TUGAS AKHIR (609502A)
RANCANG BANGUN SISTEM IDENTIFIKASI KELENGKAPAN
ALAT PELINDUNG DIRI (APD) MENGGUNAKAN METODE
CONVOLUTIONAL NEURAL NETWORK (CNN)
RIFKI DITA WAHYU PRADANA
NRP. 0915040013
DOSEN PEMBIMBING:
DR. ENG. MOHAMMAD ABU JAMI’IN, S.T., M.T.
RYAN YUDHA ADHITYA, S.ST., M.T.
PROGRAM STUDI TEKNIK OTOMASI
JURUSAN TEKNIK KELISTRIKAN KAPAL
POLITEKNIK PERKAPALAN NEGERI SURABAYA
SURABAYA
2019
i
TUGAS AKHIR (609502A)
RANCANG BANGUN SISTEM IDENTIFIKASI KELENGKAPAN ALAT PELINDUNG DIRI (APD) MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)
RIFKI DITA WAHYU PRADANA NRP. 0915040013
DOSEN PEMBIMBING: DR. ENG. MOHAMMAD ABU JAMI’IN, S.T., M.T. RYAN YUDHA ADHITYA, S.ST., M.T.
PROGRAM STUDI TEKNIK OTOMASI JURUSAN TEKNIK KELISTRIKAN KAPAL POLITEKNIK PERKAPALAN NEGERI SURABAYA SURABAYA 2019
ii
“Halaman ini sengaja dikosongkan”
iv
“Halaman ini sengaja dikosongkan”
vi
“Halaman ini sengaja dikosongkan”
vii
KATA PENGANTAR
Alhamdulillahahi rabbil aalamiin, puji syukur kehadirat Allah SWT yang
telah memberikan rahmat, karunia, dan nikmat-Nya sehingga tugas akhir yang
berjudul “Rancang Bangun Sistem Identifikasi Kelengkapan Alat Pelindung Diri
(APD) Menggunakan Metode Convolutional Neural Network (CNN)” dapat
diselesaikan. Penyusunan tugas akhir ini disusun sebagai persyaratan kelulusan
program Diploma-4 (D-4) pada Program Studi Teknik Otomasi, Politeknik
Perkapalan Negeri Surabaya. Selama proses pengerjaan penulis telah banyak
menerima dukungan, masukan serta bantuan dari berbagai pihak. Oleh karena itu,
pada kesempatan ini penulis mengucapkan terima kasih kepada:
1. Kepada Ibunda dan Ayahanda penulis Tatik Kustiati dan Didik
Wahyujianto, yang tiada putus memberikan kasih sayang, doa, semangat
tiada henti kepada penulis, dan selalu memotivasi penulis untuk segera
menyelesaikan penelitian ini.
2. Bapak Ir. Eko Julianto, M.Sc., FRINA, selaku Direktur Politeknik
Perkapalan Negeri Surabaya.
3. Bapak Mohammad Basuki Rahmat, S.T., M.T., selaku Ketua Jurusan
Teknik Kelistrikan Kapal.
4. Bapak Dr. Eng. Imam Sutrisno, S.T., M.T., selaku Koordinator Program
Studi Teknik Otomasi.
5. Bapak Muhammad Khoirul Hasin, S.Kom., M.Kom. selaku Koordinator
Tugas Akhir Program Studi Teknik Otomasi, Politeknik Perkapalan Negeri
Surabaya.
6. Bapak Dr. Eng. Mohammad Abu Jami’in, S.T., M.T., selaku Dosen
pembimbing I yang telah sabar dalam menuntun penulis serta memberikan
solusi dan masukan dari setiap permasalahan yang dihadapi penulis dalam
penelitian ini.
7. Bapak Ryan Yudha Adhitya, S.ST., M.T., selaku Dosen pembimbing II
yang telah sabar dalam menuntun penulis dan memberikan solusi dan
ilmunya dari setiap permasalahan yang dihadapi penulis dalam penelitian
ini.
viii
8. Bapak dan Ibu dosen penguji yang banyak membantu memperbaiki
kekurangan tugas akhir ini.
9. Bapak dan Ibu dosen pengajar yang selama ini telah menyampaikan ilmu
dan pengalaman yang bermanfaat bagi penulis.
10. Terima kasih kepada kawan-kawan seperjuangan Teknik Otomasi 2015
yang telah memberikan warna hidup, semangat dan kenangan selama
masa perkuliahan di Politeknik Perkapalan Negeri Surabaya.
11. Terimakasih teman-teman Kost Upadate 2 yang telah menemani,
memberikan semangat dan motivasi.
12. Terima kasih kepada adik penulis Arditya Afrizal Mahardika dan
Muhammad Alfan Septriandi yang telah memberikan motivasi, dan
semangat.
13. Semua pihak yang telah memberikan semangat dan doa yang tidak dapat
disebutkan satu persatu.
Semoga tugas akhir ini dapat bermanfaat bagi semua pihak. Kritik dan saran
yang membangun sangat diharapkan oleh penulis. Terima kasih.
Surabaya, 22 Agustus 2019
Penulis
ix
RANCANG BANGUN SISTEM IDENTIFIKASI KELENGKAPAN ALAT
PELINDUNG DIRI (APD) MENGGUNAKAN METODE
CONVOLUTIONAL NEURAL NETWORK (CNN)
Rifki Dita Wahyu Pradana
ABSTRAK
Berdasarkan data BPJS Ketenagakerjaan (2018), terdapat 157.313 kasus
kecelakaan kerja dan sebagian besar berakibat fatal. Kurangnya kesadaran dan
kedisiplinan pekerja dalam penggunaan Alat Pelindung Diri (APD) merupakan
faktor utama terjadinya kecelakaan kerja. Sehingga diciptakan suatu alat yaitu
“Rancang Bangun Sistem Identifikasi Kelengkapan Alat Pelindung Diri (APD)
Menggunakan Metode Convolutional Neural Network (CNN)”. Input dari sistem
ini yaitu hasil capture gambar pekerja menggunakan APD dan Sensor Proximity
Induktif untuk mendeteksi Safety Shoes. Sistem identifikasi ini menggunakan
pengolahan citra. Pengolahan citra dimodifikasi dengan metode Convolutional
Neural Network (CNN), dimana algoritma ini akan mengolah dan menganalisis
gambar pekerja menggunakan APD. APD yang dideteksi pada penelitian ini
adalah APD area kepala yaitu Safety Helmet, Safety Glasses, Safety Masker, dan
Safety Earmuff. Dua belas klasifikasi data training disiapkan untuk proses
training dengan jumlah total data training 917 gambar. Output dari penelitian ini
yaitu hasil klasifikasi kelengkapan APD yang digunakan pekerja dengan
indikator berupa lampu pilot DC 12 Volt warna hijau untuk indikator kategori
lengkap dan warna merah untuk indikator kategori tidak lengkap. Dari hasil
pengujian pada penelitian ini, didapatkan persentase keberhasilan saat pengujian
realtime yaitu untuk data gambar pengujian yang masuk dalam data training
sebesar 87,50%, untuk data gambar pengujian gender pria yang tidak masuk
dalam data training sebesar 86,66% dan untuk data gambar pengujian gender
wanita sebesar 83,33%.
Kata kunci: Convolutional Neural Network, Pengolahan Citra, Alat Pelindung
Diri, PC.
x
“Halaman ini sengaja dikosongkan”
xi
IDENTIFICATION SYSTEM OF PERSONAL PROTECTIVE
EQUIPMENT (PPE) USING CONVOLUTIONAL NEURAL NETWORK
(CNN) METHOD
Rifki Dita Wahyu Pradana
ABSTRACT
Based on BPJS employment data (2018), there are 157,313 cases of
occupational accidents and most fatal result. Lack of awareness and discipline
of workers in the use of Personal Protective Equipment (PPE) is a major factor
in the occurrence of work accidents. So, it was created a tool that is
"Identification System of Personal Protective Equipment (PPE) Using
Convolutional Neural Network (CNN) Method". This identification system used
image processing which is modified by the Convolutional Neural Network
(CNN) method, where this algorithm will process and analyze images of workers
using PPE. The APD detected in this study is on head area such as Safety
Helmet, Safety Glasses, Safety Masks, and Safety Earmuff. Twelve classification
training data were prepared for the training process with a total number of 917
image training data. The input of this study is an image capture of workers using
PPE and additional Inductive Proximity sensor is used to detect Safety Shoes.
While the output of this study is the results of the classification of PPE
completeness which are used by workers with green 12 Volt DC pilot lamp
indicator for complete category indicators and red 12 Volt DC lamp indicator
for incomplete category indicators. From the test results in this study, there was
a percentage of success when realtime testing, for the test image data that was
entered in the training data is 87.50%, for male gender test image data that was
not included in the training data is 86.66% and for female gender test image
data is 83.33%.
Keywords: Convolutional Neural Network, Image Processing, Personal
Protective Equipment, PC.
xii
“Halaman ini sengaja dikosongkan”
xiii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
LEMBAR PENGESAHAN ................................................................................... iii
PERNYATAAN BEBAS PLAGIAT ...................................................................... v
KATA PENGANTAR .......................................................................................... vii
ABSTRAK ............................................................................................................. ix
ABSTRACT ............................................................................................................. xi
DAFTAR ISI ........................................................................................................ xiii
DAFTAR GAMBAR ............................................................................................ xv
DAFTAR TABEL ............................................................................................... xvii
BAB 1 PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang ............................................................................................ 1
1.2 Rumusan Masalah ....................................................................................... 2
1.3 Tujuan Penelitian ......................................................................................... 2
1.4 Manfaat Penelitian ....................................................................................... 2
1.5 Batasan Masalah .......................................................................................... 3
BAB 2 TINJAUAN PUSTAKA ............................................................................. 5
2.1 Penelitian yang Pernah Dilakukan .............................................................. 5
2.2 Dasar Teori .................................................................................................. 5
2.2.1 Alat Pelindung Diri (APD) ................................................................... 5
2.2.2 Model Warna RGB............................................................................... 7
2.2.3 Model Warna Grayscale ...................................................................... 7
2.2.4 Neural Network .................................................................................... 8
2.2.5 Convolutional Neural Network .......................................................... 11
2.2.6 Python................................................................................................. 14
2.2.7 OpenCV .............................................................................................. 15
2.2.8 Arduino IDE ....................................................................................... 15
2.2.9 Arduino Mega 2560 ........................................................................... 16
2.2.10 Webcam.............................................................................................. 17
2.2.11 Sensor Proximity Induktif LJ30A3-20-Z/BX .................................... 18
2.2.12 Radio Frequency Identification.......................................................... 19
2.2.13 RTC DS1307 ...................................................................................... 20
xiv
2.2.14 SD Card Module ................................................................................. 21
2.2.15 Buzzer ................................................................................................. 22
2.2.16 Lampu Pilot DC 12 Volt ..................................................................... 23
BAB 3 METODE PENELITIAN .......................................................................... 25
3.1 Identifikasi Masalah dan Studi Literatur ................................................... 26
3.2 Analisa Kebutuhan Sistem ......................................................................... 26
3.3 Desain dan Perancangan Sistem ................................................................ 27
3.3.1 Perancangan Sistem ............................................................................ 27
3.3.2 Diagram Blok Sistem .......................................................................... 29
3.3.3 Perancangan Mekanik ......................................................................... 29
3.4 Arsitektur CNN........................................................................................... 30
3.5 Contoh Perhitungan CNN .......................................................................... 32
BAB 4 HASIL DAN PEMBAHASAN ................................................................. 37
4.1. Pengujian Hardware ................................................................................... 37
4.1.1 Pengujian Kamera ............................................................................... 37
4.1.2 Pengujian Sensor Proximity Induktif.................................................. 38
4.1.3 Pengujian RFID MFRC522 ................................................................ 40
4.1.4 Pengujian RTC DS1307 ..................................................................... 41
4.1.5 Pengujian SD Card Module .................................................................. 41
4.2 Software ..................................................................................................... 42
4.2.1 Tampilan Interface .............................................................................. 42
4.2.2 Pembentukan dan Pengambilan Data Training................................... 42
4.2.3 Konversi RGB to Grayscale ............................................................... 44
4.2.4 Konvolusi Karnel ................................................................................ 45
4.2.5 Maxpooling ......................................................................................... 49
4.2.6 Training............................................................................................... 53
4.2.7 Pengujian Data Real Time .................................................................. 58
BAB 5 PENUTUP ................................................................................................. 83
5.1 Kesimpulan ................................................................................................ 83
5.2 Saran .......................................................................................................... 84
DAFTAR PUSTAKA ............................................................................................ 85
LAMPIRAN……………………………………………………………………...87
xv
DAFTAR GAMBAR
Gambar 2.1 Alat Pelindung Diri ............................................................................. 6
Gambar 2.2 Model Warna RGB.............................................................................. 7
Gambar 2.3 Neuron Secara Biologi dan Neuron pada Neural Network ................ 8
Gambar 2.4 Struktur Multi Layer Perceptron ....................................................... 10
Gambar 2.5 Arsitektur Convolutional Neural Network ........................................ 12
Gambar 2.6 Operasi Konvolusi ............................................................................. 13
Gambar 2.7 Operasi Max Pooling ......................................................................... 14
Gambar 2.8 Arduino IDE ...................................................................................... 16
Gambar 2.9 Arduino Mega 2560 .......................................................................... 17
Gambar 2.10 Kamera Webcam ............................................................................. 18
Gambar 2.11 Proximity Induktif LJ30A3-20-Z/BX ............................................. 18
Gambar 2.12 Diagram Sistem RFID ..................................................................... 20
Gambar 2.13 RTC DS1307 ................................................................................... 21
Gambar 2.14 SD Card Module............................................................................. 22
Gambar 2.15 Buzzer.............................................................................................. 22
Gambar 2.16 Lampu Pilot 12 Volt DC ................................................................. 23
Gambar 3.1 Diagram Alir Penelitian …………………………………………… 25
Gambar 3.2 Gambaran Umum Sistem .................................................................. 27
Gambar 3.3 Flowchart Alur Sistem ...................................................................... 28
Gambar 3.4 Rancangan Desain Kerja Hardware .................................................. 29
Gambar 3.5 Desain 3D Tampak Depan ................................................................ 29
Gambar 3.6 Desain 3D Tampak Samping............................................................. 30
Gambar 3.7 Aristektur CNN ................................................................................. 31
Gambar 3.8 Gambar berukuran 10 x 10 sebelum dilakukan konvolusi ................ 32
Gambar 3.9 Gambar berukuran 10 x 10 dalam bentuk array ................................ 32
Gambar 3.10 Gaussian karnel 3 x 3. ..................................................................... 33
Gambar 3.11 Posisi proses konvolusi, (A) posisi 1, (B) posisi 2 .......................... 33
Gambar 3.12 Hasil konvolusi menghasilkan feature maps berukuran 8 x 8 ......... 34
Gambar 3.13 Hasil Max pooling 4 x 4 .................................................................. 35
Gambar 3.14 Proses Flattening ............................................................................. 35
xvi
Gambar 4.1 Hasil Pengujian Koneksi Kamera ...................................................... 37
Gambar 4.2 Indikator Ketika Kamera Mati dan Ketika Kamera Hidup ................ 38
Gambar 4.3 Pengujian Proximity dengan Bahan Logam ...................................... 39
Gambar 4.4 Pengujian Proximity dengan Bahan Non Logam .............................. 39
Gambar 4.5 Hasil Apabila Proximity Deteksi Logam dan Non Logam ................ 39
Gambar 4.6 Hasil Pengujian RFID MRC522 ........................................................ 40
Gambar 4.7 Pengujian RTC DS1307 .................................................................... 41
Gambar 4.8 Pengujian Modul Microsd ................................................................. 42
Gambar 4.9 Tampilan Interface ............................................................................. 42
Gambar 4.10 Contoh Hasil Konversi RGB ke Grayscale ..................................... 45
Gambar 4.11 Grafik training akurasi RMSprop Optimizer ................................... 55
Gambar 4.12 Grafik training loss RMSprop Optimizer ........................................ 55
Gambar 4.13 Grafik training akurasi Adam Optimizer ......................................... 56
Gambar 4.14 Grafik training loss Adam Optimizer .............................................. 56
Gambar 4.15 Grafik training akurasi Adadelta Optimizer .................................... 57
Gambar 4.16 Grafik training loss Adadelta Optimizer.......................................... 58
xvii
DAFTAR TABEL
Tabel 4.1 Waktu Pengujian Kamera ..................................................................... 38
Tabel 4.2 Data Pengujian Sensor Proximity Induktif Terhadap Logam/Besi. ...... 39
Tabel 4.3 Data Pengujian RFID ............................................................................ 40
Tabel 4.4 Hasil Pengujian RTC DS1307 dengan Jam Digital .............................. 41
Tabel 4.5 Data Training Kategori Lengkap .......................................................... 43
Tabel 4.6 Data Training Kategori Tidak Lengkap ................................................ 43
Tabel 4.7 Hasil Konvolusi Gambar ....................................................................... 46
Tabel 4.8 Gambar Hasil Proses Maxpooling ........................................................ 50
Tabel 4.9 Pembagian dataset dan spesifikasinya .................................................. 53
Tabel 4.10 Vektor Output ..................................................................................... 54
Tabel 4.11 Data akhir hasil training RMSprop Optimizer .................................... 55
Tabel 4.12 Data akhir hasil training Adam Optimizer .......................................... 57
Tabel 4.13 Data akhir hasil training Adadelta Optimizer ..................................... 58
Tabel 4.14 Hasil Klasifikasi APD Lengkap Masuk Dataset ................................. 59
Tabel 4.15 Hasil Klasifikasi Tidak Menggunakan Semua APD Masuk Dataset .. 60
Tabel 4.16 Hasil Klasifikasi Menggunakan Kacamata Masuk Dataset ................ 60
Tabel 4.17 Hasil Klasifikasi Menggunakan Kacamata dan Masker Masuk Dataset ...... 61
Tabel 4.18 Hasil Klasifikasi Menggunakan Helm Masuk Dataset ....................... 62
Tabel 4.19 Hasil Klasifikasi Menggunakan Helm dan Earmuff Masuk Dataset .. 63
Tabel 4.20 Hasil Klasifikasi Menggunakan Helm,Earmuff dan Kacamata Masuk Dataset 63
Tabel 4.21 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker Masuk Dataset ... 64
Tabel 4.22 Hasil Klasifikasi Menggunakan Helm dan Kacamata Masuk Dataset 65
Tabel 4.23 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker Masuk Dataset . 66
Tabel 4.24 Hasil Klasifikasi Menggunakan Helm dan Masker Masuk Dataset ... 66
Tabel 4.25 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker Masuk Dataset . 67
Tabel 4.25 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker .......... 68
Tabel 4.26 Hasil Presentase Keberhasilan Masuk Dataset ................................... 68
Tabel 4.27 Hasil Klasifikasi APD Lengkap Tidak Masuk Dataset ....................... 69
Tabel 4.28 Hasil Klasifikasi Tidak Menggunakan Semua APD Tidak Masuk Dataset ...... 69
Tabel 4.29 Hasil Klasifikasi Menggunakan Kacamata Tidak Masuk Dataset ...... 70
xviii
Tabel 4.30 Hasil Klasifikasi Menggunakan Kacamata dan Masker Tidak Masuk Dataset .. 70
Tabel 4.31 Hasil Klasifikasi Menggunakan Helm Tidak Masuk Dataset ............. 71
Tabel 4.32 Hasil Klasifikasi Menggunakan Helm dan Earmuff Tidak Masuk Dataset ....... 71
Tabel 4.33 Hasil Klasifikasi Menggunakan Helm,Earmuff dan Kacamata Tidak Masuk
Dataset ..................................................................................................................... 72
Tabel 4.34 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker Tidak
Masuk Dataset ....................................................................................................... 72
Tabel 4.35 Hasil Klasifikasi Menggunakan Helm dan Kacamata Tidak Masuk
Dataset ................................................................................................................... 73
Tabel 4.36 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker Tidak
Masuk Dataset ....................................................................................................... 73
Tabel 4.37 Hasil Klasifikasi Menggunakan Helm dan Masker Tidak Masuk Dataset ... 74
Tabel 4.38 Hasil Klasifikasi Menggunakan Masker Tidak Masuk Dataset .......... 74
Tabel 4.38 Hasil Klasifikasi Menggunakan Masker ............................................. 75
Tabel 4.39 Hasil Presentase Keberhasilan Tidak Masuk Dataset ......................... 75
Tabel 4.40 Hasil Klasifikasi APD Lengkap Data Gambar Wanita ....................... 76
Tabel 4.41 Hasil Klasifikasi Tidak Menggunakan Semua APD Data Gambar Wanita .. 76
Tabel 4.42 Hasil Klasifikasi Menggunakan Kacamata Data Gambar Wanita ...... 77
Tabel 4.43 Hasil Klasifikasi Menggunakan Kacamata dan Masker Data Gambar Wanita .. 77
Tabel 4.44 Hasil Klasifikasi Menggunakan Helm Data Gambar Wanita .............. 78
Tabel 4.45 Hasil Klasifikasi Menggunakan Helm dan Earmuff Data Gambar Wanita .. 78
Tabel 4.46 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Kacamata Data Gambar
Wanita ..................................................................................................................... 79
Tabel 4.47 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker Data
Gambar Wanita ...................................................................................................... 79
Tabel 4.48 Hasil Klasifikasi Menggunakan Helm dan Kacamata Data Gambar Wanita 80
Tabel 4.49 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker Data Gambar
Wanita ..................................................................................................................... 80
Tabel 4.50 Hasil Klasifikasi Menggunakan Helm dan Masker Data Gambar Wanita ... 81
Tabel 4.51 Hasil Klasifikasi Menggunakan Masker Data Gambar Wanita .......... 81
Tabel 4.52 Hasil Presentase Keberhasilan Data Gambar Wanita .......................... 82
BAB I
PENDAHULUAN
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Keselamatan pekerja merupakan faktor yang sangat dominan dalam suatu
industri. Dalam peranannya, kesehatan dan keselamatan kerja atau yang bisa
disebut K3 sangatlah penting untuk dipatuhi oleh semua perusahaan. Salah satu
unsur penting pada K3 adalah pemakaian alat pelindung diri. Alat Pelindung
Diri (APD) adalah perlengkapan alat yang wajib digunakan oleh tenaga kerja
untuk melindungi dan menjaga seluruh atau sebagian tubuh para pekerja saat
melakukan pekerjaan yang memiliki potensi bahaya dan resiko kecelakaan
kerja. Adapun hal yang paling penting untuk dilindungi oleh alat pelindung diri
ini adalah kepala, dimana kepala merupakan bagian paling penting pada
manusia.
Berdasarkan data BPJS Ketenagakerjaan (2018), terdapat 157.313 kasus
kecelakaan kerja dan sebagian besar berakibat fatal yaitu kematian atau cacat
seumur hidup. Kurangnya penggunaan Alat Pelindung Diri (APD) merupakan
faktor utama terjadinya kecelakaan kerja. Kurangnya pemakaian Alat
Pelindung Diri (APD) yang diterapkan dengan baik oleh pekerja disebabkan
oleh beberapa faktor, salah satunya yaitu kurangnya pengawasan kelengkapan
alat pelindung diri secara berkala yang dilakukan oleh perusahaan kepada para
pekerjanya. Oleh karena itu, dibutuhkan suatu alat yang dapat mendeteksi dan
memastikan kelengkapan alat pelindung diri yang digunakan oleh pekerja.
Dengan itu, diciptakan suatu alat yaitu “Rancang Bangun Sistem Identifikasi
Kelengkapan Alat Pelindung Diri (APD) Menggunakan Metode Convolutional
Neural Network (CNN)”.
Sistem ini akan diberikan algoritma metode Convolutional Neural
Network (CNN). CNN adalah salah satu jenis perhitungan neural network yang
sering digunakan pada pengolahan citra untuk mendeteksi dan mengenali
object pada sebuah image. Jadi sistem ini akan menggunakan pengolahan citra
sebagai proses identifikasi kelengkapan alat pelindung diri yang digunakan
2
pekerja. Dari pengolahan citra tersebut maka akan didapatkan 2 parameter
yaitu alat pelindung diri yang digunakan pekerja dalam kategori lengkap dan
kategori tidak lengkap. Dimana pada kategori tidak lengkap terdapat 11
kemungkinan klasifikasi. Sehingga jumlah klasifikasi pada penilitian ini
mencapai 12 kemungkinan klasifikasi.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, dapat diperoleh
rumusan masalah sebagai berikut :
1. Bagaimana implementasi Sistem Identifikasi Kelengkapan Alat Pelindung
Diri (APD) Menggunakan Metode Convolutional Neural Network (CNN)?
2. Bagaimana tingkat akurasi yang didapatkan dari hasil klasifikasi
kelengkapan alat pelindung diri menggunakan CNN ?
3. Bagaimana mendapatkan nilai accuracy training yang optimal?
1.3 Tujuan Penelitian
Sesuai dengan perumusan masalah diatas maka penelitian ini mempunyai
tujuan sebagai berikut :
1. Mampu mengimplementasikan metode CNN (Convolutional Neural
Network) pada sistem identifikasi kelengkapan alat pelindung diri.
2. Mengetahui tingkat akurasi yang didapatkan dari hasil klasifikasi alat
pelindung diri menggunakan CNN.
3. Mampu mendapatkan nilai accuracy training yang optimal.
1.4 Manfaat Penelitian
Manfaat pada penelitian ini adalah.
1. Terciptanya sebuah sistem identifikasi kelengkapan alat pelindung diri
menggunakan sensor kamera.
2. Mengurangi resiko terjadinya kecelakaan kerja dengan membuat sistem
identifikasi kelengkapan alat pelindung diri.
3
3. Menumbuhkan sikap displin para pekerja terhadap budaya keselamatan dan
kesehatan kerja pada area kerja yang memiliki potensi bahaya dan resiko
kecelakaan kerja.
1.5 Batasan Masalah
Batasan masalah dalam penelitian ini antara lain.
1. Alat pelindung diri yang dideteksi antara lain Safety Helmet, Safety Glasses,
Safety Mask, Safety Earmuff, dan Safety Shoes.
2. Background yang digunakan tidak bermotif atau polos.
3. Objek wajah pekerja tidak dihalangi oleh material apapun selain APD.
4. Pencahayaan dengan tingkat cahaya yang terang.
5. Alat Pelindung Diri yang digunakan yaitu Safety Helmet dan Safety Mask
berwarna putih, Safety Glasses dengan model mirror, dan Safety Earmuff
berwarna hitam.
6. Penelitian ini lebih terfokus pada pengolahan citra.
4
“Halaman ini sengaja dikosongkan”
BAB II
TINJAUAN PUSTAKA
5
BAB 2
TINJAUAN PUSTAKA
2.1 Penelitian yang Pernah Dilakukan
Dibawah ini merupakan beberapa penelitian yang telah dilakukan oleh
beberapa peneliti yang berhubungan dengan Tugas Akhir ini :
1. Berdasarkan jurnal penelitian yang ditulis oleh Deden Wahidin dan Nazori
Agan dengan judul “Identifikasi Standar Penggunaan Alat Pelindung Diri
dengan Metode GLCM (Gray Level Co-Occurrence Matrix) dan Euclidean
Distance : Studi Kasus pada PT. PAF”.
2. Berdasarkan penelitian yang dilakukan oleh Alfianuddin Nazar dengan
judul “Prototype Sistem Sortir Packaging Rokok Dengan Metode
Convolutional Neural Network (CNN)”.
Dari kedua penelitian diatas penulis ingin mengembangkan apa yang
telah dilakukan pada penelitian pertama. Dalam penelitian pertama tersebut
dicantumkan beberapa saran yang nantinya akan menjadi pedoman penulis.
Salah satunya dengan mengganti metode lain yang berbeda untuk mengukur
kinerja dan tingkat akurasi sehingga didapatkan hasil terbaik untuk
mengidentifikasi penggunaan standar alat pelindung diri. Dan penulis akan
menggunakan metode pada penelitian yang kedua untuk menyelesaikan
masalah pada penelitian yang pertama dengan mengganti metode penelitiannya
menggunakan metode Convolutional Neural Network (CNN).
2.2 Dasar Teori
2.2.1 Alat Pelindung Diri (APD)
Menurut Suma'mur (2009) Alat Pelindung Diri (APD) adalah suatu alat
yang dipakai untuk melindungi diri atau tubuh terhadap bahaya-bahaya
kecelakaan kerja. Jadi alat pelindung diri merupakan salah satu cara untuk
mencegah kecelakaan kerja. Meskipun alat pelindung diri tidak sepenuhnya
mampu melindungi tubuh para pekerja akan tetapi dapat mengurangi tingkat
keparahan cedera saat terjadi kecelakaan kerja. Alat pelindung diri yang
6
standar harus digunakan oleh pekerja di area kerja adalah alat pelindung diri
di area wajah dan sepatu safety. Pada Gambar 2.1 menunjukkan beberapa
alat pelindung diri yang dapat digunakan di tempat kerja.
Gambar 2.1 Alat Pelindung Diri (Ditjen Yankes, 2018)
Menurut Siswanto (1993), ketentuan yang harus dipenuhi dalam
pemilihan
Alat Pelindung Diri (APD) adalah :
1. Dapat memberikan perlindungan yang kuat terhadap bahaya yang
spesifik atau bahaya-bahaya yang dihadapi oleh tenaga kerja.
2. Berat alat hendaknya seringan mungkin dan alat tersebut tidak
menyebabkan rasa ketidaknyamanan yang berlebihan.
3. Harus dapat dipakai secara fleksibel.
4. Tahan untuk pemakaian yang lama.
5. Tidak menimbulkan bahaya-bahaya tambahan bagi pemakainya yang
dikarenakan bentuk dan bahayanya yang tidak tepat atau karena salah
dalam penggunaannya.
6. Alat tersebut tidak membatasi gerakan dan persepsi sensoris pemakainya.
7. Suku cadangnya harus mudah didapat guna mempermudah
pemeliharaannya.
7
2.2.2 Model Warna RGB
Model warna RGB adalah model warna yang paling umum digunakan
pada pengolahan citra. RGB adalah adalah suatu model warna yang terdiri
dari 3 buah warna yaitu : Red, Green, dan Blue yang kemudian ditambahkan
berbagai komposisi untuk menghasilkkan warna baru. Pada Gambar 2.2
menunjukkan model warna RGB.
Gambar 2.2 Model Warna RGB
Citra RGB disusun dari tiga buah kanal warna primer yaitu Merah
(Red), Hijau (Green) dan Biru (Blue). Setiap kanal penyusun warna RGB
berisikan intensitas warnanya dalam skala 8 bit atau range nilai antara 0
hingga 255. Pada tiap piksel elemen sebuah citra, berisikan perpaduan
ketiga warna tersebut. Seperti pada gambar 2.2 warna putih, perpaduan
ketiganya adalah pada nilai maksimal (255,255,255) sedangkan untuk
warna hitam, perpaduan warna ketiganya berada pada nilai minimal (0,0,0).
Dari ketiga perpaduan warna ini didapatkan 16 juta warna variasi
(Khumaidi, et al., 2017 dalam Nazar, 2018).
2.2.3 Model Warna Grayscale
Suatu citra grayscale adalah suatu citra yang hanya memiliki warna
tingkat keabuan. Penggunaan citra grayscale dikarenakan membutuhkan
sedikit informasi yang diberikan pada tiap piksel dibandingkan dengan citra
berwarna. Warna keabuan dapat dikatakan sebagai warna dengan satu kanal
warna, yaitu kanal warna 8 bit. Untuk mendapatkan citra dengan skala
keabuan ini, dapat dilakukan pengubahan dari citra RGB ke grayscale. Hal
yang paling umum dilakukan adalah dengan membagi tiga komposisi warna
8
RGB tersebut. Masing-masing warna memiliki bobot 0.33, atau beberapa
metode mengusulkan komposisi bobot tiap warnanya. Bergantung pada
kebutuhan dan ketetapan rumusan standarnya. (Khumaidi, et al., 2017
dalam Nazar, 2018)
2.2.4 Neural Network
Neural network merupakan bagian dari sistem kecerdasan buatan yang
digunakan untuk memproses informasi yang didesain dengan menirukan
cara kerja otak manusia dalam menyelesaikan masalah dengan melakukan
proses belajar melalui perubahan bobot sinapsisnya (Norvig, 1995). Neural
Network sendiri merupakan replika dari sistem syaraf yang terdapat pada
sistem otak manusia. Dalam proses kerjanya, otak manusia disusun dari
berbagai miliaran neuron dimana masing-masing neuron tersebut terhubung
pada puluhan ribu neuron yang lain. Suatu neuron tersusun atas 3 komponen
utama, yaitu :
1. Dendrit merupakan saluran sinyal input yang kekuatan dari koneksinya
kepada inti sel dipengaruhi oleh sebuah bobot (Weight).
2. Badan Sel adalah tempat proses komputasi sinyal input berbobot untuk
menghasilkan sinyal output yang kemudian akan dikirimkan kepada
neuron.
3. Axon adalah bagian yang mengirimkan sinyal output kepada neuron lain
yang terhubung pada neuron.
Gambar 2.3 Neuron Secara Biologi dan Neuron pada Neural Network (Hakim, 2017)
Dapat dilihat pada Gambar 2.3 Hubungan neuron secara biologi dan
neuron pada neural network. Pada model neural network, dendrit
direpresentasikan sebagai input dimana merupakan informasi yang
9
diperlukan oleh neural network dalam menyelesaikan masalah yang
diberikan. Sedangkan badan sel merupakan tempat melakukan proses
perhitungan komputasi. Selanjutnya hasil dari proses perhitungan yang
dilakukan pada badan sel akan dikeluarkan pada output yang merupakan
representasi dari axon.
Pada umumnya jaringan syaraf tiruan memiliki tiga lapisan, yaitu Input
layer, hidden layer, dan Output layer. Berikut penjelasan mengenai layer
pada NN.
1. Input layer
Input layer berisi neuron-neuron yang masing-masing menyimpan
sebuah nilai masukan yang tidak berubah pada fase latih dan hanya dapat
berubah jika diberikan nilai masukan baru. Neuron pada lapisan ini
tergantung pada banyaknya Input dari suatu pola.
2. Hidden layer
Lapisan ini tidak pernah muncul sehingga dinamakan hidden layer.
Akan tetapi semua proses pada fase pelatihan dan fase pengenalan
dijalankan di lapisan ini. Jumlah lapisan ini tergantung dari arsitektur
yang akan dirancang, tetapi pada umumnya terdiri dari satu lapisan
hidden layer.
3. Output layer
Output layer berfungsi untuk menampilkan hasil perhitungan sistem
oleh fungsi aktivasi pada lapisan hidden layer berdasarkan Input yang
diterima. Neural network ditentukan oleh tiga hal, yaitu pola hubungan
antar neuron yang disebut jaringan. Metode untuk menentukan bobot
penghubung yang disebut metode Training / learning / algoritma, dan
fungsi aktivasi atau fungsi transfer. Salah satu arsitektur NN yang sangat
populer adalah multi layer feedforward networks. Secara umum, jaringan
seperti ini terdiri dari sejumlah unit neuron sebagai lapisan Input, satu
atau lebih lapisan simpul-simpul neuron komputasi hidden (lapisan
tersembunyi), dan sebuah lapisan simpul-simpul neuron komputasi
Output. Sinyal Input dipropagasikan kearah depan (arah lapisan Output),
lapisan demi lapisan. Jenis jaringan ini adalah hasil generalisasi dari
10
arsitektur perceptron satu lapisan, jadi biasa disebut sebagai multi layer
perceptron (MLP).
Propagasi balik (ke arah lapisan Input) terjadi setelah jaringan
menghasilkan Output yang mengandung Error. Pada fase ini seluruh
bobot synaptic (yang tidak memiliki aktivasi nol) dalam jaringan akan
disesuaikan untuk mengkoreksi/memperkecil Error yang terjadi (Error
correction rule). Untuk pelatihan jaringan, pasangan fase propagasi ke
depan dan balik dilakukan secara berulang untuk satu set data latihan,
kemudian diulangi untuk sejumlah epoch (satu sesi lewatan untuk
seluruh data latihan dalam sebuah proses pelatihan jaringan) sampai
Error yang terjadi mencapai batas kecil toleransi tertentu atau nol.
MLP terdiri dari beberapa unit pemroses (neuron) seperti pada
Gambar 2.4, yang terhubung dan mempunyai beberapa masukan serta
memiliki satu atau beberapa Output. Perceptron digunakan untuk
menghitung jumlah nilai perkalian penimbang dan masukan dari
parameter yang kemudian dibandingkan dengan nilai threshold, jika
keluaran lebih besar dari threshold maka keluaran adalah satu, sebaliknya
adalah nol (Mauridhi Hery, 2006).
Inp
uts
Input layer
Hidden layer
Output layer
Ou
tpu
ts
Gambar 2.4 Struktur Multi Layer Perceptron (Nazar, 2018)
Pernyataan ini merupakan hasil proses pelatihan yang dalam bentuk
bahasanya adalah pernyataan iya atau tidak. Secara matematis dapat
ditulis dengan persamaan seperti pada Persamaan 2.1:
Jumlah perkalian penimbang dan paramater masukan adalah :
𝐼 = 𝑤𝑗𝑖 𝑥𝑖 (2.1)
11
Dengan :
𝐼 = Input
𝑥𝑖 = sinyal masukan
𝑤𝑖 = penimbang
Dari Persamaan 2.1 Bila I > T maka keluaran O = 1, dengan T adalah
threshold. Pelatihan pada perceptron dilakukan dengan merubah nilai
penimbangnya sehingga sesuai dengan kebutuhan, dilakukan dengan
membandingkan keluaran dari JST dengan targetnya, proses tersebut
dapat dituliskan pada Persamaan 2.2
𝑤𝑏𝑎𝑟𝑢𝑗𝑖 = 𝑤𝑙𝑎𝑚𝑎𝑗𝑖 + 𝛼(𝑡𝑗 − 𝑂𝑗)𝑥𝑖 (2.2)
Dengan :
𝑡𝑗 = target
𝛼 = bilangan konstan
𝑂𝑗 = Output
Proses diatas dijalankan pada setiap neuron yang ada pada setiap
layer sampai penimbang tersebut sesuai dengan yang diinginkan. Nilai
awal penimbang adalah bilangan kecil yang diambil secara acak (Nazar,
2018).
Pada tugas akhir ini NN digunakan pelatihan dan Testing untuk
klasifikasi object alat pelindung diri. Yang dimana setelah proses
konvolusi dan subsampling selesai, proses akhir akan dikombinasikan
dengan NN untuk mendapatkan nilai hidden layer.
2.2.5 Convolutional Neural Network
Convolutionalal Neural Network (CNN) adalah pengembangan dari
Multilayer Perceptron (MLP) yang didesain untuk mengolah data dua
dimensi. Convolutional Neural Network termasuk dalam jenis Deep Neural
Network karena kedalaman jaringan yang tinggi dan banyak diaplikasikan
pada data citra. Pada kasus klasifikasi citra, MLP kurang sesuai untuk
digunakan karena tidak menyimpan informasi spasial dari data citra dan
12
menganggap setiap piksel adalah fitur yang independen sehingga
menghasilkan hasil yang kurang baik (I Wayan Suartika E. P, 2016).
Secara teknis, CNN adalah sebuah arsitektur yang dapat dilatih dan
terdiri dari beberapa tahap. Masukan (input) dan keluaran (output) dari
setiap tahap adalah terdiri dari beberapa array yang biasa disebut feature
map. Convolutional neural network sendiri adalah perpaduan antara
konvolusi citra untuk proses ekstraksi feature, dan neural network untuk
klasifikasi. Berikut adalah jaringan arsitektur Convolutional Neural
Network :
Gambar 2.5 Arsitektur Convolutional Neural Network
Berdasarkan aristektur LeNet5 (Stanford, 2016), terdapat 4 macam
layer utama pada sebuah CNN yaitu Convolutional layer, relu layer,
subsampling layer, dan fully connected layer. Berikut ini adalah penjelasan
mengenai masing-masing layer.
1. Convolutional Layer
Convolutional Layer melakukan operasi konvolusi pada output dari
layer sebelumnya. Layer tersebut adalah proses utama yang mendasari
sebuah CNN. Konvolusi adalah suatu istilah matematis yang berati
mengaplikasikan sebuah fungsi pada output fungsi lain secara berulang.
Dalam pengolahan citra, konvolusi berati mengaplikasikan sebuah kernel
(kotak kuning) pada citra disemua offset yang memungkinkan seperti
yang ditunjukkan pada Gambar 2.6 Kotak hijau secara keseluruhan
adalah citra yang akan dikonvolusi. Kernel bergerak dari sudut kiri atas
ke kanan bawah. Persamaan 2.3 berikut adalah persamaan Konvolusi.
ℎ(𝑥, 𝑦) = 𝑓(𝑥, 𝑦) ∗ 𝑔(𝑥, 𝑦) (2.3)
13
Tujuan dilakukannya konvolusi pada data citra adalah untuk
mengekstraksi fitur dari citra input. Konvolusi akan menghasilkan
transformasi linear dari data input sesuai informasi spasial pada data.
Bobot pada layer tersebut menspesifikasikan kernel konvolusi yang
digunakan, sehingga kernel konvolusi dapat dilatih berdasarkan input
pada CNN.
Gambar 2.6 Operasi Konvolusi (I Wayan Suartika E. P, 2016)
2. ReLu Layer
ReLu atau rectified linear unit layer, pada layer ini dapat diibaratkan
seperti thresholding atau sama halnya seperti fungsi aktivasi pada
jaringan syaraf tiruan. Dengan tujuan untuk menjaga hasil citra proses
konvolusi berada pada domain definit positif. Angka yang dihasilkan
harus bernilai positif dikarenakan fungsi aktivasi pada jaringan syaraf
tiruan propagasi balik pada penelitian ini menggunakan fungsi relu.
Sehingga setiap angka hasil prospppes konvolusi yang bernilai negatif
akan terlebih dahulu melalui proses ReLu yang menjadikan nilai negatif
bernilai sama dengan nol.
𝑓(𝑥) = 𝑚𝑎𝑥(0, 𝑥) (2.4)
3. Subsampling Layer
Subsampling adalah proses mereduksi ukuran sebuah data citra.
Dalam pengolahan citra, subsampling juga bertujuan untuk
meningkatkan invariansi posisi dari fitur. Dalam sebagian besar CNN,
metode subsampling yang digunakan adalah max pooling. Max pooling
membagi output dari Convolutional layer menjadi beberapa grid kecil
lalu mengambil nilai maksimal dari setiap grid untuk menyusun matriks
citra yang telah direduksi seperti yang ditunjukkan pada Gambar 2.7 Grid
yang berwarna merah, hijau, kuning dan biru merupakan kelompok grid
14
yang akan dipilih nilai maksimumnya. Sehingga hasil dari proses tersebut
dapat dilihat pada kumpulan grid disebelah kanannya. Proses tersebut
memastikan fitur yang didapatkan akan sama meskipun objek citra
mengalami translasi (pergeseran).
Gambar 2.7 Operasi Max Pooling (I Wayan Suartika E. P, 2016)
Menurut Springenberg (J. T. Springenberg, 2015), penggunaan
pooling layer pada CNN hanya bertujuan untuk mereduksi ukuran
citra sehingga dapat dengan mudah digantikan dengan sebuah
Convolutional layer dengan stride yang sama dengan pooling layer
yang bersangkutan.
4. Fully Connected Layer
Layer tersebut adalah layer yang biasanya digunakan dalam
penerapan MLP dan bertujuan untuk melakukan transformasi pada
dimensi data agar data dapat diklasifikasikan secara linear. Setiap
neuron pada Convolutional layer perlu ditransformasi menjadi data
satu dimensi terlebih dahulu sebelum dapat dimasukkan ke dalam
sebuah fully connected layer. Karena hal tersebut menyebabkan data
kehilangan informasi spasialnya dan tidak reversibel, fully connected
layer hanya dapat diimplementasikan di akhir jaringan. Convolutional
layer dengan ukuran kernel 1 x 1 melakukan fungsi yang sama dengan
sebuah fully connected layer namun dengan tetap mempertahankan
karakter spasial dari data (I Wayan Suartika E. P, 2016).
2.2.6 Python
Python adalah bahasa pemrograman model skrip (scripting language)
yang berorientasi obyek. Python dapat digunakan untuk berbagai keperluan
15
pengembangan perangkat lunak dan dapat berjalan di berbagai platform
sistem operasi. Python merupakan bahasa pemrograman yang freeware atau
perangkat bebas dalam arti sebenarnya, tidak ada batasan dalam
penyalinannya atau mendistribusikannya. Lengkap dengan source codenya,
debugger dan profiler, antarmuka yang terkandung di dalamnya untuk
pelayanan antarmuka, fungsi sistem, GUI (antarmuka pengguna grafis), dan
basis datanya (Triasanti, 2001).
Beberapa fitur yang dimiliki Python adalah:
1. Memiliki kepustakaan yang luas dan dalam distribusi Python telah
disediakan modul-modul.
2. Memiliki tata bahasa yang jernih dan mudah dipelajari.
3. Memiliki aturan layout kode sumber yang memudahkan pengecekan,
pembacaan kembali dan penulisan ulang kode sumber.
4. Berorientasi objek.
5. Dapat dibangun dengan Bahasa Python maupun C/C++.
2.2.7 OpenCV
OpenCV (Open Source Computer Vision) adalah library dari fungsi
pemrograman untuk realtime visi komputer. OpenCV menggunakan lisensi
BSD dan bersifat gratis baik untuk penggunaan akademis maupun
komersial. OpenCV dapat digunakan dalam bahasa pemrograman C, C++,
Python, Java, dan sebagainya. OpenCV dapat digunakan pada sistem
operasi Windows, Linux, Android, iOS dan Mac OS. OpenCV memiliki
lebih dari 2500 algoritma yang telah dioptimalkan (Lazaro, et al., 2017).
2.2.8 Arduino IDE
IDE itu merupakan kependekan dari Integrated Development
Enviroenment, atau secara bahasa mudahnya merupakan lingkungan
terintegrasi yang digunakan untuk melakukan pengembangan. Disebut
sebagai lingkungan karena melalui software inilah Arduino dilakukan
pemrograman untuk melakukan fungsi-fungsi yang dibenamkan melalui
sintaks pemrograman. Arduino menggunakan bahasa pemrograman sendiri
16
yang menyerupai bahasa C. Bahasa pemrograman Arduino (Sketch) sudah
dilakukan perubahan untuk memudahkan pemula dalam melakukan
pemrograman dari bahasa aslinya. Sebelum dijual ke pasaran, IC
mikrokontroler Arduino telah ditanamkan suatu program
bernama Bootlader yang berfungsi sebagai penengah
antara compiler Arduino dengan mikrokontroler.
Arduino IDE dibuat dari bahasa pemrograman JAVA. Arduino IDE ini
dikembangkan dari software Processing yang dirombak menjadi Arduino
IDE khusus untuk pemrograman dengan Arduino. (Sinau Arduino, 2018)
Gambar 2.8 Arduino IDE
2.2.9 Arduino Mega 2560
Arduino Mega 2560 adalah papan pengembangan mikrokontroller yang
berbasis Arduino dengan menggunakan chip ATmega2560. Board ini memiliki
pin I/O yang cukup banyak, sejumlah 54 buah digital I/O pin (15 pin
diantaranya adalah PWM), 16 pin analog input, 4 pin UART (serial port
hardware). Arduino Mega 2560 dilengkapi dengan sebuah oscillator 16 Mhz,
sebuah port USB, power jack DC, ICSP header, dan tombol reset. Board ini
sudah sangat lengkap, sudah memiliki segala sesuatu yang dibutuhkan untuk
sebuah mikrokontroller.. Pada penerapan dalam Tugas Akhir ini, Arduino
Mega 2560 seperti pada Gambar 2.9 digunakan untuk pembacaan sensor
proximity induktif dan RFID serta menggerakkan aktuator berupa buzzer
dan dua lampu 12 Volt DC.
17
Gambar 2.9 Arduino Mega 2560 (Arduino.cc, 2018)
Tabel 2.1 Spesifikasi Arduino Mega 2560
Microcontroller ATmega2560
Operating Voltage 5V
Input Voltage (recommended) 7-12V
Input Voltage (limits) 5.5-16V
Digital I/O Pins 54 ( Pin )
Analog Input Pins 16 ( Pin )
DC Current per I/O Pin 40 mA
DC Current for 3.3V Pin 50 mA
Flash Memory 256 KB of which 8 KB used by
bootloader
SRAM 8 KB
EEPROM 4 KB
CLOCK SPEED: 16 MH
2.2.10 Webcam
Webcam adalah sebuah PC kamera yang dikoneksikan ke internet.
Webcam secara luas mulai digunakan sekitar satu dekade yang lalu oleh
banyak aplikasi dan dunia web (Muchammad Husni, 2005). Webcam atau
kamera web, pada dasarnya adalah sebuah kamera digital yang terhubung
ke komputer, yang berfungsi untuk mengambil citra yang akan diolah oleh
komputer. Pada awalnya webcam digunakan sebagai alat komunikasi yang
menampilkan rentetan citra dan dapat diakses melalui world wide web.
18
Namun, seiring perkembangannya webcam digunakan juga untuk keperluan
lainnya (Therzian Richard Perkasa, 2014). Pada Gambar 2.10 adalah salah
satu contoh webcam. Dalam Tugas Akhir ini, penggunaan Kamera webcam
yaitu untuk mengcapture gambar pekerja sehingga dari gambar hasil
capture akan diolah untuk di deteksi kelengkapan alat pelindung diri yang
digunakan.
Gambar 2.10 Kamera Webcam (Logitech, 2018)
2.2.11 Sensor Proximity Induktif LJ30A3-20-Z/BX
Sensor Jarak Induktif atau Inductive Proximity Sensor adalah Sensor
Jarak yang digunakan untuk Sensor Jarak yang digunakan untuk mendeteksi
keberadaan logam baik logam jenis Ferrous maupun logam jenis non-
ferrous. Sensor ini dapat digunakan untuk mendeteksi keberadaan ada atau
tidak adanya objek logam.
Gambar 2.11 Proximity Induktif LJ30A3-20-Z/BX
Sensor Proximity Induktif pada umumnya terbuat dari kumparan/koil
dengan inti ferit sehingga dapat menghasilkan medan elektromagnetik
frekuensi tinggi. Sebagian besar Sensor Induktif Digital dikonfigurasi
19
dengan Output “Normally Open” namun ada juga yang dikonfigurasi
dengan Output “Normally Close”. Sensor Induktif ini sangat cocok untuk
mendeteksi benda-benda logam di mesin dan di peralatan otomatisasi (Kho,
2018). Pada Tugas Akhir ini, Sensor proximity induktif yang digunakan
yaitu sensor proximity induktif LJ30A3-20-Z/BX. Sensor proximity
digunakan untuk mendeteksi logam yang terdapat pada Safety Shoes.
Tabel 2.2 Spesifikasi Proximity LJ30A3-20-Z/BX
Karakteristik Keterangan
Tegangan Kerja DC 6V-36V
Jarak Deteksi 20 mm
Object Deteksi Metal/Iron
2.2.12 Radio Frequency Identification
RFID (Radio Frequency Identification) merupakan salah satu bentuk
perkembangan dari teknologi nirkabel (wireless) yang digunakan sebagai
pengganti teknologi barcode. Teknologi ini bekerja dengan memanfaatkan
gelombang frekuensi transmisi radio untuk mengidentifikasi suatu objek
berupa sebuah piranti kecil yang disebut tag atau transponder (transmitter
+ responder). Sistem identifikasi pada RFID merupakan tipe sistem
identifikasi automatis yang bertujuan untuk memungkinkan data yang
ditransmisikan oleh tag RFID dapat dibaca oleh suatu reader RFID yang
kemudian akan diproses sesuai dengan kebutuhan dari aplikasi yang dibuat.
Data yang diterima oleh reader RFID merupakan data yang diperoleh dari
proses pentransmisian data dari tag. Data tersebut merupakan suatu
susunan nomor unik yang berisi informasi identifikasi yang dapat digunakan
untuk aplikasi smard card, pencarian lokasi, maupun informasi spesifik
yang terdapat pada suatu produk yang memiliki tag. Sistem RFID terdiri
dari 3 komponen yaitu tag RFID, reader RFID, dan komputer, dapat
dilihat pada diagram blok RFID pada gambar 2.12.
20
Gambar 2.12 Diagram Sistem RFID (Putera, 2013)
Prinsip kerja dari sistem RFID adalah ketika reader memancarkan
gelombang radio, apabila tag RFID berada dalam jangkauan gelombang
frekuensi radio tersebut, maka chip yang ada pada tag RFID akan
dibangkitkan melalui tegangan terinduktansi dan akan memberikan respon
balik, yaitu tag RFID akan mengirimkan nomor unik yang tersimpan
didalamnya secara wireless ke reader RFID untuk di baca. Setelah
itu reader akan meneruskan data yang dibaca ke host komputer yang
terhubung dengan reader (Alief, et al., 2014). Pada Tugas Akhir ini, RFID
yang digunakan yaitu MFRC522. RFID ini digunakan sebagai record data
dari pekerja saat pekerja akan masuk area kerja dan saat pekerja dideteksi
kelengkapan APD yang digunakan. Data yang direcord, yaitu : waktu
record dan kelengkapan APD yang digunakan.
Tabel 2.3 Spesifikasi RC522
Karakteristik Keterangan
Tegangan Kerja DC 2.5V-3.3V
Frequency Range 13.56 Mhz
Arus Kerja 13 - 26mA
2.2.13 RTC DS1307
Real-time clock DS1307 adalah IC yang dibuat oleh perusahaan Dallas
Semiconductor. DS1307 merupakan sebuah IC yang dapat digunakan
sebagai pengaturan waktu yang meliputi detik, menit, jam, hari, tanggal,
bulan dan tahun. Pengaksesan data dilakukan dengan sistem serial sehingga
hanya membutuhkan dua jalur untuk komunikasi yaitu jalur clock untuk
21
membawa informasi data clock dan jalur data yang membawa data. Real-
time clock DS1307 memiliki fitur sebagai berikut:
1. Real-time clock (RTC) meyimpan data detik, menit, jam, tanggal dan
bulan, hari dalam seminggu, dan tahun valid hingga 2100.
2. 56-byte, battery-backed, RAM nonvolatile (NV) RAM untuk
penyimpanan.
3. Konsumsi daya kurang dari 500nA menggunakan mode baterai cadangan
dengan operasional osilator.
Sedangkan daftar pin RTC DS1307 adalah sebagai berikut:
1. VCC – Primary Power Supply.
2. X1, X2 – 32.768kHz Crystal Connection.
3. VBAT – +3V Battery Input.
4. GND – Ground.
5. SDA – Serial Data.
6. SCL – Serial Clock
7. SQW/OUT – Square Wave/Output Driver.
Pada Tugas Akhir ini, RTC DS1307 digunakan sebagai penghitung
waktu realtime dari sistem alat. Sehingga akan diketahui waktu perkeja
melakukan absensi sebelum memasuki tempat kerja.
Gambar 2.13 RTC DS1307
2.2.14 SD Card Module
SD Card Shield atau SD Modul merupakan solusi untuk mengirim
data ke SD card. SD Modul dapat dilihat pada Gambar 2.5
22
Gambar 2.14 SD Card Module
Pinout dari SD Card Shield dapat dihubungkan ke Arduino maupun
mikrokontroler lainnya, sehingga bermanfaat untuk menambah kapasitas
tempat penyimpanan data dan pencatatan data. SD Card Shield ini dapat
langsung dipasang pada Arduino dan terdapat switch untuk memilih flash
card slot. Keistimewaan dari SD Module ini adalah:
1. Terdapat modul untuk standar SD card dan Micro SD (TF) card.
2. Terdapat switch untuk memilih flash card slot.
3. Dapat dipasang langsung pada Arduino.
4. Dapat digunakan untuk mikrokontroler lain.
2.2.15 Buzzer
Buzzer adalah sebuah komponen elektronika yang dapat mengubah
sinyal listrik menjadi getaran suara. Pada umumnya, buzzer yang
merupakan sebuah perangkat audio ini sering digunakan pada rangkaian
anti-maling, alarm pada jam tangan, bel rumah, peringatan mundur pada
truk dan perangkat peringatan bahaya lainnya. Jenis buzzer yang sering
ditemukan dan digunakan adalah buzzer yang berjenis piezoelectric, hal ini
dikarenakan buzzer piezoelectric memiliki berbagai kelebihan seperti lebih
murah, relatif lebih ringan dan lebih mudah dalam menggabungkannya ke
rangkaian elektronika lainnya.
Gambar 2.15 Buzzer (Squishy Circuits, 2018)
23
Piezoelectric Buzzer adalah jenis buzzer yang menggunakan efek
piezoelectric untuk menghasilkan suara atau bunyinya. Tegangan listrik
yang diberikan ke bahan piezoelectric akan menyebabkan gerakan mekanis,
gerakan tersebut kemudian diubah menjadi suara atau bunyi yang dapat
didengar oleh telinga manusia dengan menggunakan diafragma dan
resonator (Kho, 2018). Pada Tugas Akhir ini, Buzzer digunakan sebagai
indikator kelengkapan alat pelindung diri yang digunakan pekerja.
2.2.16 Lampu Pilot DC 12 Volt
Lampu pilot (pilot lamp) adalah aktuator yang digunakan dalam
tugas akhir ini. Lampu pilot meruapakan jenis lampu yang sering
digunakan dalam industri. Lampu ini membutuhkan tegangan kerja
sebesar 12 VDC. Pada tugas akhir ini, lampu pilot 12 Volt DC digunakan
sabagai indicator kelengkapan APD yang digunakan pekerja. Lampu pilot
12 Volt DC warna merah sebagai indicator kategori tidak lengkap dan 12
Volt DC warna hijau sebagai indicator lengkap.
Gambar 2.16 Lampu Pilot 12 Volt DC
24
“Halaman ini sengaja dikosongkan”
BAB III
METODOLOGI PENELITIAN
25
BAB 3
METODE PENELITIAN
Diagram Alir pada Tugas Akhir ini ditunjukkan pada Gambar 3.1 berikut
ini.
Mulai
Identifikasi
Masalh dan
Studi Literatur
Analisa Kebutuhan
Sistem
Uji Coba
Berhasil?
Selesai
Perancangan Sistem
Perancangan Desain
Mekanik
Perancangan Hardware
Ya
Tidak
Perancangan Software
Gambar 3.1 Diagram Alir Penelitian
26
3.1 Identifikasi Masalah dan Studi Literatur
Tahap identifikasi awal merupakan langkah awal dalam pelaksanaan
penelitian sehingga dapat dilakukan identifikasi permasalahan serta tujuan
yang akan dicapai. Adapun isi dari tahap ini adalah sebagai berikut:
1. Identifikasi masalah
Pada tahap ini dilakukan identifikasi masalah yaitu perlunya
identifikasi kelengkapan Alat Pelindung Diri (APD) yang digunakan oleh
para pekerja untuk menjamin kesehatan dan keselamatan para pekerja dari
resiko kecelakaan kerja.
2. Penetapan tujuan dan rumusan manfaat penelitian
Pada tahap ini dilakukan penetapan tujuan berdasarkan rumusan
masalah yang menjadi tujuan dari penelitian ini. Rumusan masalah pada
penelitian ini yaitu membuat Rancang Bangun identifikasi Alat Pelindung
Diri (APD) menggunakan metode Convolutional neural network (CNN).
3. Studi pustaka
Studi literatur akan dilakukan untuk pemahaman konsep, teori, dan
teknologi yang akan digunakan dalam pembuatan aplikasi. Pada bagian ini
akan dibahas tentang literatur Convolutional neural network, pembuatan
aplikasi Python.
3.2 Analisa Kebutuhan Sistem
Analisa kebutuhan sistem merupakan langkah untuk mengetahui
kebutuhan-kebutuhan sistem yang akan dibangun dengan memperhitungkan
dan memperinci kebutuhan yang diperlukan pada sistem yang akan dibuat.
Pada tahap ini dilakukan analisa terhadap data-data dan teknologi yang
diperlukan. Pada teknologi yang dibutuhkan dapat meliputi:
1. Webcam
2. PC (Personal Computer)
3. Arduino Mega 2560
4. Sensor Proximity Induktif
5. RFID
6. RTC DS1307
27
7. SD Card Module
8. Buzzer
9. Lampu Pilot 12 Volt DC
Dengan tersedianya kebutuhan sistem, maka akan mempermudah
dalam proses perancangan sistem yang akan dibuat.
3.3 Desain dan Perancangan Sistem
Setelah mengetahui kebutuhan sistem, dasar-dasar ilmu serta teknologi
yang akan digunakan, maka langkah selanjutnya adalah melakukan
perancangan dan desain dari sistem yang akan dikembangkan, meliputi:
3.3.1 Perancangan Sistem
Pada Gambar 3.2 akan menjelaskan tentang gambaran umum CNN
yang akan dibuat.
Objek Ambil Citra RGB Grayscale Konvolusi
Maxpooling
Training
dengan Neural
Network
Output
ProcessingPre-processing
Gambar 3.2 Gambaran Umum CNN
Pada gambaran umum ini, ada 3 tahap, yaitu Pre-Processing,
Processing, dan Classifying. Pada tahap Pre-Processing Input citra akan
diolah dan diubah dari RGB ke grayscale. Kemudian masuk ketahap utama,
yaitu tahap processing. Pada tahap processing, Input citra akan masuk tahap
awal, yaitu proses konvolusi. Proses konvolusi akan membuat array baru
atau Input baru. Setelah itu masuk proses maxpooling, proses ini berfungsi
untuk mempercepat proses komputasi pada program dan juga
menghilangkan noise pada Input citra yang telah diambil. Setelah itu, masuk
ke proses inti yaitu proses Training dengan Neural Network (NN). Pada
proses ini akan menghasilkan bobot yang akan digunakan untuk klasifikasi
Output.
Pada Gambar 3.3, tahap awal pada sistem deteksi ini adalah
28
mempersiapkan Data Training dan library untuk pemograman. Kemudian
pastikan sensor proximity induktif mendeteksi adanya logam pada Safety
Shoes. Setelah itu pekerja absen terlebih dahulu dengan menempelkan kartu
pada RFID Reader untuk proses absensi record data. Setelah data yang
dibaca RFID Reader cocok, maka kamera akan mengambil gambar pekerja.
Setelah itu masuk ke tahap selanjutnya yaitu Algortima CNN memproses
data sehingga dapat mengklasifikasikan kelengkapan alat pelindung diri
seperti Safety Helmet, Safety Glasses, Safety Masker, Safety Earmuff. Ini
adalah tahap inti sistem pendeteksi kelengkapan alat pelindung diri yang
dimana jika alat pelindung diri yang digunakan perkerja masuk dalam
kategori lengkap maka indicator lampu hijau 12V DC akan menyala dan
pekerja dipersilahkan masuk tetapi apabila alat pelindung diri yang
digunakan pekerja masuk kategori tidak lengkap maka indicator lampu
merah 12V DC dan alarm akan menyala sebagai tanda pekerja tidak boleh
masuk.
Mulai
Scan Kartu Identitas RFID
Kamera mengcapture gambar pekerja
Hasil capture gambar pekerja di proses dengan algoritma CNN
Kamera dan Proximity Induktif aktif
Apakah besi pada safety shoes terdeteksi oleh
proximity?
Ya
Tidak
Apakah APD yang digunakan lengkap (Safety helmet, safety glasses, safety
mask, earmuff) ?
Lampu Merah Menyala
Tidak
Lampu Hijau Menyala
Selesai
Ya
A
A
Gambar 3.3 Flowchart Alur Sistem
29
3.3.2 Diagram Blok Sistem
Webcam
Sensor
Proximity 1
Sensor
Proximity 2
PC
Proses
(Arduino UNO)Buzzer
RFID Reader
Lampu 12V DC
SD Card Module
Gambar 3.4 Rancangan Desain Kerja Hardware
Rancangan hardware pada Gambar 3.4, dijelaskan bahwa sistem ini
mempunyai 3 input yaitu kamera webcam, sensor proximity untuk
pendeteksi metal yang terdapat pada safety shoes. Disini juga terdapat 3
buah aktuator yaitu Buzzer untuk indicator alarm, lampu merah dan hijau
12V DC untuk indicator klasifikasi kelengkapan alat pelindung diri yang
digunakan pekerja.
3.3.3 Perancangan Mekanik
Pada Gambar 3.5 dan 3.6 dibawah ini merupakan rancangan Hardware,
dimana pekerja nantinya akan masuk melalui pintu gate kemudian kamera
akan mencapture pekerja dan sensor proximity induktif akan mendeteksi
besi yang terdapat pada safety shoes. Apabila kelengkapan alat pelindung
diri sudah sesuai standard maka pekerja diperbolehkan masuk. Namun jika
tidak sesuai standard alarm dan lampu merah 12V DC akan aktif sebagai
tanda peringatan.
Gambar 3.5 Desain 3D Tampak Depan
Kamera
Webcam Sensor
Proximity
30
Gambar 3.6 Desain 3D Tampak Samping
Pada penelitian ini pendeteksi kelengkapan alat pelindung diri
menggunakan metode Convolutional Neural Network (CNN).
3.4 Arsitektur CNN
Tugas Akhir ini difokuskan untuk mendapatkan sistem otomatis
mengidentifikasi kelengkapan alat pelindung diri yang digunakan oleh pekerja.
Selain itu, tujuan utama dari penelitian ini adalah untuk mendapatkan hasil
klasifikasi dari proses CNN. Pada proses umum CNN, proses ini memiliki 3
tahap, yaitu pre-processing, processing, dan classifying.
Arsitektur metode Convolutional Neural Netwok terdapat pada Gambar
3.7 dengan proses pre-processing terdiri dari 2 proses, yaitu pembentukan
dataset dan konversi dataset menjadi grayscale. Kemudian proses ke 2 adalah
processing yang terdiri dari konvolusi citra, max pooling, training NN, dan
softmax. Untuk proses yang terakhir adalah classifying yang mempunyai 1
proses yaitu penentuan output.
Sebelum pembuatan program CNN, penulis terlebih dahulu membuat
arisitektur CNN. Arsitektur ini digunakan untuk dasar pembuatan program
CNN. berikut adalah gambaran arsitektur CNN. Pada arsitektur ini, terdapat
input image yang memiliki resolusi sebesar 144 x 176 x 3. Kemudian input
image akan diubah terlebih dahulu dari bentuk RGB ke grayscale dengan
Kamera
Webcam
31
resolusi yang sama. Setelah itu input image ini akan masuk ke proses
konvolusi. Proses ini akan melibatkan kernel atau filter yang berukuran 5 x 5 x
32 yang artinya filter ini mempunyai ukuran pixel 5 x 5 sebanyak 32 filter.
Setelah diproses melalui program Python, proses ini akan menghasilkan input
image baru yang dinamakan feature maps. Feature maps ini mempunyai
resolusi yang lebih kecil dibandingkan image sebelumnya tetapi mempunyai
kedalaman atau depth yang bertambah. Resolusi yang dihasilkan sebesar 140
x 172 x 32.
Hasil proses konvolusi tadi akan masuk ke tahap selanjutnya, yaitu
tahap maxpooling. Proses maxpooling adalah suatu proses yang dimana citra
akan diambil nilai terbesarnya dengan ketentuan pixel tertentu. Pada tahap ini
pixel yang digunakan sebesar 2 x 2. Jadi, setiap 2 x 2 pixel pada feature maps
akan diambil nilai terbesarnya. Hasilnya, resolusi pada citra sebelumnya akan
berubah menjadi 70 x 86 x 32. Jika proses maxpooling telah selesai, citra ini
akan memasuki konvolusi lagi karena pada program penelitian ini, proses
konvolusi dengan filter dilakukan sebanyak 2 kali. Hal ini dilakukan untuk
mendapatkan hasil prediksi yang maksimal.
Citra yang dihasilkan setelah melewati proses konvolusi sebanyak 2
kali mempunyai resolusi sebesar 34 x 42 x 64. Setelah itu, barulah masuk pada
tahap berikutnya yaitu tahap flatten. Tahap ini merupakan proses dimana input
image yanng telah didapatkan akan diubah menjadi 1 dimensi untuk di training
dengan neural network (NN). Hasil dari proses flatten adalah sebesar 91.392 x
1. Nilai ini yang akan menjadi vektor input pada proses neural network.
Gambar 3.7 Aristektur CNN
32
3.5 Contoh Perhitungan CNN
Untuk dapat lebih memahami cara kerja dari proses konvolusi, peneliti
akan menggunakan sampel deret angka pada input dikarenakan keterbatasan
penulisan dengan ukuran 144 x 176 maka peneliti menggunakan sampel deret
angka pada input dengan ukuran 10 x 10 dan menggunakan gaussian karnel
dengan ukuran 3x3.
Gambar 3.8 Gambar berukuran 10 x 10 sebelum dilakukan konvolusi
Pada Gambar 3.10 adalah gambar yang berukuran 10 x 10. Seperti yang
dapat kita lihat terdapat gambar berupa symbol plus (+). Peneliti akan
mengubah gambar diatas menjadi sebuah array yang berukuran 10 x 10.
Gambar 3.9 Gambar berukuran 10 x 10 dalam bentuk array
255 255 255 255 255 255 255 255 255 255
255 255 255 255 255 255 255 255 255 255
255 255 255 255 0 0 255 255 255 255
255 255 255 255 0 0 255 255 255 255
255 255 0 0 0 0 0 0 255 255
255 255 0 0 0 0 0 0 255 255
255 255 255 255 0 0 255 255 255 255
255 255 255 255 0 0 255 255 255 255
255 255 255 255 255 255 255 255 255 255
255 255 255 255 255 255 255 255 255 255
33
Adapun gaussian karnel yang berukuran 3 x 3 yang akan digunakan
untuk konvolusi dapat dilihat pada Gambar 3.12.
0.1096 0.1118 0.1096
0.1118 0.1141 0.1118
0.1096 0.1118 0.1096
Gambar 3.10 Gaussian karnel 3 x 3.
Dengan menggunakan filter 3x3 dengan strided atau langkah yang
digunakan dalam perhitungan konvolusi tersebut adalah 1 maka proses
perhitungan konvolusi tersebut dapat divisualisasikan seperti pada Gambar
3.13.
(A)
(B)
(C)
Gambar 3.11 Posisi proses konvolusi, (A) posisi 1, (B) posisi 2, (C) Posisi 3.
34
Proses konvolusi berlangsung sampai sudut kanan paling bawah.
Adapun perhitungan manual dapat dilihat pada keterangan dibawah ini :
- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1141) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1096) = 𝟐𝟓𝟓
- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1141) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1096) = 𝟐𝟓𝟓
- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1141) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(0 𝑥 0.1096) = 𝟐𝟐𝟕
- … … … … ….
- (255 𝑥 0.1096) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1141) + (255 𝑥 0.1118) + (255 𝑥 0.1096) + (255 𝑥 0.1118) +
(255 𝑥 0.1096) = 𝟐𝟓𝟓
Pada proses perhitungan manual akan menghasilkan sebuah array baru
yang berukuran 8 x 8. Untuk nilai keseluruhan dapa dilihat pada Gambar 3.14.
255 255 227 198 198 227 255 255
255 255 198 141 141 198 255 255
227 198 114 56 56 114 198 255
198 141 56 28 28 56 141 198
198 141 56 28 28 56 141 198
227 198 114 56 56 114 198 255
255 255 198 141 141 198 255 255
255 255 227 198 198 227 255 255
Gambar 3.12 Hasil konvolusi menghasilkan feature maps berukuran 8 x 8
Setelah hasil konvolusi didapatkan, maka masuk ke proses selanjutnya
yaitu proses maxpooling. Proses maxpooling hampir sama dengan proses
konvolusi. Proses maxpooling akan mengambil nilai tertinggi dari suatu input
citra. Dalam penerapan pada sistem ini, proses maxpooling akan menggunakan
35
pixel 2x2. Setiap 2x2 pixel pada Input citra akan diambil nilai pixel
tertingginya. Pengambilan nilai tertinggi pada pixel akan terus bergeser hingga
seluru pixel pada suatu citra telah habis. Untuk lebih jelasnya, ilustrasi akan
ditampilkan pada Gambar 3.15.
Gambar 3.13 Hasil Max pooling 4 x 4
Setelah proses maxpooling ini selesai, maka masuk ke proses
selannjutnya. Yaitu proses flattening. Proses ini merupakan proses terpenting
karena proses ini akan menghasilkan nilai yang akan digunakan untuk proses
Training dengan neural network. Proses ini berguna untuk mempermudah
komputasi dengan cara merubah array yang berdimensi n x m menjadi 1 deret
bilangan sebagai Vektor Input. Mengacu pada contoh sebelumnya, hasil
maxpooling 4 x 4 akan berubah menjadi 16 x 1. Untuk memperjelas hasil
flattening penulis akan menampilkan hasilnya pada Gambar 3.16.
Gambar 3.14 Proses Flattening
36
Seperti pada Gambar 3.16, proses flattening pada contoh ini
menghasilkan array berukuran 16 x 1 berupa Vektor Input. Vektor Input ini
akan di Training dengan hidden neuron untuk mendapatkan bobot yang akan
digunakan untuk klasifikasi Output yang diinginkan. Sehingga setelah proses
flattening ini akan diketahui outputannya yaitu antara alat pelindung diri yang
digunakan pekerja lengkap atau alat pelindung diri yang digunakan oleh
pekerja tidak lengkap.
BAB IV
HASIL DAN PEMBAHASAN
37
BAB 4
HASIL DAN PEMBAHASAN
4.1. Pengujian Hardware
Pengujian Hardware pada penelitian ini diantaranya sebagai berikut :
4.1.1 Pengujian Kamera
Untuk melanjutkan ke tahap selanjutnya, dibutuhkan adanya pengujian
sensor yang akan dipasang pada sistem ini. Berikut ini adalah hasil
pengujian sensor pada plan Tugas Akhir ini. Pada sub bab ini, berisi tentang
pengujian kamera. Pada sistem ini, kamera yang digunakan adalah kamera
logitech C525. Tahap awal adalah pengecekan koneksi kamera terhadap PC.
PC akan diberikan program yang akan membaca dan menampilkan video
secara real-time. Jika berhasil, pengujian terhadap koneksi kamera telah
selesai. Pada Gambar 4.1 merupakan hasil pengujian koneksi antara kamera
dengan PC.
Gambar 4.1 Hasil Pengujian Koneksi Kamera
Selain itu, untuk pengecekan terhadap kamera dapat dilihat secara
langsung dari indikator yang terdapat pada kamera. Terdapat indikator LED
berwarna merah yang teradapat di daerah depan. Indikator ini akan menyala
jika program meminta kamera untuk hidup. Pada penerapan awal pada
sistem, kamera mempunyai waktu yang sedikit lama untuk menyal. Pada
39
induktif terhadap bahan non logam. Gambar 4.5 adalah hasil pengujian yang
ditampilkan pada serial arduiono saat kondisi aktif dan kondisi tidak aktif.
Gambar 4.3 Pengujian Proximity dengan Bahan Logam
Gambar 4.4 Pengujian Proximity dengan Bahan Non Logam
Gambar 4.5 Hasil Apabila Proximity Deteksi Logam dan Non Logam
Tabel 4.2 Data Pengujian Sensor Proximity Induktif Terhadap Logam/Besi.
No. Pengujian Jarak Pengujian Kondisi Proximity
1. 1 0 cm Terdeteksi
2. 2 1 cm Terdeteksi
3. 3 2 cm Terdeteksi
4. 4 3 cm Tidak Terdeteksi
5. 5 4 cm Tidak terdeteksi
Pada pengujian sensor proximity dilakukan 5 kali pengujian dengan
jarak yang berbeda. Pada Tabel 4.2 Jarak 0 – 2 cm menunjukkan bahwa
40
sensor dapat mendeteksi adanya objek. Tetapi pada jarak 4-5 cm, sensor
telah tidak mampu untuk mendeteksi. Itu dikarenakan jarak deteksi
maksimal sensor adalah 2 cm.
4.1.3 Pengujian RFID MFRC522
Pada pengujian RFID MFRC522, RFID akan dihubungkan dengan
program Arduino. RFID akan diberikan suatu kondisi. Ketika card RFID
ditempelkan pada modul RFID MFRC522, maka serial akan menampilkan
hasil . Sedangkaan ketika proximity aktif atau terkena objek besi/logam,
maka serial akan menampilkan code tag setiap card RFID. Gambar 4.6
adalah hasil pengujian RFID MFRC522 pada saat mendeteksi card RFID.
Gambar 4.6 Hasil Pengujian RFID MRC522
Pada pengujian RFID MFRC522 dilakukan 5 kali pengujian dengan
jarak yang berbeda. Pada Jarak 0 – 3.5 cm menunjukkan bahwa RFID dapat
mendeteksi adanya objek. Tetapi pada jarak diatas 3.5 cm, RFID telah tidak
mampu untuk mendeteksi.
Tabel 4.3 Data Pengujian RFID
No. Pengujian Jarak Pengujian Kondisi RFID
1. 1 0 cm Terdeteksi
2. 2 1 cm Terdeteksi
3. 3 2 cm Terdeteksi
4. 4 3,5 cm Terdeteksi
5. 5 4 cm Tidak terdeteksi
41
4.1.4 Pengujian RTC DS1307
Pengujian Pewaktuan disini menggunakan RTC DS1307 sebagai timer,
dan dibutuhkan tegangan 5V untuk mengaktifkan rangkaian RTC DS1307
serta perangkat PC sebagai media untuk memasukan program ke dalam
Arduino yang berfungsi sebagai kontroler. Bisa dilihat pada Gambar 4.7
berikut ini.
Gambar 4.7 Pengujian RTC DS1307
Pada saat pengujian terlihat bahwa RTC DS1307 tanggal sesuai dengan
PC namun untuk jam, menit, dan detik lebih lambat 4 detik dari jam yang
terdapat pada PC. Hasil Pengujian dapat dilihat pada Tabel 4.4.
Tabel 4.4 Hasil Pengujian RTC DS1307 dengan Jam Digital
No. Real time Clock (DS1307) Jam Digital Error
1 00:01:29 - 17.05.2019 00:01:33 - 17.05.2019 4 Detik
2 00:01:31 - 17.05.2019 00:01:35 - 17.05.2019 4 Detik
3 00:01:33 - 17.05.2019 00:01:37 - 17.05.2019 4 Detik
4 00:01:35 - 17.05.2019 00:01:39 - 17.05.2019 4 Detik
5 00:01:38 - 17.05.2019 00:01:42 - 17.05.2019 4 Detik
6 00:01:41 - 17.05.2019 00:01:45 - 17.05.2019 4 Detik
7 00:01:44 - 17.05.2019 00:01:48 - 17.05.2019 4 Detik
8 00:01:47 - 17.05.2019 00:01:51 - 17.05.2019 4 Detik
9 00:01:50 - 17.05.2019 00:01:54 - 17.05.2019 4 Detik
10 00:01:53 - 17.05.2019 00:01:57 - 17.05.2019 4 Detik
Rata-Rata Error (Detik) 4 Detik
4.1.5 Pengujian SD Card Module
Dalam sistem Tugas Akhir ini Module Micro SD digunakan untuk
tempat penyimpanan file daftar absensi pekerja yang berbentuk file .txt.
Sehingga semua data absensi pekerja dapat dilihat pada file yang terdapat di
storage penyimpanan microsd. Berikut hasil pengujian file yang tersimpan
pada storage microsd.
42
Gambar 4.8 Pengujian Modul Microsd
4.2 Software
4.2.1 Tampilan Interface
Pada Gambar 4.9 merupakan desain interface tkinter python untuk
Tugas Akhir ini.
Gambar 4.9 Tampilan Interface
4.2.2 Pembentukan dan Pengambilan Data Training
Pada referensi dari berbagai penelitian tentang aplikasi jaringan saraf
tiruan, tahap awal sebelum proses Training adalah pengambilan atau
pembentukan dataset. Semua dataset dan citra yang diambil mempunyai
resolusi yang sama, yaitu 144 x 176 piksel. Untuk penentuan proporsi data
untuk keperluan Training diambil secara acak. Tabel 4.5 dan Tabel 4.6
adalah hasil dari pengambilan dataset.
43
Tabel 4.5 Data Training Kategori Lengkap
Data Training Kategori
Lengkap
Tabel 4.6 Data Training Kategori Tidak Lengkap
Data Training Kategori
Tidak
Menggunakan
Semua APD
Kacamata
Kacamata dan
Masker
Helm
Helm dan Earmuff
Helm, Earmuff dan
Kacamata
Helm, Earmuff dan
Masker
44
Tabel 4.6 Data Training Kategori Tidak Lengkap
Data Training Kategori
Helm dan
Kacamata
Helm, Kacamata
dan Masker
Helm dan Masker
Masker
Pada hasil klasifikasi dikatakan lengkap apabila seluruh alat pelindung
diri digunakan oleh pekerja. Sedangkan dikatakan tidak lengkap apabila
salah satu alat pelindung diri tidak digunakan oleh pekerja atau pekerja tidak
menggunakan semua alat pelindung diri.
4.2.3 Konversi RGB to Grayscale
Ketika pengambilan awal gambar, dataset awal masih berupa data yang
mempunyai RGB. Pada tahap ini, dataset yang diambil diawal akan diubah
menjadi gambar grayscale. Ini difungsikan untuk proses pengolahan citra
yang di implementasikan dengan CNN. Proses pada CNN hanya dapat
dijalankan dengan gambar grayscale. Gambar 4.10 merupakan gambar hasil
Konversi dari RGB ke Grayscale.
45
Gambar 4.10 Contoh Hasil Konversi RGB ke Grayscale
Pada proses perubahan ini secara otomatis Input image akan berubah
menjadi grayscale yang dimana, grayscale ini mempunyai tingkat derajat
keabuan tersendiri. Setelah proses ini selesai, selanjutnya akan masuk ke
tahap selanjutnya yaitu tahap Konvolusi Citra.
4.2.4 Konvolusi Karnel
Konvolusi adalah salah satu proses filtering image yang sering
dilakukan pada proses pengolahan citra. Pada penelitian ini, konvolusi citra
yang dipakai adalah menggunakan konvolusi karnel berukuran 5x5 dan 3x3
dengan citra gray berukuran 144 x 176. Pada tahap konvolusi citra, penulis
melakukan konvolusi menggunakan karnel sebanyak dua kali untuk
memperjelas citra sehingga akan di dapatkan citra yang lebih detail. Proses
konvolusi pertama menggunakan citra gray dengan ukuran 144 x 176
dengan 5 x 5 x 32 karnel yang menghasilkan array baru berukuran 140 x
172. Konvolusi kedua citra gray dengan ukuran 70 x 86 dengan 3 x 3 x 64
karnel yang menghasilkan array baru berukuran 68 x 84. Dari proses
konvolusi pertama dihasilkan feature map dari citra gray dengan ukuran
140x172 dan dari proses konvolusi kedua dihasilkan feature map dari citra
gray dengan ukuran 68 x 84. Pada Tabel 4.7 dapat dilihat hasil dari citra
gray yang sudah melalui proses konvolusi.
46
Tabel 4.7 Hasil Konvolusi Gambar
No. Katagori Gambar asli Feature Maps
1 Lengkap
KO
NV
OL
US
I 1
144 x 176
140 x 172
2
Tidak
Menggunakan
Apapun
144 x 176
140 x 172
3 Kacamata dan
Mask
144 x 176
140 x 172
4 Kacamata
144 x 176
140 x 172
5
Kacamata,
Helm dan
Earmuff
144 x 176
140 x 172
6 Helm, Earmuff
dan Mask
144 x 176
140 x 172
7 Helm dan
Earmuff
144 x 176
140 x 172
47
Gambar 4.7 Hasil Konvolusi Gambar (Lanjutan)
No. Katagori Gambar asli Feature Maps
8 Helm, Mask
dan Kacamata
KO
NV
OL
US
I 1
144 x 176
140 x 172
9 Helm dan
Kacamata
144 x 176
140 x 172
10 Helm
144 x 176
140 x 172
11 Mask
144 x 176
140 x 172
12 Helm dan
Mask
144 x 176
140 x 172
13 Lengkap
KO
NV
OL
US
I 2
70 x 86
68 x 84
14
Tidak
Menggunakan
Apapun
70 x 86
68 x 84
48
Tabel 4.7 Hasil Konvolusi Gambar (Lanjutan)
No. Katagori Gambar asli Feature Maps
15 Kacamata dan
Mask
KO
NV
OL
US
I 2
70 x 86
68 x 84
16 Kacamata
70 x 86
68 x 84
17
Kacamata,
Helm dan
Earmuff
70 x 86
68 x 84
18 Helm, Earmuff
dan Mask
70 x 86
68 x 84
19 Helm dan
Earmuff
70 x 86
68 x 84
20 Helm, Mask
dan Kacamata
70 x 86
68 x 84
21 Helm dan
Kacamata
70 x 86
68 x 84
49
Tabel 4.7 Hasil Konvolusi Gambar (Lanjutan)
No. Katagori Gambar asli Feature Maps
22 Helm
KO
NV
OL
US
I 2
70 x 86
68 x 84
23 Mask
70 x 86
68 x 84
24 Helm dan
Mask
70 x 86
68 x 84
4.2.5 Maxpooling
Max pooling citra adalah bagian dari proses reduksi. Pada penelitian ini
dilakukan dua kali proses maxpooling. Dimana Maxpooling pertama
menggunakan citra gray hasil konvolusi pertama berukuran 140 x 172 yang
kemudian masuk pada tahap penyederhanaan setengah dari ukuran pixel.
Penyederhanaanya dengan cara mengambil nilai terbesar pada matrix n x m
secara berulang sebanyak 2x2 pixel. Sehingga akan di dapatkan setengah
dari ukuran citra sebelumnya. Kemudian Maxpooling kedua menggunakan
citra gray hasil konvolusi kedua dengan ukuran 68 x 84 yang akan melalui
proses penyederhanaan seperti pada proses maxpooling pertama. Hasil dari
proses maxpooling kedua yaitu citra gray dengan ukuran 34 x 42. Pada
Tabel 4.8 dapat dilihat hasil proses maxpooling.
50
Tabel 4.8 Gambar Hasil Proses Maxpooling
No. Katagori Feature Maps Maxpooling
1 Lengkap
MA
XP
OO
LIN
G 1
140 x 172
70 x 86
2
Tidak
Menggunakan
Apapun
140 x 172
70 x 86
3 Kacamata dan
Mask
140 x 172
70 x 86
4 Kacamata
140 x 172
70 x 86
5
Kacamata,
Helm dan
Earmuff
140 x 172
70 x 86
6 Helm, Earmuff
dan Mask
140 x 172
70 x 86
7
Helm dan
Earmuff
140 x 172
70 x 86
51
Tabel 4.8 Gambar Hasil Proses Maxpooling (Lanjutan)
No. Katagori Feature Maps Maxpooling
8 Helm, Mask
dan Kacamata
MA
XP
OO
LIN
G 1
140 x 172
70 x 86
9 Helm dan
Kacamata
140 x 172
70 x 86
10 Helm dan
Mask
140 x 172
70 x 86
11 Helm
140 x 172
70 x 86
12 Mask
140 x 172
70 x 86
13 Lengkap
MA
XP
OO
LIN
G 2
68 x 84
34 x 42
14
Tidak
Menggunakan
Apapun
68 x 84
34 x 42
52
Tabel 4.8 Gambar Hasil Proses Maxpooling (Lanjutan)
No. Katagori Feature Maps Maxpooling
15 Kacamata dan
Mask
MA
XP
OO
LIN
G 2
68 x 84
34 x 42
16 Kacamata
68 x 84
34 x 42
17
Kacamata,
Helm dan
Earmuff
68 x 84
34 x 42
18 Helm, Earmuff
dan Mask
68 x 84
34 x 42
19 Helm dan
Earmuff
68 x 84
34 x 42
20 Helm, Mask
dan Kacamata
68 x 84
34 x 42
21
Helm dan
Kacamata
68 x 84
34 x 42
53
Tabel 4.8 Gambar Hasil Proses Maxpooling (Lanjutan)
No. Katagori Feature Maps Maxpooling
22 Helm dan
Mask
MA
XP
OO
LIN
G 2
68 x 84
34 x 42
23 Helm
68 x 84
34 x 42
24 Mask
68 x 84
34 x 42
4.2.6 Training
Proses training dilakukan setelah proses konvolusi selesai. Proses
dilakukan menggunakan aplikasi spyder dengan dibantu dengan library
keras.io. keras adalah library untuk jaringan syaraf tingkat lanjut dengan
skala komputasi yang besar atau deep learning. Import semua library yang
diperlukan seperti dense yang merupakan variable deklarasi untuk
menentukan jumlah hidden neuron pada hidden layer, activation untuk
menentukan aktivasi yang digunakan. Flattening merupakan merubah output
dari proses konvolusi yang berupa matriks menjadi sebuah vector. Fasilitas
Convolution 2D sebagai proses konvolusi citra dengan berbagai karnel
didalamnya serta Maxpool 2D untuk proses subsampling dimana matriks
max pooling dapat diatur sesuai kebutuhan. Jenis pembagian dataset dan
spesifikasinya dapat dilihat pada Tabel 4.9.
Tabel 4.9 Pembagian dataset dan spesifikasinya
Data Training Data Validasi
Jumlah Data 917 917
Resolusi 144x176 144x176
Ruang warna Grayscale Grayscale
Terdapat beberapa parameter yang harus ditentukan seperti jumlah
54
iterasi, jumlah iterasi yang digunakan pada penelitian ini adalah 50.
Menggunakan single hidden layer neural network dengan jumlah hidden
neuron pada hidden layer sebanyak 256 hidden neuron. Serta fungsi aktivasi
yang digunakan yaitu relu. Jumlah vektor input dari proses subsampling
terakhir yaitu 34 x 42 x 64 setelah melalui proses flatten akan berubah
menjadi 91.392. Vektor output pada penelitian ini berupa bilangan biner
dengan 12 vektor output. Untuk lebih jelasnya dapat dilihat pada Tabel 4.10.
Tabel 4.10 Vektor Output
Klasifikasi Vektor
Lengkap [ 1 0 0 0 0 0 0 0 0 0 0 0 ]
Tidak Lengkap [ 0 1 0 0 0 0 0 0 0 0 0 0 ]
Kacamata [ 0 0 1 0 0 0 0 0 0 0 0 0 ]
Kacamata dan Masker [ 0 0 0 1 0 0 0 0 0 0 0 0 ]
Helm [ 0 0 0 0 1 0 0 0 0 0 0 0 ]
Helm dan Earmuff [ 0 0 0 0 0 1 0 0 0 0 0 0 ]
Helm, Earmuff dan Kacamata [ 0 0 0 0 0 0 1 0 0 0 0 0 ]
Helm, Earmuff dan Masker [ 0 0 0 0 0 0 0 1 0 0 0 0 ]
Helm dan Kacamata [ 0 0 0 0 0 0 0 0 1 0 0 0 ]
Helm, Kacamata dan Masker [ 0 0 0 0 0 0 0 0 0 1 0 0 ]
Helm dan Masker [ 0 0 0 0 0 0 0 0 0 0 1 0 ]
Masker [ 0 0 0 0 0 0 0 0 0 0 0 1 ]
Vektor output berupa bilangan biner dipilih untuk memudahkan proses
analisis data. Klasifikasi berupa bilangan biner dipakai untuk proses
labeling pada vektor output baik untuk label testing dan label training.
Pada penelitian ini penulis mencoba beberapa optimizer diantaranya
optimizer Adam, optimizer Adadelta, dan optimizer RMSprop dengan
menggunakan 256 hidden neuron. Pengujian ini sangat penting sebagai
dasar keputusan untuk menggunakan optimizer adam. Proses training
memiliki hasil accuracy dan loss yang berbeda-beda meskipun nilai
accuracy dan loss yang dihasilkan tiap-tiap optimizer tidak berbeda
signifikan. Akan tetapi hasil training tiap optimizer jelas memiliki
perbedaan yang lumayan mencolok saat dilakukan testing.
1. Training dengan RMSprop Optimizer
Percobaan training pertama menggunakan RMSprop Optimizer
dengan konfigurasi sebagai berikut :
- Jumlah Epoch = 50
- Fungsi Aktivasi = relu
55
- Learning = 195 menit
- Hidden Neuron = 256
Dengan menggunakan konfigurasi seperti diatas, didapatkan akurasi
data validasi sebesar 91,67%. Adapun lebih jelasnya dapat dilihat grafik
akurasi pada Gambar 4.11
Gambar 4.11 Grafik training akurasi RMSprop Optimizer
Gambar 4.11 menunjukkan perbedaan akurasi antara hasil training
dan validasi. Pada epoch 31 menunjukkan data akurasi untuk data train
cenderung stabil hingga pada epoch ke 50. Sedangkan untuk data validasi
dari awal hingga epoch 50, nilai akurasi yang dihasilkan naik turun.
Gambar 4.12 Grafik training loss RMSprop Optimizer
Pada Gambar 4.12 nilai kesalahan untuk data training dimulai pada
kisaran 2,31 untuk data train dan 1,17 untuk data validasi dan mulai awal
epoch hingga epoch ke 50 data train dan data validasi menghasilkan nilai
yang tidak stabil. Data akhir hasil training secara detail menggunakan
RMSprop Optimizer dapat dilihat pada Tabel 4.11.
Tabel 4.11 Data akhir hasil training RMSprop Optimizer
Acc. Train Loss Train Acc. Validasi Loss Validasi
Hasil Training 0.9610 0.1750 0.9167 0.9892
56
Kelebihan dari RMSprop Optimizer ini adalah waktu untuk proses
training lebih cepat namun hasil training tidak stabil.
2. Training dengan Adam Optimizer
Percobaan training ketiga menggunakan adam optimizer dengan
konfigurasi sebagai berikut :
- Jumlah Epoch = 50
- Fungsi Aktivasi = relu
- Learning = 206 menit
- Hidden Neuron = 256
Dengan menggunakan konfigurasi seperti diatas, didapatkan akurasi
data validasi sebesar 100%. Saat konfigurasi diatas dilakukan testing,
dari 10 percobaan testing, semuanya menunjukkan jawaban yang benar.
Adapun lebih jelasnya dapat dilihat grafik akurasi pada Gambar 4.13
Gambar 4.13 Grafik training akurasi Adam Optimizer
Gambar 4.13 menunjukkan perbedaan akurasi antara hasil training
dan validasi. Pada epoch 11 menunjukkan data akurasi mendekati 1.0000
yang cenderung stabil hingga pada epoch ke 50. Sedangkan nilai akurasi
train sebesar 0.9790 dan mulai epoch ke 22 cenderung naik turun
meskipun tidak terlalu signifikan.
Gambar 4.14 Grafik training loss Adam Optimizer
57
Pada Gambar 4.14 nilai kesalahan untuk data training dimulai pada
kisaran 2,23 untuk data train dan 1,39 untuk data validasi dan bergerak
konstan mendekati 0.00 setelah iterasi ke 29 untuk data train sedangkan
data validasi cenderung naik turun hingga epoch ke 50. Data akhir hasil
training secara detail menggunakan Adam Optimizer dapat dilihat pada
Tabel 4.12.
Tabel 4.12 Data akhir hasil training Adam Optimizer
Acc. Train Loss Train Acc. Validasi Loss Validasi
Hasil Training 0.9790 0.0647 1.0000 1.3887e-04
Kelebihan dari Optimizer Adam ini adalah nilai akurasi training dan
validasi yang dihasilkan lebih tinggi dibandingkan dengan optimizer
RMSprop.
3. Training dengan Adadelta Optimizer
Percobaan training kedua menggunakan Adadelta Optimizer dengan
konfigurasi sebagai berikut :
- Jumlah Epoch = 50
- Fungsi Aktivasi = relu
- Learning = 357 menit
- Hidden Neuron = 256
Dengan menggunakan konfigurasi seperti diatas, didapatkan akurasi
data validasi sebesar 1.0000 dan data train sebesar 0.9920. Adapun lebih
jelasnya dapat dilihat grafik akurasi pada Gambar 4.15.
Gambar 4.15 Grafik training akurasi Adadelta Optimizer
Gambar 4.15 menunjukkan perbedaan akurasi antara hasil training
dan validasi tidak terlalu signifikan. Pada epoch 37 menunjukkan data
58
akurasi untuk data train cenderung stabil hingga pada epoch ke 50.
Sedangkan untuk data validasi mulai epoch ke 14 hingga epoch ke 50,
nilai akurasi yang dihasilkan cenderung stabil.
Gambar 4.16 Grafik training loss Adadelta Optimizer
Pada Gambar 4.16 nilai kesalahan untuk data training dimulai pada
kisaran 2,53 untuk data train dan 1,10 untuk data validasi dan keduanya
mulai stabil pada epoch ke 20, namun di epoch ke 41 hingga ke 50
menjadi tidak stabil. Data akhir hasil training secara detail menggunakan
Adadelta Optimizer dapat dilihat pada Tabel 4.13.
Tabel 4.13 Data akhir hasil training Adadelta Optimizer
Acc. Train Loss Train Acc. Validasi Loss Validasi
Hasil Training 0.9920 0.0567 1.0000 0.0174
Kelebihan dari Adadelta Optimizer ini adalah nilai akurasi training
yang dihasilkan lebih tinggi daripada RMSprop dan Adam Optimizer
namun membutuhkan waktu training yang lama yaitu 357 menit.
Berdasarkan akurasi yang dihasilkan, maka penulis menggunakan
Adadelta Optimizer sebagai optimizer saat proses training data.
4.2.7 Pengujian Data Real Time
Pengujian secara real time ini dilakukan dengan meletakkan kamera
pada plan yang telah dibuat. Pada tahap ini, merupakan tahap terakhir dan
tahap pengujian sensor dan aktuator secara keseluruhan. Pada pengujian
data real time, library yang dibutuhkan juga harus sama seperti yang
digunakan dalam proses Training. Jika tidak sama, maka akan terjadi Error
yang membuat data atau sistem tidak berjalan.
59
Pada pengujian ini, nilai atau bobot yang telah didapatkan pada proses
Training akan diterapkan pada plan yang telah dibuat. Pengujian dilakukan
dengan Data Gambar yang telah masuk pada dataset, Data Gambar yang
tidak masuk dataset dan Data Gambar Wanita.
1. Data Gambar Masuk Data Training
Berikut merupakan hasil dari pengujian data real time dengan Data
Gambar masuk dataset yang terintegrasi dengan sistem. Uji coba
pertama dengan kondisi lengkap akan ditampilkan pada Tabel 4.14.
Tabel 4.14 Hasil Klasifikasi APD Lengkap Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. LENGKAP Benar
2. LENGKAP Benar
3. LENGKAP Benar
4. LENGKAP Benar
5. LENGKAP Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
tidak menggunakan semua APD. Data akan ditampilkan pada Tabel
4.15.
60
Tabel 4.15 Hasil Klasifikasi Tidak Menggunakan Semua APD Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
2.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
3.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
4.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
5.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan kacamata. Data akan ditampilkan pada Tabel 4.16.
Tabel 4.16 Hasil Klasifikasi Menggunakan Kacamata Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. KACAMATA
Benar
2. KACAMATA
Benar
61
Tabel 4.16 Hasil Klasifikasi Menggunakan Kacamata Masuk Dataset (Lanjutan)
No. Target Output Keterangan Gambar
Capture
3. KACAMATA
Benar
4. KACAMATA
Benar
5. KACAMATA Salah
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan kacamata dan masker. Data akan ditampilkan pada
Tabel 4.17.
Tabel 4.17 Hasil Klasifikasi Menggunakan Kacamata dan Masker Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
KACAMATA
DAN
MASKER
Salah
2.
KACAMATA
DAN
MASKER
Benar
3.
KACAMATA
DAN
MASKER
Benar
4.
KACAMATA
DAN
MASKER
Salah
62
Tabel 4.17 Hasil Klasifikasi Menggunakan Kacamata dan Masker Masuk Dataset (Lanjutan)
No. Target Output Keterangan Gambar
Capture
5.
KACAMATA
DAN
MASKER
Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm. Data akan ditampilkan pada Tabel 4.18.
Tabel 4.18 Hasil Klasifikasi Menggunakan Helm Masuk Dataset
No. Target Output Keterangan Gambar Capture
1. HELM Salah
2. HELM Benar
3. HELM Benar
4. HELM Benar
5. HELM Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm dan earmuff. Data akan ditampilkan pada
Tabel 4.19
63
Tabel 4.19 Hasil Klasifikasi Menggunakan Helm dan Earmuff Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
EARMUFF Benar
2. HELM DAN
EARMUFF Benar
3. HELM DAN
EARMUFF Benar
4. HELM DAN
EARMUFF Benar
5. HELM DAN
EARMUFF Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm, earmuff dan kacamata. Data akan
ditampilkan pada Tabel 4.20.
Tabel 4.20 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Kacamata Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
HELM,
EARMUFF DAN
KACAMATA Benar
2.
HELM,
EARMUFF DAN
KACAMATA Benar
64
Tabel 4.20 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Kacamata (Lanjutan)
No. Target Output Keterangan Gambar
Capture
3.
HELM,
EARMUFF DAN
KACAMATA Benar
4.
HELM,
EARMUFF DAN
KACAMATA Benar
5.
HELM,
EARMUFF DAN
KACAMATA Salah
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm, earmuff dan masker. Data akan ditampilkan
pada Tabel 4.21
Tabel 4.21 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
HELM,
EARMUFF DAN
MASKER Salah
2.
HELM,
EARMUFF DAN
MASKER Benar
3.
HELM,
EARMUFF DAN
MASKER Benar
4.
HELM,
EARMUFF DAN
MASKER Benar
65
Tabel 4.2122 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker (Lanjutan)
No. Target Output Keterangan Gambar
Capture
5.
HELM,
EARMUFF DAN
MASKER Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm dan kacamata. Data akan
ditampilkan pada Tabel 4.22
Tabel 4.23 Hasil Klasifikasi Menggunakan Helm dan Kacamata Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
KACAMATA Benar
2. HELM DAN
KACAMATA Benar
3. HELM DAN
KACAMATA Benar
4. HELM DAN
KACAMATA Benar
5. HELM DAN
KACAMATA Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm, kacamata dan masker. Data akan
ditampilkan pada Tabel 4.23
66
Tabel 4.24 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker Masuk Dataset
No
.
Target Output Keterangan Gambar
Capture
1.
HELM,
KACAMATA
DAN MASKER
Benar
2.
HELM,
KACAMATA
DAN MASKER
Benar
3.
HELM,
KACAMATA
DAN MASKER
Benar
4.
HELM,
KACAMATA
DAN MASKER
Benar
5.
HELM,
KACAMATA
DAN MASKER
Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm dan masker. Data akan ditampilkan
pada Tabel 4.24.
Tabel 4.25 Hasil Klasifikasi Menggunakan Helm dan Masker Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
MASKER Salah
2. HELM DAN
MASKER Benar
67
Tabel 4.24 Hasil Klasifikasi Menggunakan Helm dan Masker (Lanjutan)
No. Target Output Keterangan Gambar
Capture
3. HELM DAN
MASKER Benar
4. HELM DAN
MASKER Salah
5. HELM DAN
MASKER Benar
Uji coba terakhir yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan masker. Data akan ditampilkan pada Tabel 4.25.
Tabel 4.26 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. MASKER
Benar
2. MASKER
Benar
3. MASKER
Salah
4. MASKER
Benar
68
Tabel 4.25 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker No. Target Output Keterangan Gambar
Capture
5. MASKER
Benar
Dari percobaan yang telah dilakukan maka akan didapatkan hasil
presentase keberhasilan yang akan ditampilkan pada Tabel 4.26 berikut.
Tabel 4.27 Hasil Presentase Keberhasilan Masuk Dataset
No. Kategori Percobaan Total Hasil Klasifikasi
Benar Salah
1. Lengkap 10 10 0
2. Tidak Lengkap 10 10 0
3. Kacamata 10 8 2
4. Kacamata dan Masker 10 7 3
5. Helm 10 9 1
6. Helm dan Earmuff 10 10 0
7. Helm, Earmuff dan Kacamata 10 9 1
8. Helm, Earmuff dan Masker 10 8 2
9. Helm dan Kacamata 10 10 0
10. Helm, Kacamata dan Masker 10 10 0
11. Helm dan Masker 10 7 3
12. Masker 10 7 3
Total 120 105 15
Tingkat Keberhasilan 87,50 %
Hasil pengujian dengan Data Gambar masuk dataset sebanyak
120 kali dengan tiap kategori klasifikasi 10 kali pengujian didapatkan
presentase keberhasilan sebesar 87,50%. Pada kategori klasifikasi
kacamata, error terjadi karena hasil gambar tidak terdeteksi
menggunakan safety glasses sehingga masuk ke kategori tidak lengkap.
Sama halnya dengan kategori klasifikasi kacamata dan masker, error
terjadi karena hasil gambar tidak terdeteksi menggunakan safety glasses
sehingga masuk ke kategori masker. Sedangkan pada kategori Helm,
Earmuff dan Masker, error terjadi karena hasil gambar terdeteksi
menggunakan safety glasses sehingga masuk ke kategori lengkap.
Begitupun dengan kategori helm dan masker, error terjadi disebabkan
oleh hasil gambar terdeteksi menggunak safety glasses sehingga masuk
ke kategori helm, kacamata dan masker. Sedangkan error pada kategori
69
masker disebabkan oleh hasil gambar terdeteksi menggunakan safety
glasses sehingga masuk ke kategori kacamata dan masker.
2. Data Gambar Tidak Masuk Data Training
Berikut merupakan hasil dari pengujian data real time dengan Data
Gambar tidak masuk dataset yang terintegrasi dengan sistem akan
ditampilkan pada Tabel 4.27
Tabel 4.28 Hasil Klasifikasi APD Lengkap Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. LENGKAP Benar
2. LENGKAP Benar
3. LENGKAP Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
tidak menggunakan semua APD. Data akan ditampilkan pada Tabel
4.28.
Tabel 4.29 Hasil Klasifikasi Tidak Menggunakan Semua APD Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
2.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
70
Tabel 4.28 Hasil Klasifikasi Tidak Menggunakan Semua APD (Lanjutan)
No. Target Output Keterangan Gambar
Capture
3.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan kacamata. Data akan ditampilkan pada Tabel 4.29.
Tabel 4.30 Hasil Klasifikasi Menggunakan Kacamata Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. KACAMATA Benar
2. KACAMATA Benar
3. KACAMATA Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan kacamata dan masker. Data akan ditampilkan pada
Tabel 4.30.
Tabel 4.31 Hasil Klasifikasi Menggunakan Kacamata dan Masker Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
KACAMATA
DAN
MASKER
Benar
2.
KACAMATA
DAN
MASKER
Salah
71
Tabel 4.30 Hasil Klasifikasi Menggunakan Kacamata dan Masker (Lanjutan) No. Target Output Keterangan Gambar
Capture
3.
KACAMATA
DAN
MASKER
Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm. Data akan ditampilkan pada Tabel 4.31.
Tabel 4.32 Hasil Klasifikasi Menggunakan Helm Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. HELM Benar
2. HELM Benar
3. HELM Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm dan earmuff. Data akan ditampilkan pada
Tabel 4.32.
Tabel 4.33 Hasil Klasifikasi Menggunakan Helm dan Earmuff Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
EARMUFF Benar
2. HELM DAN
EARMUFF Benar
72
Tabel 4.32 Hasil Klasifikasi Menggunakan Helm dan Earmuf (Lanjutan) No. Target Output Keterangan Gambar
Capture
3. HELM DAN
EARMUFF Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm, earmuff dan kacamata. Data akan
ditampilkan pada Tabel 4.33.
Tabel 4.34 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Kacamata Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
HELM,
EARMUFF
DAN
KACAMATA
Benar
2.
HELM,
EARMUFF
DAN
KACAMATA
Benar
3.
HELM,
EARMUFF
DAN
KACAMATA
Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm, earmuff dan masker. Data akan ditampilkan
pada Tabel 4.34.
Tabel 4.35 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
HELM,
EARMUFF
DAN MASKER Benar
73
Tabel 4.34 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker (Lanjutan)
No. Target Output Keterangan Gambar
Capture
2.
HELM,
EARMUFF
DAN MASKER Salah
3.
HELM,
EARMUFF
DAN MASKER Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm dan kacamata. Data akan
ditampilkan pada Tabel 4.35.
Tabel 4.36 Hasil Klasifikasi Menggunakan Helm dan Kacamata Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
KACAMATA Benar
2. HELM DAN
KACAMATA Benar
3. HELM DAN
KACAMATA Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm, kacamata dan masker. Data akan
ditampilkan pada Tabel 4.36.
Tabel 4.37 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1.
HELM,
KACAMATA DAN
MASKER
Benar
74
Tabel 4.36 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker (Lanjutan)
No. Target Output Keterangan Gambar
Capture
2.
HELM,
KACAMATA DAN
MASKER
Benar
3.
HELM,
KACAMATA DAN
MASKER
Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm dan masker. Data akan ditampilkan
pada Tabel 4.37.
Tabel 4.38 Hasil Klasifikasi Menggunakan Helm dan Masker Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
MASKER Benar
2. HELM DAN
MASKER Salah
3. HELM DAN
MASKER Benar
Uji coba terakhir yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan masker. Data akan ditampilkan pada Tabel 4.38.
Tabel 4.39 Hasil Klasifikasi Menggunakan Masker Tidak Masuk Dataset
No. Target Output Keterangan Gambar
Capture
1. MASKER
Salah
75
Tabel 4.38 Hasil Klasifikasi Menggunakan Masker
No. Target Output Keterangan Gambar
Capture
2. MASKER
Benar
3. MASKER
Benar
Dari percobaan yang telah dilakukan maka akan didapatkan hasil
presentase keberhasilan yang akan ditampilkan pada Tabel 4.39 berikut.
Tabel 4.40 Hasil Presentase Keberhasilan Tidak Masuk Dataset
No. Kategori Percobaan Total Hasil Klasifikasi
Benar Salah
1. Lengkap 3 3 0
2. Tidak Lengkap 3 3 0
3. Kacamata 3 3 0
4. Kacamata dan Masker 3 2 1
5. Helm 3 3 0
6. Helm dan Earmuff 3 3 0
7. Helm, Earmuff dan Kacamata 3 3 0
8. Helm, Earmuff dan Masker 3 2 1
9. Helm dan Kacamata 3 3 0
10. Helm, Kacamata dan Masker 3 3 0
12. Helm dan Masker 3 2 1
13. Masker 3 2 1
Total 30 26 4
Tingkat Keberhasilan 86,66 %
Hasil pengujian dengan Data Gambar tidak masuk dataset
sebanyak 30 kali dengan tiap kategori klasifikasi 3 kali pengujian
didapatkan presentase keberhasilan sebesar 86,66%. Sama halnya
dengan pengujian dengan menggunakan Data Gambar yang masuk
dataset sebagian besar error disebabkan karena sistem sulit
membedakan penggunaan kacamata yang digunakan oleh Data
Gambar.
3. Data Gambar Wanita
76
Berikut merupakan hasil dari pengujian data real time dengan Data
Gambar Wanita yang terintegrasi dengan sistem akan ditampilkan pada
Tabel 4.40.
Tabel 4.41 Hasil Klasifikasi APD Lengkap Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1. LENGKAP Benar
2. LENGKAP Benar
3. LENGKAP Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
tidak menggunakan semua APD. Data akan ditampilkan pada Tabel
4.41.
Tabel 4.42 Hasil Klasifikasi Tidak Menggunakan Semua APD Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1.
TIDAK
MENGGUNAKAN
SEMUA APD Salah
2.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
3.
TIDAK
MENGGUNAKAN
SEMUA APD Benar
77
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan kacamata. Data akan ditampilkan pada Tabel 4.42.
Tabel 4.43 Hasil Klasifikasi Menggunakan Kacamata Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1. KACAMATA Benar
2. KACAMATA Benar
3. KACAMATA Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan kacamata dan masker. Data akan ditampilkan pada
Tabel 4.43.
Tabel 4.44 Hasil Klasifikasi Menggunakan Kacamata dan Masker Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1.
KACAMATA
DAN
MASKER
Benar
1.
KACAMATA
DAN
MASKER
Salah
2.
KACAMATA
DAN
MASKER
Benar
78
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm. Data akan ditampilkan pada Tabel 4.44.
Tabel 4.45 Hasil Klasifikasi Menggunakan Helm Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1. HELM Benar
2. HELM Benar
3. HELM Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm dan earmuff. Data akan ditampilkan pada
Tabel 4.45
Tabel 4.46 Hasil Klasifikasi Menggunakan Helm dan Earmuff Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
EARMUFF Benar
2. HELM DAN
EARMUFF Benar
3. HELM DAN
EARMUFF Benar
79
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm, earmuff dan kacamata. Data akan
ditampilkan pada Tabel 4.46.
Tabel 4.47 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Kacamata Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1.
HELM,
EARMUFF
DAN
KACAMATA
Benar
2.
HELM,
EARMUFF
DAN
KACAMATA
Benar
3.
HELM,
EARMUFF
DAN
KACAMATA
Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan helm, earmuff dan masker. Data akan ditampilkan
pada Tabel 4.47.
Tabel 4.48 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1.
HELM,
EARMUFF
DAN MASKER Benar
2.
HELM,
EARMUFF
DAN MASKER Benar
3.
HELM,
EARMUFF
DAN MASKER Benar
80
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm dan kacamata. Data akan
ditampilkan pada Tabel 4.48
Tabel 4.49 Hasil Klasifikasi Menggunakan Helm dan Kacamata Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
KACAMATA Benar
2. HELM DAN
KACAMATA Salah
3. HELM DAN
KACAMATA Benar
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm, kacamata dan masker. Data akan
ditampilkan pada Tabel 4.49.
Tabel 4.50 Hasil Klasifikasi Menggunakan Helm,Kacamata dan Masker Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1.
HELM,
KACAMATA
DAN MASKER
Benar
2.
HELM,
KACAMATA
DAN MASKER
Salah
3.
HELM,
KACAMATA
DAN MASKER
Benar
81
Uji coba selanjutnya yaitu mencoba untuk mengidentifikasi
kondisi hanya menggunakan helm dan masker. Data akan ditampilkan
pada Tabel 4.50.
Tabel 4.51 Hasil Klasifikasi Menggunakan Helm dan Masker Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1. HELM DAN
MASKER Salah
2. HELM DAN
MASKER Benar
3. HELM DAN
MASKER Benar
Uji coba terakhir yaitu mencoba untuk mengidentifikasi kondisi
hanya menggunakan masker. Data akan ditampilkan pada Tabel 4.51.
Tabel 4.52 Hasil Klasifikasi Menggunakan Masker Data Gambar Wanita
No. Target Output Keterangan Gambar
Capture
1. MASKER
Benar
2. MASKER
Benar
3. MASKER
Benar
82
Dari percobaan yang telah dilakukan maka akan didapatkan hasil
presentase keberhasilan yang akan ditampilkan pada Tabel 4.52 berikut.
Tabel 4.53 Hasil Presentase Keberhasilan Data Gambar Wanita
No. Kategori Percobaan Total Hasil Klasifikasi
Benar Salah
1. Lengkap 3 3 0
2. Tidak Lengkap 3 2 1
3. Kacamata 3 3 0
4. Kacamata dan Masker 3 2 1
5. Helm 3 3 0
6. Helm dan Earmuff 3 3 0
7. Helm, Earmuff dan Kacamata 3 3 0
8. Helm, Earmuff dan Masker 3 3 0
9. Helm dan Kacamata 3 2 1
10. Helm, Kacamata dan Masker 3 2 1
11. Helm dan Masker 3 2 1
12. Masker 3 3 0
Total 30 25 5
Tingkat Keberhasilan 83.33%
Hasil pengujian dengan Data Gambar Wanita sebanyak 30 kali
dengan tiap kategori klasifikasi 3 kali pengujian didapatkan presentase
keberhasilan sebesar 83.33%. Sebagian besar error disebabkan karena
pendeteksian kacamata dan earmuff yang akurat. Dan juga Data
Gambar Wanita menggunakan jilbab berwarna hitam yang sama
dengan warna earmuff yang membuat earmuff beberapa kali terdeteksi
pada ujicoba meskipun Data Gambar tidak menggunakan earmuff.
BAB V
PENUTUP
83
BAB 5
PENUTUP
Pada tahapan ini merupakan tahapan akhir pada tugas akhir ini, tahapan
ini berisi tentang kesimpulan dari penelitian yang telah di lakukan dan saran untuk
peneliti selanjutnya dalam topik tugas akhir ini
5.1 Kesimpulan
Dari pengujian yang telah dilakukan, hasil penelitian ini dapat
disimpulkan bahwa:
1. Pada Penelitian ini, Dataset yang digunakan sebanyak 917 data citra dan
dibagi menjadi 12 kategori klasifikasi. Dari hasil analisa arsitektur CNN,
didapatkan kernel yang sesuai, yaitu kernel 5 x 5 dengan jumlah filter
sebanyak 32 filter untuk konvolusi pertama dan 3 x 3 dengan jumlah filter
sebanyak 64 filter untuk konvolusi kedua. Proses konvolusi pada arsitektur
ini terjadi 2 kali dan proses maxpooling terjadi 2 kali pada akhirnya
menghasilkan Vektor Input sebanyak 91.392 data untuk proses Training
dengan neural network. Dari penelitian ini didapatkan jumlah Hidden layer
yang cocok untuk penelitian ini yaitu sebanyak 1 Hidden layer dengan 256
Hidden neuron.
2. Kinerja sistem saat mendeteksi kelengkapan alat pelindung diri
mendapatkan presentase keberhasilan sebesar 87.50% untuk pengujian
dengan Data Gambar masuk dataset, 86.66% untuk Data Gambar yang tidak
masuk dataset dan sebesar 83.33% untuk Data Gambar Wanita. Dengan
sebagian besar error yang dihasilkan saat pengujian realtime disebabkan
karena hasil pengolahan capture gambar Alat Pelindung Diri yang
digunakan oleh Data Gambar sulit untuk membedakan penggunaan safety
glasses dan tidak menggunakan safety glasses.
3. Dari penelitian ini, didapatkan optimizer yang sesuai untuk mendapatkan
nilai accuracy training yang optimal, yaitu Adadelta Optimizer. Dari hasil
training saat menggunakan Adadadelta Optimizer didapatkan hasil nilai
akurasi training sebesar 0.9920 dan akurasi validasi sebesar 1.0000.
84
Sedangkan hasil loss training sebesar 0.0567 dan loss validasi sebesar
0.0174.
5.2 Saran
Dari penelitian yang telah dilakukan, terdapat beberapa saran untuk
menunjang penelitian ini. Berikut adalah saran untuk penelitian ini.
1. Arsitektur CNN perlu dimodifikasi lagi untuk mendapatkan data yang lebih
optimal.
2. Membandingkan Optimizer yang lain untuk proses training data sehingga
didapatkan nilai akurasi yang lebih baik.
3. Perlu dilakukannya riset tentang letak pengambilan dataset agar dataset
yang digunakan untuk Training dapat mengklasifikasi dengan baik dan
benar.
DAFTAR PUSTAKA
85
DAFTAR PUSTAKA
Alief, R., Darjat & Sudjadi, 2014. Pemanfaatan Teknologi RFID Melalui Kartu
Identitas Dosen Pada Prototipe Sistem Ruang Kelas Cerdas. TRANSMISI.
Arduino.cc, 2018. Arduino. [Online]
Available at: https://store.arduino.cc/
[Accessed 26 12 2018].
Hämäläinen, P., Takala, J. & Boon Kiat, T., 2017. Kongres Dunia XXI tentang
Keselamatan dan Kesehatan di Tempat Kerja. Singapura: Lembaga
Keselamatan dan Kesehatan Kerja.
I Wayan Suartika E. P, A. Y. W. d. R. S., 2016. Klasifikasi Citra Menggunakan
Convolutional Neural Network (Cnn) pada Caltech 101. JURNAL TEKNIK
ITS, 5(1), pp. 66-69.
J. T. Springenberg, A. D. T. B. a. M. R., 2015. Striving For Simplicity: The All
Convolutional Net. ICLR 2015.
Kho, D., 2018. Pengertian Piezoelectric Buzzer dan Cara Kerjanya. [Online]
Available at: https://teknikelektronika.com/
[Accessed 25 12 2018].
Kho, D., 2018. Pengertian Proximity Sensor dan Jenis-jenisnya. [Online]
Available at: https://teknikelektronika.com/
[Accessed 25 12 2018].
Khumaidi, A., Yuniarno, E. M. & Purnomo, M. H., 2017. Welding Defect
Classification Based on Convolution Neural Network (CNN) and Gaussian
Kernel. International Seminar on Intelligent Technology and Its Application,
pp. 261-265.
Lazaro, A., Buliali, J. L. & Amaliah, B., 2017. Deteksi Jenis Kendaraan di Jalan
Menggunakan. JURNAL TEKNIK ITS, pp. 1-2.
Mauridhi Hery, A. K., 2006. Supervised Neural Networks dan Aplikasinya.
Yogyakarta: Graha Ilmu.
86
Muchammad Husni, R. M. I. J. B., 2005. Prototype sistem monitoring rumah
menggunakan Webcam. JUTI : Jurnal Ilmiah Teknologi Informasi, 4(2), pp.
105-111.
Nazar, A., 2018. Prototype Sistem Sorting Packaging Rokok Dengan Metode
Convolution Neural Network (CNN). Skripsi, pp. 9-13.
Norvig, S. J. R. a. P., 1995. Artificial Intelligence A Modern Approach. 3rd ed. New
Jersey: Prentice Hall.
Putera, A. A., 2013. Pemanfaatan Teknologi RFID Untuk Sistem Multi Akses
Mahasiswa. Jurusan Teknik Elektro Universitas Diponegoro.
Sinau Arduino, 2018. Mengenal Arduino Software (IDE). [Online]
Available at: https://www.sinauarduino.com/
[Accessed 27 12 2018].
Siswanto, B., 1993. Prestasi Kerja: Manajemen Tenaga Kerja. Bandung: Sinar
Baru.
Stanford, 2016. An Introduction to Convolutional Neural Network. [Online]
Available at: http://scarlet.stanford.edu/
[Accessed 22 12 2018].
Suma'mur, 2009. Hiegiene Perusahaan dan Keselamatan Kerja. Jakarta: CV
Sagung Seto.
Therzian Richard Perkasa, H. W. P. S., 2014. Rancang Bangung Pendeteksi Gerak
Menggunakan Metode Image Substraction Pada Single Board Computer
(SBC). Journal of Control and Network Systems, 3(2), pp. 90-97.
Triasanti, D., 2001. Konsep Dasar Python.
LAMPIRAN
87
Lampiran Biodata Mahasiswa
1. Nama : Rifki Dita Wahyu Pradana
2. NRP : 0915040013
3. Program Studi : D4-Teknik Otomasi
4. Agama : Islam
5. Status : Belum Menikah
6. Jenis Kelamin : Laki-Laki
7. Nomor Telepon : 081392006963
8. Alamat Asal : Jl. Kompol Suroko No.9, Tuban
9. Email : [email protected]
10. Tempat Tanggal Lahir : Tuban, 19 Juni 1997
11. Nama Orang Tua/Wali : Didik Wahyujianto
12. Alamat Orang Tua/Wali : Jl. Kompol Suroko No.9, Tuban
13. Telepon Orang Tua/Wali : 081335474475
PENDIDIKAN FORMAL
Pendidikan Tahun Tempat Pendidikan Jurusan
Diploma 4 2015 – Sekarang Politeknik Perkapalan
Negeri Surabaya Teknik Otomasi
SMA 2012 – 2015 SMAN 1 Tuban IPA
SMP 2010 – 2012 SMPN 1 Tuban -
SD 2004 – 2010 SDN Kutorejo 1 -