Implementasi Autonomous Drone Untuk Tracking Wajah Menggunakan Computer Vision.

Pranata, Brananda Denta Wira (2022) Implementasi Autonomous Drone Untuk Tracking Wajah Menggunakan Computer Vision. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000143-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (3MB)

Abstract

Pada tugas akhir ini penulis akan mengimplementasikan tracking wajah dengan visi komputer dan akan digunakan pada drone yang bertujuan agar drone dapat melakukan tracking wajah dan mengambil citra digital manusia melalui perintah yang di berikan pengguna. Visi komputer adalah bidang kecerdasan buatan yang melatih komputer menafsirkan dan memahami dunia visual dengan menggunakan gambar digital dari kamera dan video yang kemudian dapat dengan akurat mengidentifikasi dan mengklasifikasikan objek dan kemudian bereaksi terhadap apa yang dilihatnya. Implementasi dari sistem ini adalah dengan cara menggunakan mikrokontroler yaitu Raspberry pi 4 yang kemudian diletakkan pada suatu tempat di area sekitar drone yang akan melakukan tracking wajah manusia. Mikrokontroler ini akan melakukan implementasi visi komputer yaitu deteksi wajah manusia dengan menggunakan metode Haar Cascade Classifier dan melakukan perhitungan pergerakan drone berdasarkan area wajah yang dideteksi pada citra yang ditangkap oleh drone. Algoritma Haar Cascade Classifier adalah salah satu algoritma yang digunakan untuk mendeteksi sebuah wajah. Algoritma tersebut mampu mendeteksi dengan cepat dan realtime sebuah benda termasuk wajah manusia. Algoritma Haar Cascade Classifier dipilih karena memiliki kelebihan yaitu perihal komputasi yang cepat karena metode tersebut hanya bergantung pada jumlah piksel dalam persegi dari sebuah image. Selain itu, mikrokontroler berfungsi sebagai media komunikasi antara smartphone dan drone menggunakan Bluetooth. Pengujian implementasi visi komputer pada Unmanned Aerial Vehicle (UAV) dilakukan dengan beberapa scenario gerakan, Pengujian dilakukan di lapangan terbuka yang minim obstacle. Evaluasi dilakukan dengan mempertimbangkan beberapa hal seperti: Ketahanan baterai, dan kemampuan deteksi wajah. Hasil penelitian menunjukkan bahwa uji coba skenario yang dilakukan dalam kondisi waktu pengujian yang berbeda mendapatkan tingkat keberhasilan deteksi wajah 100% dan tingkat keberhasilan tracking wajah 100%.
==============================================================================================================================
In this final project the author will implement face tracking with computer vision and will use it on drones with the aim that drones can perform face tracking and take human digital images through commands given by the user. Computer vision is artificial intelligence that trains computers and understands the visual world by using digital images from cameras and video which can then accurately define and classify objects and then take action on what they see. The implementation of this system is by using a microcontroller, namely Raspberry pi 4 which is then placed somewhere in the area around the drone that will track human faces. This microcontroller will implement computer vision, namely human face detection using the Haar Cascade Classifier method and calculate the drone movement based on the face area detected in the image captured by the drone. The Haar Cascade Classifier algorithm is one of the algorithms used to detect a face. The algorithm is able to quickly and real-time detect an object, including a human face. The Haar Cascade Classifier algorithm has the advantage that it is computationally fast because it only depends on the number of pixels in the square of an image. In addition, the microcontroller functions as a communication medium between smartphones and drones using Bluetooth. Testing the implementation of computer vision on the Unmanned Aerial Vehicle (UAV) was carried out with several movement scenarios. The test was carried out in an open field with minimal obstacles. The evaluation was carried out by considering several things such as: Battery life, and face detection capabilities. The results showed that the scenario trials carried out under different test time conditions got a 100% face detection success rate and a 100% face tracking success rate.

Item Type:	Thesis (Other)
Additional Information:	RSIf 006.37 Pra i-1 2022
Uncontrolled Keywords:	UAV, Drone, Computer Vision, Bluetooth, Raspberry Pi 4. UAV, Drone, Computer Vision, Bluetooth, Raspberry Pi 4.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	26 May 2026 04:31
Last Modified:	26 May 2026 04:31
URI:	http://repository.its.ac.id/id/eprint/133438

Actions (login required)

View Item