RANCANG BANGUN SISTEM IDENTIFIKASI ...repository.ppns.ac.id/2373/1/0915040013 - Rifki Dita...ALAT PELINDUNG DIRI (APD) MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) RIFKI DITA

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


vi


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


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


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


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.

https://processing.org/

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


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



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




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


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


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)


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)


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)


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)


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



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



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





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


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


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


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





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


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


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


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


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


hanya menggunakan kacamata. Data akan ditampilkan pada Tabel 4.16.

Tabel 4.16 Hasil Klasifikasi Menggunakan Kacamata Masuk Dataset


Capture

1. KACAMATA

Benar

2. KACAMATA

Benar

61

Tabel 4.16 Hasil Klasifikasi Menggunakan Kacamata Masuk Dataset (Lanjutan)


Capture

3. KACAMATA

Benar

4. KACAMATA

Benar

5. KACAMATA Salah


hanya menggunakan kacamata dan masker. Data akan ditampilkan pada

Tabel 4.17.

Tabel 4.17 Hasil Klasifikasi Menggunakan Kacamata dan Masker Masuk Dataset


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)


Capture

5.

KACAMATA

DAN

MASKER

Benar


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


hanya menggunakan helm dan earmuff. Data akan ditampilkan pada

Tabel 4.19

63

Tabel 4.19 Hasil Klasifikasi Menggunakan Helm dan Earmuff Masuk Dataset


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


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


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)


Capture

3.

HELM,

EARMUFF DAN

KACAMATA Benar

4.

HELM,

EARMUFF DAN

KACAMATA Benar

5.

HELM,

EARMUFF DAN

KACAMATA Salah


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


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)


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


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


kondisi hanya menggunakan helm, kacamata dan masker. Data akan


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


kondisi hanya menggunakan helm dan masker. Data akan ditampilkan

pada Tabel 4.24.

Tabel 4.25 Hasil Klasifikasi Menggunakan Helm dan Masker Masuk Dataset


Capture

1. HELM DAN

MASKER Salah

2. HELM DAN

MASKER Benar

67

Tabel 4.24 Hasil Klasifikasi Menggunakan Helm dan Masker (Lanjutan)


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


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


Gambar tidak masuk dataset yang terintegrasi dengan sistem akan


Tabel 4.28 Hasil Klasifikasi APD Lengkap Tidak Masuk Dataset


Capture

1. LENGKAP Benar

2. LENGKAP Benar

3. LENGKAP Benar



4.28.

Tabel 4.29 Hasil Klasifikasi Tidak Menggunakan Semua APD Tidak Masuk Dataset


Capture

1.

TIDAK

MENGGUNAKAN

SEMUA APD Benar

2.

TIDAK

MENGGUNAKAN

SEMUA APD Benar

70

Tabel 4.28 Hasil Klasifikasi Tidak Menggunakan Semua APD (Lanjutan)


Capture

3.

TIDAK

MENGGUNAKAN

SEMUA APD Benar



Tabel 4.30 Hasil Klasifikasi Menggunakan Kacamata Tidak Masuk Dataset


Capture

1. KACAMATA Benar

2. KACAMATA Benar

3. KACAMATA Benar



Tabel 4.30.

Tabel 4.31 Hasil Klasifikasi Menggunakan Kacamata dan Masker Tidak Masuk Dataset


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



Tabel 4.32 Hasil Klasifikasi Menggunakan Helm Tidak Masuk Dataset


Capture

1. HELM Benar

2. HELM Benar

3. HELM Benar



Tabel 4.32.

Tabel 4.33 Hasil Klasifikasi Menggunakan Helm dan Earmuff Tidak Masuk Dataset


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




Tabel 4.34 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Kacamata Tidak Masuk Dataset


Capture

1.

HELM,

EARMUFF

DAN

KACAMATA

Benar

2.

HELM,

EARMUFF

DAN

KACAMATA

Benar

3.

HELM,

EARMUFF

DAN

KACAMATA

Benar



pada Tabel 4.34.

Tabel 4.35 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker Tidak Masuk Dataset


Capture

1.

HELM,

EARMUFF

DAN MASKER Benar

73

Tabel 4.34 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker (Lanjutan)


Capture

2.

HELM,

EARMUFF

DAN MASKER Salah

3.

HELM,

EARMUFF

DAN MASKER Benar




Tabel 4.36 Hasil Klasifikasi Menggunakan Helm dan Kacamata Tidak Masuk Dataset


Capture

1. HELM DAN

KACAMATA Benar

2. HELM DAN

KACAMATA Benar

3. HELM DAN

KACAMATA Benar




Tabel 4.37 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker Tidak Masuk Dataset


Capture

1.

HELM,

KACAMATA DAN

MASKER

Benar

74

Tabel 4.36 Hasil Klasifikasi Menggunakan Helm, Kacamata dan Masker (Lanjutan)


Capture

2.

HELM,

KACAMATA DAN

MASKER

Benar

3.

HELM,

KACAMATA DAN

MASKER

Benar



pada Tabel 4.37.

Tabel 4.38 Hasil Klasifikasi Menggunakan Helm dan Masker Tidak Masuk Dataset


Capture

1. HELM DAN

MASKER Benar

2. HELM DAN

MASKER Salah

3. HELM DAN

MASKER Benar



Tabel 4.39 Hasil Klasifikasi Menggunakan Masker Tidak Masuk Dataset


Capture

1. MASKER

Salah

75

Tabel 4.38 Hasil Klasifikasi Menggunakan Masker


Capture

2. MASKER

Benar

3. MASKER

Benar



Tabel 4.40 Hasil Presentase Keberhasilan Tidak Masuk Dataset


Benar Salah

1. Lengkap 3 3 0


3. Kacamata 3 3 0


5. Helm 3 3 0







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


Gambar Wanita yang terintegrasi dengan sistem akan ditampilkan pada

Tabel 4.40.

Tabel 4.41 Hasil Klasifikasi APD Lengkap Data Gambar Wanita


Capture

1. LENGKAP Benar

2. LENGKAP Benar

3. LENGKAP Benar



4.41.

Tabel 4.42 Hasil Klasifikasi Tidak Menggunakan Semua APD Data Gambar Wanita


Capture

1.

TIDAK

MENGGUNAKAN

SEMUA APD Salah

2.

TIDAK

MENGGUNAKAN

SEMUA APD Benar

3.

TIDAK

MENGGUNAKAN

SEMUA APD Benar

77



Tabel 4.43 Hasil Klasifikasi Menggunakan Kacamata Data Gambar Wanita


Capture

1. KACAMATA Benar

2. KACAMATA Benar

3. KACAMATA Benar



Tabel 4.43.

Tabel 4.44 Hasil Klasifikasi Menggunakan Kacamata dan Masker Data Gambar Wanita


Capture

1.

KACAMATA

DAN

MASKER

Benar

1.

KACAMATA

DAN

MASKER

Salah

2.

KACAMATA

DAN

MASKER

Benar

78



Tabel 4.45 Hasil Klasifikasi Menggunakan Helm Data Gambar Wanita


Capture

1. HELM Benar

2. HELM Benar

3. HELM Benar



Tabel 4.45

Tabel 4.46 Hasil Klasifikasi Menggunakan Helm dan Earmuff Data Gambar Wanita


Capture

1. HELM DAN

EARMUFF Benar

2. HELM DAN

EARMUFF Benar

3. HELM DAN

EARMUFF Benar

79




Tabel 4.47 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Kacamata Data Gambar Wanita


Capture

1.

HELM,

EARMUFF

DAN

KACAMATA

Benar

2.

HELM,

EARMUFF

DAN

KACAMATA

Benar

3.

HELM,

EARMUFF

DAN

KACAMATA

Benar



pada Tabel 4.47.

Tabel 4.48 Hasil Klasifikasi Menggunakan Helm, Earmuff dan Masker Data Gambar Wanita


Capture

1.

HELM,

EARMUFF

DAN MASKER Benar

2.

HELM,

EARMUFF

DAN MASKER Benar

3.

HELM,

EARMUFF

DAN MASKER Benar

80




Tabel 4.49 Hasil Klasifikasi Menggunakan Helm dan Kacamata Data Gambar Wanita


Capture

1. HELM DAN

KACAMATA Benar

2. HELM DAN

KACAMATA Salah

3. HELM DAN

KACAMATA Benar




Tabel 4.50 Hasil Klasifikasi Menggunakan Helm,Kacamata dan Masker Data Gambar Wanita


Capture

1.

HELM,

KACAMATA

DAN MASKER

Benar

2.

HELM,

KACAMATA

DAN MASKER

Salah

3.

HELM,

KACAMATA

DAN MASKER

Benar

81



pada Tabel 4.50.

Tabel 4.51 Hasil Klasifikasi Menggunakan Helm dan Masker Data Gambar Wanita


Capture

1. HELM DAN

MASKER Salah

2. HELM DAN

MASKER Benar

3. HELM DAN

MASKER Benar



Tabel 4.52 Hasil Klasifikasi Menggunakan Masker Data Gambar Wanita


Capture

1. MASKER

Benar

2. MASKER

Benar

3. MASKER

Benar

82



Tabel 4.53 Hasil Presentase Keberhasilan Data Gambar Wanita


Benar Salah

1. Lengkap 3 3 0


3. Kacamata 3 3 0


5. Helm 3 3 0







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 -

RANCANG BANGUN SISTEM IDENTIFIKASI ...repository.ppns.ac.id/2373/1/0915040013 - Rifki Dita...ALAT PELINDUNG DIRI (APD) MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) RIFKI DITA

Documents