View
7
Download
1
Category
Preview:
Citation preview
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
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
5.2 Saran 106
DAFTAR PUSTAKA
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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,
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
Gambar 3. 4 Arsitektur Umum
KAMERA
Universitas Sumatera Utara
3.4 Diagram Alir Sistem
Gambar 3. 5 Flowchart Pengujian Sistem
Inisialisasi Hardware
Mulai
Universitas Sumatera Utara
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).
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
4. Merupakan Buzzer dan LED yang digunakan untuk alarm. Buzzer dan LED
dihubungkan ke perangkat arduino menggunakan port GPIO.
Gambar 3. 14 Rangkaian Komponen
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
Tabel 4. 1 Hasil Pengujian Sistem
No Citra Keterangan
1
True Negative
2
True Negative
3
True Negative
Universitas Sumatera Utara
4
True Negative
5
True Negative
6
False Negative
Universitas Sumatera Utara
7
True Positive
8
True Positive
9
True Negative
Universitas Sumatera Utara
10
True Negative
11
True Negative
12
False Positive
Universitas Sumatera Utara
13
True Negative
14
True Negative
15
True Negative
Universitas Sumatera Utara
16
True Negative
17
False Positive
18
False Negative
Universitas Sumatera Utara
19
False Negative
20
True Negative
21
True Negative
Universitas Sumatera Utara
22
False Positive
23
False Negative
24
True Negative
25
True Negative
Universitas Sumatera Utara
26
True Negative
27
False Negative
28
True Negative
Universitas Sumatera Utara
29
True Negative
30
True Negative
31
True Negative
Universitas Sumatera Utara
32
True Positive
33
True Positive
34
False Negative
Universitas Sumatera Utara
35
True Negative
36
True Positive
37
True Negative
Universitas Sumatera Utara
38
True Negative
39
True Negative
40
True Negative
Universitas Sumatera Utara
41
True Negative
42
True Negative
43
True Negative
Universitas Sumatera Utara
44
False Negative
45
True Negative
46
True Negative
Universitas Sumatera Utara
47
True Negative
48
True Negative
49
True Negative
Universitas Sumatera Utara
50
False Negative
51
True Negative
52
True Negative
Universitas Sumatera Utara
53
True Negative
54
True Negative
55
True Negative
Universitas Sumatera Utara
56
True Negative
57
True Negative
58
True Negative
Universitas Sumatera Utara
59
True Negative
60
True Negative
61
True Negative
Universitas Sumatera Utara
62
True Negative
63
True Negative
64
True Negative
Universitas Sumatera Utara
65
True Negative
66
True Negative
67
True Negative
Universitas Sumatera Utara
68
True Negative
69
True Negative
70
True Negative
Universitas Sumatera Utara
71
True Negative
72
True Negative
73
True Negative
Universitas Sumatera Utara
74
True Negative
75
True Negative
76
True Negative
Universitas Sumatera Utara
77
True Negative
78
True Negative
79
True Negative
Universitas Sumatera Utara
80
True Negative
81
True Negative
82
True Negative
Universitas Sumatera Utara
83
True Negative
84
True Negative
85
True Negative
Universitas Sumatera Utara
86
False Positive
87
True Negative
88
True Negative
Universitas Sumatera Utara
89
False Positive
90
False Positive
91
True Negative
Universitas Sumatera Utara
92
True Negative
93
True Negative
94
True Negative
Universitas Sumatera Utara
95
True Negative
96
True Negative
97
True Negative
Universitas Sumatera Utara
98
True Negative
99
True Negative
100
True Negative
Universitas Sumatera Utara
101
True Negative
102
True Negative
103
True Negative
Universitas Sumatera Utara
104
True Negative
105
True Negative
106
False Positive
Universitas Sumatera Utara
107
True Negative
108
False Negative
109
False Negative
Universitas Sumatera Utara
110
False Negative
111
False Negative
112
True Negative
Universitas Sumatera Utara
113
False Negative
114
False Negative
115
True Negative
Universitas Sumatera Utara
116
True Negative
117
True Negative
118
True Negative
Universitas Sumatera Utara
119
True Negative
120
True Negative
121
True Negative
Universitas Sumatera Utara
122
True Negative
123
False Positive
124
True Negative
Universitas Sumatera Utara
125
True Negative
126
True Negative
127
True Negative
Universitas Sumatera Utara
128
True Negative
129
True Negative
130
True Negative
Universitas Sumatera Utara
131
False Positive
132
False Negative
133
True Negative
Universitas Sumatera Utara
134
True Negative
135
True Negative
136
True Negative
Universitas Sumatera Utara
137
True Negative
138
True Negative
139
False Positive
Universitas Sumatera Utara
140
False Positive
141
False Positive
142
False Positive
Universitas Sumatera Utara
143
False Positive
144
False Positive
145
False Positive
Universitas Sumatera Utara
146
False Positive
147
True Negative
148
False Positive
Universitas Sumatera Utara
149
False Positive
150
False Positive
151
False Positive
Universitas Sumatera Utara
152
False Positive
153
False Positive
154
True Negative
Universitas Sumatera Utara
155
True Negative
156
True Negative
157
True Negative
Universitas Sumatera Utara
158
True Negative
159
True Negative
160
True Negative
Universitas Sumatera Utara
161
True Negative
162
True Negative
163
True Negative
Universitas Sumatera Utara
164
True Negative
165
True Negative
166
True Negative
Universitas Sumatera Utara
167
True Negative
168
True Negative
169
True Negative
Universitas Sumatera Utara
170
True Negative
171
True Negative
172
False Positive
Universitas Sumatera Utara
173
True Negative
174
True Negative
175
False Positive
Universitas Sumatera Utara
176
False Negative
177
False Negative
178
True Positive
Universitas Sumatera Utara
179
True Positive
180
False Negative
181
False Negative
Universitas Sumatera Utara
182
True Negative
183
True Negative
184
True Negative
Universitas Sumatera Utara
185
True Negative
186
True Negative
187
True Negative
Universitas Sumatera Utara
188
False Positive
189
True Negative
190
True Negative
Universitas Sumatera Utara
191
True Negative
192
False Positive
193
True Negative
Universitas Sumatera Utara
194
True Negative
195
True Negative
196
True Negative
Universitas Sumatera Utara
197
True Negative
198
True Negative
199
True Negative
Universitas Sumatera Utara
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 %.
Universitas Sumatera Utara
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
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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.
Universitas Sumatera Utara
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/.
Universitas Sumatera Utara
Recommended