Sistem Keamanan Rumah Berbasis Kinect
Sistem Keamanan Rumah Berbasis Kinect
Badirun Basir
Abstrak
[2] .
Untuk itu, sistem yang digunakan harus mampu berinteraksi dengan pemilik rumah dengan cara yang lebih humanis. Penggunaan sensor pendeteksi gerakan maupun kamera dipasang dengan memperhatikan arsitektur rumah yang sudah ada. Aktuator dapat dipasang pada tempat strategis seperti depan pintu atau jendela. Jika terdeteksi adanya gangguan, maka sistem secara otomatis merekam kondisi tersebut melalui kamera, kemudian mengirimkan pemberitahuan kepada pemilik rumah melalui perangkat smartphone
Kenyataan menunjukkan bahwa sebagian pemilih rumah kurang memperhatikan keamanan rumah yang terlihat dari rapuhnya sistem keamanan rumah, misalnya menggunakan sistem keamanan konvensional dengan membuat tembok dan pagar yang tinggi untuk melindungi rumahnya dari bahaya baik yang terjadi dari dalam maupun diluar rumah, yang umumnya membuat penghuninya jauh dari lingkungan sekitarnya.
Keamanan rumah sangat penting diperhatikan oleh pemiliknya karena rumah yang ditinggalkan dalam keadaan kosong rawan terhadap pencurian. Untuk mengatasi hal tersebut perlu dirancang sebuah sistem keamanan rumah berbasis komputer untuk memberikan peringatan dini pada pemilik rumah saat meninggalkan rumahnya dalam keadaan kosong sehingga rumah yang ditinggalkan seakan memberikan suasana adanya kehidupan walaupun sebenarnya pemilik berada di luar rumah.
[1].
Seiring kemajuan teknologi yang begitu pesat telah memberikan kemudahan bagi manusia untuk memecahkan permasalahan yang sering terjadi dalam kehidupan sehari-hari. Dengan bantuan teknologi yang terprogram secara otomatis melalui komputer atau alat canggih lainnya akan dapat membantu penggunanya mendapatkan rasa aman, memantau sistem keselamatan dan keamanan rumah
relatif 96,8ms, (3) performa grafik selama 10,3 FPS, (4) keberhasilan sistem 67,7% dan (5) kegagalan sistem 32,4%. Kata Kunci : kamera kinect, keamanan rumah, dan smartphone
frame maka analisis kinerja yang diperoleh adalah: (1) waktu eksekusi selama 48,41 detik, (2) performa
Penelitian ini bertujuan: (1) menghasilkan sistem yang dapat mendeteksi manusia berbasis kinect secara mobile. (2) menghasilkan interface sistem yang dapat memudahkan pengguna dalam mendeteksi manusia berbasis kinect secara mobile. (3) menghasilkan analisis kinerja sistem saat mendeteksi manusia berbasis kinect secara mobile. dan (4) mengimplementasikan sistem keamanan rumah yang dibangun. Penelitian ini menggunakan metode analisis dan perancangan, yaitu mencari dan mengumpulkan data-data yang dibutuhkan kemudian dianalisis sehingga mendapatkan gambaran serta kejelasan masalah untuk melakukan perancangan dan uji coba sistem. Hasil pengujian menunjukkan bahwa sistem yang dibuat dapat mendeteksi manusia baik berupa wajah maupun seluruh tubuh dan sistem secara otomatis mengirimkan peringatan berupa alarm dan video melalui smartphone sehingga rumah dapat dipantau dimanapun berada, sedangkan bila yang dideteksi bukan manusia maka sistem tidak akan memberikan peringatan. Setelah dilakukan pengujian sebanyak 500
1 , Wardi
2
Teknik Elektro Universitas Hasanuddin
1 Program Pascasarjaan Sistem Komputer, STMIK Handayani 2,3
3
2 , Zahir Zainuddin
1. Pendahuluan
Menurut data BPS, selama tahun 2013 Polda Metro Jaya mencatat jumlah kejahatan terbanyak 49.498 kasus, dan jumlah kejahatan paling sedikit terjadi pada Polda Maluku Utara sebanyak 1.177 kasus.
[24] Sedangkan untuk Polda Sulawesi Selatan tercatat sebanyak 17.124 kasus .
Berdasarkan hal tersebut, maka perlu dirancang sebuah sistem keamanan dengan teknologi kamera guna memantau dan memonitor keadaan rumah. Adapun teknologi yang dimaksud adalah kamera kinect buatan Microsoft. Pemilihan kamera kinect didasarkan atas keunggulan teknologi yang dimiliki dibandingkan dengan kamera yang beredar dipasaran yaitu tersedia fitur skeletal tracking yang berfungsi
[3] [4]
melacak titik sendi utama tubuh manusia , . Skeletal tracking tidak lepas dari penggunaan depth sensor
[5]
(sensor kedalaman) , sehingga dapat disimpulkan bahwa kinect akan memetakan objek frame gambar manusia yang diambil dari posisi berbeda-beda guna mendapatkan data sebuah area 3D berupa gerak jalan, postur tubuh maupun wajah, dan kemudian dengan menggunakan program OpenCV, sistem akan membandingkan dengan data hasil training sebelumnya sesuai informasi yang tersimpan dalam database.
Sistem yang dirancang tersebut akan bekerja dengan ketentuan apabila yang dideteksi manusia, sistem akan memberi peringatan berupa alarm dan video kepada pemiliknya melalui smartphone, sebaliknya jika yang dideteksi bukan manusia maka akan diabaikan oleh sistem.
2. Tinjauan Pustaka
2.1. Pengertian Sistem Pemantau
Sistem pemantau berasal dari kata sistem dan pemantau, yang berarti bahwa sistem merupakan kesatuan komponen dan/atau elemen yang saling terhubung yang dapat mempermudah aliran energi, materi, atau informasi. Sedangkan pemantau merupakan orang yang melakukan pengawasan suatu keadaan dalam suatu kejadian atau waktu tertentu. Sehingga dapat disimpulkan bahwa sistem pemantau merupakan suatu sistem yang memperhatikan objek atau keadaan yang dilakukan sepanjang waktu yang memudahkan aliran materi atau energi dan informasi. Yang perlu diperhatikan dalam perancangan sebuah sistem pemantau
[7] adalah kemudahan, kenyamanan, dan mobilitas .
2.2. Transduser
Sensor dan transduser dalam hubungannya dengan sistem elektronis, pada dasarnya sebagai perangkat atau device yang berfungsi mengubah besaran fisik menjadi besaran listrik, sehingga output yang dihasilkan dapat diolah dengan rangkaian listrik atau sistem digital. Saat ini, hampir seluruh peralatan modern telah
[15] dilengkapi sensor di dalamnya . Variabel Variabel fisik listrik Pengkondisi Sistem Transduser Sensor / Sinyal Pengolah (microprosesor)
Gambar 1. Blok fungsional transducer
2.3. Sistem Smart Home
Sistem rumah pintar (smart home) merupakan sistem aplikasi yang menggabungkan berbagai teknologi maupun pelayanan yang dikhususkan dalam lingkungan rumah dengan fungsi tertentu untuk meningkatkan kenyamanan dan keamanan penghuninya[13].
Sistem smart home biasanya terdiri dari perangkat kontrol. Monitoring dan otomatisasi beberapa perangkat atau peralatan rumah yang dapat diakses melalui sebuah komputer atau smartphone. Sebuah rumah dikatakan smart jika memiliki komponen pendukung yang saling berinteraksi satu sama lain. Komponen pendukung terdiri dari (1) internal networking, (2) intellegent control dan (3) home
automation .
SMART HOME
Networking Contol Automation
Internet Intellegent Home
Gambar 2. komponen Smart Home Ketiga komponen smart home yang saling mendukung tersebut dijelaskan sebagai berikut:
a. Internal Network yaitu sebuah jaringan atau interkoneksi antara objek dengan perangkat rumah. Internal network mengintegrasikan koordinat komponen dengan kabel atau nirkabel. b. Intelligent Control yaitu proses yang terpusat yang bertanggungjawab menjaga dan memelihara kinerja sistem secara keseluruhan. Intelligent control juga bisa menjadi gateway yang dapat mengakses ke sebuah sistem dan dari dalam aplikasi.
c. Home Automation yaitu produk akhir dari sebuah smart home sehingga mendapat dukungan dinamis dan
[14] akses elektronik .
2.4.
IP Camera atau sering disebut Network Camera merupakan perangkat yang bertugas melakukan
capture dan mentransmisikan gambar langsung melalui jaringan lokal maupun internet. Gambar tersebut
dapat berupa video Motion JPEG (MJPEG), atau MPEG-4. Tujuannya untuk memantau (monitoring) area publik, kantor, rumah dan perilaku orang di lingkungan tertentu (surveillance).
Komponen utama kamera jaringan terdiri dari lensa, image sensor, prosesor, memori dan interface tambahan. Fungsi prosesor digunakan untuk mengolah gambar, kompresi, analisis video dan jaringan fungsionalitas. Sedangkan memori digunakan untuk menyimpan firmware network camera dan rekaman
[27] video lokal .
Gambar 3. Rangkaian IP Camera
2.5. Close Circuit Television (CCTV)
CCTV atau Closed Circuit Television merupakan televisi jalur tertutup yang dapat diakses hanya oleh pemasang. Cara kerja CCTV adalah mentrasmisikan (mengirimkan) data berupa gambar video dan suara ke
[25]
sebuah monitor atau video recorder . Tujuan CCTV untuk memantau situasi dan kondisi tempat tertentu, sehingga kejahatan dapat dicegah atau bukti tindak kejahatan yang telah terjadi pada suatu tempat.
CCTV Umumnya digunakan untuk mengawasi area publik seperti: hotel, Bandar udara, bank, pabrik atau gudang. Pada sistem konvensional dengan VCR (Video Cassete Recorder) gambar dari kamera CCTV hanya dikirim melalui kabel ke sebuah ruang monitor tertentu dan dibutuhkan pengawasan secara langsung oleh operator keamanan dengan resolusi gambar rendah 1 image per 12,8 seconds.
Gambar 4. Rangkaian CCTV
2.6. Webcame
Webcam merupakan kamera yang mampu menangkap data gambar dan suara yang dihubungkan melalui port USB ataupun port com menuju komputer. Webcam dapat diganti dengan kata lain sesuai pemandangan yang ditampilkan kamera. Misalnya, Streetcam yang menampilkan pemandangan jalan. Metrocam memperlihatkan panorama kota dan pedesaan. Trafficam memantau lalu lintas jalan raya.
[25] Weathercam memantau cuaca dan Volcanocam memantau keadaan gunung berapi .
2.7. Kamera Kinect
Kamera kinect dikembangkan oleh perusahaan pengembang Israel bernama PrimeSense. Kamera kinect awalnya diciptakan untuk console game buatan Microsoft (XBOX) dan personal komputer dengan sistem operasi windows, namun karena banyak orang yang mampu mengoptimalkan kinerja kinect, sehingga
[16] saat ini kinect dapat mendeteksi gesture tubuh manusia menjadi perintah yang diproses komputer .
Kamera kinect dirancang sehingga user dapat berinteraksi secara natural dengan komputer tanpa menggunakan konsol sehingga dapat melakukan interaksi dengan komputer hanya dengan gerakan tangan
[17] atau gerakan tubuh lainnya .
Berdasarkan optical lenses, sensor kinect dapat bekerja pada kondisi sebagai berikut: (a) sudut pandang horizontal: 57º, (b) sudut pandang vertikal: 43º, (c) jarak kinect dengan user: 1.2 meter - 4 meter, (d) rentang kedalaman: 400mm (mode dekat) - 8000mm (mode standar), (e) Suhu 5º - 35º Celcius (41º - 95º
[18] Fahrenheit) .
Gambar 5. Ilustrasi sendi-sendi tubuh manusia yang ditangkap oleh kinect (webb, 2012)
1). Struktur Kinect
Struktur kinect mulai kiri kekanan adalah sensor, kamera dan light source yang digunakan menangkap citra RGB dan data kedalaman. Sensor kedalaman terdiri dari proyektor laser infrared yang dikombinasikan dengan sensor CMOS untuk menangkap data video dalam bentuk 3D pada kondisi cahaya sekitarnya. Jarak penginderaan sensor kedalaman dapat diatur, dan mampu melakukan kalibrasi pada sensor berdasarkan objek dan lingkungan fisik pemain. Adapun fitur dari kinect: (a) light source inframerah, (b) indikator lampu LED, (c) kamera citra RGB, (d) kamera infra merah untuk menangkap kedalaman data.
Resolusi maksimal kamera RGB 1280x960, sedangkan resolusi maksimal depth camera 640x480, kinect tampak seperti gambar berikut: Gambar 6. Mesin Kinect
2). Gesture Gesture merupakan sikap atau pola suatu gerakan yang memperlihatkan suatu pesan. Gesture [23] termasuk gerakan tangan, wajah atau bagian tubuh lainnya .
3). RGB Camera
Kamera RGB berfungsi mengenal wajah dan fitur deteksi lainnya dengan mendeteksi tiga komponen warna Red, Green, dan Blue. Kamera RGB ini mirip dengan webcam, yang dapat menangkap video pada resolusi 640x480 dengan warna 32bit pada 30 frames per detik.
4). Depth Sensor
Depth sensor terdiri atas kombinasi dari infrared laser projector dan monochrome CMOS sensor yang
[22]
mengambil data video dalam 3D tanpa memperdulikan kondisi cahaya . Infrared pada kinect tidak dapat dilihat secara kasat mata serta tidak berbahaya bagi tubuh manusia. Infrared mengirimkan ribuan sinar yang
[21] memantul untuk mengetahui objek yang ada didepannya .
Sinar inilah yang ditangkap oleh kamera monochrome CMOS sensor dan mengukur waktu sinar setelah terpantul oleh objek yang ada di depannya. Hal ini memungkinkan kinect memetakan gambar 3D didepannya
[20] sampai kedalaman untuk lebar 1 cm dan tinggi 3 mm .
5). Skeletal Tracking Skeletal tracking adalah fitur yang disediakan oleh kinect SDK, fitur ini dapat melacak titik sendi
utama tubuh manusia. Skeletal tracking ini tidak lepas dari depth sensor yang memetakan objek berdasarkan jarak kemudian dibandingkan dengan data hasil training sebelumnya. Data training tersebut dibuat menggunakan 100.000 frame gambar manusia dalam posisi berbeda-beda ketika berdiri, sehingga saat duduk,
[19] kinect tidak dapat mendeteksi kaki manusia tersebut .
2.8. Penggunaan Parameter dalam Program
Wajah merupakan suatu obyek yang memiliki ciri rasio, yaitu rasio antara lebar mata dan tinggi mata, rasio antara lebar bibir dan tinggi bibir, rasio antara jarak pusat mata kiri-kanan dengan lebar bibir. Nilai rasio tersebut merupakan parameter ciri dari suatu wajah. Ini artinya obyek berbeda memiliki ciri yang berbeda pula.
Suatu obyek lebih mudah dikenali, jika mempunyai nilai pembeda yang besar dengan obyek lain. Untuk mengenali suatu obyek, maka standar ciri yang diisyaratkan harus sama untuk mengenali obyek secara
[26] otomatis berdasarkan ciri pada data pelatihan .
2.9. Pemrograman OpenCV
OpenCV atau Open Computer Vision merupakan library gratis yang dikembangkan oleh Intel Corporation yang dikhususkan untuk melakukan image prosessing. Tujuannya adalah agar komputer memiliki kemampuan yang mirip pengolahan visual pada manusia. OpenCV mempunyai API (Aplication
Programming Interface ) untuk high level maupun low level, fungsi-fungsi yang siap pakai, baik untuk
[29] loading , saving, akuisisi gambar maupun video .2.10. Algoritma HAAR Cascade Classifier
OpenCV menggunakan suatu tipe face detector yang disebut haar-cascade classifier. Suatu image bisa dari file/live video, face detector akan melakukan proses pengujian tiap lokasi image dan mengklasifikasinya s ebagai “wajah” atau “bukan wajah”. Klasifikasi wajah ini memakai suatu pemisalan skala yang tetap, misalnya 40x40 pixel. Jika wajah pada image lebih besar atau lebih kecil, maka classifier
[6] terus menerus jalan beberapa kali, untuk mencari wajah pada gambar tersebut .
Classifier memakai data yang disimpan pada file XML untuk mengklasifikasi tiap lokasi image. OpenCV memakai 4 data XML untuk deteksi wajah depan, dan 1 untuk wajah profile. Termasuk juga 3 file
XML untuk bukan wajah: 1 untuk mendeteksi badan secara penuh, 1 untuk badan bagian atas, dan 1 untuk badan bagian bawah.
Haar-Like Feature dipakai untuk mendeteksi obyek pada image digital. Nama Haar merujuk pada suatu fungsi matematika (Haar Wavelet) yang berbentuk kotak, prinsipnya sama seperti pada fungsi Fourier.
Awalnya pengolahan gambar hanya dengan melihat dari nilai RGB setiap pixel, namun metoda ini ternyata
[30] tidaklah efektif. Viola dan Jones lalu mengembangkannya sehingga berbentuk Haar-Like-Feature .
Untuk gambar bergerak (video), perhitungan dan penjumlahan pixel terjadi secara terus menerus dan membutuhkan waktu yang lama. Oleh karena itu, penjumlahan diganti dengan integral sehingga mendapatkan hasil lebih cepat. Hasil deteksi dari Haar-Like kurang akurat jika hanya memakai satu fungsi saja sehingga biasanya dipakai beberapa fungsi sekaligus. Makin banyak fungsi yang dipakai maka hasilnya akan makin akurat. Pemrosesan Haar-Like Feature yang banyak tersebut diorganisir atau diatur dalam classifier cascade.
Gambar 7. Deteksi Wajah Algoritma Haar Cascade Classifier
3. Metode Penelitian
3.1. Analisis
Pada penelitian ini akan membangun sistem yang dapat mendeteksi keamanan rumah serta mengimplementasikan sistem keamanan rumah berbasis kinect. MODEM KINECT SERVER http Respons http Request RUMAH PEMILIK USER Gambar 8. Rancangan Penelitian
Berikut ini blok diagram dari sistem yang akan dirancang:
Start Kamera Kinect Server
Smartphone Stop
Gambar 9. Blok Diagram Sistem
3.2. Tahapan Penelitian
Penelitian ini akan dilakukan sebanyak 4 (empat) tahap utama. Setiap tahap saling berpengaruh satu sama lain. Dengan demikian setiap tahapan akan dilalui dengan mengacu maju atau mundur untuk meninjau hasil dari tahap sebelum atau sesudahnya.
Adapun tahapan yang dilakukan dalam penelitian ini yaitu:
a. Analisis dan definisi persyaratan. Pada tahap ini akan dilakukan kegiatan sebagai berikut: 1) Pengumpulan literatur terkait judul penelitian.
2) Menganalisa kebutuhan perangkat keras dan perangkat lunak. 3) Membuat batasan masalah yakni pada proses deteksi dan pengolahan data gambar melalui kinect.
b. Perancangan sistem perangkat keras dan perangkat lunak. Pada proses ini akan dilakukan perancangan
input , output dan antar muka sistem. Kemudian merancang modul aplikasi berupa modul fungsi untuk masing-masing sistem yang akan dikontrol.
c. Implementasi dan pengujian sistem. Pada tahap ini, akan dilakukan pemrograman aplikasi dan pengujian aplikasi dengan memasukkan data inputan untuk mengetahui kebenaran hasil dari setiap proses.
d. Perbaikan dan pemeliharaan. Melakukan koreksi dari berbagai kesalahan yang ditemukan pada tahap sebelumnya sehingga dapat dilakukan perbaikan.
3.3. Tahap Pengembangan Sistem Perangkat Lunak
Pada tahapan pengembangan sistem perangkat lunak terdapat 3 (tiga) tahap yang harus dilakukan, terdiri dari: a. Perancangan Sistem yaitu merancang atau mendesain suatu sistem yang baik, yang isinya adalah langkah operasi dalam proses pengolahan data dan prosedur untuk mendukung operasi sistem.
b. Diagram use case yaitu menggambarkan aktivitas yang dilakukan user terhadap sistem. Pada aplikasi ini aktivitas user dapat dilihat pada gambar berikut:
Kamera Kinect Smartphone
Admin/ user
Gambar 10. Diagram Use Case
c. Perancangan Input (masukan) meliputi rancangan dari bentuk dokumen dasar yang digunakan sebagai data input beserta semua kode yang digunakan. Rancangan input pada aplikasi ini berupa simulasi dari kamera kinect.
d. Perancangan Output (keluaran) untuk menghasilkan aplikasi sistem keamanan rumah berbasis kinect.
3.4. Analisis Kebutuhan
Analisis kebutuhan perangkat yang digunakan dalam penelitian ini adalah sebagai berikut:
a. Spesifikasi perangkat keras, terdiri dari: 1) Laptop sebagai server 2) Smartphone dengan sistem operasi android 3) Kamera kinect 4) Modem wifi
b. Spesifikasi perangkat lunak, terdiri dari: 1) Sistem operasi Linux Ubuntu 2) Bahasa Pemrograman Codeblock dan Library OpenCV
c. Spesifikasi komputer, terdiri dari: 1) CPU : Intel Core i3 CPU M380 2) Processor : frekuensi 2.53GHz 3) Memory : RAM 4GB.
d. Operating System : Linux dengan Distribusi Ubuntu.
4. Hasil dan Pembahasan
4.1. Hasil Penelitian
4.1.1. Gambaran Umum Sistem
Secara garis besar sistem keamanan rumah dengan menggunakan kinect adalah untuk melakukan monitoring dan kontrol keadaan rumah terhadap gangguan manusia saat rumah ditinggalkan dalam keadaan kosong berbasis kinect. Dibawah ini gambaran alur kerja sistem. Request Kinect Dept Image RGB Image Server Smartphone Data Deteksi Dept Image RGB Image
Gambar 11. Alur Kerja Sistem Alur kerja sistem dapat dideskripsikan sebagai berikut:
a. Kinect melakukan koneksi ke server dan kemudian mengirimkan RGB image ke server pada port 3200 dan dept image melalui port 3207.
b. Server menerima RGB image yang masuk pada port 3200 dan dept image melalui port 3207.
c. Server menunggu request dari client (smartphone) apabila server menerima request, maka server akan mengirimkan 3 (tiga) bentuk data berupa RGB image, dept image dan data deteksi.
d. Client (smartphone) akan menampilkan video dan membunyikan alarm pada layar bila dalam data deteksi terdapat manusia.
4.1.2. Kebutuhan Fungsional
Daftar kebutuhan fungsional perangkat lunak yang harus dipenuhi dapat dilihat pada tabel berikut: Tabel 1. Kebutuhan Fungsional
No. Daftar Kebutuhan 1. Server harus dapat menerima data dari kinect.
2. Smartphone harus dapat mengirimkan request ke server.
3. Server harus dapat mengirimkan data dan image ke client (smartphone).
4. Smartphone harus dapat menerima data dan image dari server.
4.1.3. Analisa Perangkat Keras
Kebutuhan perangkat keras yang digunakan yaitu: a. Satu unit kamera kinect.
b. Satu unit smartphone.
c. Satu unit server.
d. modem wifi.
4.1.4. Analisa Perangkat Lunak
Perangkat lunak (file dalam listing program) menggunakan Library openCV (Open Computer Vision) dengan keterangan file/folder sebagai berikut: a. File makefile yaitu file konfigurasi compiler GCC. File ini dijalankan dengan perintah make pada terminal.
b. Folder bin yaitu berisikan file-file eksekusi yang dihasilkan dari hasil compile dengan menjalankan perintah make. Setelah proses kompilasi selesai, folder ini akan berisi dua file eksekusi yakni: server dan
client .
c. Server yaitu file yang berjalan pada server-side. File ini bertugas untuk menerima paket yang dikirimkan oleh kamera kinect, melakukan image processing (people-tracking), dan kemudian melakukan forward
image yang telah diproses kepada client (perangkat android).
d. Camera yaitu file yang berjalan pada client-side (kinect). File ini bertugas untuk mengirimkan paket image yang telah dilakukan capture kepada server.
e. Folder camera yaitu berisi source code camera.cpp yang akan menghasilkan file camera yang tersimpan pada folder bin.
f. Folder include yaitu berisi header yang akan di-include-kan kedalam kode camera.cpp.
g. Folder mobile yaitu berisi source code yang akan dijalankan pada perangkat android.
h. Folder server yaitu berisi source code server.cpp, yang akan menghasilkan file server yang tersimpan pada folder bin. i. Folder share yaitu berisi konfigurasi hasil komputasi dari train-classifier HAAR Cascade berupa file XML.
4.1.5. Penggunaan metode/fungsi
Dalam OpenCV terdapat metode/fungsi yang melakukan ekstraksi fitur/gambar dari kumpulan gambar positif (gambar yang akan dideteksi) dibandingkan dengan gambar negatif (gambar yang tidak dideteksi).
Gambar 12. Gambar positif (gambar yang dideteksi) Gambar 13. Gambar negatif (gambar yang tidak dideteksi)
Berdasarkan gambar tersebut, menunjukkan bahwa gambar positif adalah gambar yang menampung seluruh detail gambar manusia dari berbagai posisi mulai dari posisi sebelah kiri, kanan, depan dan lain-lain, sedangkan pada gambar negatif berisi semua gambar diabaikan kamera (tidak terdeteksi). Semakin banyak gambar yang dimasukkan dalam folder negatif (tidak terdeteksi) sebagai file pelatihan, maka semakin baik hasil deteksinya dan demikian pula sebaliknya.
4.1.6. Perancangan Komponen Fisik
Sistem yang dirancang pada penelitian ini, akan diimplementasikan pada rangkaian komponen fisik seperti gambar berikut: Gambar 14. Rangkaian Komponen Fisik
4.1.7. Perancangan Jaringan Ad Hoc Pengujian dilakukan menggunakan topologi jaringan ad hoc dengan sebuah smartphone sebagai client.
Jaringan ad hoc merupakan salah satu jenis Wireless Local Area Network (WLAN) yang terdiri dari sekumpulan komputer yang berkomunikasi satu sama lain secara langsung tanpa melibatkan perangkat perantara seperti access point, router, dan lainnya.
Gambar 15. Topologi jaringan ad hoc untuk pengujian
4.2. Analisa Pengujian
4.2.1. Analisa Pengujian Server
Untuk melakukan pengujian terhadap server maka dapat dilakukan perintah dan hasilnya dapat dilihat sebagai berikut: Gambar 16. Hasil pengujian server
Dari hasil pengujian terhadap server dapat disimpulkan bahwa: (a) RGB deteksi sebanyak 23.400, yang merupakan data image RGB; (b) BGR deteksi (sensor kedalaman) sebanyak 76.800, yang merupakan data dept image, (c) Detection time selama 337.114 ms yang merupakan waktu deteksi.
4.2.2. Analisa Pengujian kamera Kinect
Untuk melakukan pengujian terhadap kamera kinect maka dilakukan perintah eksekusi dan hasilnya berupa sensor RGB dan sensor dept dapat dilihat sebagai berikut:
(a)
Gambar 17. Hasil pengujian kamera, sensor RGB dan BGR (sensor kedalaman)
(b)
4.2.3. Analisa Pengujian Smartphone
Tampilan smartphone saat dieksekusi dengan menekan tombol connect dengan tampilan sebagai berikut:
(a) (b)
Gambar 18. Hasil tampilan pada smartphone, (a) sensor RGB dan (b) BGR (sensor kedalaman)
4.3. Analisis kinerja sistem
Hasil percobaan dan waktu eksekusi dari kinerja sistem dapat dilihat sebagai berikut: Tabel 2. Hasil Percobaan dan Waktu Eksekusi
Total Frame 500 Lama Eksekusi 48,4 Rata-rata waktu eksekusi (ms) 96,8 FPS 10,3 % Success Detection 67,7 % False Detection 32,4
Dari tabel di atas dapat dijelaskan:
a. Total frame gambar yang digunakan dalam percobaan adalah sebanyak 500 frame yang merupakan kondisi normal dalam pengujian; b. Lama eksekusi (waktu eksekusi) program yang dilakukan adalah selama 48,41 detik;
c. Performa relatif (Rata-rata waktu eksekusi) yang dilakukan adalah selama 96,8 ms;
d. Performa grafik yang dilakukan selama 10,3 FPS (Frame Per Second);
e. Keberhasilan sistem dalam mendeteksi image adalah sebesar 67,7%, d. Kegagalan sistem mendeteksi image adalah sebesar 32,4%.
Dari hasil pengujian tersebut dapat diketahui bahwa keberhasilan deteksi image sebesar 67,7% yang menandakan masih kurang optimal yang seharusnya berada di atas 80%. Adapun kegagalan deteksi image sebesar 32,4%.
Sehingga dari hasil tersebut dapat ditarik kesimpulan bahwa salah satu faktor penyebab kegagalan/lambatnya deteksi disebabkan oleh GPU (Graphic Processing Unit) pada komputer, dimana kamera mengirimkan deteksi image sebanyak 23.400 byte, namun server menerima deteksi image kurang dari 23.400 byte. Karena deteksi image yang diterima tidak sampai 23.400 byte maka waktu eksekusi menjadi lebih cepat. Grafik hasil eksekusi sebagai berikut.
Gambar 19. Grafik waktu eksekusi program Dari grafik (histogram) dan hasil uji coba Dari grafik (histogram) dapat disimpulkan bahwa terdapat image yang tidak dapat dikirim secara sempurna sebanyak 38 waktu eksekusi. Adapun posisi normal sebanyak 98 waktu eksekusi, dan tertinggi sebanyak 189 eksekusi.
4.4. Hasil Pengujian Perangkat
Hasil Pengujian saat server atau smartphone dijalankan. Pada saat perintah dijalankan di server maka gambar akan tampil di layar monitor, sementara pengujian pada smartphone ketika user menekan tombol
connect atau mode sehingga gambar yang ditangkap oleh kamera kinect akan ditampilkan pada smartphone,
sebaliknya pada saat user menekan tombol stop maka aplikasi pada smartphone akan berhenti.Tabel 3. Hasil Pengujian Server dan Smartphone Tampilan Server Tampilan
No Tombol
Smarphone
1 Connect
2 Mode `
3 Stop
4.5. Analisa Pengujian Sistem Keseluruhan
Pengujian yang dilakukan pada sistem ini dilakukan melalui beberapa kriteria seperti dapat ditunjukkan pada table berikut: Tabel 4. Hasil pengujian
Hasil Pengujian No. Subyek Pengujian
Terdeteksi Tidak
1 Pakai helm
2 Satu orang
3 Dua orang
4 Lebih dari dua orang
5 Hewan Penjelasan dari hasil pengujian di atas adalah sebagai berikut:
a. Pada saat menggunakan helm, manusia dapat dikenali sistem dan mengirimkan data deteksi dan menampilkan image ke smartphone.
b. Apabila yang dicoba hanya satu orang maka sistem akan mengirimkan data deteksi dan menampilkan ke smartphone.
image
c. Demikian pula percobaan lebih dari satu orang, maka sistem akan mengirimkan data deteksi dan menampilkan image.
d. Jarak yang baik menggunakan kinect agar seluruh tubuh manusia dapat dideteksi adalah pada jarak 1,2 sampai dengan 4 meter dengan ketinggian kinect 1
- – 2,5 meter.
e. Pada saat mendeteksi hewan maka sistem tidak akan mengirimkan data deteksi maupun image ke .
smartphone
Dari hasil pengujian di atas, dapat disimpulkan bahwa ketika kamera kinect menerima input berupa manusia, maka aplikasi akan mengirimkan data deteksi dan image ke smartphone user. Hal ini menunjukkan bahwa secara semua perangkat mampu melakukan komunikasi dan berjalan sesuai dengan keinginan.
5. Kesimpulan
Berdasarkan hasil penelitian yang telah diuraikan pada bab sebelumnya dapat disimpulkan:
a. Penggunaan kamera kinect, server, dan smartphone pada sistem yang dirancang dapat melakukan komunikasi dengan baik.
b. Hasil pengujian menunjukkan bahwa sistem yang dibuat hanya mendeteksi manusia dan mengirimkan peringatan berupa alarm dan video melalui smartphone, sedangkan yang bukan manusia maka dibaikan oleh sistem.
c. Setelah dilakukan pengujian sebanyak 500 frame maka analisis kinerja yang diperoleh adalah: (1) lama eksekusi selama 48,41 detik, (2) performa relatif 96,8ms, (3) performa grafik selama 10,3 FPS, (4) keberhasilan sistem 67,7% dan (5) kegagalan sistem 32,4%.
d. Interface system yang dibuat dapat memudahkan pengguna dalam mengontrol dan memonitoring rumah dalam keadaan kosong.
Daftar Pustaka
[1] Marvin R. G. Garcia, et al. 2013. Smart Home Electricity Management System Using Cloud Computing (SHEMS). Journal of Advances in Computer Networks, Vol. 1, No.1. [2] Supangkat, Suhono Harso, dkk. 2015. Pengenalan & Pengembangan Smart City, e-Indonesia Initiatives Institut Teknologi Bandung, Bandung. [3] Miles, R. 2012. Start Here! Learn The Kinect API. United States: Microsoft Press. [4] Kar, Abishek. 2012. Skeletal tracking Using Microsoft Kinect. Department of Computer Science and Engineering, IIT Kanpur. [5] Aron, J. 2011. Microsoft explains the tech behind Kinect. Retrieved Maret 18, 2017 from http://www.newscientist.com: [6] Budiharto, Widodo. 2016. Machine Learning & Computational Intelligence, Penerbit Andi, Yogyakarta. [7] Bahtiar, Afwan, Sudjadi dan Kodrat Iman Satoto, Makalah Seminar Tugas Akhir Perancangan Penyedia Layanan Pemantau Ruangan Untuk Perangkat Bergerak, Universitas Diponegoro. [8] GyuChang Lee. 2013. “Effects of Training Using Video Games on the Muscle Strength, Muscle Tone, and Activities of
Daily Living of Chronic Stroke Patients”, Journal Physical Therapy Science, 25: 595-597, Republic of Corea. [9] Samreen Amir, et. al. 2016. Kinect Controlled UGV, Springer Science+Business Media New York. [10] Cristobal Belles & Filiberto Pla. 2014. A Kinect-Based System for 3D Reconstruction of Sewer Manholes, Computer-Aided Civil And Infrastructure Engineering, Castellon, Spain.
TM
[11] Xu Xu, et al. 2015. “Accuracy of the Microsoft Kinect for measuring gait parameters during treadmill walking”, Elsevier. [12] Yao-Jeng Chang, et.al. 2011. “A Kinect-based system for physical rehabilitation: A pilot study for young adults with motor disabilities”, Research in Developmental Disabilities, Elsevier. [13] Yurmama, T. F., N. Azman. 2009. Perancangan Software Aplikasi Pervasive Smart Home, Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta: Universitas Indonesia. [14] Ramli, K., dkk. 2006. On Developing of Smart Home With Pervasive Approach, ISSN : 1907-5002. [15] Setiawan, Irawan. 2009. Buku Ajar Sensor dan Transduser. Universitas Diponegoro. Semarang. [16] Webb, Jarret, and Ashley, James. 2011. Beginning Kinect Programming with the Microsoft Kinect SDK. Apress. New York. [17] Metcalf, J. 2009. E3 2009 : Microsoft at E3 Several Metric Tons of Press Release a palloza.
Retrieved January 18,2015 from http://blog.seattlepi.com/ digitaljoystick/ 2009/06/01/e3- 2009microsoft-at-e3-several-metric-tons-of-press-releaseapalloza/
[18] Catuhe, David. 2012. Programming with the Kinect for Windows Software Development Kit. United States of America
[19] Aron, J. 2011. Microsoft explains the tech behind Kinect. Retrieved January 18, 2015 from http://www.newscientist.com/blogs/onepercent/2011/03/microsoft- explains-the-tech-be.html
[20] Carmody, T. 2010. How Motion Detection Works in Xbox Kinect. Retrieved January 18, 2015 from http://www.wired.com/gadgetlab/2010/11/tonights-releasexbox-kinect-how-does-itwork [21] Mathe, Z. 2011. Inside Kinect: Skeletal Tracking Deep Dive. Retrieved January 18, 2015 from 26098
[22] Klug,
B. 2010. Microsoft Kinect review. Retrieved January 18, 2015 from anandtechreview/2 [23] McNeill,
D. 2005. Gesture and Thought. Retrieved January 20, 2015 from Gesture&Thought.pdf [24] Badan Pusat Statistik, 2014, Jakarta. [25] Cahyadi, Budi. 2014. Home Security: Membuat Webcam sebagai CCTV melalui Smartphone Android, Penerbit Andi Yogyakarta. [26] Muntasa, Arif. 2015. Pengenalan Pola, Graha Ilmu Yogyakarta. [27] [28] http:/ [29] Mulyawan, dkk, dentifikasi dan tracking objek berbasis image processing secara real time. [30] Pavani. 2010. Methods for face detection and adaptive face recognition, Barcelona, Spain.