BSIBSI
Jurnal InfortechJurnal InfortechSistem keamanan rumah konvensional memiliki keterbatasan dari segi efisiensi dan keamanan karena masih bergantung pada metode autentikasi manual seperti kunci dan kartu akses, yang rentan terhadap penyalahgunaan serta duplikasi tanpa izin. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan sistem keamanan rumah berbasis biometrik yang mengintegrasikan Machine Learning (ML) dan Internet of Things (IoT) untuk pengenalan wajah dan klasifikasi hewan peliharaan secara real‑time. Sistem yang diusulkan menerapkan arsitektur client–server dimana proses pengenalan yang membutuhkan komputasi tinggi dijalankan pada server Ubuntu menggunakan Python, OpenCV, dan TensorFlow. Metode Haar Cascade digunakan untuk mendeteksi wajah manusia, sedangkan Convolutional Neural Network (CNN) diterapkan untuk mengklasifikasikan hewan peliharaan, sehingga sistem mampu membedakan pengguna yang berwenang, individu yang tidak berwenang, serta hewan peliharaan di dalam rumah. Hasil autentikasi dikirimkan melalui protokol HTTP pada jaringan WiFi lokal ke mikrokontroler ESP32, yang selanjutnya mengendalikan mekanisme kunci pintu elektronik. Hasil pengujian menunjukkan bahwa sistem mencapai akurasi pengenalan wajah sebesar 90% dan akurasi klasifikasi hewan peliharaan sebesar 98%, dengan waktu respons rata‑rata berkisar antara 1,5 hingga 1,8 detik pada kondisi jaringan yang stabil. Hasil ini membuktikan bahwa sistem yang diusulkan bersifat andal, responsif, tanpa kontak, serta sesuai untuk diterapkan pada aplikasi keamanan smart home.
Penelitian ini berhasil mengembangkan sistem keamanan berbasis IoT yang mengidentifikasi wajah manusia dan hewan peliharaan secara otomatis untuk mengendalikan akses pintu.Sistem menggabungkan algoritma Haar Cascade, CNN, dan mikrokontroler ESP32, serta beroperasi secara real‑time tanpa ketergantungan pada layanan cloud.Akurasi pengenalan wajah manusia mencapai 90% dan pengenalan hewan peliharaan 98%, dengan waktu tanggap antara 1,5 hingga 1,8 detik.Hasilnya menunjukkan sistem dapat menolak akses bagi objek tidak terdaftar, menjaga kestabilan, dan menawarkan solusi keamanan rumah pintar yang efisien dan andal.
Dalam penelitian lanjutan, dapat diteliti apakah model deteksi wajah berbasis YOLOv8 dapat meningkatkan ketepatan dan kecepatan deteksi di lingkungan pencahayaan rendah, serta bagaimana integrasi model tersebut pada ESP32 dapat mengurangi latensi sistem. Juga, disarankan mengkaji penerapan sistem deteksi keberadaan hewan peliharaan secara otomatis tanpa perlu pelatihan khusus pada tiap jenis hewan, sehingga memperluas cakupan keamanan rumah kepada berbagai jenis hewan. Akhirnya, perlu dipertimbangkan penelitian tentang sistem multisensor, menggabungkan sensor gerak dan suara, untuk memperkuat verifikasi identitas pengguna dan menambah lapisan keamanan tambahan bagi pintu masuk rumah.
| File size | 318.93 KB |
| Pages | 5 |
| DMCA | Report |
Related /
BSIBSI Aplikasi ini diharapkan dapat membantu masyarakat mengenali gejala awal TBC dan mendukung petugas TOSS TBC dalam melakukan diagnosis secara cepat dan akurat,Aplikasi ini diharapkan dapat membantu masyarakat mengenali gejala awal TBC dan mendukung petugas TOSS TBC dalam melakukan diagnosis secara cepat dan akurat,
BSIBSI Namun, proses pengecekan font secara manual masih memerlukan waktu yang lama dan berpotensi menimbulkan kesalahan. Penelitian ini bertujuan untuk mengimplementasikanNamun, proses pengecekan font secara manual masih memerlukan waktu yang lama dan berpotensi menimbulkan kesalahan. Penelitian ini bertujuan untuk mengimplementasikan
BSIBSI Penelitian ini berhasil mengelompokkan wilayah penjualan berdasarkan potensi penjualan menggunakan algoritma K-Means clustering. Hasil pengelompokan menunjukkanPenelitian ini berhasil mengelompokkan wilayah penjualan berdasarkan potensi penjualan menggunakan algoritma K-Means clustering. Hasil pengelompokan menunjukkan
BSIBSI Melalui rangkaian uji coba, sistem terbukti sangat efektif dalam mengenali wajah di berbagai jarak, sudut, dan ekspresi, meskipun memiliki beberapa keterbatasanMelalui rangkaian uji coba, sistem terbukti sangat efektif dalam mengenali wajah di berbagai jarak, sudut, dan ekspresi, meskipun memiliki beberapa keterbatasan
BSIBSI Pengambilan data ulasan dilakukan menggunakan teknik scraping yang dilakukan dengan Google Collab lalu data diolah hingga menhasilkan 500 data. Dari hasilPengambilan data ulasan dilakukan menggunakan teknik scraping yang dilakukan dengan Google Collab lalu data diolah hingga menhasilkan 500 data. Dari hasil
BSIBSI Hasilnya menunjukkan skor SUS 74%, setara dengan grade B, yang menandakan aplikasi sudah dapat diterima secara cukup baik oleh pengguna. Hasil pengujianHasilnya menunjukkan skor SUS 74%, setara dengan grade B, yang menandakan aplikasi sudah dapat diterima secara cukup baik oleh pengguna. Hasil pengujian
BSIBSI js pada sisi backend, serta MySQL sebagai sistem basis data. Penelitian ini menerapkan metode pengembangan perangkat lunak Waterfall, dengan tahapan observasi,js pada sisi backend, serta MySQL sebagai sistem basis data. Penelitian ini menerapkan metode pengembangan perangkat lunak Waterfall, dengan tahapan observasi,
BSIBSI Presensi kehadiran merupakan aspek penting dalam berbagai institusi seperti pendidikan, pemerintahan, maupun sektor swasta. Metode konvensional sepertiPresensi kehadiran merupakan aspek penting dalam berbagai institusi seperti pendidikan, pemerintahan, maupun sektor swasta. Metode konvensional seperti
Useful /
BSIBSI Sistem informasi yang dibuat pun praktis karena tidak memanfaatkan aplikasi web browser dan memberatkan pihak apotek dalam hal pengadaan perangkat keras.Sistem informasi yang dibuat pun praktis karena tidak memanfaatkan aplikasi web browser dan memberatkan pihak apotek dalam hal pengadaan perangkat keras.
BSIBSI Dataset yang lebih besar (600 sampel) menunjukkan bahwa teknik regularisasi pada ID CNN tetap stabil, sedangkan teknik dropout memberikan hasil yang bervariasi.Dataset yang lebih besar (600 sampel) menunjukkan bahwa teknik regularisasi pada ID CNN tetap stabil, sedangkan teknik dropout memberikan hasil yang bervariasi.
BSIBSI Model Support Vector Machine (SVM) dan Long Short-Term Memory (LSTM) berhasil dibangun untuk memprediksi gangguan kecemasan (anxiety disorder) berdasarkanModel Support Vector Machine (SVM) dan Long Short-Term Memory (LSTM) berhasil dibangun untuk memprediksi gangguan kecemasan (anxiety disorder) berdasarkan
BSIBSI Hasil akhir dari penelitian ini yaitu menghasilkan nilai akurasi sebesar 99.47%, dimana nilai ini menandakan bahwa algoritma C4. 5 mampu melakukan diagnosisHasil akhir dari penelitian ini yaitu menghasilkan nilai akurasi sebesar 99.47%, dimana nilai ini menandakan bahwa algoritma C4. 5 mampu melakukan diagnosis