Perancangan Dan Realisasi Facetracker Webcam Menggunakan Metode Haar-Like Feature Berbasis Raspberry Pi 2.

(1)

Universitas Kristen Maranatha

PERANCANGAN dan REALISASI FACETRACKER WEBCAM

MENGGUNAKAN METODE HAAR-LIKE FEATURE

BERBASIS RASPBERRY PI 2

Disusun oleh :

Steven Christian Santosa (1222038)

Program Studi Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg. Suria Sumantri, MPH. No. 65, Bandung, Jawa Barat, Indonesia

E-mail : [email protected]

ABSTRAK

Sistem pengenalan wajah adalah aplikasi dari pengolahan citra yang dapat mengidentifikasi seseorang melalui citra digital atau frame video. Sistem pengenalan wajah telah menjadi salah satu aplikasi pengolahan citra yang populer, terlebih dalam bidang sistem keamanan.

Metode haar-like feature merupakan proses ekstraksi ciri citra wajah yang digunakan untuk menggambarkan ciri dari citra sebuah wajah. Metode haar-like feature memproses gambar dalam kotak-kotak. Dalam satu kotak terdapat beberapa pixel, kemudian diproses untuk mendapatkan nilai threshold yang menandakan daerah terang dan daerah gelap.

Pada tugas akhir ini, dibuat sistem pergerakan webcam yang menggunakan pengenalan wajah berdasarkan pergerakan wajah menggunakan metode haar-like feature berbasis Raspberry Pi 2. Pada awalnya akan dibuat database terlebih dahulu, database di buat melalui proses training, setelah itu akan didapatkan nilai

threshold yang di simpan dalam bentuk XML database, Raspberry pi 2 akan membandingkan citra wajah yang tertangkap oleh kamera dengan nilai threshold

yang tersimpan dalam XML database. Setelah wajah terdeteksi, akan didapatkan posisi dari wajah, motor servo akan bergerak sesuai dengan pergerakan yang terjadi pada wajah , sehingga webcam dapat bergerak mengikuti wajah.

(2)

Dari hasil realisasi dan pengamatan data, Sistem perancangan pergerakan

webcam berdasarkan perubahan posisi wajah menggunakan metode Haar-like features berbasis Raspberry Pi 2 telah dibuat dan berfungsi sesuai dengan yang diharapkan, perancangan dan realisasi face tracker webcam menggunakan metode

haar-like feature berbasis raspberry pi 2 memiliki persentase keberhasilan sistem sebesar 51,85% dari 9 responden dengan total 27 kali uji coba, Tingkat keberhasilan sistem untuk wajah terdeteksi dan motor servo bergerak mengikuti posisi wajah dengan menggunakan kacamata sebesar 46,67% dari 5 responden dengan total 15 kali uji coba, Tingkat keberhasilan sistem untuk wajah terdeteksi dan motor servo bergerak mengikuti posisi wajah dengan menggunakan topi sebesar 20,00% dari 5 responden dengan total 15 kali uji coba.

Kata Kunci : Pengenalan Wajah, Raspberry Pi 2, Webcam, metode haar-like feature, motor servo

(3)

iii

Universitas Kristen Maranatha

DESIGN and REALIZATION OF FACE TRACKER WEBCAM

USING HAAR-LIKE FEATURE METHOD BASED ON

RASPBERRY PI 2

Composed by :

Steven Christian Santosa (1222038)

Electrical Engineering Department, Maranatha Christian University Jl. Prof. Drg. Suria Sumantri, MPH. No. 65, Bandung, West Java, Indonesia

E-mail : [email protected]

ABSTRACT

Face recognition system is the application of image processing that can identify a person through digital image or video frame . Face recognition system has become one of the popular image processing applications , especially for security systems .

Methods haar-like feature is a feature of the face image extraction process that is used to describe the characteristics of the image of a face. Methods haar-like feature to process images in boxes, where in one case there are a few pixels, then processed to obtain a threshold value that indicates bright areas and dark areas. The threshold value will be used as the basis of image processing.

In this final project, webcam movement system that uses facial recognition based on facial movements using haar-like feature-based Raspberry Pi 2. Initially, the database will be made in advance, the database created through the process of training, after which it will be obtained at the threshold value save as XML database, Raspberry pi 2 will compare the facial image captured by the

(4)

camera with the threshold value stored in the XML database. Once a face is detected, we will get the position of the face, the servo motor will move according to the movement that occurs on the face, so the webcam can move to follow the face.

From the results of the realization and observation of data , system design movement of the webcam by changes in the position of the face using Haar-like features based Raspberry Pi 2 was created and functioning as expected , design and realization of face tracker webcam using the haar -like feature based raspberry pi 2 has a success rate of 51.85 % system of 9 respondents with a total of 27 trials, the success rate of the system for the face is detected and the servo motor moves follow the position of the face with glasses of 46.67 % of 5 respondents with a total of 15 trials, the success rate of the system for the face is detected and servo motors move to the position of the face by wearing a cap of 20.00 % of 5 respondents with a total of 15 trials .

Keywords : Face recognition, Raspberry Pi 2, webcam, Haar-like feature method, servo motor.

(5)

Universitas Kristen Maranatha

DAFTAR ISI

LEMBAR PENGESAHAN

PERNYATAAN ORISINALITAS LAPORAN PENELITIAN PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR KATA PENGANTAR

ABSTRAK ... i

ABSTRACT ... iii

DAFTAR ISI ... v

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang ...1

1.2 Identifikasi Masalah ...2

1.3 Rumusan Masalah ...2

1.4 Tujuan ...2

1.5 Batasan Masalah...3

1.6 Sistematika Penulisan ...3

BAB 2 LANDASAN TEORI ... 6

2.1 Pengolahan Citra ...6

2.1.1 Operasi Pengolahan Citra ...8

2.2 Metode Haar Like Feature ...9

2.2.1 Training Data Pada Haar ...9

2.2.2 Sistem Kerja Algoritma Haar Cascade Classifier ... 11

2.2.3 Haar-Like Feature... 11

2.2.4 Pre-Processing Image ...13

2.2.4.1 Scalling ... 13

(6)

2.2.5 Integral Image ... 13

2.2.6 AdaBoost ... 15

2.2.7 Cascade Classifier ... 17

2.3 XML Database ... 18

2.4 Raspberry Pi 2 ... 19

2.5 Logitech® Webcam C170 ... 22

2.6 Motor Servo ... 22

2.7 Prinsip Kerja Motor Servo... 24

2.8 Bahasa Pemrograman Python ... 25

2.8.1 Variabel ... 28

2.8.2 Pernyataan Conditional ... 29

2.8.2.1 Pernyataan “If” ... 29

2.8.2.2 Pernyataan “Try/Except” ... 29

2.8.3 Pernyataan Looping ... 30

2.8.2.1 Pernyataan While ... 30

2.8.2.2 Pernyataan For ... 30

2.9 OpenCV ... 31

2.9.1 Fungsi dalam OpenCV ... 32

2.10 Servoblaster ... 33

BAB 3 PERANCANGAN DAN REALISASI ... 34

3.1 Perancangan Sistem ... 34

3.2 Perancangan Perangkat Pergerakan Webcam ... 35

3.2.1 Wiring Diagram Pengendalian Motor Servo ... 38

3.3 Diagram Alir Pembuatan Database ... 39

3.4 Proses Pembuatan Database ... 40

3.4.1 Pengumpulan Gambar ... 40

3.4.2 Penyusunan Gambar Negatif ... 41

3.4.3 Crop Gambar Positif ... 42

3.4.4 Buat Vektor dari Gambar Positif ... 44

3.4.5 Haar-tranning ... 45

(7)

vii

Universitas Kristen Maranatha

3.5 Diagram Alir Sistem Pergerakan Webcam Berdasarkan Perubahan Posisi Wajah .. 48

3.6 Diagram Alir Proses Pendeteksian Posisi Wajah ... 50

3.7 Diagram Alir Proses Pengendali Motor Servo ... 51

3.7.1 Motor Servo Sumbu X... 51

3.7.2 Motor Servo Sumbu Y... 52

BAB 4 DATA PENGAMATAN DAN ANALISIS... 53

4.1 Proses Pengambilan Data ... 53

4.2 Data Pengamatan ... 54

4.2.1 Objek Manusia Tanpa Menggunakan Aksesoris ... 55

4.2.2 Objek Manusia Menggunakan Kacamata ... 57

4.2.3 Objek Manusia Menggunakan Topi ... 58

4.3 Analisis Data ... 59

BAB 5 SIMPULAN DAN SARAN ... 60

5.1 Simpulan ... 60

5.2 Saran ... 61

DAFTAR PUSTAKA ... 62 LAMPIRAN A SOURCE CODE ... A-1 LAMPIRAN B DATABASE ... B-1

(8)

DAFTAR TABEL

Tabel 2.1 Spesifikasi Raspberry Pi 2... 19

Tabel 2.2 Pin-pin GPIO Raspberry Pi 2 model B ... 21

Tabel 4.1 Pengamatan Objek Manusia Tanpa Menggunakan Aksesoris ... 55

Tabel 4.2 Pengamatan Objek Manusia Menggunakan Kacamata ... 57

(9)

Universitas Kristen Maranatha

DAFTAR GAMBAR

Gambar 2.1 Contoh Positive Samples ... 10

Gambar 2.2 Contoh Negative Samples ... 10

Gambar 2.3 Haar Feature ... 12

Gambar 2.4 Gambar Sebelum dan Sesudah Grayscale ... 13

Gambar 2.5 Integral Image ... 14

Gambar 2.6 Algortma Boosting ... 16

Gambar 2.7 Proses Cascade Classifier ... 17

Gambar 2.8 Raspberry Pi 2 Model B ... 19

Gambar 2.9 Logitech Webcam C170 ... 22

Gambar 2.10 Motor Servo Tower Pro MG90 ... 24

Gambar 2.11 Pulse Width Modulation Pada Motor Servo ... 25

Gambar 3.1 Diagram Blok Sistem Face Tracker ... 35

Gambar 3.2.a Desain Perangkat Face Tracker ... 36

Gambar 3.2.b Desain Real Perangkat Face Tracker ... 37

Gambar 3.3 Desain Wiring Diagram Pengendalian Motor Servo ... 38

Gambar 3.4 Diagram Alir Pembuatan Database ... 39

Gambar 3.5 Contoh Gambar Positif ... 40

Gambar 3.6 Contoh Gambar Negatif... 41

Gambar 3.7 Source Code Create-list Batch File ... 41

Gambar 3.8 Hasil Create_list.bat ... 42

Gambar 3.9 Tools Crop ... 42

Gambar 3.10 Proses Cropping oleh Objectmarker.exe ... 43

Gambar 3.11 Hasil Objectmarker.exe ... 43

Gambar 3.12 Isi dari Folder Trainning... 44

Gambar 3.13 Source Code Samples-creation Batch File ... 44

Gambar 3.14 Isi dari Folder Training... 45

Gambar 3.15 Source Code HaarTraining Batch File ... 45

(10)

Gambar 3.17 Hasil Training ... 47

Gambar 3.18 Isi Folder Cascade2xml ... 47

Gambar 3.19 Diagram Alir SistemPergerakan Webcam Berdasarkan Perubahan Posisi Wajah ... 48

Gambar 3.20 Diagram Alir Subroutine Pendeteksian Posisi Wajah ... 50

Gambar 3.21 Diagram Allir Subroutine Pengendalian Servo X ... 51

Gambar 3.22 Diagram Allir Subroutine Pengendalian Servo Y ... 52

Gambar 4.1 Lokasi Pengambilan Data ... 53

Gambar 4.2.a Arah Jalan dari Kiri ke Kanan ... 54

Gambar 4.2.b Arah Jalan dari Kanan ke Kiri ... 54

(11)

Universitas Kristen Maranatha

BAB 1

PENDAHULUAN

1.1Latar Belakang

Sistem pengenalan wajah adalah aplikasi dari pengolahan citra yang dapat mengidentifikasi seseorang melalui citra digital atau frame video. Sistem pengenalan wajah telah menjadi salah satu aplikasi pengolahan citra yang populer, terlebih dalam bidang sistem keamanan.

Metode haar-like feature merupakan metode yang cukup populer, dan dipublikasikan oleh Paula Viola dan Michael Jones pada tahun 2001. Proses ekstraksi ciri citra wajah yang digunakan untuk menggambarkan ciri dari citra sebuah wajah. Metode haar-like feature memproses gambar dalam kotak-kotak,dimana dalam satu kotak terdapat beberapa pixel, kemudian diproses untuk mendapatkan nilai threshold

yang menandakan daerah terang dan daerah gelap. Nilai threshold tersebut akan dijadikan sebagai dasar dalam image processing.

Perkembangan dari teknologi kamera semakin pesat, ditandai dengan munculnya berbagai jenis kamera, kamera digunakan untuk menangkap gambar diam sampai gambar bergerak. Webcam merupakan salah satu jenis kamera yang mampu melakukan hal tersebut. Bentuk webcam pun sudah bervariasi dengan fitur yang cukup lengkap dan diikuti dengan resolusi gambar yang cukup tajam. Seiring perkembangan tersebut, dapat dikembangkan kegunaan dari webcam salah satunya dengan memanfaatkan webcam sebagai alat pendeteksi wajah dengan menggunakan beberapa metoda pengolahan citra.

Pada tugas akhir ini dibuat sistem perancangan pergerakan webcam

berdasarkan perubahan posisi wajah menggunakan metode haar-like feature berbasis Raspberry Pi2. Raspberry Pi 2 adalah sebuah single board computer yang memiliki

(12)

komputer yang dapat digunakan untuk memproses pendeteksian wajah. Sebagai alat bantu untuk mendeteksi wajah digunakan sebuah kamera dan dua motor servo sebagai penggerak posisi kamera untuk mengikuti pergerakan seseorang berdasarkan perubahan posisi wajah ke atas, ke bawah, ke kiri, maupun ke kanan.

1.2Identifikasi Masalah

Permasalahan yang diangkat pada tugas akhir ini adalah cara implementasi metode haar-like feature menggunakan Raspberry Pi 2 sebagai alat pemroses gambar untuk menggerakan dua servo yang terhubung dengan webcam berdasarkan perubahan posisi wajah.

1.3Rumusan masalah

1. Bagaimana mengimplementasikan metode Haar-like feature pada Raspberry Pi 2 sebagai pemroses gambar?

2. Bagaimana aplikasi program pada Raspberry Pi 2 agar dapat menggerakan

webcam berdasarkan perubahan posisi wajah?

1.4Tujuan

Mengaplikasikan metode Haar-Like Feature untuk mendeteksi wajah tanpa aksesoris dan dengan menggunakan aksesoris berupa kacamata baca, pada sistem memiliki motor servo sehingga webcam dapat bergerak sesuai dengan pergerakan wajah.

(13)

3 Universitas Kristen Maranatha 1.5Batasan Masalah

Penulis membatasi masalah yang dibahas dalam Tugas Akhir ini adalah sebagai berikut:

1. Membuat sistem pengenalan wajah berdasarkan metode Haar-Like Feature. 2. Pemantauan hanya dilakukan di dalam ruangan yang memiliki intensitas

cahaya rata-rata 300 Lux.

3. Database yang dibuat hanya menghadap depan dan menghadap kanan. 4. Objek manusia bergerak secara perlahan, dengan kecepatan berkisar 0,1 m/s. 5. Jarak antara wajah manusia dengan kamera antara 40 cm sampai 2,2 meter. 6. Menggunakan kamera webcam USB dengan resolusi 320 x 240 pixel. 7. Dalam satu frame hanya satu wajah yang diikuti.

8. Wajah tidak ditutupi oleh topeng, topi atau sejenisnya. 9. Kamera dapat bergerak secara vertikal dan horizontal. 10.Tidak memperhitungkan delay.

1.6Sistematika Penulisan

Laporan Tugas Akhir ini terbagi menjadi lima bab utama, dimana setiap bab saling berhubungan sesuai dengan permasalahan yang akan dibahas. Selain itu disertakan lampiran sebagai bahan pendukung. Masing-masing bab membahas hal-hal sebagai berikut:

Bab 1 : PENDAHULUAN

Menjelaskan tentang latar belakang permasalahan, identifikasi masalah, perumusan masalah, tujuan, pembatasan masalah, dan sistematika penulisan.

(14)

Bab 2 : LANDASAN TEORI

Menjelaskan mengenai teori-teori yang menunjang proses pembuatan tugas akhir ini. Teori-teori penunjang tersebut meliputi pengolahan citra, operasi pengolahan citra, metode haar-like feature, trainning data pada haar, Sistem kerja algoritma haar cascade classifier,

haar-like feature, pre-processing image, scalling, grayscalling, integral image, adaboost, cascade classifier, Raspberry Pi 2, webcam, motor servo, prinsip kerja motor servo, bahasa pemrograman python, opencv, servoblaster.

Bab 3 : PERANCANGAN DAN REALISASI

Menjelaskan mengenai proses dari perancangan

face tracker menggunakan webcam dengan metode haar-like feature berbasis raspberry pi 2 , mulai dari perancangan sistem, perancangan perangkat pergerakan dari webcam, wiring diagram pergerakan dari motor servo ke Raspberry Pi, diagram alir pembuatan database, proses pembuatan database, dan diagram proses dari sistem pergerakan webcam berdasarkan pergerakan wajah menggunakan metode Haar-Like Feature.

Bab 4 : DATA PENGAMATAN DAN ANALISIS

Berisi data pengamatan dan analisis yang diperoleh dari percobaan sistem face tracker menggunakan webcam dengan metode haar-like feature berbasis raspberry pi 2 yang sudah direalisasikan.

Data pengamatan didapat dari mengamati 19 objek yang berbeda, antara lain, 9 objek manusia tanpa aksesoris, 5 objek manusia memakai kacamata baca, dan 5 objek manusia memakai topi. Selain itu, pergerakan dari objek manusia yang diuji diambil dari kiri ke kanan, kanan ke kiri, dan jalan kepiting.

(15)

5 Universitas Kristen Maranatha

Bab 5 : SIMPULAN DAN SARAN

Berisi simpulan dari apa yang telah dibahas pada bab-bab sebelumnya dan hasil yang telah dicapai dalam tugas akhir.

(16)

BAB 5

SIMPULAN DAN SARAN

Bab ini merupakan bab penutup yang berisi simpulan dari hasil penelitian dan analisis dari tugas akhir ini serta saran bagi pengembangan sistem pergerakan

webcam berdasarkan perubahan posisi wajah menggunakan metode haar-like feature berbasis Raspberry Pi 2.

5.1 Simpulan

Berdasarkan hasil percobaan dan data yang didapatkan dapat disimpulkan : 1. Perancangan pergerakan webcam berdasarkan perubahan posisi wajah

menggunakan metode haar-like feature berbasis Raspberry Pi 2 telah dibuat dan berfungsi sesuai dengan yang diharapkan. Metode Haar-like feature dalam mendeteksi wajah tanpa aksesoris, dari 9 responden dengan pengambilan data total 27 kali didapat keberhasilan sebesar 86,20%, dan tingkat keberhasilan sistem face tracking objek tanpa menggunakan aksesoris sebesar 51,85%. Metode Haar-like feature dalam mendeteksi objek menggunakan kacamata baca, dari 5 responden dengan pengambilan data total 15 kali didapat keberhasilan sebesar 81,67%, dan tingkat keberhasilan sistem face tracking objek menggunakan kacamata baca sebesar 46,67%. Metode Haar-like feature dalam mendeteksi objek menggunakan topi, dari 5 responden dengan pengambilan data total 15 kali didapat keberhasilan sebesar 58,33%, dan tingkat keberhasilan sistem face tracking objek menggunakan topi sebesar 20%.

2. Dari data pengamatan yang didapatkan, sistem ini belum berhasil tracking

wajah dari depan maupun samping dengan baik jika objek menggunakan topi.

(17)

61 Universitas Kristen Maranatha 3. Dari 5 data pengamatan yang didapatkan, sistem ini berhasil dalam

melakukan tracking wajah yang menggunakan kacamata baca telah berhasil.

5.2 Saran

Saran untuk pengembangan sistem ini lebih lanjut :

1. Untuk pemrosesan yang lebih cepat, dapat digunakan bahasa pemrograman C++ dan processor dengan kecepatan yang lebih tinggi. 2. Untuk mempercepat pemrosesan gambar perlu diuji menggunakan

RaspberryPiCam.

3. Untuk meningkatkan keberhasilan tracking wajah, pembuatan database

sebaiknya dibuat dalam tiga posisi yaitu hadap depan,kiri,dan kanan. 4. Dapat dikembangkan pengenalan untuk mengidentifikasi wajah sebagai

(18)

DAFTAR PUSTAKA

1. Agus Harjoko, Hadi Samtoso,”Haar Cascade dan Algoritma Adaboost untuk Deteksi Banyak Wajah Dalam Ruang Kelas”.Yogyakarta,2013.

2. B Thomas. Moeslund, Kamal Nasrollahi, ” Haar-Like Features For Robust Real-Time Face Recognition”.Aalborg,Denmark,2013.

3. Dodit Supriatno, Hasanah RN, Santosa PB. 2012. Sistem Pengenalan Wajah Secara Real-Time dengan Adaboost, Eigenface PCA &MySQL. EECCIS, Vol 7. pp 179-184.

4. Lutz, Mark, 2007. Learning Python (3th Edition). United States of America: O’Reilly Media, Inc.

5. Mahdi Rezaei,”Creating a Cascade of Haar-Like Classifiers: Step by

Step”.Auckland,New Zealand,2014.

6. Muhammad Junaedi. 2003. Pengantar XML. [pdf], ilmukomputer.com (23 Februari 2016)

7. Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.

Bandung: Informatika Bandung.

8. Robert, Laganiere, “OpenCV 2 Computer Vision Application Programming Cookbook”, Packt Publishing, 2011.

9. Rainer Lienhart, Alexander Kuranov, vadim pisarevsky. “An empiricalanalysis of boosting algorithm for rapid object with an extended set of Haar-Like features.” In Intel Technical Report MRL-TR-July 02-01,2002.

10.Rainer Lienhart, Jochen Maydt,”An Extended Set of Haar-like Features for

Rapid Object Detection”.USA,2002.

11.Richardson, M., and S. Wallace. 2013. Getting Started with Raspberry Pi.

United State of America: O’Reilly Media.

12.Viola, p., Jones, M. J., “Robust Real-Time Face Detection”, International

(19)

63 Universitas Kristen Maranatha 13.W Pambudi S. 2012. Facetracker Menggunakan Metode Haar Like Feature dan

PID Pada Model Simulasi. Batam. Universitas Internasional Batam. 14.http://docs.opencv.org/2.4/modules/core/doc/drawing_functions.html

15.http://docs.opencv.org/modules/contrib/doc/facerec/facerec_tutorial.html#id16

16.https://elektronika-dasar.web.id/teori-elektronika/motor-servo/ 17. https://github.com/richardghirst/PiBits/tree/master/ServoBlaster

18. http://raspiprojects.com/install-servoblaster-raspberry-pi-control-servo-python.html

(1)

4 Universitas Kristen Maranatha

Bab 2 : LANDASAN TEORI

Bab 3 : PERANCANGAN DAN REALISASI

Menjelaskan mengenai proses dari perancangan

Bab 4 : DATA PENGAMATAN DAN ANALISIS

Berisi data pengamatan dan analisis yang diperoleh dari percobaan sistem face tracker menggunakan webcam dengan metode haar-like feature berbasis raspberry pi 2 yang sudah direalisasikan.

(2)

Bab 5 : SIMPULAN DAN SARAN

Berisi simpulan dari apa yang telah dibahas pada bab-bab sebelumnya dan hasil yang telah dicapai dalam tugas akhir.

(3)

Universitas Kristen Maranatha

BAB 5

SIMPULAN DAN SARAN

Bab ini merupakan bab penutup yang berisi simpulan dari hasil penelitian dan analisis dari tugas akhir ini serta saran bagi pengembangan sistem pergerakan

webcam berdasarkan perubahan posisi wajah menggunakan metode haar-like feature berbasis Raspberry Pi 2.

5.1 Simpulan

Berdasarkan hasil percobaan dan data yang didapatkan dapat disimpulkan : 1. Perancangan pergerakan webcam berdasarkan perubahan posisi wajah

2. Dari data pengamatan yang didapatkan, sistem ini belum berhasil tracking

wajah dari depan maupun samping dengan baik jika objek menggunakan topi.

(4)

3. Dari 5 data pengamatan yang didapatkan, sistem ini berhasil dalam melakukan tracking wajah yang menggunakan kacamata baca telah berhasil.

5.2 Saran

Saran untuk pengembangan sistem ini lebih lanjut :

1. Untuk pemrosesan yang lebih cepat, dapat digunakan bahasa pemrograman C++ dan processor dengan kecepatan yang lebih tinggi. 2. Untuk mempercepat pemrosesan gambar perlu diuji menggunakan

RaspberryPiCam.

3. Untuk meningkatkan keberhasilan tracking wajah, pembuatan database

sebaiknya dibuat dalam tiga posisi yaitu hadap depan,kiri,dan kanan. 4. Dapat dikembangkan pengenalan untuk mengidentifikasi wajah sebagai

(5)

Universitas Kristen Maranatha

DAFTAR PUSTAKA

1. Agus Harjoko, Hadi Samtoso,”Haar Cascade dan Algoritma Adaboost untuk Deteksi Banyak Wajah Dalam Ruang Kelas”.Yogyakarta,2013.

2. B Thomas. Moeslund, Kamal Nasrollahi, ” Haar-Like Features For Robust Real-Time Face Recognition”.Aalborg,Denmark,2013.

3. Dodit Supriatno, Hasanah RN, Santosa PB. 2012. Sistem Pengenalan Wajah Secara Real-Time dengan Adaboost, Eigenface PCA &MySQL. EECCIS, Vol 7. pp 179-184.

4. Lutz, Mark, 2007. Learning Python (3th Edition). United States of America: O’Reilly Media, Inc.

5. Mahdi Rezaei,”Creating a Cascade of Haar-Like Classifiers: Step by Step”.Auckland,New Zealand,2014.

6. Muhammad Junaedi. 2003. Pengantar XML. [pdf], ilmukomputer.com (23 Februari 2016)

7. Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.

Bandung: Informatika Bandung.

8. Robert, Laganiere, “OpenCV 2 Computer Vision Application Programming Cookbook”, Packt Publishing, 2011.

10.Rainer Lienhart, Jochen Maydt,”An Extended Set of Haar-like Features for Rapid Object Detection”.USA,2002.

11.Richardson, M., and S. Wallace. 2013. Getting Started with Raspberry Pi. United State of America: O’Reilly Media.

12.Viola, p., Jones, M. J., “Robust Real-Time Face Detection”, International Journal of Computer Vision, Kluwer Academic, Netherlands, 2004.

(6)

13.W Pambudi S. 2012. Facetracker Menggunakan Metode Haar Like Feature dan PID Pada Model Simulasi. Batam. Universitas Internasional Batam.

14.http://docs.opencv.org/2.4/modules/core/doc/drawing_functions.html

15.http://docs.opencv.org/modules/contrib/doc/facerec/facerec_tutorial.html#id16

16.https://elektronika-dasar.web.id/teori-elektronika/motor-servo/

17. https://github.com/richardghirst/PiBits/tree/master/ServoBlaster

18. http://raspiprojects.com/install-servoblaster-raspberry-pi-control-servo-python.html

Perancangan Dan Realisasi Facetracker Webcam Menggunakan Metode Haar-Like Feature Berbasis Raspberry Pi 2.