Perancangan Face Recognition Sistem Smarthome Dengan Raspberrypi Berbasis Home Asisstant Dengan Metode Yolo

Satria, Bara (2024) Perancangan Face Recognition Sistem Smarthome Dengan Raspberrypi Berbasis Home Asisstant Dengan Metode Yolo. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2040201142-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Perkembangan teknologi rumah pintar (smarthome) semakin pesat, menawarkan berbagai kemudahan dalam mengelola perangkat rumah tangga secara otomatis dan terintegrasi. Salah satu teknologi yang berperan penting dalam smarthome adalah sistem pengenalan wajah (face recognition). Penelitian ini bertujuan untuk merancang sistem smarthome berbasis Raspberry Pi yang menggunakan metode You Only Look Once (YOLO) untuk pengenalan wajah. Sistem ini akan diintegrasikan dengan platform Home Assistant untuk mengelola dan mengontrol perangkat smarthome.Pada penelitian ini, Raspberry Pi digunakan sebagai unit pemrosesan utama yang bertanggung jawab dalam menangkap gambar, mengidentifikasi wajah, dan mengirimkan data ke Home Assistant. Metode YOLO dipilih karena keunggulannya dalam kecepatan dan akurasi deteksi objek dalam gambar. Implementasi YOLO memungkinkan sistem untuk mendeteksi dan mengenali wajah secara real-time dengan latensi yang minimal.Proses perancangan dimulai dengan pengumpulan dataset wajah yang akan digunakan untuk melatih model YOLO. Dataset ini meliputi gambar-gambar wajah penghuni rumah yang diambil dari berbagai sudut dan kondisi pencahayaan. Model YOLO kemudian dilatih menggunakan dataset tersebut hingga mencapai tingkat akurasi yang diinginkan. Setelah model dilatih, Raspberry Pi dikonfigurasi untuk menjalankan model YOLO dan berkomunikasi dengan Home Assistant melalui jaringan lokal. Rata-rata deteksi objek pergambar adalah 20 detik Precision-Convifidence tertinggi adalah 0.996 pada 149 epoch Hasil ini menegaskan keefektifan alat deteksi dan hasil pelatihan skor Precision-Convifidence tertinggi nilai 0.99 dan at 0.767 pada 149 epoch dalam memenuhi tujuannya untuk mendeteksi dengan akurat belum sempurna yang dimana faktor dari percobaan yang dibuat dalam kondisi pencahayaan yang terang belum pada kondisi pencahayaan minim cahaya mamun demikian, bahwa kinerja sistem deteksi,menunjukkan pengembangan dalam penggunaan alat yang dapat disesuaikan dalam kondisi pencahayaan terang dan minim cahaya faktor dari pengambilan data menggunakan data dummy juga menjadikan kurang nya alat ini yang dimana data yang digunakan hanya sekedar percobaan untuk mendeteksi wajah untuk menyalakan dan mematikan lampu.
=================================================================================================================================
The development of smart home technology is increasingly rapid, offering various conveniences in managing household devices automatically and integrated. One of the technologies that plays an important role in smart homes is the face recognition system. This study aims to design a Raspberry Pi-based smart home system that uses the You Only Look Once (YOLO) method for face recognition. This system will be integrated with the Home Assistant platform to manage and control smart home devices. In this study, Raspberry Pi is used as the main processing unit responsible for capturing images, identifying faces, and sending data to Home Assistant. The YOLO method was chosen because of its advantages in speed and accuracy of object detection in images.The design process begins with the collection of facial datasets that will be used to train the YOLO model. This dataset includes images of the faces of the occupants of the house taken from various angles and lighting conditions. The YOLO model is then trained using the dataset until it reaches the desired level of accuracy. After the model is trained, the Raspberry Pi is configured to run the YOLO model and communicate with Home Assistant over a local network. The average object detection per image is 20 seconds. The highest Precision-Confidence is 0.996 at 149 epochs. These results confirm the effectiveness of the detection tool and the training results. The highest PrecisionConfidence score is 0.99 and at 0.767 at 149 epochs in meeting its purpose to detect accurately is not perfect, where the factor of the experiment made in bright lighting conditions is not in low light conditions, however, that the performance of the detection system shows development in the use of tools that can be adjusted in bright and low light conditions. The factor of data collection using dummy data also makes this tool less where the data used is just an experiment to detect faces to turn on and off the lights.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Smart Home, Raspberry Pi, Home Assistant, Yolo, Internet of Things (IoT), Keputusan Logika Yolo
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7878 Electronic instruments
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Bara satria
Date Deposited:	21 Aug 2024 04:44
Last Modified:	21 Aug 2024 04:44
URI:	http://repository.its.ac.id/id/eprint/115488

Actions (login required)

View Item