelum

melakukan proses, penulis mengunggah kumpulan citra yang sudah diberi label ke

Cascade GUI Trainer . Kemudian diproses dan menghasilkan output XML. Hasil

proses training dapat dilihat pada Gambar 4.4.

Gambar 4. 4 Hasil Nilai Training Model


Pada code program terlihat stage 0 yang merupakan salah satu tahapan

dalam pelatihan nodel ini, di stage 0 terdapat Stage Threshold yang merupakan

koordinat dari contoh data training lalu Interval Nodes yang merupakan koordinat

dari sampel data positif dan negatif.

4.2.5 Code Deteksi Objek Pada Raspberry-Pi

Pada sistem pendeteksi objek api, salah satu keputusan untuk mendeteksi api

yaitu saat objek api terdeteksi pada scenario area. Untuk membangun sistem

pendeteksian dibangun dengan bahasa python. Terdapat beberapa library yang

diimport seperti opencv, tensorflow, keras dan lainnya. Dapat dilihat code untuk

mendeteksi objek. Adapun code program untuk mendeteksi objek api dapat dilihat

pada Lampiran 2.

Pada code program Lampiran 2, dapat dilihat terdapat fungsi untuk mengakses

kamera, mendeteksi objek dan mengirim notifikasi. Untuk deteksi objek, penulis

menggunakan “class main” yang berada di dalam "class handle". Untuk path yang

digunakan yaitu “fire_detection.xml” yang sudah ditraining sebelumnya oleh

penulis. Terdapat score pada code yang bernilai 20, itu artinya bounding box akan

mengkotakkan label yang terdeteksi apabila Confidence Score pada objek yang

dideteksi pada kamera nilainya lebih dari 20% atau 0,2. Pada code program

terdapat baris :

ret, frame = cap.read()

Baris ini berfungsi untuk membaca setiap frame yang ditangkap oleh kamera

Lalu, gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

Berfungsi untuk mengubah citra yang ditangkap pada frame menjadi grayscale

Dan, fire = fire_cascade.detectMultiScale(frame, 1.2, 5)

Yang berfungsi untuk mendeteksi api pada frame

4.2.6 Pembuatan Dan Konektivitas Bot Telegram

Pada sistem pendeteksi dini kebakaran ini, ketika nyala api terdeteksi maka

dibutuhkan media untuk memberitahukan adanya potensi kebakaran, untuk sistem


notifikasi dibangun menggunakan bot telegram yang sudah tersinkronisasi dengan

code deteksi objek pada Raspberry-Pi.

Untuk pembuatan bot telegram, cukup dengan menginstall aplikasi telegram,

setelah itu ketik “botfather” pada pencarian, lalu klik start dan ketikkan /newbot

untuk membuat bot baru. Setelah bot berhasil dibuat maka akan muncul API

token yang dapat digunakan untuk mengakses API bot. Adapun API untuk

mendeteksi objek api dapat dilihat pada Lampiran 2.

Pada code program Lampiran 2 dapat dilihat library import telepot dan API

token dicantumkan untuk konektivitas ke bot telegram, digunakan fungsi handle

untuk memulai sinkronisasi antara program dan bot telegram lalu perintah

bot.sendMessage untuk mengirim notifikasi apabila nyala api terdeteksi.

4.3 Prosedur Operasional

Setelah masuk kedalam tampilan Raspberry-Pi 3 buka command prompt

seperti Gambar 4.5.

Gambar 4. 5 Tampilan Awal Raspberry-Pi 3

Lalu pilih terminal,selanjutnya masuk ke dalam direktori penelitian dengan

menjalankan perintah :

cd firedetection

Jika sudah berhasil masuk ke dalam direktori firedetection, kemudian jalankan

program deteksi objeknya dengan menjalankan perintah :

fireDetection+bot.py


Untuk langsung masuk ke sistem deteksi,masuk ke bot telegram yang

terhubung lalu mengetikkan perintah seperti ini :

/start

Maka akan terbuka aplikasi seperti Gambar 4.6.

Gambar 4. 6 Tampilan Aplikasi

4.4 Pengujian Sistem

Pada tahap ini pengujian sistem dilakukan dengan beberapa scenario area

yang berbeda dan dengan skala yang menyesuaikan dengan ukuran ruangan dan

objek api yang akan dideteksi.

1. Skenario Ruang Tamu

Mensimulasikan sistem dengan ukuran ruangan yang berukuran 8 × 6 × 4 m

dengan pencahayaan yang cukup. Sistem terprogram di dalam Raspberry-Pi 3.

Perangkat tersebut diletakkan pada sudut atas ruangan.Kamera dihubungkan pada

port USB yang terdapat pada Raspberry-Pi 3 sedangkan LED dan Buzzer

dihubungkan dari board ke ke pin Raspberry-Pi 3 dengan kabel jumper. Catu daya

yang digunakan yaitu Adaptor Bertegangan 5 Volt dan dihubungkan ke perangkat

Raspberry-Pi 3. Setelah hidup maka akan terlihat lampu masing masing perangkat

akan hidup. Pada skenario ini diperoleh kesimpulan objek api yang berskala 1:12

dari frame maka akan terdeteksi karena dianggap berbahaya dan berpotensi

menimbulkan kebakaran. Hasil pengujian skenario ruang tamu dapat di lihat pada

Tabel 4.1.


Gambar 4. 7 Tampilan Aplikasi Pada Skenario Ruang Tamu

2. Skenario Dapur

Mensimulasikan sistem dengan ukuran ruangan yang berukuran 5 × 4 × 4 m

dengan pencahayaan yang cukup. Sistem terprogram di dalam Raspberry-Pi 3.

Perangkat tersebut diletakkan pada sudut atas ruangan.Kamera dihubungkan pada

port USB yang terdapat pada Raspberry-Pi 3 sedangkan LED dan Buzzer

dihubungkan dari board ke ke pin Raspberry-Pi 3 dengan kabel jumper. Catu daya

yang digunakan yaitu Adaptor Bertegangan 5 Volt dan dihubungkan ke perangkat

Raspberry-Pi 3. Setelah hidup maka akan terlihat lampu masing masing perangkat

akan hidup Pada skenario ini diperoleh kesimpulan bahwa objek api yang berskala

1:10 dari frame maka akan terdeteksi karena dianggap berbahaya dan berpotensi

menimbulkan kebakaran. Hasil pengujian skenario ruang tamu dapat dilihat pada

Tabel 4.1.


Gambar 4. 8 Tampilan Aplikasi Pada Skenario Dapur

Hasil dari pengujian sistem ini digolongkan menjadi 4 status :

1. True Positive adalah data positif yang dideteksi benar oleh sistem. Contoh

objek api berbahaya terdeteksi lalu dikirim notifikasi.

2. False Negative adalah data positif yang terklasifikasi salah oleh sistem.

Contoh objek api berbahaya terdeteksi namun tidak dikirim notifikasi.

3. False Positive adalah data negatif yang terklasifikasi benar oleh sistem.

Contoh objek api berbahaya tidak terdeteksi namun mengirim notifikasi.

4. True Negative adalah data negatif yang terklasifikasi benar oleh sistem.

Contoh objek api tidak berbahaya/tidak terdeteksi dan tidak mengirim

notifikasi.


Tabel 4. 1 Hasil Pengujian Sistem

No Citra Keterangan

1

True Negative

2

True Negative

3

True Negative


4

True Negative

5

True Negative

6

False Negative


7

True Positive

8

True Positive

9

True Negative


10

True Negative

11

True Negative

12

False Positive


13

True Negative

14

True Negative

15

True Negative


16

True Negative

17

False Positive

18

False Negative


19

False Negative

20

True Negative

21

True Negative


22

False Positive

23

False Negative

24

True Negative

25

True Negative


26

True Negative

27

False Negative

28

True Negative


29

True Negative

30

True Negative

31

True Negative


32

True Positive

33

True Positive

34

False Negative


35

True Negative

36

True Positive

37

True Negative


38

True Negative

39

True Negative

40

True Negative


41

True Negative

42

True Negative

43

True Negative


44

False Negative

45

True Negative

46

True Negative


47

True Negative

48

True Negative

49

True Negative


50

False Negative

51

True Negative

52

True Negative


53

True Negative

54

True Negative

55

True Negative


56

True Negative

57

True Negative

58

True Negative


59

True Negative

60

True Negative

61

True Negative


62

True Negative

63

True Negative

64

True Negative


65

True Negative

66

True Negative

67

True Negative


68

True Negative

69

True Negative

70

True Negative


71

True Negative

72

True Negative

73

True Negative


74

True Negative

75

True Negative

76

True Negative


77

True Negative

78

True Negative

79

True Negative


80

True Negative

81

True Negative

82

True Negative


83

True Negative

84

True Negative

85

True Negative


86

False Positive

87

True Negative

88

True Negative


89

False Positive

90

False Positive

91

True Negative


92

True Negative

93

True Negative

94

True Negative


95

True Negative

96

True Negative

97

True Negative


98

True Negative

99

True Negative

100

True Negative


101

True Negative

102

True Negative

103

True Negative


104

True Negative

105

True Negative

106

False Positive


107

True Negative

108

False Negative

109

False Negative


110

False Negative

111

False Negative

112

True Negative


113

False Negative

114

False Negative

115

True Negative


116

True Negative

117

True Negative

118

True Negative


119

True Negative

120

True Negative

121

True Negative


122

True Negative

123

False Positive

124

True Negative


125

True Negative

126

True Negative

127

True Negative


128

True Negative

129

True Negative

130

True Negative


131

False Positive

132

False Negative

133

True Negative


134

True Negative

135

True Negative

136

True Negative


137

True Negative

138

True Negative

139

False Positive


140

False Positive

141

False Positive

142

False Positive


143

False Positive

144

False Positive

145

False Positive


146

False Positive

147

True Negative

148

False Positive


149

False Positive

150

False Positive

151

False Positive


152

False Positive

153

False Positive

154

True Negative


155

True Negative

156

True Negative

157

True Negative


158

True Negative

159

True Negative

160

True Negative


161

True Negative

162

True Negative

163

True Negative


164

True Negative

165

True Negative

166

True Negative


167

True Negative

168

True Negative

169

True Negative


170

True Negative

171

True Negative

172

False Positive


173

True Negative

174

True Negative

175

False Positive


176

False Negative

177

False Negative

178

True Positive


179

True Positive

180

False Negative

181

False Negative


182

True Negative

183

True Negative

184

True Negative


185

True Negative

186

True Negative

187

True Negative


188

False Positive

189

True Negative

190

True Negative


191

True Negative

192

False Positive

193

True Negative


194

True Negative

195

True Negative

196

True Negative


197

True Negative

198

True Negative

199

True Negative


200

True Negative

Berdasarkan pengujian sistem pendeteksi dini kebakaran menggunakan

algoritma HAAR Cascade yang dilakukan pada skenario ruang tamu dan dapur

kita dapat menggunakan Confusion Matrix untuk menentukan daya guna dari

sistem.Tabel 4.2 menunjukkan Confusion Matrix dari dua kelas yaitu berpotensi

kebakaran dan tidak berpotensi kebakaran.

Tabel 4.2 Confusion Matrix dari Klasifikasi Potensi Kebakaran

Berpotensi

Kebakaran(Sistem)

Tidak Berpotensi

Kebakaran(Sistem)

Berpotensi

Kebakaran(Aktual)

True Positive = 7 False Negative = 19

Tidak Berpotensi

Kebakaran(Aktual)

False Positive = 27 True Negative = 147

Dari Tabel 4.2 kita dapat menentukan :

1. Sensitivity, juga disebut sebagai True Positive Rate atau Recall. Ini adalah

ukuran contoh positif yang diberi label positif oleh pengklasifikasi.

Sensitivitas = True Positive / (True Positive + False Negative)

Sensitivitas = 7 / (7+ 19) = 26,92 %.


2. Specificity, juga dikenal sebagai True Negative Rate. Ini adalah ukuran

contoh negatif yang diberi label negatif oleh pengklasifikasi.

Specificity = True Negative / (False Positive + True Negative)

Specificity = 147 / (147 + 27) = 84,48 %.

3. Precision, adalah rasio jumlah total contoh positif yang diklasifikasikan

dengan benar dan jumlah total contoh positif yang diprediksi. Ini

menunjukkan kebenaran yang dicapai dalam prediksi positif.

Presisi = True Positive / (False Positive + True Positive)

Presisi = 7 / (7 + 27) = 20,58 %.

4. Accuracy adalah proporsi jumlah total prediksi yang benar.

Akurasi = True Positive + True Negative / (True Positive + True Negative

+ False Positive + False Negative)

Akurasi = 7 + 147 /( 7 + 147 + 27 + 19) = 77 %

3. Tampilan Led dan Buzzer

Setelah objek api terdeteksi maka akan otomatis mengaktifkan led dan buzzer,

apabila objek api yang terdeteksi belum padam ataupun skalanya masih sama atau

lebih besar dari kondisi terdeteksinya api pada skala skenario maka led dan buzzer

akan terus menerus nyala.

Gambar 4. 9 Tampilan Led dan Buzzer


4. Tampilan Notifikasi

Setelah objek api terdeteksi maka akan otomatis mengaktifkan led dan buzzer

sekaligus mengirim notifikasi telegram melalui Firedetection_BOT berupa teks

peringatan dan waktu terdeteksinya api tersebut, apabila objek api yang terdeteksi

belum padam ataupun skalanya masih sama atau lebih besar dari kondisi

terdeteksinya api pada skala skenario maka notifikasi akan terus menerus dikirim

ke pengguna.

Gambar 4. 10 Tampilan Notifikasi Telegram.


BAB 5

KESIMPULAN DAN SARAN

Bab ini membahas kesimpulan dari sistem pendeteksi dini kebakaran berdasarkan

hasil deteksi menggunakan algoritma HAAR Cascade yang telah dibuat pada

Bagan 5.1 dan saran untuk penelitian dan pengembangan selanjutnya pada Bagan

5.2.

5.1 Kesimpulan

Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem pendeteksi

dini kebakaran berdasarkan hasil deteksi menggunakan model Cascade GUI

Trainer yaitu :

1. Pengujian sistem deteksi objek api menggunakan perangkat Raspberry-Pi 3

berhasil diimplementasikan.

2. Pada proses pendeteksian objek sangat bergantung pada skala dan jarak,

apabila skala terlalu kecil dan jarak terlalu jauh kamera sangat susah untuk

melakukan deteksi disini penulis menggunakan jarak 8 meter dan skala 1:12

pada skenario ruang tamu dan jarak 8 meter dan skala 1:10 pada skenario

dapur.

3. Pembuatan skenario area pada penelitian ini dirasa cukup efektif. Selain

memudahkan untuk sistem mendeteksi otomatisasi objek api, skenario area

juga memudahkan dalam sistem yang diletakkan pada area yang cenderung

tinggi karena memiliki jarak pandang yang luas sehingga akurasinya bisa

tepat.

4. Pada penelitian ini, dibutuhkan beberapa skenario area untuk menetapkan

skala yang tepat untuk beberapa kondisi sehingga dapat menyesuaikan

dengan tempat sistem akan dipasang.


5.2 Saran

Untuk penelitian yang telah dilakukan dalam penelitian selanjutnya, penulis dapat

memberikan saran sebagai berikut :

1. Penulis berharap perangkat yang digunakan pada penelitian selanjutnya

menggunakan perangkat dengan spesifikasi yang lebih tinggi, sehingga bukan

hanya untuk mendeteksi objek api dan memberi notifikasi tetapi juga

memberikan solusi untuk memadamkannya.

2. Penulis berharap pada penelitian selanjutnya menggunakan metode lain yang

mampu mendeteksi objek dengan meminimalisir penggunaan memori,

sehingga fps tidak terlalu rendah dan tingkat akurasi dalam mendeteksi objek

jauh lebih baik.

3. Menyediakan catu daya cadangan dengan kapasitas yang tinggi, sehingga

apabila listrik mati maka sistem dan pencahayaan tetap berjalan dengan durasi

yang lebih panjang dan tidak tiba-tiba langsung mati.


DAFTAR PUSTAKA

Li Guang-Hui, Zhao Jun, & Wang Zhi. (2006). Research on Forest Fire Detection Based on Wireless Sensor Network. 2006 6th World Congress on Intelligent Control and Automation. doi:10.1109/wcica.2006.1712316

Wu, S., & Zhang, L. (2018). Using Popular Object Detection Methods for Real Time Forest Fire Detection. 2018 11th International Symposium on Computational Intelligence and Design

(ISCID). doi:10.1109/iscid.2018.00070.Hristov, G., Raychev, J., Kinaneva, D., & Zahariev, P. (2018). Emerging Methods for Early Detection of Forest Fires Using Unmanned Aerial Vehicles and Lorawan Sensor Networks. 2018 28th EAEEIE Annual Conference (EAEEIE). doi:10.1109/eaeeie.2018.8534245.

Li Jie, & Xiao Jiang. (2009). Forest fire detection based on video multi-feature fusion. 2009 2nd IEEE International Conference on Computer Science and Information Technology. doi:10.1109/iccsit.2009.5234862.

Khamukhin, A. A., & Bertoldo, S. (2016). Spectral analysis of forest fire noise for early detection using wireless sensor networks. 2016 International Siberian

Conference on Control and Communications (SIBCON). doi: 0.1109/sibcon.2016.7491654. Kadir, E. A., Rosa, S. L., & Yulianti, A. (2018). Application of WSNs for

Detection Land and Forest Fire in Riau Province Indonesia. 2018 International Conference on Electrical Engineering and Computer Science (ICECOS). doi:10.1109/icecos.2018.8605197.

Sasmita, E. S., Rosmiati, M., & Rizal, M. F. (2018). Integrating Forest Fire Detection with Wireless Sensor Network Based on Long Range Radio. 2018

International Conference on Control, Electronics, Renewable Energy and Communications (ICCEREC). doi:10.1109/iccerec.2018.8711991.

Yamanoor, N. S., & Yamanoor, S. (2017). High quality, low cost education with the Raspberry Pi. 2017 IEEE Global Humanitarian Technology Conference (GHTC). doi:10.1109/ghtc.2017.8239274.


Harish Kumar, B. (2017). WSN based Automatic Irrigation and Security System using Raspberry Pi Board. 2017 International Conference on Current Trends in Computer, Electrical, Electronics and Communication (CTCEEC). doi:10.1109/ctceec.2017.8455140.

Fully-Connected Layer CNN dan Implementasinya – Universitas Gadjah Mada Menara Ilmu Machine Learning. (n.d.). Retrieved March 12, 2020, from http://machinelearning.mipa.ugm.ac.id/2018/06/25/fully-connectedlayercnn-dan-implementasinya/

Hu, W., Huang, Y., Wei, L., Zhang, F., & Li, H. (2015). Deep Convolutional Neural Networks for Hyperspectral Image Classification. Journal of Sensors, 2015, 1–12. https://doi.org/10.1155/2015/258619

Kusumanto, & Tompunu, A. N. (2011). Pengolahan Citra Digital Untuk Mendeteksi Obyek Menggunakan Pengolahan Warna Model Normalisasi RGB. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2011 (Semantik 2011), 2011(January), 1–7.

Xia, X., Zhao, Y., Hu, Z., Wang, Z., Yu, C., & Bai, Y. (2019). Fish behavior tracking algorithm based on multi-domain deep convolutional neural network. ACM International Conference Proceeding Series, 73–78. https://doi.org/10.1145/3330393.3330422

Dasiopoulou, Stamatia, et al. "Knowledge-assisted semantic video object detection." IEEE Transactions on Circuits and Systems for Video Technology 15.10 (2005): 1210-1224.

Reinhard Klette (2014). Concise Computer Vision. Springer. ISBN 978-1-4471-6320-6.

Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Image Processing, Analysis, and Machine Vision. Thomson. ISBN 978-0-495-08252-1.

Gonzalez, Rafael (2018). Digital image processing. New York, NY: Pearson. ISBN 978-0-13-335672-4. OCLC 966609831.

statistik.jakarta.id.(2019, 22 November.”JUMLAH KEJADIAN KEBAKARAN DAN BANGUNAN YANG TERDAMPAK DI DKI JAKARTA”http://statistik.jakarta.go.id/jumlah-kejadian-kebakaran-dan-bangunan-yang-terdampak-di-dki-jakarta/.


http://www.iti.gr/%7Ebmezaris/publications/csvt05.pdf




https://en.wikipedia.org/wiki/International_Standard_Book_Number


https://en.wikipedia.org/wiki/Special:BookSources/978-1-4471-6320-6















https://en.wikipedia.org/wiki/OCLC

https://en.wikipedia.org/wiki/OCLC

https://www.worldcat.org/oclc/966609831



SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER …

Documents

Transcript of SISTEM PENDETEKSI DINI KEBAKARAN BERBASIS COMPUTER …