Sistem Brankas Menggunakan Pengenalan Wajah Berbasis Raspberry PiI

Abstract

The human face can be used for face recognition in order to increase the level of security of a safe deposit box because every person has his/her facial characteristics that have similarities with one another. One of the tasks for face recognition is to compare the face in real-time to the ones in the dataset so that the owner can be verified. This final project aims to implement face recognition based using Raspberry Pi to increase the level of security of the safe deposit box system design. This study uses the Raspberry Pi 3B+ because it has sufficient processing capabilities and has a few pre-built modules that make researching this less difficult. Raspberry Pi uses Linux as the operating system, which has access to a large number of libraries and applications compatible with it [1]. Of the many methods used for face detection, in this final project the Viola-Jones method is being used. From the result of this research, the success rate that was obtained is 60%. This number was obtained after 40 trials, the system was able to detect as much as 24 times [2]. The final results shows that the light intensity greatly affects the performance of the system. The light intensity of 8 Lux has an accuracy rate of 30%, while the 40 Lux has an accuracy rate of 90%.Wajah manusia dapat digunakan dalam pengenalan wajah untuk meningkatkan keamanan brankas karena setiap manusia memiliki fitur-fitur wajah yang berbeda-beda. Salah satu tugas dari pengenalan wajah adalah membandingkan wajah pada citra foto dengan wajah yang telah disimpan di dataset, agar identitas pemilik wajah dapat diketahui. Makalah ini mengimplementasikan pengenalan wajah berbasis Raspberry Pi pada sistem brankas untuk meningkatkan keamanan brankas. Penelitian ini menggunakan Raspberry Pi dikarenakan memiliki kemampuan pemrosesan yang cukup dan memiliki modul yang mempermudah implementasi. Raspberry Pi menggunakan Linux sebagai sistem operasi, yang memiliki akses ke sejumlah besar perpustakaan dan aplikasi yang kompatibel. Dari sekian banyak metode yang telah diaplikasikan untuk deteksi wajah, metode yang dipakai untuk penelitian ini adalah metode Viola Jones. Dari hasil penelitian ini, diperoleh nilai keberhasilan sebesar 60%. Nilai ini diperoleh setelah melakukan percobaan sebanyak 40 kali, dengan keberhasilan deteksi oleh sistem sebanyak 24 kali. Hasil akhir menunjukkan bahwa intensitas cahaya sangat mempengaruhi peforma dari sistem. Ketika intensitas cahaya bernilai 8 Lux didapatkan tingkat akurasi sebesar 30 %, sedangkan ketika intensitas cahaya bernilai 40 Lux maka didapatkan tingkat akurasi sebesar 90%.

Model Decision Tree Forecasting Berbasis DHT22 pada Smart Hydroponic Microgreen

“…Merancang dan membangun sistem penyejuk lingkungan smart growth box untuk microgreens [2]. Penerapan smart hydroponic system pakan ternak jagung menggunakan ESP32 [3]. Penelitian -penelitian tersebut menegaskan bahwa sensor DHT22 dapat diterapkan pada bidang agrikultur.…”

Implementasi Smart Home pada Platform Apple Homekit dan Google Home dengan Raspberry Pi 4B

“…Perancangan rangkaian keseluruhan alat melibatkan empat elemen penting yang saling terintegrasi. Elemen-elemen tersebut mencakup rangkaian input, rangkaian pengendali, rangkaian output, dan juga perangkat lunak (software) yang saling terintegrasikan [11]. Rangkaian ini terdiri dari komponen-komponen elektronika, baik berupa input maupun output, yang diperlukan oleh mikrokontroller agar dapat berfungsi secara optimal.…”

Sistem Pendeteksi Kebocoran Kapal Berbasis IoT

“…Berikut rumus-rumusnya [18][19] [20]: Perhitungan debit pompa untuk mengetahui kebocoran air dan terhubung dengan ESP32 sebagai pemberi input dan memberikan perintah terhadap pompa untuk memulai pengurasan. Output pada sistem ini adalah led grow light [13] Pompa DC [14], dan thinger.io [15].…”