MONITORING DAN DETEKSI DINI KEBAKARAN BERBASIS …

TUGAS AKHIR

MONITORING DAN DETEKSI DINI KEBAKARAN

BERBASIS RASPBERRY PI

Diajukan untuk memenuhi salah satu syarat

Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Jurusan Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

Disusun oleh :

ALBERTUS JALU NUGROHO

NIM : 165114047

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2020

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

TUGAS AKHIR

MONITORING DAN DETEKSI DINI KEBAKARAN

BERBASIS RASPBERRY PI

Diajukan untuk memenuhi salah satu syarat

Memperoleh gelar Sarjana Teknik pada

Program Studi Teknik Elektro

Jurusan Teknik Elektro

Fakultas Sains dan Teknologi Universitas Sanata Dharma

Disusun oleh :


NIM : 165114047

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2020


ii

FINAL PROJECT

MONITORING AND EARLY FIRE DETECTION

BASED ON RASPBERRY PI

In partial fulfillment of the requirements

For the degree of Sarjana Teknik

Department of Electrical Engineering

Faculty of Science and Technology, Sanata Dharma University

Arranged by :


NIM : 165114047

DEPARTMENT OF ELECTRICAL ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2020


vi

HALAMAN PESEMBAHAN DAN MOTTO HIDUP

MOTTO

“Stop thinking about winning, just focus on the game”

-Kuro “KuroKy” Salehi Takhasomi-

Skripsi ini saya persembahkan untuk :

Tuhan Yang Maha Kuasa yang selalu bersama dengan saya

Keluarga dan Kerabat terdekat, yang selalu memberikan

dukungan secara jasmani dan rohani

Teman – teman elektro USD angkatan 2016 yang selalu

memberikan semangat


viii

INTISARI

Kebakaran adalah suatu kejadian yang dapat membawa dampak kehilangan yang

besar bagi status kekayaan dan kehidupan manusia. Berbagai alarm kebakaran telah

dikembangkan untuk mengantisipasi dan mencegah kebarakaran seperti sensor pendeteksi

asap, suhu, api dan lain – lain. Semakin berkembangnya teknologi, berbagai instrumen

pencegahan kebakaran menjadi lebih terjangkau dan berbagai macam otomasi pendeteksi

alarm kebakaran lebih banyak pilihannya. Berbanding lurus dengan instrumen teknologi

yang lebih murah dan terjangkau, berbagai sistem pendeteksi dan pemadaman kebakaran

juga memungkinkan untuk tersambung dengan jaringan nirkabel yang berkecepatan tinggi

dan murah.

Sistem pendeteksi kebakaran yang diusulkan pada penelitian ini adalah sistem

pemantauan secara real time yang mendeteksi adanya api dengan menggunakan kamera dan

mendeteksi asap di udara dengan sensor asap akibat dari kebakaran. Fitur utama dari sistem

yang dikembangkan dalam penelitian ini adalah pendeteksian dan pemadaman api secara

real time, pemantauan kondisi ruangan melalui web server, dan pengiriman pesan peringatan

melalui web server dan bot telegram. Manfaat dari menggunakan sistem ini adalah

pemantauan langsung kondisi ruangan sekaligus berfungsi sebagai pendeteksian api yang

langsung dipadamkan apabila terindikasi adanya api yang muncul.

Hasil implementasi dari pengenalan api untuk sistem pendeteksian memiliki tingkat

presentase keberhasilan melalui 4 percobaan dari masing-masing ruangan berdasarkan citra

api dan intensitas cahaya disetiap jaraknya dari titik buta kamera adalah 79% pada ruangan

tengah dan 100% pada ruangan tidur, sementara tingkat presentase keberhasilan aksi

aktuator dalam menjalankan fungsinya berdasarkan sistem pendeteksian adalah 100%. Jarak

maksimum sistem mendeteksi titik api adalah 3,6 meter pada ruangan tengah dan 2,6 meter

pada ruangan tidur dari titik buta kamera. Nilai rata-rata presentase ketepatan pendeteksian

titik api adalah 33,93%

Kata Kunci : Pendeteksian Api, Pendeteksian Asap


ix

ABSTRACT

Fire is an event that can have a large loss impact on wealth status and human life.

Various fire alarms have been developed to anticipate and prevent fires, such as sensors for

detecting smoke, temperature, fire and others. As technology advances, various fire

prevention instruments are becoming more affordable and various kinds of automatic fire

alarm detection are more options. With the cheaper and more affordable technological

instruments, various fire detection and suppression systems also make it possible to connect

high speed and low cost wireless networks.

The fire detection system proposed in this study is a real time monitoring system that

detects a fire using a camera and detects smoke in the air with a smoke sensor due to the fire.

The main features of the system developed in this study are detection and suppression of fire

in real time, monitoring of room conditions via a web server, and sending warning messages

via a web server and telegram bot. The benefit of using this system is direct monitoring of

the condition of the room as well as functioning as a fire detection system that is immediately

extinguished if a fire is indicated.

The results of the application of fire recognition for the detection system have a

percentage of success rate through 4 experiments from each room based on fire images and

light intensity at each distance from the camera blind spot is 79% in the living room and

100% in the bedroom, while the percentage of the actuator success rate the action in carrying

out its function based on the detection system is 100%. The system's maximum distance to

detect fire spot is 3.6 meters in the living room and 2.6 meters in the bedroom from the blind

spot of the camera. The average value of the percentage of fire spot detection accuracy is

33.93%

Keywords : Fire Detection, Smoke Detection


xi

DAFTAR ISI

MONITORING DAN DETEKSI DINI KEBAKARAN BERBASIS RASPBERRY PI....... i

MONITORING EARLY FIRE DETECTION BASED ON RASPBERRY PI .................... ii

HALAMAN PERSETUJUAN ............................................................................................. iii

HALAMAN PENGESAHAN .............................................................................................. iv

PERNYATAAN KEASLIAN KARYA ................................................................................ v

HALAMAN PESEMBAHAN DAN MOTTO HIDUP........................................................ vi

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK

KEPENTINGAN AKADEMIS ........................................................................................... vii

INTISARI ........................................................................................................................... viii

ABSTRACT ......................................................................................................................... ix

KATA PENGANTAR ........................................................................................................... x

DAFTAR ISI ......................................................................................................................... x

DAFTAR GAMBAR .......................................................................................................... xiv

DAFTAR TABEL .............................................................................................................. xvi

BAB I PENDAHULUAN ..................................................................................................... 1

1.1 Latar Belakang ........................................................................................................ 1

1.2 Tujuan dan Manfaat Penelitian ............................................................................... 3

1.3 Batasan Masalah .................................................................................................... 3

1.4 Metodologi Penelitian ............................................................................................. 4

BAB II DASAR TEORI ........................................................................................................ 6

2.1. Kebakaran ............................................................................................................... 6

2.1.1. Efek Kebakaran ................................................................................................... 6

2.2. Raspberry Pi ............................................................................................................ 7

2.2.1. Arsitektur Hardware Raspberry Pi 3 B+ ......................................................... 7

2.2.2. Pemrograman Raspberry Pi 3 .......................................................................... 8

2.2.3. Web Server Flask Raspberry Pi 3 .................................................................... 9

2.3. Webcam .................................................................................................................. 9

2.4. Open CV ............................................................................................................... 10

2.5. Pengolahan Citra ................................................................................................... 10

2.5.1. Citra RGB ...................................................................................................... 11

2.5. 2. Citra Grayscale .............................................................................................. 13


xii

2.5.3. Citra Biner ..................................................................................................... 14

2.6. Haar Cascade Classifier ........................................................................................ 15

2.7. Relay ..................................................................................................................... 16

2.8. Pompa Air 12V ..................................................................................................... 18

2.9. Network Switch .................................................................................................... 19

2.10. Solenoid Valve .................................................................................................. 20

2.11. Sensor Asap MQ7 ............................................................................................. 21

2.12. Analog to Digital Converter .............................................................................. 22

BAB III RANCANGAN PENELITIAN ............................................................................. 26

3.1. Konsep Perancangan ............................................................................................. 26

3.2. Kebutuhan Perangkat ............................................................................................ 29

3.2.1. Kebutuhan Perangkat Keras ......................................................................... 29

3.2.2. Kebutuhan Perangkat Lunak .............................................................................. 29

3.3. Perancangan Perangkat Keras .............................................................................. 29

3.3.1. Wiring Perangkat Keras................................................................................ 30

3.3.2. Desain Miniatur Ruangan ............................................................................. 33

3.4. Perancangan Perangkat Lunak ............................................................................. 34

3.4.1. Pemrograman Algoritma ............................................................................... 34

3.4.2. Perancangan GUI Web Server ....................................................................... 37

3.4.3. Pemrograman Web Server ............................................................................. 36

3.4.4. Pemrosesan Citra .......................................................................................... 41

BAB IV HASIL DAN PEMBAHASAN ............................................................................. 43

4.1. Perubahan Rancangan ........................................................................................... 43

4.1.1. Desain Ruangan ............................................................................................. 43

4.1.2. Tampilan Web Server .................................................................................... 44

4.1.3. Sensor Asap ................................................................................................... 45

4.2. Hasil Implementasi ............................................................................................... 45

4.2.1. Implementasi Perangkat Keras ...................................................................... 45

4.2.2. Cara Kerja Sistem .......................................................................................... 48

4.3. Pengujian Sistem ................................................................................................... 49

4.3.1. Pengujian Sistem Pendeteksian Api .............................................................. 51

4.3.2. Pengujian Sistem Pendeteksian Asap ............................................................ 68

4.3.2. Pengujian Web Server dan Bot Telegram ...................................................... 72


xiii

4.3.3. Pengujian Sistem Pemadam........................................................................... 74

BAB V KESIMPULAN DAN SARAN .............................................................................. 77

DAFTAR PUSTAKA .......................................................................................................... 80

LAMPIRAN ...................................................................................................................... L-1


xiv

DAFTAR GAMBAR

Gambar 1.1. Diagram blok perancangan .............................................................................. 4

Gambar 2.1. Model Raspberry Pi 3+ [9] .............................................................................. 8

Gambar 2.2. GPIO Raspberry Pi 3+ [9] ............................................................................... 8

Gambar 2.3. Webcam Logitech C270 [10] ........................................................................ 10

Gambar 2.4. Citra dan piksel penyusunnya [16] ............................................................... 11

Gambar 2.5. Representasi citra RGB dan kanal warna penyusunnya [16] ....................... 12

Gambar 2.6. Citra konversi RGB ke grayscale [16] ......................................................... 13

Gambar 2.7. Ilustrasi perubahan nilai piksel pada proses thresholding (17) ..................... 14

Gambar 2.8. Citra hasil konversi grayscale menjadi biner (17) ....................................... 15

Gambar 2.9. Rectangular Feature Haar Cascade [18] ...................................................... 15

Gambar 2.10. Skema filter pendeteksi obyek [18] ............................................................. 16

Gambar 2.11. Gambar bentuk dan simbol relay [19] .......................................................... 17

Gambar 2.12. Struktur sederhana relay [19]........................................................................ 17

Gambar 2.13. Pompa air DC 12V [21] ................................................................................ 18

Gambar 2.14. Network switch ZTE [23] ............................................................................. 19

Gambar 2.15. Solenoid Valve [25] ...................................................................................... 20

Gambar 2.16. Sensor MQ7 [27] .......................................................................................... 21

Gambar 3.1. Diagram alir perancangan sistem program utama ........................................ 27

Gambar 3.2. Diagram alir pengolahan gambar.................................................................. 28

Gambar 3.3. Komunikasi perangkat keras......................................................................... 30

Gambar 3.4. Wiring perangkat keras ................................................................................. 31

Gambar 3.5. Desain perancangan alat ............................................................................... 34

Gambar 3.6. Diagram alir haar cascade ............................................................................. 35

Gambar 3.7. Diagram alir inisialisasi fungsi program dan web server ............................. 37

Gambar 3.8. Rancangan GUI web server .......................................................................... 38

Gambar 3.9. Diagram alir streaming ruangan ................................................................... 39

Gambar 3.10. Diagram alir hasil tangkapan asap pada kamera........................................... 40

Gambar 3.11. Diagram alir hasil tangkapan api pada kamera ............................................. 40

Gambar 3.12. Diagram alir preprocessing .......................................................................... 41

Gambar 3.13. Diagram alir processing ................................................................................ 42

Gambar 4.1. Perubahan rancangan ruangan ...................................................................... 44

Gambar 4.2. Tampilan home pada web server .................................................................. 45


xv

Gambar 4.3. Penempatan rangkaian pada ruangan tengah ................................................ 46

Gambar 4.4. Penempatan rangkaian pada ruangan kamar tidur ........................................ 46

Gambar 4.5. Penempatan rangkaian sistem utama ............................................................ 47

Gambar 4.6. Monitoring ruangan tengah .......................................................................... 48

Gambar 4.7. Tampilan web server ruangan tengah terdeteksi .......................................... 49

Gambar 4.8. Gambar positif untuk pelatihan sampel ........................................................ 50

Gambar 4.9. Gambar negatif untuk pelatihan sampel ....................................................... 51

Gambar 4.10. Fake fire kertas berwarna merah ................................................................. 52

Gambar 4.11. Fake fire foto api 1 ...................................................................................... 52

Gambar 4.12. Fake fire foto api 2 ....................................................................................... 52

Gambar 4.13. Fake fire foto api 3 ....................................................................................... 53

Gambar 4.14. Sistem berhasil mendeteksi api ..................................................................... 53

Gambar 4.15. Ilustrasi pengklasifikasian data piksel .......................................................... 55

Gambar 4.16. Ilustrasi pengujian pendeteksian titik api pada ruangan tengah ................... 55

Gambar 4.17. Ilustrasi pengujian pendeteksian titik api pada ruangan tidur ...................... 56

Gambar 4.18. Kurva rata-rata waktu pendeteksian ruangan tengah .................................... 66

Gambar 4.19. Kurva rata-rata waktu pendeteksian ruangan tidur ....................................... 66

Gambar 4.20. Perintah penerjemah nilai analog ke digital.................................................. 69

Gambar 4.21. Listing program perhitungan tegangan sensor dan asap ............................... 71

Gambar 4.22. Hasil pendeteksian sensor asap pada ruangan tengah................................... 72

Gambar 4.23. Hasil pendeteksian kamera di ruangan tengah.............................................. 73

Gambar 4.24. Hasil pendeteksian kamera di ruangan tidur ................................................. 73

Gambar 4.25. Hasil pengiriman pesan peringatan dari bolt telegram ................................. 74


xvi

DAFTAR TABEL

Tabel 2.1. Tabel model Raspberry Pi [7]............................................................................... 7

Tabel 2.2. Warna dan nilai penyusun warna ....................................................................... 13

Tabel 2.3. Spesifikasi MCP3008 [29] ................................................................................. 22

Tabel 2.4. Klasifikasi matriks dengan metode confusion matrix [30] ................................. 24

Tabel 3.1. Piranti Input ........................................................................................................ 31

Tabel 3.2. Piranti Output ..................................................................................................... 32

Tabel 3.3. Alamat piranti Input ........................................................................................... 33

Tabel 3.4. Alamat piranti Output ......................................................................................... 33

Tabel 4.1. Pengklasifikasian data piksel .............................................................................. 54

Tabel 4.2. Pengujian citra api lilin dengan intensitas cahaya 24 lux ruang tengah ............. 57

Tabel 4.3. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 24 lux dengan

jarak di ruang tengah ........................................................................................................... 57

Tabel 4.4. Pengujian citra api korek gas dengan intensitas cahaya 24 lux di ruang tengah

............................................................................................................................................. 58

Tabel 4.5. Ketepatan pendeteksian titik api citra api korek gas dengan intensitas cahaya 24

lux dengan jarak di ruang tengah ......................................................................................... 58

Tabel 4.6. Pengujian citra api lilin dengan intensitas cahaya 8-14 lux dengan jarak di ruang

tengah .................................................................................................................................. 59

Tabel 4.7. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 8-14 lux dengan

jarak di ruang tengah ........................................................................................................... 60

Tabel 4.8. Pengujian citra api korek gas dengan intensitas cahaya 8-14 lux di ruang tengah

............................................................................................................................................. 60

Tabel 4.9. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 24 lux

dengan jarak ruang tengah ................................................................................................... 61

Tabel 4.10. Pengujian citra api lilin dengan intensitas cahaya 45 lux di ruang tidur .......... 62

Tabel 4.11. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 45 lux dengan

jarak di ruang tidur .............................................................................................................. 62

Tabel 4.12. Pengujian citra api korek gas dengan intensitas cahaya 45 lux di ruang tidur . 63

Tabel 4.13. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 45 lux

dengan jarak di ruang tidur .................................................................................................. 63

Tabel 4.14. Pengujian citra api lilin dengan intensitas cahaya 8-12 lux di ruang tidur ....... 64

Tabel 4.15. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 8-12 lux


Tabel 4.16. Pengujian citra api korek gas dengan intensitas cahaya 8-12 lux di ruang tidur

............................................................................................................................................. 65


xvii

Tabel 4.17. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 8-12 lux


Tabel 4.18. Presentase keberhasilan api terdeteksi pada ruangan tengah ........................... 65

Tabel 4.19. Presentase keberhasilan api terdeteksi pada ruangan tidur............................... 66

Tabel 4.20. Hasil pembacaan nilai ADC CH0..................................................................... 69

Tabel 4.21. Hasil pembacaan nilai ADC CH1..................................................................... 70

Tabel 4.22. Pengujian MQ7 sebelum rangkaian terpasang penuh ...................................... 71

Tabel 4.23. Pengujian MQ7 setelah rangkaian terpasang penuh ......................................... 71

Tabel 4.24. Pengujian sistem pemadam langsung ............................................................... 75

Tabel 4.25. Pengujian sistem pemadam ruangan tengah ..................................................... 76

Tabel 4.26. Pengujian sistem pemadam ruangan tidur ........................................................ 76


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kebakaran adalah peristiwa yang tidak diinginkan yang dapat menyebabkan

kerugian material dan nyawa. Untuk mencegah kerugian ini, maka dikembangkan

berbagai sistem alarm yang bertujuan untuk mencegah dan mengatasi kebakaran seperti

detektor asap dan gas, sensor suhu kontak maupun nonkontak, dan lain – lain. Seiring

berkembangnya teknologi, maka sensor suhu, kamera, dan instrumen sensor lainnya

menjadi lebih terjangkau sehingga banyak sistem alarm otomatis yang lebih luas kini

tersedia. Selain itu, sehubungan dengan internet yang semakin maju maka dimungkinkan

untuk transmisi data secara cepat dan murah melalui teknologi jaringan nirkabel.

Ketersediaan komputer papan tunggal (singgle-board circuit) memungkinkan terciptanya

berbagai sistem pemantauan otomatis yang memiliki konsumsi daya rendah, kemampuan

pemrosesan yang lebih cepat dengan biaya yang rendah.

Sistem alarm kebakaran saat ini telah dikembangkan sedemikian rupa, namun masih

sedikit sistem alarm kebakaran yang bertujuan untuk monitoring dan mendeteksi api

sehingga kebakaran dapat dihindari. Berbagai penelitian dan banyak prototipe sistem

pengawasan keamanan telah dikembangkan menggunakan berbagai platform. Salah satu

perancang sistem ini bernama Cao et.al [1] merancang sistem alarm rumah cerdas yang

terdiri atas fitur anti pencurian, fitur anti-api, dan fitur kebocoran gas menggunakan single

chip microcomputer (SCM) AT895C1 dan chip suara ISDI420. Dua SCM ini digunakan

untuk menampilkan konsentrasi gas dan host alarm ketika sinyal alarm dikirim dengan

menggunakan transmisi nirkabel. Ketika sensor mendeteksi asap, pesan suara akan

dikirim ke departemen terkait. Namun jika terjadi kesalahan selama deteksi, maka

kemungkinan alarm palsu akan dikirimkan karena sistem ini tidak menyertakan

konfirmasi pengguna.

Peneliti bernama Rezha et.al [2] merancang sistem pencari posisi darah putih dalam

gambar menggunakan algoritma haar cascade classifier. Hasil dari penelitiannya

menunjukkan bahwa haar cascade classifier dapat menemukan sel darah putih dengan


2

nilai presisi dan daya ingat masing-masing 95% dan 74%. Algoritma haar cascade

classifier juga mampu memvariasikan sel darah putih dari benda lain yang memiliki

warna yang hampir menyerupai sel darah putih. Selain itu, peneliti lain bernama

Pranamurti et.al [3] merancang sistem pendeteksi titik api menggunakan pemrosesan

gambar dengan alogritma haar cascade classifier. Sistem ini menggunakan kamera

sebagai input, Raspberry Pi sebagai alat untuk pemrosesan gambar, dan smartphone

sebagai output monitoring. Hasil penelitian yang di dapatkan yaitu tingkat kecerahan

sangat berpengaruh dalam mencari titik api. Selain itu, sistem ini mengirimkan peringatan

langsung kepada pemadam kebakaran tanpa konfirmasi dari pengguna sehingga

kemungkinan terjadi sistem akan mengirimkan peringatan palsu atau fake fire kepapada

pemadam.

Solusi untuk masalah dari penelitian sebelumnya adalah mengembangkan sistem

alarm baru yang menggunakan Closed Circuit Television (CCTV) atau kamera sebagai

alat monitoring. Permasalahannya adalah CCTV hanya bisa mengawasi saja, maka perlu

ditambahkan fungsi pada CCTV sehingga bisa memproses gambar yang ditampilkan.

Cara kerja sistem ini adalah menggabungkan pemrosesan gambar dalam pengawasan

kamera dan sensor asap sehingga ketika kamera mendeteksi atau merekam keberadaan

asap atau percikan api, maka sistem akan menampilkan gambar tangkapan kamera pada

webserver dan melaporkannya kepada pengguna untuk dilakukan pemeriksaan tangkapan

kamera pada webserver serta meminta konfirmasi pengguna untuk dilakukan penanganan

kebakaran menggunakan pompa air dan nozzle. Selain itu, pemrosesan gambar

menggunakan metode algoritma haar cascade classifier agar dapat mendeteksi titik api

dalam suatu ruangan serta membedakan api dengan objek lain berdasarkan warna, ukuran

dan bentuk.

Dari masalah diatas maka dirancanglah sistem monitoring dan deteksi dini api yang

menggunakan komputer papan tunggal yang lebih murah yaitu Raspberry Pi 3. Raspberry

Pi 3 sebagai master yang memonitoring adanya indikasi kebakaran dan pemadaman

kebakaran. Dengan adanya sistem ini, kebakaran dapat dicegah pada suatu ruangan

dengan monitoring jarak jauh.


3

1.2 Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini adalah menciptakan alat untuk monitoring dan deteksi

dini api pada suatu ruangan menggunakan Raspberry Pi 3 dengan algoritma Haar

Cascade Classifier. Manfaat yang ingin dicapai pada penelitian ini, yaitu:

1. Membuat sistem multifungsi pencegahan dan penanganan kebakaran pada

rumah.

2. Memberikan kemudahan bagi pengguna yang awam terhadap sistem ini untuk

dapat memonitor langsung keadaan suatu ruangan.

1.3 Batasan Masalah

Pembatasan masalah perlu dilakukan agar tugas akhir ini tetap mengarah pada

tujuan dan menghindari kompleksnya permasalahan-permasalahan lain yang muncul.

Batasan masalah tersebut adalah sebagai berikut:

1. Menggunakan webcam untuk monitoring posisi letak api dan asap.

2. Penggunaan tambahan sensor MQ7 sebagai pendeteksi asap apabila webcam

tidak dapat mengenali adanya asap.

3. Perancangan web server untuk hasil monitor dari webcam menggunakan

Raspberry Pi 3.

4. Menggunakan pompa air DC 12V dan nozzle sebagai pemadam kebakaran.

5. Relay sebagai saklar pengendalian on-off pompa air dan aliran air solenoid valve.

6. Menggunakan aplikasi Cascade Trainer GUI dengan algortima haar cascade

classifier sebagai pendeteksi titik api.

7. Penggunaan host online sebagai web server. Apabila tidak dimungkinkan,

digunakan host local dengan modul flask sebagai web server.

8. Perancangan ini menggunakan simulasi 2 ruangan yang masing – masing terdapat

1 webcam.

9. Kondisi ruangan yang dideteksi pada simulasi dilakukan pada siang hari dan

malam hari.


4

1.4 Metodologi Penelitian

Pengerjaan tugas akhir ini terbagi menjadi beberapa tahap sebagai berikut:

1. Studi literatur, yaitu dengan cara mempelajari dan mengumpulkan bahan –

bahan referensi sebagai acuan dalam melakukan penelitian. Referensi yang

dikumpulkan adalah mengenai pemrograman menggunakan Raspberry Pi 3,

webcam serta webserver yang digunakan untuk memonitoring sistem ini.

2. Perancangan sistem

Berikut gambar 1.1 adalah perancangan alat yang akan digunakan pada sistem

yang akan dibuat :

3. Perancangan web server

Pembuatan desain dari web server yang nantinya akan diakses oleh pengguna

untuk monitoring dengan menggunakan Raspberry Pi 3 yang mengacu pada

batasan – batasan masalah tentang web server.

4. Implementasi

Dilakukan implementasi terhadap rancangan yang telah dibuat, baik itu rancangan

perangkat lunak ataupun hardware. Rancangan ini nantinya akan membentuk

sistem secara keseluruhan.

5. Proses uji coba

Proses pengujian dilakukan dengan pengiriman data dari ke Raspberry serta

pengiriman data layanan pesan singkat kepada pengguna. Pengujian proses

monitoring dapat dilakukan dengan melihat hasil capture webcam pada webserver

oleh pengguna. Apabila terjadi indikasi kebakaran, maka pompa air menyala

sehingga nozzle mengeluarkan air.

6. Proses pengambilan data

Gambar 1.1 Diagram blok perancangan

sistem


5

Proses pengambilan data dengan mengamati sistem apa sudah sesusai yang

diinginkan dengan cara melihat hasil capture gambar apabila terdeteksi ada api

dan asap yang berlebih. Serta penerimaan data dari sensor api dan asap agar sesuai

dengan hasil capture dari webcam.

7. Analisi dan pengambilan kesimpulan

Analisi dilakukan dengan mengamati sistem berhasil atau tidaknya sesuai dengan

perancangan sebelumnya, serta menganalisis keluaran dari sensor asap dan

webcam sehingga dapat disimpulkan data yang didapat hasil dari percobaan.


1

BAB II

DASAR TEORI

2.1. Kebakaran

Kebakaran adalah suatu reaksi oksidasi eksotermis yang berlangsung dengan cepat

dari suatu bahan bakar yang disertai dengan timbulnya api/penyalaan. Penyebab umum

kebakaran bersumber pada 3 faktor [4], yaitu :

a. Faktor manusia yang meliputi human error, kurangnya disiplin dan minim

pengawasan.

b. Faktor teknis yaitu peningkatan suhu yang menyebabkan timbulnya panas yang

berlebih disekitar bahan – bahan yang mudah terbakar, penggunaan bahan – bahan

kimia yang tidak sesuai dengan petunjuk yang ada, serta hubungan arus pendek

arus listrik.

c. Faktor alam yang berupa gempa bumi, petir, dan sebagainya.

2.1.1. Efek Kebakaran

Peristiwa kebakaran menimbulkan efek berbahaya antara lain [5] :

a. Asap, yaitu kumpulan partikel zat carbon ukuran kurang dari 0,5 micron sebagai

hasil dari pembakaran tak sempurna dan bahan yang mengandung karbon. Asap

memberikan efek berupa iritasi pada mata, selaput lendir pada hidung dan

kerongkongan.

b. Panas, yaitu suatu bentuk energi yang pada 300oF dapat dikatakan sebagai

temperatur tertinggi di mana manusia dapat bertahan /bernafas hanya dalam waktu

yang singkat. Panas memberikan efek berupa tubuh kehilangan cairan dan tenaga,

luka bakar/terbakar pada kulit dan pernafasan, mematikan jantung.

c. Nyala/Flame, biasa timbul pada proses pembakaran sempurna dan membentuk

cahaya berkilauan.

d. Gas beracun.

6


7

2.2. Raspberry Pi

Raspberry Pi atau disingkat dengan nama Raspi, adalah komputer papan tunggal

(single-board circuit) yang seukuran dengan kartu kredit yang dapat digunakan untuk

menjalankan program perkantoran, permainan komputer, dan sebagai pemutar media hingga

video beresolusi tinggi [6].

Model – model dan spesifikasi dari Raspberry Pi diperlihatkan pada tabel 2.1.

2.2.1. Arsitektur Hardware Raspberry Pi 3 B+

Raspberry Pi yang digunakan pada penelitian ini yaitu Raspberry Pi 3 Model B+ yang

menggunakan chipset SOC BCM2837. SOC (System On Chip) adalah integrated circuit (IC)

yang di dalamnya telah mengintegrasikan seluruh komponen komputer atau sistem

elektronik lain.

BCM2837 merupakan prosesor yang memiliki empat core dengan kecepatan

pemrosesan 1.4 GHz dan SDRAM 1GB. Raspberry Pi 3 B+ memiliki Camera Serial

Interface (DSI), Display Serial Interface (DSI), Ethernet, serta mendukung hingga 4 port

USB 2.0. Gambar 2.2 memperlihatkan bentuk fisik dari Raspberry Pi 3 B+ sedangkan

gambar 2.3 menampilkan GPIO (General Purpose Input Output) Raspberry Pi 3 B+. GPIO

adalah kumpulan pin yang dapat diprogram untuk melakukan berbagai tugas [8].

Tabel 2.1. Tabel model Raspberry Pi [7]


https://id.wikipedia.org/wiki/Permainan_komputer

8

2.2.2. Pemrograman Raspberry Pi 3

Bahasa pemrograman yang digunakan oleh Raspberry Pi 3 adalah Python. Python

adalah bahasa pemrograman tinggi yang bisa melakukan eksekusi sejumlah instruksi multi

guna secara langsung (interpretatif) dengan metode Object Oriented Programming dan juga

menggunakan semantik dinamis untuk memberikan tingkat keterbacaan syntax. Sebagai

bahasa pemrograman tinggi, python dapat dipelajari dengan mudah karena telah dilengkapi

Gambar 2.1 Model Raspberry Pi 3+ [9]

Gambar 2.2 GPIO Raspberry Pi 3+ [9]


9

dengan manajemen memori otomatis [10]. Bahasa pemrograman yang dirancang oleh Guido

van Rossum ini sebenarnya sangat banyak digunakan untuk membuat program yang sangat

sering dipakai oleh masyarakat umum. Sebut saja program GUI (desktop), aplikasi

smartphone, program CLI, IoT, game, web, program untuk hacking dan masih banyak lagi.

Python merupakan bahasa pemrograman yang tidak sulit untuk dipelajari. Alasan utama dari

pernyataan ini adalah struktur sintak yang rapi dan lebih mudah dipahami dibandingkan

bahasa pemrograman lainnya [11].

2.2.3. Web Server Flask Raspberry Pi 3

Salah satu kegunaan Raspberry Pi yang paling popular adalah sebagai web server

yang ada di jaringan lokal. Raspberry Pi adalah pilihan yang tepat apabila memerlukan

intranet untuk kantor atau server kecil untuk pengembangan web. Untuk membuat web

server berfungsi, Raspberry Pi perlu terhubung ke jaringan lokal dan harus menjalankan

versi yang cukup dari sistem operasi Raspbian. Instruksi akan bekerja pada hamper semua

model, termasuk Raspbery Pi 4 yang kuat dan Raspberry Pi Zero W yang kecil [12]. Web

server yang digunakan dalam perancangan ini berupa web server Flask yang mudah

digunakan namun hanya bisa digunakan pada server lokal saja.

2.3. Webcam

Webcam disebut pula ‘web camera’ adalah peragkat keras komputer yang berbentuk

kamera digital dan dihubungkan ke laptop ataupun komputer. Kemampuanya sama seperti

kamera digital lainya, mengambil gambar, merekam video. Hanya saja, webcam dilengkapi

pula dengan kemampuan merekan dan mengambil gambar secara live. Artinya, pengguna

komputer bisa mengirim video dan gambar secara langsung ke pengguna lain di seluruh

dunia melalui jaringan internet. Menurut Wikipedia, webcam berasal dari dua kata: web dan

camera, yang merujuk pada kamera berkemampuan realtime. Umumnya, webcam

dilengkapi dengan sejumlah fitur utama, seperti Mikrofon, bisa disesuaikan posisinya, sensor

terpasang secara build in, lampu indikator dan lain sebagainya. Berkat perkembangan

beberapa aplikasi video call, penggunaan webcam menjadi semakin marak, misalnya saja

untuk Skype [13].

Webcam dalam perancangan perangkat keras pada penelitian ini berfungsi sebagai input

video. Dalam penelitian ini, objek yang ditangkap oleh webcam berupa titik api atau asap

dalam suatu ruangan. Webcam yang digunakan akan tersambung oleh Raspberry


https://www.dewaweb.com/blog/5-bahasa-pemrograman-populer/

10

menggunakan kabel usb sehingga hasil tangkapan webcam dapat diolah melalui algoritma

yang sudah disiapkan pada Raspberry.

Webcam yang digunakan dalam penelitian ini merupakan webcam Logitech C270.

Webcam ini ini mampu mengambil gambar atau video dengan resolusi maksimal 720p

dengan 30fps. Selain itu, webcam ini juga kompatibel dengan Windows 10 dan Raspberry

Pi B+ yang digunakan [14]. Contoh webcam dapat dilihat pada gambar 2.3.

2.4. Open CV

OpenCV (Open Source Computer Vision Library), adalah sebuah library open source

yang dikembangkan oleh Intel yang fokus untuk menyederhanakan programing terkait citra

digital. Di dalam OpenCV sudah mempunyai banyak fitur, antara lain : pengenalan wajah,

pelacakan wajah, deteksi wajah, Kalman filtering, dan berbagai jenis metode AI (Artificial

Intellegence). Dan menyediakan berbagai algoritma sederhana terkait Computer Vision

untuk low level API [15]. Dalam penelitian ini, OpenCV berperan sebagai library yang

menyediakan algoritma bagi Python untuk dapat mengolah gambar hasil input dari webcam.

2.5. Pengolahan Citra

Pengolahan Citra Digital (Digital Image Processing) merupakan bidang ilmu yang

mempelajari tentang bagaimana suatu citra itu dibentuk, diolah, dan dianalisis sehingga

menghasilkan informasi yang dapat dipahami oleh manusia. Berdasarkan bentuk sinyal

penyusunnya, citra dapat digolongkan menjadi dua jenis yaitu citra analog dan citra digital.

Citra analog adalah citra yang dibentuk dari sinyal analog yang bersifat kontinyu, sedangkan

citra digital adalah citra yang dibentuk dari sinyal digital yang bersifat diskrit.

Gambar 2.3 Webcam Logitech C270 [14]


11

Citra analog dihasilkan dari alat akuisisi citra analog, contohnya adalah mata

manusia dan kamera analog. Gambaran yang tertangkap oleh mata manusia dan foto atau

film yang tertangkap oleh kamera analog merupakan contoh dari citra analog. Citra tersebut

memiliki kualitas dengan tingkat kerincian (resolusi) yang sangat baik tetapi memiliki

kelemahan di antaranya adalah tidak dapat disimpan, diolah, dan diduplikasi di dalam

komputer.

Citra digital merupakan representasi dari fungsi intensitas cahaya dalam bentuk

diskrit pada bidang dua dimensi. Citra tersusun oleh sekumpulan piksel (picture element)

yang memiliki koordinat (x,y) dan amplitudo f(x,y). Koordinat (x,y) menunjukkan

letak/posisi piksel dalam suatu citra, sedangkan amplitudo f(x,y) menunjukkan nilai

intensitas warna citra [16]. Representasi citra digital beserta piksel penyusunnya ditunjukkan

pada Gambar 2.4 di atas.

2.5.1. Citra RGB

Pada umumnya, berdasarkan kombinasi warna pada piksel, citra dibagi menjadi tiga

jenis yaitu citra RGB, citra grayscale, dan citra biner. Citra pada Gambar 2.4 termasuk dalam

jenis citra RGB truecolor 24-bit. Citra tersebut tersusun oleh tiga kanal warna yaitu kanal

merah, kanal hijau, dan kanal biru. Masing-masing kanal warna memiliki nilai intensitas

piksel dengan kedalaman bit sebesar 8-bit yang artinya memiliki variasi warna sebanyak 2^8

derajat warna (0 s.d 255). Pada kanal merah, warna merah sempurna direpresentasikan

dengan nilai 255 dan hitam sempurna dengan nilai 0. Pada kanal hijau, warna hijau sempurna

Gambar 2.4 Citra dan piksel penyusunnya [16]


12

direpresentasikan dengan nilai 255 dan hitam sempurna dengan nilai 0. Begitu juga pada

kanal biru, warna biru sempurna direpresentasikan dengan nilai 255 dan hitam sempurna

dengan nilai 0 [16]. Representasi citra RGB dan masing-masing kanal warna penyusunnya

ditunjukkan pada Gambar 2.5.

Setiap piksel pada citra RGB, memiliki intensitas warna yang merupakan kombinasi

dari tiga nilai intensitas pada kanal R, G, dan B. Sebagai contoh, suatu piksel yang memiliki

nilai intensitas warna sebesar 255 pada kanal merah, 255 pada kanal hijau, dan 0 pada kanal

biru akan menghasilkan warna kuning. Pada contoh lain, suatu piksel yang memiliki nilai

intensitas warna sebesar 255 pada kanal merah, 102 pada kanal hijau, dan 0 pada kanal biru

akan menghasilkan warna orange. Banyaknya kombinasi warna piksel yang mungkin pada

citra RGB truecolor 24-bit adalah sebanyak 256 x 256 x 256 = 16.777.216 [16]. Representasi

nilai intensitas piksel dengan kombinasi warna R, G, dan B ditunjukkan pada tabel 2.2.

Gambar 2.5 Representasi citra RGB dan kanal warna penyusunnya [16]


13

2.5.2. Citra Grayscale

Citra grayscale merupakan citra yang nilai intensitas pikselnya didasarkan pada

derajat keabuan. Pada citra grayscale 8-bit, derajat warna hitam sampai dengan putih dibagi

ke dalam 256 derajat keabuan di mana warna hitam sempurna direpresentasikan dengan nilai

0 dan putih sempurna dengan nilai 255. Citra RGB dapat dikonversi menjadi citra grayscale

sehingga dihasilkan hanya satu kanal warna [16]. Citra konversi RGB menjadi grayscale

ditunjukan pada gambar 2.6.

Warna R G B

Yellow 255 255 0

Orange 255 102 0

Green 0 255 0

Cyan 0 255 255

Violet 204 102 204

White 255 255 255

Black 0 0 0

Turquoise 102 255 204

Brown 153 102 51

Tabel 2.2. Warna dan nilai penyusun warna

Gambar 2.6. Citra konversi RGB ke grayscale [16]


14

2.5.3. Citra Biner

Citra biner adalah citra yang pikselnya memiliki kedalaman bit sebesar 1 bit sehingga

hanya memiliki dua nilai intensitas warna yaitu 0 (hitam) dan 1 (putih). Citra grayscale dapat

dikonversi menjadi citra biner melalui proses thresholding. Proses tersebut dilakukan untuk

memisahkan antara foreground (objek yang dikehendaki) dengan background (objek lain

yang tidak dikehendaki). Pada hasil segmentasi, foreground direpresentasikan oleh warna

putih (1) dan background direpresentasikan oleh warna hitam (0). Pada kasus segmentasi

pada satu citra saja, kita dapat menentukan nilai threshold dengan metode trial and error.

Namun pada kasus segmentasi pada citra dengan jumlah yang banyak, dibutuhkan suatu

metode untuk menentukan nilai threshold secara otomatis. Nilai threshold dapat diperoleh

secara otomatis dengan menggunakan metode Otsu. Berikut merupakan contoh ilustrasi

perubahan nilai piksel pada proses thresholding pada gambar 2.7.

Dalam proses thresholding, dibutuhkan suatu nilai threshold sebagai nilai pembatas

konversi. Nilai intensitas piksel yang lebih besar atau sama dengan nilai threshold akan

dikonversi menjadi 1. Sedangkan nilai intensitas piksel yang kurang dari nilai threshold akan

dikonversi menjadi 0. Misalnya nilai threshold yang digunakan adalah 128, maka piksel

yang mempunyai intensitas kurang dari 128 akan diubah menjadi 0 (hitam) dan yang lebih

dari atau sama dengan 128 akan diubah menjadi 1 (putih) [16]. Citra hasil konversi grayscale

menjadi biner dengan thresholding yang menggunakan metode Otsu ditunjukan pada

gambar 2.8 dibawah ini.

Gambar 2.7. Ilustrasi perubahan nilai piksel pada proses thresholding (17)


15

2.6. Haar Cascade Classifier

Haar Cascade Classifier atau Haar-like features merupakan metode yang lazim

digunakan dalam pendeteksian obyek. Haar-like features merupakan rectangular features

(fungsi persegi), yang memberikan indikasi secara spesifik pada sebuah gambar atau image.

Prinsip Haar-like features adalah mengenali obyek berdasarkan nilai sederhana dari fitur

tetapi bukan merupakan nilai piksel dari image obyek tersebut. Metode ini memiliki

kelebihan yaitu komputasinya sangat cepat, karena hanya bergantung pada jumlah piksel

dalam persegi bukan setiap nilai piksel dari sebuah image. Haar like feature memproses citra

dalam sebuah kotak persegi dengan ukuran tertentu misalnya 24 x 24 pixel seperti

ditunjukkan pada gambar 2.9 dibawah ini.

Di dalam kotak inilah proses filtering obyek dilakukan untuk diketahui apakah ada

atau tidak obyek yang akan dideteksi. Proses filterisasi ini dilakukan secara bertingkat yang

menyebabkan metode ini nantinya disebut sebagai Haar Cascade Classifier seperti

ditunjukkan pada skema filter di gambar 2.10 berikut.

Gambar 2.8. Citra hasil konversi grayscale menjadi biner (17)

Gambar 2.9. Rectangular Feature Haar Cascade [18]


16

Hasil deteksi Haar-like Feature kurang akurat jika hanya menggunakan satu fungsi

saja. Semakin tinggi tingkatan filter pendeteksian maka semakin tepat pula sebuah obyek

dideteksi akan tetapi akan semakin lama proses pendeteksiannya. Pemrosesan Haar-like

feature yang banyak tersebut diatur dalam classifier cascade. Haar-Wavelet (Wave =

Gelombang) merupakan gelombang persegi (interval gelap dan interval terang) yang

kemudian dibandingkan nilai rata-rata pixel keduanya. Apabila perbandingan nilai rata-rata

intensitas tersebut berada di atas threshold (ambang batas), maka dikatakan memenuhi syarat

fitur Haar. Untuk gambar bergerak seperti video, proses ini dilakukan secara diskrit dengan

mencuplik video pada frame rate tertentu [18]. Dalam penelian ini, haar cascade classifier

berfungsi sebagai sensor dalam suatu ruangan yang akan mendeteksi adanya api dan

mengolahnya menggunakan haar cascade classifier.

2.7. Relay

Relay adalah Saklar (switch) yang dioperasikan secara listrik dan merupakan

komponen Electromechanical (elektromekanikal) yang terdiri dari 2 bagian utama yakni

elektromagnet (coil) dan Mekanikal (seperangkat kontak saklar/switch). Relay

menggunakan prinsip rlektromagnetik untuk menggerakkan kontak saklar sehingga dengan

arus listrik yang kecil (low power) dapat menghantarkan listrik yang bertegangan lebih

tinggi. Sebagai contoh, dengan relay yang menggunakan rlektromagnet 5V dan 50 mA

mampu menggerakan armature relay (yang berfungsi sebagai saklarnya) untuk

menghantarkan listrik 220V 2A. Gambar bentuk dan simbol relay dapat dilihat pada gambar

2.11 dibawah ini.

Gambar 2.10. Skema filter pendeteksi obyek [18]


17

Pada dasarnya, Relay terdiri dari 4 komponen dasar yaitu :

a. Electromagnet (Coil)

b. Armature

c. Switch Contact Point (Saklar)

d. Spring

Kontak Poin (Contact Point) Relay terdiri dari 2 jenis yaitu :

Normally Close (NC) yaitu kondisi awal sebelum diaktifkan akan selalu berada di

posisi CLOSE (tertutup)

Normally Open (NO) yaitu kondisi awal sebelum diaktifkan akan selalu berada di

posisi OPEN (terbuka)

Gambar 2.11. Gambar bentuk dan simbol relay [19]

Gambar 2.12. Struktur sederhana relay [19]


18

Berdasarkan gambar 2.12 diatas, sebuah besi (iron core) yang dililit oleh sebuah

kumparan coil yang berfungsi untuk mengendalikan besi tersebut. Apabila kumparan coil

diberikan arus listrik, maka akan timbul gaya elektromagnet yang kemudian menarik

armature untuk berpindah dari posisi sebelumnya (NC) ke posisi baru (NO) sehingga

menjadi saklar yang dapat menghantarkan arus listrik di posisi barunya (NO). Posisi dimana

armature tersebut berada sebelumnya (NC) akan menjadi OPEN atau tidak terhubung. Pada

saat tidak dialiri arus listrik, Armature akan kembali lagi ke posisi Awal (NC). Coil yang

digunakan oleh relay untuk menarik contact point ke Posisi Close pada umumnya hanya

membutuhkan arus listrik yang relatif kecil [19]. Pada perancangan alat keras ini, relay

digunakan yaitu relay 4 channel sebagai saklar on/off pada pompa air 12V.

2.8. Pompa Air 12V

Pompa air berfungsi sebagai pemompa air dari suatu penampungan ke tempat lain.

Prinsip kerja pompa air tergantung pada prinsip perpindahan positif serta energi kinetik

untuk mendorong air. Pompa air menggunakan daya AC selain daya DC untuk memberi

energi pada motor pompa air sedangkan yang lain dapat diberi energi jenis driver lain seperti

mesin bensin selain diesel. Pompa air adalah perangkat portabel dan dapat diterapkan di

beberapa aplikasi rumah tangga [20]. Pompa air yang digunakan dalam perancangan ini yaitu

Pompa air DC 12V yang dapat dilihat pada gambar 2.13. Pompa air ini disambungkan ke

pipa dan nozzle yang berfungsi sebagai pemadam api apabila terindikasi adanya kebakaran.

Pompa air DC 12V ini memiliki spesifikasi sebagai berikut :

a. Sumber tenaga : Aki 12V atau adaptor DC 12V (arus 2,1A)

b. Daya sedot : 1,6 liter per menit

c. Tekanan sembur air : 5 bar

d. Material pembungkus : Plastik dan karet

Gambar 2.13. Pompa air DC 12V [21]


19

2.9. Network Switch

Switch adalah sebuah perangkat jaringan pada komputer yang menghubungkan

perangkat pada sebuah jaringan komputer dengan menggunakan pertukaran paket untuk

menerima, memproses dan meneruskan data ke perangkat yang dituju. Membicarakan

tentang jaringan komputer tentu tidak jauh dari pembahasan tentang apa saja perangkat yang

digunakan dalam bidang tersebut. Perangkat untuk jaringan komputer ini lebih sering kita

kenal dengan sebutan network device. Beberapa contoh dari network device adalah NIC,

repeater, modem, bridge, router, hub, dan switch.

Switch juga dianggap sebagai jembatan dengan banyak port yang menggunakan

alamat dari hardware untuk memproses dan mengirimkan data pada layer kedua dari model

OSI. Beberapa jenis switch juga bisa memproses data pada layer ketiga dengan

menambahkan fungsi routing yang biasanya memakai alamat IP untuk melakukan

pengiriman paket. Itulah sebabnya mengapa ada yang membedakan switch menjadi dua

jenis, yaitu switch layer dua dan switch layer tiga. Contoh model switch dapat dilihat pada

gambar 2.14 dibawah ini.

Fungsi utama dari sebuah switch adalah menerima informasi dari berbagai sumber

yang tersambung dengannya, kemudian menyalurkan informasi tersebut kepada pihak yang

membutuhkannya saja [22]. Switch yang digunakan pada perancangan adalah Switch ZTE

GPON ONT ZXHN F609 yang berfungsi sebagai streaming, upload gambar, dan koneksi

web server.

Gambar 2.14. Network switch ZTE [23]


https://www.nesabamedia.com/perangkat-jaringan-komputer/

https://www.nesabamedia.com/pengertian-osi-layer/

https://www.nesabamedia.com/pengertian-osi-layer/

20

2.10. Solenoid Valve

Katup solenoid memiliki tampilan yang cukup khas. Solenoid valve memiliki tubuh

katup, tetapi di atas mereka memiliki blok dengan beberapa kabel. Bagian atas ini adalah

solenoid dan bagian bawah adalah katup, oleh karena itu disebut katup solenoid valve. Katup

ini memiliki beragam bentuk dan ukuran. Variasi bentuk tergantung pada kapasitas katup,

tekanan yang bekerja dengannya dan mekanisme internal yang berbeda [24].

Cara kerja solenoid valve yaitu awalnya sensor merasakan proses menuju sisi outlet

dari katup solenoid. Ketika merasakan bahwa jumlah tertentu dari aliran cairan diperlukan,

arus dapat melewati katup solenoid. Selanjutnya katup mendapat energi dan medan magnet

dihasilkan yang memicu gerakan pendorong terhadap aksi pegas. Karena ini, pendorong

bergerak ke arah atas, yang memungkinkan pembukaan lubang. Pada saat ini aliran fluida

diizinkan dari port inlet ke port outlet. Jika arus yang melewati katup solenoid konstan, posisi

plunger dan lubang orifis tetap konstan. Jika sensor merasakan bahwa dibutuhkan lebih

banyak aliran fluida, ini memungkinkan peningkatan arus yang melewati katup solenoid,

yang menciptakan lebih banyak medan magnet dan lebih banyak gerakan ke atas dari

plunger. Hal ini menyebabkan pembukaan lubang lebih lanjut dan lebih banyak aliran cairan

dari port inlet ke outlet. Jika aliran fluida yang dibutuhkan kurang, sensor memungkinkan

lewatnya arus yang lebih kecil ke katup solenoid. Ketika sensor merasakan bahwa cairan

tidak lagi diperlukan dalam proses, itu menghentikan aliran arus ke katup solenoid

sepenuhnya. Karena hal ini, solenoid valve mengalami de-energized dan plunger mencapai

posisi paling bawah dan menutup lubang sepenuhnya sehingga menghentikan aliran cairan

dari port inlet ke port outlet. Dengan cara ini koil solenoid mengoperasikan katup seolah-

olah dioperasikan oleh manusia. Ketika aliran jumlah cairan tertentu diperlukan, itu

Gambar 2.15. Solenoid Valve [25]


21

membuka katup ke tingkat yang diperlukan dan ketika aliran tidak diperlukan itu menutup

katup sepenuhnya [26].

2.11. Sensor Asap MQ7

MQ7 adalah salah satu sensor gas yang umum digunakan dalam seri sensor MQ.

Sensor gas ini memiliki tipe logam oksida semikonduktor yang juga dikenal sebagai

Cheremiresistors karena pendeteksiannya berdasarkan pada perubahan resistansi bahan

penginderaan ketika gas bersentuhan dengan benda tersebut. Sensor gas MQ7 menggunakan

jaringan pembagi tegangan sederhana sehingga konsentrasi gas dapat dideteksi. Bentuk

sensor gas MQ7 dapat dilihat pada gambar 2.16. Sensor gas MQ7 memiliki spesifikasi

sebagai berikut :

a. Tegangan kerja : 1.5V – 5V

b. Resistansi beban : 2KΩ – 20KΩ

c. Konsumsi daya : <350 mW

d. Range pengukuran : 10 – 10.000 ppm

Bahan sensitif sensor gas MQ7 adalah SnO2, yang memiliki konduktivitas lebih

rendah di udara bersih dan pendeteksian dengan metode siklus suhu tinggi dan rendah, serta

mendeteksi CO saat suhu rendah (dipanaskan oleh 1.5V). Konduktivitas sensor semakin

tinggi seiring dengan meningkatnya konsentrasi gas. Ketika suhu tinggi (dipanaskan oleh

5.0V), sensor membersihkan gas lain yang terserap di bawah suhu rendah [27]. Pada

penelitian ini, sensor MQ7 berfungsi sebagai sensor yang mendeteksi adanya asap yang

muncul ketika terindikasi kebakaran. Apabila sensor MQ7 mendeteksi adanya asap, maka

webcam akan mengambil gambar dan mengirimkannya ke webserver. Nilai resistansi sensor

Gambar 2.16. Sensor MQ7 [27]


22

dapat dihitung dengan menggunakan persamaan 2.1 dan 2.2 berdasarkan tingkat kenaikan

ppm.

𝑅𝑠 = (𝑉𝑐𝑐 − 𝑉𝑅𝐿)

𝑉𝑅𝐿𝑥𝑅𝐿

𝑅 = 𝑅𝑠/𝑅𝑜

Nilai Vcc pada Raspberry adalah ± 5V, RL pada module MQ7 FC-22 adalah 1k ohm

berdasarkan data sheet dan nilai VRL berdasarkan tegangan yang dihasilkan oleh sensor.

Selain itu, nilai Ro dicari dengan menggunakan permisalan dari perbandingan resistansi

sensor pada 100 ppm udara bersih dan nilai Rs adalah berupa nilai dari resistansi sensor pada

berbagai konsentrasi gas atau asap.

2.12. Analog to Digital Converter

ADC atau Analog to Digital Converter adalah pengubah input analog menjadi kode

– kode digital. ADC banyak digunakan sebagai Pengatur proses industri, komunikasi digital

dan rangkaian pengukuran/ pengujian. Umumnya ADC digunakan sebagai perantara antara

sensor yang kebanyakan analog dengan sistim komputer seperti sensor suhu, cahaya,

tekanan/ berat, aliran dan sebagainya kemudian diukur dengan menggunakan sistim digital

(komputer) [28]. ADC yang digunakan pada penelitian ini adalah MCP3008 dengan

spesifikasi sebagai berikut :

Name Value

Max Sample Rate (ksamples/sec) 200

Typ. INL ± (LSB) 0.5

Max. Supply Current (µA) 500

Input Type Single-ended

Input Channels 8

Resolution (bits) 10

Interface SPI

Temp Range (°C) -40 to + 85°C

Input Voltage Range (V) 0 to 5.5

(2.1)

(2.2)

Tabel 2.3. Spesifikasi MCP3008 [29]


23

Tujuan penggunaan ADC pada penelitian ini untuk mengkonversikan nilai analog MQ7 yang

digunakan sebagai pendeteksi asap ke nilai digital pada Raspberry pi sehingga nilai yang

muncul dapat diukur dengan jelas dan akurat. ADC dapat dihitung dengan menggunakan

persamaan 2.1 dan V terbaca dapat dihitung dengan menggunakan persamaan 2.2.

𝐴𝐷𝐶 = 𝑉𝑖𝑛

𝑉𝑟𝑒𝑓𝑥1023

𝑉𝑡𝑒𝑟𝑏𝑎𝑐𝑎 = 𝐴𝐷𝐶

1023𝑥𝑉𝑟𝑒𝑓

2.14. Klasifikasi Matriks Gambar Citra Api dengan Metode Confusion

Matrix

Pengukuran terhadap kinerja suatu sistem klasifikasi merupakan hal yang penting.

Kinerja sistem klasifikasi menggambarkan seberapa baik sistem dalam mengklasifikasikan

data. Confusion matrix merupakan salah satu metode yang dapat digunakan untuk mengukur

kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix mengandung informasi

yang membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil klasifikasi

yang seharusnya.

Berdasarkan jumlah keluaran kelasnya, sistem klasifikasi dapat dibagi menjadi 4

(empat) jenis yaitu klasifikasi binary, multi-class, multi-label dan hierarchical . Pada

klasifikasi binary, data masukan dikelompokkan ke dalam salah satu dari dua kelas. Jenis

klasifikasi ini merupakan bentuk klasifikasi yang paling sederhana dan banyak digunakan.

Contoh penggunaannya antara lain dalam sistem yang melakukan deteksi orang atau bukan,

sistem deteksi kendaraan atau bukan, dan sistem deteksi pergerakan atau bukan.

Sementara itu, pada bentuk klasifikasi multi-class, data masukan diklasifikasikan

menjadi beberapa kelas. Sebagai contoh sistem yang dapat mengklasifikasikan jenis

kendaraan seperti sepeda, sepeda motor, mobil, bus, truk, dan sebagainya. Bentuk

klasifikasi multi-label pada dasarnya sama dengan multi-class dimana data dikelompokkan

menjadi beberapa kelas, namun pada klasifikasi multi-label, data dapat dimasukkan dalam

beberapa kelas sekaligus. Bentuk klasifikasi yang terakhir adalah hierarchical. Data

masukan dikelompokkan menjadi beberapa kelas, namun kelas tersebut dapat

dikelompokkan kembali menjadi kelas-kelas yang lebih sederhana secara hirarkis.

(2.3)

(2.4)


24

Contohnya dalam penelitian ini, arah pergerakan dikelompokkan menjadi 12 arah

pergerakan yang tentunya dapat disederhanakan menjadi 4 arah.

Pada pengukuran kinerja menggunakan confusion matrix, terdapat 4 (empat) istilah

sebagai representasi hasil proses klasifikasi. Keempat istilah tersebut adalah True

Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN). Nilai True

Negative (TN) merupakan jumlah data negatif yang terdeteksi dengan benar,

sedangkan False Positive (FP) merupakan data negatif namun terdeteksi sebagai data positif.

Sementara itu, True Positive (TP) merupakan data positif yang terdeteksi benar. False

Negative (FN) merupakan kebalikan dari True Positive, sehingga data posifit, namun

terdeteksi sebagai data negatif. Pada jenis klasifikasi binary yang hanya memiliki 2 keluaran

kelas, confusion matrix dapat disajikan seperti pada tabel 2.4.

Kelas Terklasifikasi Positif Terklasifikasi Negatif

Positif TP (True Positive) FN (False Negative)

Negatif FP (False Positive) TN (True Negative)

Berdasarkan nilai True Negative (TN), False Positive (FP), False Negative (FN),

dan True Positive (TP) dapat diperoleh nilai akurasi, presisi dan recall. Nilai akurasi

menggambarkan seberapa akurat sistem dapat mengklasifikasikan data secara benar. Dengan

kata lain, nilai akurasi merupakan perbandingan antara data yang terklasifikasi benar dengan

keseluruhan data. Nilai akurasi dapat diperoleh dengan persamaan 2.5. Nilai presisi

menggambarkan jumlah data kategori positif yang diklasifikasikan secara benar dibagi

dengan total data yang diklasifikasi positif. Presisi dapat diperoleh dengan persamaan 2.6.

Sementara itu, recall menunjukkan berapa persen data kategori positif yang

terklasifikasikan dengan benar oleh sistem. Nilai recall diperoleh dengan persamaan 2.7

[30].

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃 + 𝑇𝑁

𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁𝑥100%

𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝑇𝑃

𝐹𝑃 + 𝑇𝑃𝑥100%

𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃

𝐹𝑁 + 𝑇𝑃𝑥100%

Tabel 2.4. Klasifikasi Matriks dengan Metode Confusion Matrix [30]

(2.5)

(2.6)

(2.7)


25

dimana:

TP adalah True Positive, yaitu jumlah data positif yang terklasifikasi dengan benar oleh

sistem.

TN adalah True Negative, yaitu jumlah data negatif yang terklasifikasi dengan benar

oleh sistem.

FN adalah False Negative, yaitu jumlah data negatif namun terklasifikasi salah oleh

sistem.

FP adalah False Positive, yaitu jumlah data positif namun terklasifikasi salah oleh

sistem


26

BAB III

RANCANGAN PENELITIAN

3.1. Konsep Perancangan

Perancangan alat monitoring dan deteksi dini kebakaran terdiri dari 3 bagian, yaitu

unit input, pengolah data dan output seperti yang ditunjukan Gambar 3.1. Sistem yang akan

dibangun menggunakan sistem pendeteksi kebakaran adalah pengolahan citra berbasis

pemrosesan gambar. Sistem ini menggunakan aplikasi Cascade Trainer GUI yang berfungsi

untuk mengklasifikasikan sebuah gambar dikategorikan sebagai api dengan algoritma Haar

Cascade Classifier . Dalam sistem ini fungsi kamera sebagai catcher yang nantinya akan

menjadi input gambar Raspberry Pi. Raspberry Pi yang digunakan adalah Raspberry Pi 3

Model B+ yang akan menjadi otak dari sistem. Semua data gambar yang diperoleh akan di

proses oleh Raspberry Pi 3 Model B+ dengan menggunakan algoritma haar cascade

classifier. Data gambar yang sudah di proses oleh Raspberry Pi 3 Model B+ kemudian akan

dikirim ke server dalam bentuk data string dengan bentuk peringatan (alert). Diagram alir

perancangan sistem ditampilkan pada gambar 3.1 yang merupakan sistem utama.

Setiap frame per second atau FPS yang ditangkap oleh kamera akan diproses

menggunakan sub program yang berisi algoritma haar cascade. Algoritma ini didapat dari

hasil pelatihan gambar-gambar yang sebelumnya telah disiapkan dan dilatih menggunakan

Haar Cascade Trainer GUI. Sub rutin program ini akan berjalan secara bersamaan dengan

program utama, namun dalam prosesnya akan berjalan terpisah tapi tetap berhubungan

dengan program utama. Diagram alir sub sistem pemrosesan frame gambar webcam dapat

dilihat pada gambar 3.2.

Selain itu, gambar 3.1 dan gambar 3.2 memiliki sub program lagi yang berjalan

bersamaan dengan sistem utama. Sub program lainnya akan dijelaskan pada sub bab

berikutnya yang menjelaskan dari masing – masing sub program.

26


27

START

Inisialisasi program

algoritma haar

cascade

Kamera mulai

streaming ruangan

Sistem secara

otomatis akan

memadamkan api

STOP

Pengolahan

gambar

Inisialisasi fungsi

program dan web

server

Gambar 3.1. Diagram alir perancangan sistem program utama


28

Apakah ada

api atau

asap yang terdeteksi ?

Tidak

Sistem mengirim

gambar ke web

server

Iya

RETURN

START

Preprocessing

gambar

Processing

gambar

Gambar 3.2. Diagram alir pengolahan gambar


29

3.2. Kebutuhan Perangkat

Pada penelitian ini dibutuhkan beberapa perangkat untuk mendukung pembuatan sistem.

Perangkat-perangkat tersebut terbagi menjadi dua bagian yaitu perangkat keras dan

perangkat lunak.

3.2.1. Kebutuhan Perangkat Keras

Perangkat keras yang dibutuhkan dalam penelitian ini yaitu :

1. Monitor

2. Raspberry Pi 3 B+

3. Relay

4. Pompa air DC 12V

5. Network switch

6. Keyboard

7. Mouse

8. Webcam Logitech C270

9. Solenoid valve

10. Power supply 12V

11. Sensor MQ7

3.2.2. Kebutuhan Perangkat Lunak

Perangkat lunak diperlukan untuk menuliskan program dan menampilkan hasil

program. Perangkat lunak tersebut yaitu :

1. Python sebagai Bahasa pemrograman di Raspberry Pi 3 B+ .

2. Web server Rasperry Pi untuk menampilkan hasil monitoring dari kamera.

3. Cascade Trainer GUI sebagai pemrograman sampel gambar.

3.3. Perancangan Perangkat Keras

Pada perancangan perangkat keras ini, Raspberry Pi 3 akan dihubungkan ke monitor

untuk menampilkan monitoring dari webcam pada setiap ruangan yang berjumlah total 2

ruangan beserta sensor asap, selain itu Raspberry Pi 3 akan disambungkan pada network

switch yang berguna untuk sambungan internet pada web server. Disetiap ruangan akan

dihubungkan dengan pipa beserta nozzle yang berfungsi untuk memadamkan api pada


30

ruangan tersebut. Pompa air DC 12V dan solenoid valve akan diberi relay yang berfungsi

sebagai switch untuk mengaktifkan sistem pemadam ruangan serta terdapat sensor asap

disetiap ruangan yang berguna mendeteksi adanya indikasi kebakaran berupa asap yang

muncul. Komunikasi perangkat keras dapat dilihat pada gambar 3.3.

3.3.1. Wiring Perangkat Keras

Pengkabelan pada perangkat keras didesain menggunakan aplikasi fritzing sebagai

ilustrasinya. Desain gambar wiring perancangan perangkat keras dapat dilihat pada gambar

3.4. beserta dengan keterangannya. Selain itu, terdapat juga keterangan piranti input dan

output yang dapat dilihat pada tabel 3.1. dan 3.2.

Raspberry Pi

GPIO Ports USB

LAN

HDMI

USB

PORT

USB Mouse

USB Keyboard

USB Webcam

Network

Switch

Monitor

Pompa Air

Relay

Solenoid valve

ADC

MQ7

Gambar 3.3. Komunikasi perangkat keras


31

Keterangan warna kabel :

1. Kabel merah adalah VCC+.

2. Kabel hitam adalah VCC- atau ground.

3. Kabel kuning, hijau dan biru adalah input relay.

4. Kabel putih, abu – abu, ungu dan merah jambu adalah input sensor MQ7.

No Piranti Input Jumlah

1 Webcam 2

Pada tabel 3.1. berisi piranti input yang terdiri dari 2 buah webcam yang tersambung

pada usb port berfungsi sebagai pendeteksi asap dan api.

Gambar 3.4. Wiring perangkat keras

Tabel 3.1. Piranti Input


32

No Piranti Ouput Jumlah

1 Pompa air 1

2 Solenoid valve 2

3 MQ7 2

4 Web server 1

Pada tabel 3.2. berisi piranti output yang terdiri dari pompa air yang berfungsi

memadamkan api apabila webcam mendeteksi adanya indikasi kebakaran pada suatu

ruangan, solenoid valve yang berfungsi mengatur aliran air pada pipa agar air dapat tepat

memadamkan api pada ruangan yang ingin dipadamkan, sensor MQ7 yang berfungsi sebagai

pendeteksian asap pada suatu ruangan dan web server yang merupakan perangkat lunak

berfungsi sebagai monitoring ruangan.

Alur pengkabelan pada sistem ini yaitu raspberry tersambung dengan input relay IN1

sebagai pengatur pompa air melalui GPIO PIN 16 pada kabel kuning, input relay IN2 sebagai

pengatur solenoid valve 1 melalui GPIO PIN 23 pada kabel hijau, input relay IN3 sebagai

pengatur solenoid valve 2 melalui GPIO PIN 24 pada kabel biru dan VCC 5V pada kabel

merah serta ground dengan kabel hitam. VCC+ pompa air yang ditandai dengan kabel merah

tersambung dengan NO1 relay dan NO2 serta NO3 relay solenoid valve sedangkan VCC-

pompa air dan solenoid valve tersambung dengan VCC- PSU, sementara itu VCC+ PSU

akan tersambung dengan COM1 relay sebagai pemberi daya pompa air serta COM2 dan

COM3 relay sebagai pemberi daya solenoid valve. Pompa air tidak dapat langsung

dikoneksikan dengan raspberry karena daya dari power supply terlalu besar sehingga dapat

menyebabkan kerusakan pada raspberry yang hanya memerlukan 5V sebagai sumber

dayanya. Selain itu ada tambahan berupa sensor asap MQ7 yang terkoneksikan dengan ADC

MCP3008 dengan pin 16 dan 15 pada adc terkoneksi pada vcc 5V raspberry serta pin 14 dan

pin 9 adc terkoneksi dengan ground. Selain itu, pin adc 13 terkoneksi dengan GPIO PIN 23

raspberry, pin 12 adc dengan GPIO PIN 21, pin 11 adc dengan GPIO PIN 19 raspberry dan

pin 10 adc terkoneksi dengan GPIO PIN 24 raspberry. Serta channel 0 ADC terkoneksi

dengan sensor A0 MQ7 pertama dan channel 1 ADC terkoneksi dengan A0 MQ7 kedua, D0

MQ7 pertama terkoneksi dengan GPIO PIN 32 dan D0 MQ7 kedua terkoneksi dengan GPIO

Tabel 3.2. Piranti Output


33

PIN 31. Berikut adalah alamat piranti input dan output yang dijelaskan pada tabel 3.3. dan

tabel 3.4.

INPUT

No. Nama Perangkat Alamat Keterangan

1 Webcam 1 USB PORT 1 USB PORT Raspberry Pi

2 Webcam 2 USB PORT 2

OUTPUT

No. Nama Perangkat Alamat Keterangan

1 Pompa Air GPIO PIN 16 IN1

GPIO

Raspberry Pi

Relay

2 Solenoid Valve 1 GPIO PIN 23 IN2

3 Solenoid Valve 2 GPIO PIN 24 IN3

4

ADC

GPIO PIN 23 PIN 13

PIN

MCP3008

5 GPIO PIN 21 PIN 12



8

Sensor Asap

GPIO PIN 32 D0 MQ7 ruangan 1

9 GPIO PIN 31 D0 MQ7 ruangan 2

10 CH0 A0 PIN

MCP3008

MQ7 ruangan 1

11 CH1 A0 MQ7 ruangan 2

Untuk tabel alamat dijelaskan pada pada tabel keterangan. Tabel amat sebelah kiri dijelaskan

pada tabel keterangan sebelah kiri, begitu juga tabel alamat sebelah kanan dijelaskan pada

tabel keterangan sebelah kanan. Sebagai contoh pembacaan tabel ini yaitu perangkat pompa

air tersambung ke alamat IN1 pada relay yang diatur pada Raspberry Pi pada alamat GPIO

PIN 16.

3.3.2. Desain Miniatur Ruangan

Ruangan miniatur ini dibuat untuk memproyeksikan prototype alat sistem yang telah

dibuat ini agar sesuai dengan kondisi ruangan yang sebenarnya, seperti pada gambar 3.5.

Tabel 3.4. Alamat piranti Output

Tabel 3.3. Alamat piranti Input


34

Adapun hal – hal yang perlu diperhatikan dalam pembuatan serta penguji cobaan ruangan

miniatur ini antara lain :

1. Meminimalisi cahaya yang masuk pada suatu ruangan sehingga webcam dapat

bekerja dengan baik.

2. Pemasangan kamera tidak bisa menghadap secara langsung kepada objek lampu atau

objek yang dapat memancarkan cahaya karena sistem akan mendeteksi objek

tersebut sebagai api.

3.4. Perancangan Perangkat Lunak

Pada perancangan lunak dalam penelitian ini terbagi menjadi 2 bagian yaitu pembuatan

algoritma dan perancangan GUI web server.

3.4.1. Pemrograman Algoritma

Pemrograman algoritma dalam proses ini memerlukan beberapa cara untuk dapat

menentukan hasil keluaran yang diinginkan dengan metode algoritma haar cascade

classifier. Secara garis besar, proses metode haar cascade classifier ini dibagi menjadi 3

bagian utama yang meliputi persiapan sampel negatif, persiapan sampel positif, dan

pelatihan sampel dengan menggunakan aplikasi Cascade Trainer GUI yang menerapkan

algoritma haar cascade classifier.

Gambar 3.5. Desain perancangan alat


35

Hal yang pertama dilakukan yaitu menyiapkan sampel gambar negatif secara manual

dan positif menggunakan Opencv. Hasil sampel gambar yang sudah jadi harus dilatih

menggunakan Cascade Trainer GUI untuk menentukan nilai negatif dan positif suatu gambar

atau video yang nantinya akan di monitor. Diagram alir proses kerja metode haar cascade

classifier dapat dilihat pada gambar 3.6. Hasil output dari tahap pemrograman algoritma ini

akan diimplementasikan dalam bentuk program yang akan dimasukkan pada program utama.

3.4.1.1. Persiapan Sampel Negatif

Persiapan sampel negatif menggunakan hasil tangkapan gambar webcam dalam

bentuk apa saja yang tidak mengandung objek yang akan di deteksi oleh sistem. Gambar –

gambar ini dihasilkan dengan beberapa metode dan disebut sampel latar belakang atau

gambar latar belakang. Gambar yang digunakan dalam sampel negatif harus sama atau lebih

besar dari ukuran gambar objek yang akan di deteksi oleh sistem, karena sampel negatif ini

digunakan untuk melakukan sampel pada gambar negatif menjadi beberapa sampel gambar

yang memiliki jendela pelatihan sampel yang sama.

3.4.1.2. Persiapan Sampel Positif

Persiapan sampel positif dibuat oleh perintah “opencv_createsamples” pada

Raspberry Pi. Perintah tersebut digunakan proses boosting untuk menentukan model apa

yang sebenarnya harus dicari ketika ingin mencoba menemukan objek yang akan di deteksi

oleh sistem. Pengambilan sampel positif menggunakan cara yang sama dengan pengambilan

sampel negatif, hanya saja sekarang ada objek yang akan di deteksi oleh sistem nantinya.

Gambar 3.6. Diagram alir haar cascade classifier


36

3.4.1.3. Pelatihan Sampel dengan Cascade

Langkah terakhir setelah persiapan sampel adalah pelatihan sampel dengan

pengklasifikasian cascade. Langkah ini memproses sampel positif dan negatif yang telah

disiapkan sebelumnya. Proses pelatihan cascade menggunakan aplikasi Cascade Trainer

GUI untuk membuat file cascade. Setelah proses pelatihan cascade selesai, cascade yang

sudah terlatih akan disimpan dalam tipe file “xml”.

3.4.2. Pemrograman Web Server

Pemrograman web server dilakukan dengan membagi program menjadi 2 naskah

program yaitu naskah program pembuatan fungsi dan naskah program pemanggilan fungsi

serta pembuatan web server. Naskah yang pertama merupakan pembuatan fungsi – fungsi

inisialisasi GPIO dan kamera, pendeteksian pada web server serta sistem pemadaman api.

Naskah program pertama dibuat agar memudahkan serta meringkas pembuatan program

dengan menggunakan Class pada Python yang membuat setiap variabel yang dibuat

memiliki metode pemrogramannya masing – masing.. Pembuatan fungsi-fungsi ini

dijelaskan pada poin-poin berikut :

a. Inisialisasi GPIO perangkat keras.

b. Pembuatan format frame dan resolusi kamera.

c. Pembuatan fungsi menjalankan kamera pada Raspberry dan web server

d. Pembuatan fungsi pendeteksian api dan asap

e. Pembuatan fungsi sistem pemadaman api

Sementara naskah kedua merupakan pembuatan GUI web server, pemanggilan fungsi

pada naskah pertama, dan streaming web server. Fungsi – fungsi yang telah dibuat pada

naskah pertama akan dipanggil pada naskah kedua atau naskah pembuatan web server.

Tujuan pembagian dalam pembuatan script ini adalah mempermudah penulis dalam

mengidektifikasi masalah dalam pembuatan script ini. Diagram alir untuk naskah kedua atau

pembuatan web server dapat dilihat pada gambar 3.7.


37

Gambar 3.7. Diagram alir inisialisasi fungsi program dan web server


38

3.4.3. Perancangan GUI Web Server

Perancangan GUI ini bertujuan agar mempermudah pengguna dalam pemantauan

atau pengawasan kondisi tangkapan kamera dalam ruangan – ruangan. Rancangan GUI

dapat dilihat pada gambar 3.8. Secara total, GUI ini memiliki 5 frame. 4 frame di bagian kiri

dalam berfungsi untuk menampilkan hasil tangkapan kamera apabila terindikasi adanya

kebakaran, sedangkan pada 1 frame dibagian kanan berfungsi untuk menampilkan streaming

ruangan yang diinginkan oleh pengguna.

Diagram alir GUI streaming ruangan ditampilkan pada diagram alir 3.9 dan diagram

alir GUI hasil tangkapan kamera di tampilkan pada gambar 3.10 untuk gambar asap serta

gambar untuk gambar api 3.11. Diagram alir pada gambar 3.10 dan 3.11 berhubungan secara

langsung pada perintah sub rutin program pada diagram alir B gambar 3.1 sebelumnya,

sementara diagram alir 3.9 merupakan rincian pelaksaanaan dari tombol untuk mulai

monitoring ruangan. Selain itu, diagram alir 3.9 sampai 3.11 merupakan penjelasan tahapan

lebih rinci dari diagram alir pembuatan web server bagian menjalankan web server pada

gambar 3.8.

Beberapa tombol yang dimaskudkan adalah :

1. Ruangan A dan B

Tombol ruangan A dan tombol ruangan B berfungsi untuk menampilkan streaming

ruangan yang diinginkan oleh pengguna.

Gambar 3.8. Rancangan GUI web server


39

2. STOP

Tombol STOP berfungsi untuk menghentikan streaming ruangan yang sedang

dilakukan oleh pengguna.

3. Lakukan pemadaman

Tombol lakukan pemadaman berfungsi untuk memadamkan api apabila api

terdeteksi pada salah satu ruangan atau lebih.

Gambar 3.9. Diagram alir streaming ruangan


40

Gambar 3.10. Diagram alir hasil tangkapan asap pada kamera

Gambar 3.11. Diagram alir hasil tangkapan api pada kamera


41

3.4.4. Pemrosesan Citra

Webcam sebagai sensor pendeteksi api dan asap harus dapat mendeteksi suatu objek

sebagai citra api atau citra asap. Pemrosesan citra dilakukan secara real time dengan sistem

streaming pada Raspberry maupun web server dengan menggunakan database gambar

berupa hasil dari pelatihan sampel sebagai perbandingannya. Tahap pemrosesan citra terbagi

menjadi 2, yaitu tahap preprocessing dan tahap processing.

3.4.4.1. Preprocessing

Preprocessing adalah tahap untuk mengubah background citra hasil tangkapan

kamera. Sampel yang telah dilatih melalui aplikasi cascade trainer GUI akan dimasukkan

pada program pendeteksian sebagai perbandingan dari citra yang akan di tangkap oleh

kamera. Background Citra hasil tangkapan kamera pertama akan diubah menjadi citra gray

untuk mempermudah hasil keluaran dari matriks penyusun agar dapat dibandingkan dengan

matriks penyusun dari sampel hasil dari pelatihan. Diagram alir preprocessing dapat dilihat

pada gambar 3.12.

3.4.4.2. Processing

Processing adalah tahap yang akan dilakukan setelah tahap preprocessing.

Processing merupakan proses utama yang akan dijalankan sebagai sistem pendeteksi api dan

asap yang utama. Semakin baik pembuatan tahap processing, makan semakin baik juga

sistem dapat dengan mudah dan cepat mendeteksi api dan asap. Dalam tahap processing

terdiri dari beberapa langkah lanjutan dari tahap preprocessing yang memproses nilai

matriks yang ada pada tangkapan citra kamera. Secara garis besar, pemrosesan tangkapan

citra kamera ini menggunakan tresholding atau perbandingan nilai penyusun matriks

threshold dari sampel yang telah dilatih dengan matriks dari hasil tangkapan kamera

sehingga dapat diketahui apabila objek pada kamera terdapat ada api atau asap. Setelah api

telah terdeteksi oleh sistem maka citra api akan diberi identifkasi secara jelas dengan

memberikan kotak merah berdasarkan region of interest dari api tersebut. Diagram alir

Gambar 3.12. Diagram alir preprocessing


42

processing dapat dilihat pada gambar 3.13. Secara garis besar, tahap processing adalah cara

kerja dari program algoritma haar cascade.

Gambar 3.13. Diagram alir processing


43

BAB IV

HASIL DAN PEMBAHASAN

Bab ini akan membahas mengenai hasil pengamatan dari pengenalan citra api

berdasarkan dari sistem pemadaman yang telah dibuat. Hasil pengamatan berupa pengujian

keberhasilan pendeteksian citra api oleh kamera. Pada bab ini akan dibahas mengenai

perubahan antara rancangan alat dan implementasi alat.

4.1. Perubahan Rancangan

Perubahan rancangan yang terjadi pada bab pengujian ini terbagi menjadi tiga yaitu

perubahan desain ruangan, tampilan web server, dan penambahan sensor asap.

4.1.1. Desain Ruangan

Pembuatan perangkat keras pada penelitian ini mengalami perubahan dengan

menghilangkan pembuatan miniatur ruangan sebagai alat penguji coba, melainkan dengan

menggunakan ruangan asli. Selain itu, peletakkan kamera dan pemasangan pipa pada sistem

pemadam akan disesuaikan dengan tidak memperhatikan skala asli pada sistem pemadam

sungguhan.

Kamera akan diletakkan di masing – masing ruangan dengan penempatan kamera

pada ketinggian 155 cm dari tinggi ruangan dan penempatan sensor asap berada di bawah

kamera serta pemasangan pipa pada ketinggian 110 cm dari tinggi ruangan. Pemasangan

disimulasikan dengan 2 ruangan yaitu ruang tidur dan ruang tengah atau ruang tamu, masing

– masing ruangan akan memiliki intensitas cahaya yang berbeda baik pada malam hari

maupun siang hari.

Perubahan ini dilakukan karena dianggap lebih mudah dan lebih nyata dalam

simulasi ruangan asli sehingga data yang di dapat akan lebih akurat meskipun sistem

pemadaman tidak akan mencerminkan simulasi ruangan asli. Perubahan kondisi ruangan

dapat dilihat pada gambar 4.1.

43


44

4.1.2. Tampilan Web Server

Pada proses pembuatan web server mengalami perububahan seperti penghilangan

tombol STOP pada streaming ruangan dan perubahan layout atau tampilan web server secara

keseluruhan.

Tampilan web server mengalami penambahan fitur yaitu tombol pemadaman di

kedua ruangan, tampilan api dan asap yang berbeda di kedua ruangan, serta tampilan pesan

peringatan apabila terdeteksi api atau asap di salah satu ruangan. Perubahan ini dilakukan

agar tampilan web server tidak membingungkan pengguna serta dapat menampilkan lebih

banyak informasi terkait ruangan yang di monitoring. Contoh tampilan web server dapat

dilihat pada gambar 4.2. Web server didesain menggunakan beberapa library pada Python

seperti jinja sehingga bisa diimplementasikan secara langsung dan bersamaan dengan

program utama. Penggunaan library jinja dipilih sebagai pemrogaman web server karena

cukup mudah dalam mengatur layout halaman dari web server dan menggunakan bahasa

pemrograman yang sama dengan program utama.

Gambar 4.1. Perubahan rancangan ruangan

a. Sambungan pipa dari pompa air yang menuju ruang tengah dan ruang

tidur.

b. Pipa pemadaman pada ruang tengah.

c. Pipa pemadaman pada ruang tidur.

(a) (b) (c)


45

4.1.3. Sensor Asap

Penambahan sensor asap pada penelitian ini disebabkan oleh tidak mampunya

algoritma haar cascade classifier dalam memilah sampel asap dan juga sampel bukan asap

yang membuat pendeteksian sensor asap menggunakan kamera mendeteksi variabel –

variabel lain diluar asap. Selain itu, penggunaan fitur pendeteksian RGB pada OpenCV tidak

mampu juga membedakan variabel asap dan background hasil substraksi.

4.2. Hasil Implementasi

Bagian ini akan membahas mengenai perangkat keras dan perangkat lunak yang telah

diimplemententasikan secara penuh pada sistem pemadam. Perangkat keras berupa

penempatan webcam, sensor asap, power supply, raspberry pi, relay, pompa air serta

pemasangan pipa dan solenoid valve, sedangkan untuk perangkat lunak berupa penjelasan

mengenai program dan hasilnya.

4.2.1. Implementasi Perangkat Keras

Hasil dari pembuatan rangkaian penempatan kamera, sensor asap dan solenoid valve

dapat dilihat pada gambar 4.3 dan 4.4 Pada kedua gambar tersebut, kamera ditandai dengan

kotak berwarna merah, sensor asap berwarna kuning dan solenoid valve berwarna biru. Jika

ruangan kamar tidur terdeteksi adanya api, maka katup pada solenoid valve kamar tidur akan

Gambar 4.2. Tampilan home pada web server


46

terbuka sedangkan solenoid valve ruangan tengah akan tetap tertutup sehingga air akan

mengalir pada nozzle ruangan tidur saja. Selain itu, penempatan perangkat keras sistem

utama dapat dilihat pada gambar 4.5.

Keterangan :

Nomor 1 = Kamera

Nomor 2 = Sensor asap

Nomor 3 = Solenoid Valve

Gambar 4.3. Penempatan rangkaian pada ruangan tengah

Gambar 4.4. Penempatan rangkaian pada ruangan kamar tidur

1

2

3

1

2

3


47

Keterangan :

Nomor 1 = Catu Daya 12V

Nomor 2 = Pompa Air 12V

Nomor 3 = Relay

Nomor 4 = Raspberry Pi

Nomor 5 = ADC MCP3008

GPIO PIN pada Raspberry Pi terkoneksi pada relay, sensor asap, ADC MCP3008

yang berfungsi sebagai pemberi daya dan perintah bagi hardware tersebut. Catu daya 12V

berfungsi sebagai pemberi daya bagi pompa air dan solenoid valve yang terkoneksi pada

relay sehingga relay dapat mengatur waktu pompa air harus menyala dan waktu bagi

solenoid valve untuk terbuka atau tertutup. ADC berfungsi sebagai pengubah sinyal analog

dari sensor asap ke digital sehingga Raspberry dapat mengatur dan mengamati bagaimana

sensor asap bekerja.

Gambar 4.5. Penempatan rangkaian sistem utama

1

3

2

4

5


48

4.2.2. Cara Kerja Sistem

Proses kerja sistem diawali dengan menjalankan script server yang menginisialisasi

sistem secara keseluruhan dan selanjutnya proses kerja sistem akan diatur oleh web server

yang telah dibuat sebelumnya. Proses monitoring dengan sensor asap akan langsung berjalan

sesaat ketika script server dijalankan, namun monitoring kamera akan baru berjalan ketika

tombol monitoring di salah satu ruangan pada web server di tekan. Contoh monitoring pada

ruangan tengah dapat dilihat pada gambar 4.6.

Sistem pendeteksian api oleh kamera akan terus berjalan sampai pada salah satu

ruangan terdeteksi adanya api dan sistem pemadam akan berjalan pada ruangan yang

terdeteksi api serta web server akan menampilkan pesan peringatan, namun tidak dengan

sensor asap. Sensor asap akan terus berjalan meskipun sensor mendeteksi adanya asap dan

sistem pemadam tidak akan berjalan sampai ada api yang terdeteksi, akan tetapi web server

tetap menampilkan pesan peringatan adanya asap pada salah satu ruangan. Contoh ruangan

yang terdeteksi dapat dilihat pada gambar 4.7.

Gambar 4.6. Monitoring ruangan tengah


49

Sistem pemadam berjalan dengan menyalakan pompa melalui relay sehingga air

akan mengalir dan solenoid valve akan mengalirkan air ke salah satu ruangan yang terdeteksi

adanya api.

4.3. Pengujian Sistem

Secara garis besar, pengujian terbagi menjadi 5 bagian yaitu pengujian pendeteksian

api, pendeteksian asap, pengujian web server, pengujian bot telegram, dan pengujian sistem

pemadam. Pengujian pendeteksian api dilakukan dengan menggunakan variabel jarak dari

titik buta kamera, citra api, dan intensitas cahaya dengan menggunakan satuan lux. Jarak

dari titik buta kamera menggunakan tegel sebagai acuan meternya. Sementara untuk data

yang diambil adalah maksimum jarak sistem dapat mendeteksi, waktu sistem dalam

mendeteksi, jumlah rata–rata piksel yang terdeteksi, dan piksel api yang sesungguhnya.

Selain itu data yang diambil adalah tingkat keberhasilan aktuator dalam menjalankan

fungsinya sebagai sistem pemadam apabila ada api yang terdeteksi ataupun tidak terdeteksi

Pengujian pendeteksian asap dilakukan dengan mengamati nilai ADC, kepekatan

asap, tegangan sensor dan durasi pendeteksian. Namun sebelum itu, dilakukan terlebih

Gambar 4.7. Tampilan web server ruangan tengah terdeteksi api


50

dahulu pengujian pembacaan nilai ADC untuk mengetahui kemampuan pembacaan ADC

agar dapat diketahui ketepatan nilai pembacaan dari ADC.

4.3.1. Pelatihan Sampel Data Haar Cascade

Sebelum dilakukan pengujian sistem pendeteksian api, perlu dilakukan pelatihan

sampel citra api untuk mendapatkan data yang dapat digunakan sebagai perbandingan citra

api palsu dan juga citra api asli berbentuk program. Sampling dilakukan menggunakan

algoritma Haar Cascade Classifier melalui Haar Cascade Trainer GUI. Hal pertama yang

dilakukan adalah mengumpulkan data gambar beserta video citra api atau gambar positif

yang dapat dilihat pada gambar 4.8 dan gambar beserta video yang bukan citra api atau

gambar negatif yang dapat dilihat pada gambar 4.9. Pengambilan sampel gambar dilakukan

2 kali yaitu secara mandiri dengan mengambil gambar citra api dan gambar yang bukan citra

api, selain itu ada beberapa gambar yang lainnya yang diambil melalui internet untuk

memperbanyak data sehingga pendeteksian yang didapat lebih akurat.

Gambar 4.8. Gambar positif untuk pelatihan sampel

[31] [32] [33] [34]

[35] [36] [37] [38]

[39] [40] [41] [42]


51

Setelah dilakukan pengumpulan gambar negatif dan gambar positif, hal yang

dilakukan selanjutnya adalah proses pelatihan sampel. Proses dilakukan dengan

memasukkan data positif dan negatif ke aplikasi Haar Cascade Trainer GUI dan aplikasi ini

akan melakukan pelatihan sampel data positif dan negatif. Setelah proses pelatihan sampel

berhasil maka hasil pelatihan sampel tersebut akan disimpan dalam algoritma program yang

digunakan sebagai pendeteksian pada sistem ini, penggalan matriks hasi dari program

algoritma tersebut dapat dilihat pada lampiran halaman 42 sampai halaman 53. Sebagai

catatan, penomoran pada setiap gambar mengacu pada nomor pada daftar pustaka.

4.3.2. Pengujian Sistem Pendeteksian Api

Pengujian pendeteksian api dilakukan pada 2 kondisi ruangan yang berbeda

berdasarkan intensitas cahaya yaitu pada siang hari dan malam hari. Sebelum dilakukan

pengujian pada sistem pendeteksian api, sistem akan diperiksa terlebih dahulu apakah sudah

mengenal citra api dengan baik atau belum. Pengujian pengenalan citra api menggunakan

contoh fake fire berupa beberapa foto api dan kertas berwarna merah yang dapat dilihat pada

gambar 4.10 hingga gambar 4.13, sementara contoh pengujian yang berhasil dapat dilihat

pada gambar 4.14.

Gambar 4.9. Gambar negative untuk pelatihan sampel

[43] [44] [45] [46]

[47]

[51] [52] [53] [54]

[55] [56] [57] [58]

[48] [49] [50]


52

Gambar 4.11. fake fire foto api 1


Gambar 4.10. fake fire kertas berwarna merah


53

Setelah pengujian fake fire telah berhasil maka akan dilanjutkan dengan ujicoba citra

api sesungguhnya. Variabel jarak menggunakan satuan meter dan data waktu pendeteksian

menggunakan satuan detik serta total piksel yang terdeteksi menggunakan perhitungan

piksel horizontal dikali dengan piksel vertikal dan total piksel api yang sesungguhnya

merupakan total piksel api secara presisi pada tangkapan kamera yang dapat dilihat pada

tabel 4.1 sebagai contohnya.


Gambar 4.14. Sistem berhasil mendeteksi api


54

Setelah diketahui semua piksel tangkapan kamera yang diinginkan, maka tahap

selanjutnya adalah menghitung ketepatan pendeteksian titik api sistem dalam mendeteksi

citra api pada tangkapan kamera. Tahap pertama yang dilakukan dalam mencari data

ketepatan pendeteksian titik api adalah mengetahui dan menentukan data yang akan

digunakan berupa nilai true positive, true negative, false positive dan false negative. data

tersebut dapat tabel 4.1 berikut ini.

TRUE FALSE

TRUE

TP

(True Positive)

Total piksel api

sesungguhnya

FP

(False Positive)

Total piksel yang terdeteksi

tapi bukan api

FALSE

FN

(False Negative)

Total piksel yang tidak

terdeteksi

TN

(True Negative)

Total piksel pada gambar yang

tidak terdeteksi sebagai api

Nilai total piksel yang tidak terdeteksi atau FN adalah dari total piksel seluruhnya

pada tangkapan kamera yaitu 640 x 480 atau 307.200 dikurangi dengan total piksel yang

terdeteksi tapi bukan api atau FP yang ditambahkan dengan total api sesungguhnya atau TP

sedangkan TN adalah total piksel tangkapan kamera dikurangi dengan TP. Setelah diketahui

data yang digunakan untuk mencari nilai ketepatan pendeteksian titik api, maka selanjutnya

adalah memulai perhitungan yang menggunakan persamaan 4.1 yang berdasarkan pada

persamaan presisi 2.6 pada bab dasar teori. Untuk ilustrasi pengklasifikasian data piksel

dapat dilihat pada gambar 4.15.

𝐾𝑒𝑡𝑒𝑝𝑎𝑡𝑎𝑛 𝑝𝑒𝑛𝑑𝑒𝑡𝑒𝑘𝑠𝑖𝑎𝑛 𝑡𝑖𝑡𝑖𝑘 𝑎𝑝𝑖 = 𝑇𝑃

𝑇𝑃 + 𝐹𝑃 𝑥 100%

Tabel 4.1. Pengklasifikasian data piksel

(4.1)


55

Data TP ditandai dengan kotak berwarna biru, data FP ditandai dengan kotak

berwarna merah, data FN ditandai dengan kotak berwarna kuning dan data TN ditandai

dengan rentang kotak berwarna hijau.

Setelah semua persiapan pengujian dilakukan maka selanjutnya adalah melakukan

pengujian dengan menggunakan variabel jarak sebagai acuannya. Kotak menggambarkan

tegel yang berukuran 40x40 cm dengan total panjang ruangan pada ruang tengah adalah 4

meter dan total lebar ruangan 2,8 meter, sementara ruang tidur panjang ruangan 3 meter dan

lebar ruangan 2,8 meter. Untuk ilustrasi pengujian dapat dilihat pada gambar 4.16 dan 4.17.

Gambar 4.15. Ilustrasi pengklasifikasian data piksel

Gambar 4.16. Ilustrasi pengujian pendeteksian titik api pada ruangan tengah


56

Keterangan :

Blok biru : Titik kamera

Blok abu-abu : Titik buta kamera

Blok merah : Titik lampu

Blok kuning : Pintu (sumber cahaya siang hari

Pengujian pada ruang tengah dilakukan dengan memindahkan titik api pada jarak mulai dari

x = 160 cm dan y = 160 cm hingga x = 160 cm dan y = 400 cm, sementara pengujian pada

ruang tidur dilakukan pada jarak mulai dari x = 160 cm dan y = 100 cm hingga x = 160 cm

dan y = 300 cm.

4.3.1.1. Pengujian Sistem Pendeteksian Api pada Ruang Tengah

Pengujian pertama dilakukan di ruang tengah pada kondisi malam hari dengan

intensitas cahaya 24 lux menggunakan citra api pada lilin dan api pada korek gas. Pengujian

citra api pada lilin dengan intensitas cahaya 24 lux di ruang tengah dapat dilihat pada tabel

4.2 dan presentase ketepatan pendeteksian titik api citra api lilin dapat dilihat pada tabel 4.3,

sementara pengujian citra api pada korek gas dapat dilihat pada tabel 4.4 dan presentase

ketepatan pendeteksian titik api korek gas dapat dilihat pada tabel 4.5. Pendeteksian data

Gambar 4.17. Ilustrasi pengujian pendeteksian titik api pada ruangan tidur


57

waktu pendeteksian bertujuan untuk mengetahui kecepatan pendeteksian atau mencari data

pertama ketika sistem pertama kali berjalan. Solenoid 1 merupakan solenoid valve pada

ruang tengah, sementara solenoid 2 merupakan solenoid valve pada ruang tidur.

Citra

Api

Jarak

(meter) Terdeteksi

Waktu

Pendeteksian

(detik)

Aksi Aktuator

Pompa air Solenoid 1 Solenoid 2

Lilin

1,6 Ya 0,53 ON ON OFF

2 Ya 1,32 ON ON OFF



3.2 Ya 5,17 ON ON OFF


4 Tidak Tidak terdeteksi OFF OFF OFF

Jarak

(meter)

Total Piksel

yang Terdeteksi

Total Piksel Api

Sesungguhnya

Perhitungan untuk data

ketepatan

Ketepatan

pendeteksian titik

api

1,6 870 320 320

(870 − 320) + 320𝑥 100% 36,78%

2 812 300 312

(812 − 312) + 312𝑥 100% 36,95%

2,4 2.025 374 374

(2025 − 374) + 374𝑥 100% 18,47%

2,8 2.496 304 304

2496 − 304) + 304𝑥 100% 12,18%

3,2 900 324 324

(900 − 324) + 324𝑥 100% 36,00%

3,6 812 324 324

(812 − 324) + 324𝑥 100% 39,91%

Tabel 4.2. Pengujian citra api lilin dengan intensitas cahaya 24 lux di ruang tengah

Tabel 4.3. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 24 lux

dengan jarak di ruang tengah


58

Citra

Api

Jarak

(meter) Terdeteksi

Waktu

Pendeteksian

(detik)

Aksi Aktuator

Pompa Air Solenoid 1 Solenoid 2

Korek

gas


2 Ya 1,33 ON ON OFF






Jarak

(meter)

Total Piksel

yang Terdeteksi

Total Piksel Api

Sesungguhnya


ketepatan

Ketepatan

pendeteksian titik

api

1,6 810 396 396

(810 − 396) + 396𝑥 100% 48,89%

2 600 324 324

(600 − 324) + 324𝑥 100% 54,00%

2,4 1.088 360 360

(1088 − 360) + 360𝑥 100% 33,09%

2,8 702 323 323

702 − 323) + 323𝑥 100% 46,01%

3,2 600 342 342

(600 − 342) + 342𝑥 100% 57,00%

3,6 672 324 324

(672 − 324) + 324𝑥 100% 48,21%

Tabel 4.4. Pengujian citra api korek gas dengan intensitas cahaya 24 lux di ruang tengah

Tabel 4.5. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 24 lux dengan

jarak di ruang tengah


59

Hipotesis pengujian pertama adalah jarak 1,6 meter dari titik buta kamera adalah

titik tercepat kamera dalam mendeteksi titik api dan jarak 3,6 meter adalah jarak maksimal

kamera dalam mendeteksi api, sementara jarak 3,2 meter adalah titik terbaik sistem dalam

ketepatan pendeteksian titik api. Pada intensitas cahaya 24 lux di ruang tengah, presentase

keberhasilan aksi aktuator adalah 100%.

Selanjutnya pengujian kedua dilakukan pada siang hari dengan intensitas cahaya 8 –

14 lux, rentang intensitas cahaya terjadi karena pada siang hari sering terjadi perubahan

cuaca. Intensitas cahaya 8 lux terjadi saat cuaca sedang berawan sedangkan 14 lux terjadi

apabila cuaca sedang cerah. Pengujian citra api lilin dengan intensitas cahaya 8 – 14 lux di

ruang tengah dapat dilihat pada tabel 4.6 dan dan presentase ketepatan pendeteksian titik api

citra api lilin dapat dilihat pada tabel 4.7, sementara untuk citra api pada korek gas dapat

dilihat pada tabel 4.8 dan dan presentase ketepatan pendeteksian titik api citra api korek gas

dapat dilihat pada tabel 4.9.

Citra Api Jarak

(meter) Terdeteksi

Waktu

Pendeteksian

(detik)

Aksi Aktuator


Lilin


2 Ya 3,41 ON ON OFF

2,4 Ya 8.53 ON ON OFF

2,8 Tidak Tidak terdeteksi OFF OFF OFF

3.2 Tidak Tidak terdeteksi OFF OFF OFF



Tabel 4.6. Pengujian citra api lilin dengan intensitas cahaya 8-14 lux dengan jarak di ruang tengah


60

Jarak

(meter)

Total Piksel yang

Terdeteksi

Total Piksel Api

Sesungguhnya


ketepatan

Ketepatan

pendeteksian titik

api

1,6 2.809 361 361

(2809 − 361) + 361𝑥 100% 12,85%

2 1.638 380 380

(1638 − 380) + 380𝑥 100% 23,20%

2,4 650 399 399

(650 − 399) + 399𝑥 100% 61,38%

Citra Api Jarak

(meter) Terdeteksi

Waktu

Pendeteksian

(detik)

Aksi Aktuator


Korek gas


2 Ya 2,44 ON ON OFF



3.2 Tidak Tidak terdeteksi OFF OFF OFF



Tabel 4.8. Pengujian citra api korek gas dengan intensitas cahaya 8-14 lux di ruang tengah

Tabel 4.7. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 8-14 lux dengan jarak

di ruang tengah


61

Hipotesis pengujian kedua adalah jarak 1,6 meter dari titik buta kamera adalah titik

tercepat kamera dalam mendeteksi titik api dan jarak 2,8 meter adalah jarak maksimal


ketepatan pendeteksian titik api. Pada intensitas cahaya 8 -14 lux di ruang tengah, presentase


4.3.1.2. Pengujian Sistem Pendeteksian Api pada Ruang Tidur

Pengujian ketiga dilakukan pada ruang tidur di malam hari dengan intensitas cahaya

45 lux, dikarenakan ruangan yang lebih kecil dari ruang tengah maka intensitas cahaya pada

ruang tidur lebih tinggi dari ruang tengah. Pengujian citra api pada lilin dengan intensitas

cahaya 45 lux dapat dilihat pada tabel 4.10 dan presentase ketepatan pendeteksian titik api

citra api lilin dapat dilihat pada tabel 4.11, sementara untuk citra api korek gas dapat dilihat

pada tabel 4.12 dan presentase ketepatan pendeteksian titik api citra korek gas dapat dilihat

pada tabel 4.13. Solenoid 1 merupakan solenoid valve pada ruang tengah, sementara

solenoid 2 merupakan solenoid valve pada ruang tidur.

Jarak

(meter)

Total Piksel

yang Terdeteksi

Total Piksel Api

Sesungguhnya


ketepatan

Ketepatan

pendeteksian titik

api

1,6 1.088 342 342

(1088 − 342) + 342𝑥 100% 31,43%

2 1.221 344 344

(1221 − 344) + 344𝑥 100% 28,17%

2,4 624 323 323

(624 − 323) + 323𝑥 100% 51,76%

2,8 1.156 304 304

1156 − 304) + 304𝑥 100% 26,31%

Tabel 4.9. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 8-14 lux dengan

jarak di ruang tengah


62

Jarak

(meter)

Total Piksel

yang Terdeteksi

Total Piksel Api

Sesungguhnya


ketepatan

Ketepatan

pendeteksian titik

api

1 1.023 368 368

(1023 − 368) + 368𝑥 100% 35,97%

1,4 754 400 400

(754 − 400) + 400𝑥 100% 53,05%

1,8 1.520 323 323

(1520 − 323) + 323𝑥 100% 21,25%

2,2 1.482 306 306

1482 − 306) + 306𝑥 100% 20,65%

2,6 870 323 323

(870 − 323) + 323𝑥 100% 37,13%

Citra

Api

Jarak

(meter) Terdeteksi

Waktu

Pendeteksian

(detik)

Aksi Aktuator


Lilin

1 Ya 0,56 ON OFF ON

1,4 Ya 0,64 ON OFF ON





Tabel 4.10. Pengujian citra api lilin dengan intensitas cahaya 45 lux di ruang tidur

Tabel 4.11. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 45 lux dengan jarak di

ruang tidur


63

Jarak

(meter)

Total Piksel

yang Terdeteksi

Total Piksel Api

Sesungguhnya


ketepatan

Ketepatan

pendeteksian titik

api

1 3.720 620 620

(3720 − 620) + 620𝑥 100% 16,67%

1,4 2.256 576 576

(2256 − 576) + 576𝑥 100% 25,53%

1,8 1.155 368 368

(1155 − 368) + 368𝑥 100% 31,86%

2,2 1.404 418 418

1404 − 418) + 418𝑥 100% 29,77%

2,6 992 330 330

(992 − 330) + 330𝑥 100% 33,27%

Hipotesis pengujian ketiga adalah jarak 1 meter dari titik buta kamera adalah titik



ketepatan pendeteksian titik api. Pada intensitas cahaya 45 lux di ruang tidur, presentase


Pengujian terakhir dilakukan pada ruang tidur di siang hari dengan intensitas cahaya

8-12 lux, maksimal intensitas cahaya di kamar tidur hanya 12 lux karena cahaya yang masuk

Citra Api Jarak

(meter) Terdeteksi

Waktu

Pendeteksian

(detik)

Aksi Aktuator


Korek

gas

1 Ya 0,85 ON OFF ON






Tabel 4.13. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 45 lux dengan jarak di ruang tidur

Tabel 4.12. Pengujian citra api korek gas dengan intensitas cahaya 45 lux di ruang tidur


64

di ruang tidur tidak sebanyak di ruang tengah. Pengujian citra api pada lilin dengan intensitas

cahaya 8–12 lux dapat dilihat pada tabel 4.14 dan presentase ketepatan pendeteksian titik api

citra api lilin dapat dilihat pada tabel 4.15, sementara untuk citra api korek gas dapat dilihat

pada tabel 4.16 dan presentase ketepatan pendeteksian titik api citra api lilin dapat dilihat

pada tabel 4.17.

Jarak

(meter)

Total Piksel yang

Terdeteksi

Total Piksel Api

Sesungguhnya Perhitungan untuk data ketepatan

Ketepatan

pendeteksian titik

api

1 3.720 990 990

(3720 − 990) + 990𝑥 100% 26,61%

1,4 3.363 594 594

(3363 − 594) + 594𝑥 100% 17,66%

1,8 4.096 1.218 1218

(4096 − 1218) + 1218𝑥 100% 29,74%

2,2 2.860 580 580

2860 − 580) + 580𝑥 100% 20,28%

2,6 812 323 323

(812 − 323) + 323𝑥 100% 39,78%

Citra Api Jarak

(meter) Terdeteksi

Waktu

Pendeteksian

(detik)

Aksi Aktuator


Lilin

1 Ya 0,67 ON OFF ON






Tabel 4.15. Ketepatan pendeteksian titik api citra api lilin intensitas cahaya 8-12 lux dengan jarak di

ruang tidur

Tabel 4.14. Pengujian citra api lilin dengan intensitas cahaya 8-12 lux di ruang tidur


65

Hipotesis pengujian terakhir adalah jarak 1 meter dari titik buta kamera adalah titik



Citra Api Jarak

(meter) Terdeteksi

Waktu

Pendeteksian

(detik)

Aksi Aktuator


Korek gas

1 Ya 0,57 ON OFF ON






Jarak

(meter)

Total Piksel yang

Terdeteksi

Total Piksel Api

Sesungguhnya


ketepatan

Ketepatan

pendeteksian titik

api

1 3.720 990 990

(3720 − 990) + 990𝑥 100% 26,61%

1,4 3.363 594 594

(3363 − 594) + 594𝑥 100% 17,66%

1,8 961 460 460

(961 − 460) + 460𝑥 100% 47,87%

2,2 1.482 529 529

1482 − 529) + 529𝑥 100% 35,69%

2,6 900 483 483

(900 − 483) + 483𝑥 100% 53,67%

Tabel 4.16. Pengujian citra api korek gas dengan intensitas cahaya 8-12 lux di ruang tidur

Tabel 4.17. Ketepatan pendeteksian titik api citra api korek gas intensitas cahaya 8-12 lux dengan

jarak di ruang tidur


66

ketepatan pendeteksian titik api. Pada intensitas cahaya 8-12 lux di ruang tidur, presentase


Setelah dilakukan pengujian di empat kondisi ruangan dan pencahayaan yang

berbeda, dapat dianalisa bahwa semakin dekat titik api dengan pemantauan kamera maka

semakin cepat api terdeteksi. Tingkat keberhasilan aksi aktuator dalam menjalankan

fungsinya berdasarkan sistem pendeteksian adalah 100%, dengan kata lain aktuator tidak

pernah mengalami malfungsi dalam menjalankan tugasnya. Kesimpulan dari tabel waktu

pendeteksian pada ruangan tengah dapat dilihat pada kurva gambar 4.18 dan ruangan tidur

pada kurva 4.19 berikut ini.

0

2

4

6

8

10

12

1,6 meter 2 meter 2,4 meter 2,8 meter 3,2 meter 3,6 meter

Rata-rata waktu pendeteksian ruangan tengah (detik)

Rata-rata waktu pendeteksian ruangan tengah

0

2

4

6

8

10

12

1 meter 1,4 meter 1,8 meter 2,2 meter 2,6 meter

Rata-rata waktu pendeteksian ruangan tidur (detik)

Rata-rata waktu pendeteksian ruangan tidur

Gambar 4.18. Kurva rata-rata waktu pendeteksian ruangan tengah

Gambar 4.19. Kurva rata-rata waktu pendeteksian ruangan tidur


67

Selain itu, dari total 4 percobaan dari masing-masing ruangan berdasarkan citra api

dan intesitas cahanya, maka dapat diambil rata-rata nilai presentase keberhasilan

terdeteksinya api pada setiap jarak. Nilai presentase tersebut dapat dilihat pada tabel 4.18

untuk ruangan tengah dan tabel 4.19 untuk ruangan tidur berikut ini.

Jarak

Presentase

keberhasilan api

terdeteksi

1 100%

1,4 100%

1,8 100%

2,2 100%

2,6 100%

Rata-rata nilai presentase tingkat keberhasilan terdeteksinya api melalui 4 percobaan

pada ruangan tengah adalah 79% sementara pada ruangan tidur mencapai 100% tanpa

adanya kesalahan. Dapat disimpulkan bahwa presentasi keberhasilan semakin menurun

apabila titik api semakin jauh dari pemantauan kamera.

Faktor yang mempengaruhi baiknya sistem bekerja adalah faktor cahaya, luas

ruangan, bentuk citra api, spesifikasi kamera dan spesifikasi Raspberry. Cahaya yang masuk

langsung dari satu sumber dan menyorot kamera secara langsung dapat menganggu

Jarak

Presentase

keberhasilan api

terdeteksi

1,6 100%

2 100%

2,4 100%

2,8 75%

3,2 50%

3,6 50%

Tabel 4.18. Presentase keberhasilan api terdeteksi pada ruangan tengah

Tabel 4.19. Presentase keberhasilan api terdeteksi pada ruangan tidur


68

pendeteksian kamera dan pembiasan cahaya matahari atau lampu ke tegel ruangan dapat

menimbulkan fake fire serta apabila sumber api terlalu dekat ke tembok ruangan juga tidak

bisa secara cepat di identifikasikan sebagai api. Ruangan yang terlalu luas juga dapat

mempengaruhi waktu pendeteksian kamera dan bentuk citra api yang bergerak secara

konstan akan lebih cepat di deteksi sebagai citra api yang diujikan sebagai korek gas pada

penelitian ini. Spesifikasi kamera dan Raspberry juga sangat berpengaruh terhadap akurasi

dari sistem ini bekerja, semakin tinggi spesifikasi kamera dan Raspberry maka gambar yang

tangkap akan lebih cepat, akurat, dan ketepatan pendeteksian titik api.

4.3.2. Pengujian Sistem Pendeteksian Asap

Pada tahap pengujian ini akan dilakukan pendeteksian asap berdasarkan variabel

jarak dan beberapa pembakaran metaerial serta data yang diambil berupa nilai waktu

pendeteksian di setiap interval jaraknya serta nilai tegangan sensor apabila mendeteksi asap.

Selain itu ADC akan terlebih dahulu diuji untuk mengetahui kemampuan pembacaan ADC

multichannel MCP3008.

4.3.2.1. Pengujian Pembacaann Nilai ADC

Pengujian ini dilakukan dengan menggunakan potensiometer yang diberi tegangan

5V dari Raspberry Pi untuk mengetahui respon channel ADC MCP3008. ADC yang

digunakan adalah MCP3008 yang mempunyai resolusi 10 bit (1024) yang diberi 2 buah

potensiometer untuk dihubungkan ke CH0 dan CH1 pada ADC. CH1 akan diberi tegangan

3V dengan tujuan untuk mengetahui kestablian nilai ADC yang diperoleh dan CH0 akan

diberi tegangan linier 0-3V dengan interval perubahan 500mV. Nilai tegangan ADC yang

terbaca juga akan dibandingkan dengan nilai ADC hasil perhitungan yang dapat dilihat pada

persamaan 2.3 dan V terbaca akan dibandingkan dengan nilai Vin yang dapat dilihat pada

persamaan 2.4 pada bab dasar teori. Pengujian dilakukan ketika seluruh rangkaian belum

tersambung sehingga tidak ada resistansi yang akan mengurangi nilai asli dari ADC.

Pembacaan nilai ADC pada Raspberry memerlukan beberapa perintah program yang

akan dilaksanakan untuk menerjemahkan nilai analog ke nilai digital sehingga dapat terbaca

oleh Raspberry yang dapat dilihat pada gambar 4.20 berikut.


69

Setelah dilakukan pembuatan listing program berdasarkan perintah–perintah

penerjemah nilai analog ke digital, maka selanjutnya adalah pengujian yang membandingkan

nilai ADC dari CH0 dan CH1 yang dapat dilihat pada tabel 4.20 dan 4.21.

No Vin (V) V Terbaca (V) ADC ADC Perhitungan Galat

1 0 0,10 0 0 0%

2 0,5 0,51 104 102 1,96%

3 1 1,02 206 205 0.49%

4 1,5 1,49 306 307 0,33%

5 2 2,01 408 410 0,49%

6 2,5 2,5 511 512 0,19%

7 3 2,98 613 614 0,16%

Gambar 4.20. Perintah penerjemah nilai analog ke digital

Tabel 4.20. Hasil pembacaan nilai ADC CH0


70

No Vin (V) V Terbaca (V) ADC ADC Perhitungan Galat

1

3

3,01 613 614 0,001%

2 3,02 613 614 0,001%

3 3 612 614 0,001%

4 3 613 614 0,001%

5 2,99 612 614 0,001%

6 3 613 614 0,001%

7 3,01 613 614 0,001%

Setelah dilakukan pengujian tingkat keakurasian ADC berdasarkan perbandingan

nilai galat errornya maka dapat disimpulkan bahwa tingkat akurasi ADC MCP3008 sangat

baik karena tingkat galatnya ± 2%. Selain itu dengan pengujian lebih dari 1 channel

diketahui bahwa tidak ada interfensi antar channel sehingga memungkinkan untuk

menggunakan seluruh channel dalam satu waktu sehingga proses pengujian sensor MQ7

dapat segera dilakukan dengan menggunakan 2 channel secara bersamaan dan nilai ADC

yang diperoleh stabil

4.3.2.2. Pengujian Sensor MQ7

Tahap selanjutnya adalah pengujian sensor MQ7 terhadap gas hasil pembakaran

beberapa material yang digunakan sebagai acuan dalam mengetahui sensitifitas dan

efektifitas dari sensor MQ7. Pengujian sensor MQ7 dilakukan 2 kali yaitu dilakukan setelah

semua rangkaian telah terpasang dengan PCB dan sebelum rangkaian terpasang dengan

hanya pengkabelan raspberry dengan protoboard saja. Parameter pengujian dilakukan

dengan menggunakan beberapa pembakaran material berupa asap kertas, plastik, rokok dan

styrofoam. Selain itu, pengujian dilakukan dengan mengambil data dari kepekatan asap dan

tegangan sensor dari pendeteksian. Nilai kepekatan asap dan tegangan memiliki perhitungan

pada listing program yang dapat dilihat pada gambar 4.21. berikut.

Tabel 4.21. Hasil pembacaan nilai ADC CH1


71

Hasil pengujian sebelum rangkaian terpasang dapat dilihat pada tabel 4.22. dan tabel

4.23 setelah rangkaian terpasang, sementara untuk perbandingan galat error di kedua

pengujian dapat dilihat pada tabel 4.30 yang menggunakan nilai tegangan sebagai

perbandingannya.

No Material ADC Tegangan (V) Kepekatan Asap

1 Udara bersih 96 0,47 9,38%

2 Asap rokok 897 4,38 87,61%

3 Asap kertas 934 4,56 91,21%

4 Asap plastic 783 3,82 76,46%

5 Asap styrofoam 994 4,85 97,07%

No Material ADC Tegangan (V) Kepekatan Asap

1 Udara bersih 94 0,46 9,18%

2 Asap rokok 655 3,20 63,96%

3 Asap kertas 679 3,32 66,31%

4 Asap plastic 569 2,78 55,57%

5 Asap styrofoam 738 3,67 72,07%

Setelah dilakukan pengujian pada tabel 4.22 dan 4.23 dapat disimpulkan bahwa

pengujian sensor MQ7 memiliki sensitifitas yang berbeda berdasarkan pemasangan

rangkaian. Nilai ADC yang berbeda terpengaruhi oleh resistansi dari kabel yang memiliki

material berbeda dengan sambungan kabel lainnya serta panjang kabel yang membuat nilai

Tabel 4.22. Pengujian MQ7 sebelum rangkaian terpasang penuh

Tabel 4.23. Pengujian MQ7 setelah rangkaian terpasang penuh

Gambar 4.21. Listing program perhitungan tegangan sensor dan asap


72

ADC tidak sama setalah pengujian sebelum dan setelah rangkaian terpasang yang

menyebabkan adanya losses senilai ± 1,18 V antara sensor dan rangkaian . Oleh karena itu,

threshold nilai minimal ADC MQ7 untuk mendeteksi asap diturunkan sehingga sistem akan

lebih sensitif dalam mendeteksi asap. Nilai kepekatan asap pun seharusnya memiliki nilai

yang sama berdasarkan nilai ADC nya, namun pada kasus ini nilai kepekatan asap yang

akurat dapat dilihat pada pengujian tabel 4.23. Dapat disimpulkan bahwa asap styrofoam

memiliki tingkat kepekatan, tegangan sensor dan durasi pendeteksian tertinggi dibandingkan

dengan data lainnya. Perhitungan untuk mencari nilai resistansi sensor berdasarkan tingkat

kenaikan ppm dapat dilihat pada persamaan 2.1 dan 2.2 pada dasar teori.

4.3.2. Pengujian Web Server dan Bot Telegram

Pengujian web server dilakukan dengan dengan mengetahui respon web server dalam

menampilkan hasil pendeteksian dan bot telegram dalam mengirim pesan kepada pengguna.

Secara garis besar, pengujian ini akan menampilkan apakah web server sudah dapat

menampilkan pesan peringatan dan hasil pendeteksian, sementara bot telegram sudah dapat

mengirim pesan peringatan kepada pengguna atau belum.

4.3.2.1. Pengujian Web Server

Pengujian pertama dilakukan dengan melakukan pendeteksian kamera dan sensor

asap yang hasilnya akan ditampilkan pada web server. Hasil pendeteksian asap dapat dilihat

pada gambar 4.22.

Gambar 4.22. Hasil pendeteksian sensor asap pada ruangan tengah


73

Hasil pendeteksian asap tidak dapat menampilkan asap dengan baik karena asap cenderung

hilang lebih cepat dibandingkan kecepatan webcam dalam menangkap citra asap.

Selanjutnya adalah pendeteksian api di kedua ruangan yang dapat dilihat pada gambar 4.23

untuk gambar citra api di ruangan tengah dan gambar 4.24 untuk gambar citra api di ruangan

tidur.

Hasil pendeteksian citra api di kedua ruangan memiliki waktu pendeteksian dan keakurasian

yang cukup baik karena dapat menampilkan citra api yang sesuai dalam tempo waktu kurang

dari 5 detik yang merupakan hasil refresh halaman di setiap 5 detik untuk memastikan

halaman tetap dalam kondisi terkini. Secara garis besar web server telah berhasil dengan

Gambar 4.23. Hasil pendeteksian kamera di ruangan tengah

Gambar 4.24. Hasil pendeteksian kamera di ruangan tidur


74

baik dalam melakukan tugasnya dalam memberikan pesan peringatan dan menampilkan

gambar hasil pendeteksian dengan baik.

4.3.2.2. Pengujian Bot Telegram

Pengujian selanjutnya adalah menampilkan hasil pesan peringatan pada bot telegram

untuk mengetahui hasil pesan peringatan yang dapat dilihat pada gambar 4.25 berikut.

Hasil dari pengujian ini adalah Bot telegram telah mampu mengirimkan hasil pesan

peringatan dalam tempo waktu yang singkat sesaat setelah kamera atau sensor asap

mendeteksi adanya citra api atau asap. Waktu pengiriman pesan ini dipengaruhi oleh koneksi

internet pengirim yaitu Raspberry dan koneksi internet penerima yaitu device smartphone

atau yang lainnya sesuai dengan akun yang terkoneksi.

4.3.3. Pengujian Sistem Pemadam

Sistem pemadam yang dimaksud pada sub bab ini adalah jumlah liter air, pompa air

dan pipa. Pengujian dilakukan dengan mengamati perbandingan masukan tegangan linier

dari 3V hingga tegangan maksimal 11V dengan kecepatan pompa dalam menyalurkan air

yang berjumlah 1 liter ke tempat pembuangan air. Pengujian dilakukan sebanyak tiga kali

dengan menggunakan kondisi yang berbeda yaitu pengujiaan sistem pemadam secara

langsung tanpa pipa, pengujian sistem pemadam terhadap ruangan tengah dan pengujian

sistem pemadam terhadap ruangan tidur.

Sebelum dilakukan pengujian, telah diketahui bahwa tegangan maksimal pompa air

setelah dilakukan pengkabelan tidak mencapai 12V melainkan hanya 11V dengan tekanan

maksimal 5,04 bar/min. Selain itu, perlu dilakukan perhitungan menggunakan perhitungan

Gambar 4.25. Hasil pengiriman pesan peringatan dari bot telegram


75

Hagen-Poiseuille untuk menentukan flow rate sebagai perbandingan disetiap data

pengujiannya yang variabel dengan mengansumsikan nilai viskositas dinamisnya berada

pada suhu ruangan yang cairannya berupa air keran dan nilai diameter pipa penghantar air

sama yaitu 6 mm.

4.3.3.1. Pengujian Sistem Pemadam Langsung

Pengujian sistem pemadam langsung dilakukan dengan memperhatikan variabel

selang dengan total panjang 74 cm. Berikut tabel 4.24 adalah pengambilan data dari

pengujian yang pertama ini.

No Tegangan (V) Tekanan

(BAR)

Flow rate

(L/s)

Waktu Penyimpanan

Air Habis

1 3 1,38 0,68 25 detik

2 4 1,83 0,90 22 detik

3 5 2,29 1,14 20 detik

4 6 2,75 1,36 17 detik

5 7 3,21 1,59 15 detik

6 8 3,67 1,82 13 detik

7 9 4,13 2,05 10 detik

8 10 4,58 2.23 7 detik

9 11 5,04 2,50 4 detik

4.3.3.2. Pengujian Sistem Pemadam Pada Ruangan Tengah

Pengujian sistem pemadam pada ruangan tengah dilakukan dengan memperhatikan

variabel selang dengan total panjang 74 cm di tambah dengan total panjang pipa ruangan

tengah yaitu 270 cm. Pengujian dilakukan dengan tetap memperhatikan kondisi sambungan

pipa air yang menuju ruangan tertentu agar tidak terjadi kebocoran dan menyebabkan

volume air yang terbuang, hal ini dikarenakan pipa yang digunakan hanya memiliki

ketebalan kurang dari 1mm sehingga pipa kemungkinan tidak mampu menahan tekanan air

dan volume air keluar yang terlalu besar Berikut tabel 4.25 adalah pengambilan data dari

pengujian yang kedua ini.

Tabel 4.24. Pengujian sistem pemadam langsung


76


(BAR)

Flow rate

(L/s)

Waktu Penyimpanan

Air Habis

1 3 1,38 0,14 40 detik

2 4 1,83 0,19 35 detik

3 5 2,29 0,24 31 detik

4 6 2,75 0,29 26 detik

5 7 3,21 0,33 22 detik

6 8 3,67 0,38 18 detik

7 9 4,13 0,43 13 detik

8 10 4,58 0,48 9 detik

9 11 5,04 0,52 6 detik

4.3.3.2. Pengujian Sistem Pemadam Pada Ruangan Tidur

Pengujian sistem pemadam ruangan tidur dilakukan dengan memperhatikan variabel

selang dengan total panjang 74 cm di tambah dengan total panjang pipa ruangan tidur yaitu

280 cm. Berikut tabel 4.26 adalah pengambilan data dari pengujian yang kedua ini.


(BAR)

Flow rate

(L/s)

Waktu Penyimpanan

Air Habis

1 3 1,38 0,14 42 detik

2 4 1,83 0,18 37 detik

3 5 2,29 0,23 33 detik

4 6 2,75 0,28 29 detik

5 7 3,21 0,32 24 detik

6 8 3,67 0,37 19 detik

7 9 4,13 0,41 15 detik

8 10 4,58 0,46 11 detik

9 11 5,04 0,58 7 detik

Tabel 4.25. Pengujian sistem pemadam ruangan tengah

Tabel 4.26. Pengujian sistem pemadam ruangan tidur


77

Setelah dilakukan ketiga pengujian sebelumnya dapat diambil kesimpulan bahwa

semakin tinggi nilai tegangan pompa air maka tekanan air yang dikeluarkan pun semakin

besar sehingga mempengaruhi jumlah volume air yang keluar setiap detiknya, perbandingan

kenaikan tegangan dengan tekanan air dapat dilihat pada gambar 4.19. Semakin cepat waktu

penyimpanan air habis, maka semakin tinggi juga nilai tekanan airnya yang berarti semakin

baik sistem pemadam dalam memadamkan api. Nilai perhitungan flow rate juga tidak sama

atau tidak mewakili volume air yang dihisap dan dikeluarkan oleh pompa sehingga hanya

bisa dijadikan sebagai perbandingan saja terhadap nilai tekanan air. Penelitian ini

menggunakan nilai tegangan 5V pada pompa air untuk diimplementasikan pada sistem

pemadam ini untuk menghindari kebocoran yang disebabkan oleh tekanan air yang terlalu

besar.

26


78

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dari hasil pengujian serta pengambilan data, dapat diambil kesimpulan :

1. Sistem pendeteksian api telah berhasil membedakan citra api yang asli dan citra

api yang palsu berupa warna dan foto contoh api.

2. Tingkat presentase keberhasilan aksi aktuator dalam menjalankan fungsinya

berdasarkan sistem pendeteksiannya adalah 100%.

3. Tingkat presentase keberhasilan sistem pendeteksian melalui 4 percobaan dari

masing-masing ruangan berdasarkan citra api dan intensitas cahaya disetiap

jaraknya dari titik buta kamera adalah 79% pada ruangan tengah dan 100% pada

ruangan tidur

4. Jarak maksimum sistem mendeteksi titik api adalah 3,6 meter pada ruangan

tengah dan 2,6 meter pada ruangan tidur dari titik buta kamera.

5. Semakin jauh titik api dari pemantauan kamera maka waktu yang diperlukan

untuk mendeteksi titik apinya semakin lama.

6. Waktu pendeteksian dan ketepatan pendeteksian titik api dipengaruhi oleh jarak

titik api dari titik buta kamera.

7. Rata – rata tingkat presentase ketepatan pendeteksian titik api adalah 33,93%.

8. Pembacaan nilai ADC sebelum terhubung pada rangkaian memiliki nilai rata –

rata galat 0,26%.

9. Pembacaan nilai tegangan sensor MQ7 sebelum dan sesudah terhubung pada

rangkaian penuh memiliki nilai rata – rata galat 50%.

10. Rata-rata waktu Web server dan bot telegram dalam mengirimkan pesan

peringatan adalah 5 detik.

11. Nilai tegangan pompa air pada sistem pemadam diturunkan menjadi 5V untuk

menghindari kebocoran akibat tekanan air yang terlalu besar.

78


79

5.2. Saran

Agar dapat menghasilkan penelitian yang lebih baik lagi, maka diberikan saran –

saran sebagai berikut :

1. Memperbanyak variabel pengenalan api sehingga mengurangi kemungkinan

terdeteksinya fake fire.

2. Menggunakan ruangan terbuka untuk mendeteksi titip api yang besar sehingga

data yang didapat lebih akurat.

3. Menggunakan material kabel yang lebih sesuai dan mengurangi panjang kabel

sehingga nilai ADC sensor yang didapat lebih sesuai.

4. Nilai batas threshold minimal pendeteksian MQ7 perlu disesuaikan lagi karena

setelah MQ7 nilai telah terpasang rangkaian maka nilai ADCnya akan berubah.


80

DAFTAR PUSTAKA

[1] Cao, S., & Chen, Y. (2012). Design of wireless intelligent home alarm system.

Proceedings of the 2012 International Conference on Industrial Control and

Electronics Engineering, ICICEE 2012, 1511–1513.

https://doi.org/10.1109/ICICEE.2012.397.

[2] Maulana Budiman, R. A., Achmad, B., Faridah, Arif, A., Nopriadi, & Zharif, L. (2017).

Localization of white blood cell images using Haar Cascade classifiers. Proceedings of

2016 1st International Conference on Biomedical Engineering: Empowering

Biomedical Technology for Better Future, IBIOMED 2016.

https://doi.org/10.1109/IBIOMED.2016.7869822.

[3] Pranamurti, H., Murti, A., & Setianingsih, C. (2019). Fire Detection Use CCTV with

Image Processing Based Raspberry Pi. Journal of Physics: Conference Series, 1201(1).

https://doi.org/10.1088/1742-6596/1201/1/012015.

[4] Haselindo. Definisi Pengertian Kebakaran.

https://pemadamapi.wordpress.com/definisi-pengertian-kebakaran/ (diakses tanggal 10

November 2019).

[5] Haselindo. Bahaya Dampak Kebakaran. https://pemadamapi.wordpress.com/definisi-

pengertian-kebakaran/bahaya-dampak-kebakaran/ (diakses tanggal 10 November

2019).

[6] Raspberry, 2020. What is a Raspberry Pi. https://www.raspberrypi.org/help/what-

%20is-a-raspberry-pi/ (diakses tanggal 2 Februari 2020).

[7] Core Electronics. Raspberry Pi Boards Compared. https://core-

electronics.com.au/tutorials/compare-raspberry-pi-boards.html (diakses tanggal 20

Februari 2020).

[8] Lab Elektronika. 2018. Mengenal Single Board Komputer Raspberry Pi 3 Model B+.

http://www.labelektronika.com/2018/06/mengenal-raspberry-pi-3-model-b-plus.html

(Diakses pada tanggal 20 Februari 2020).

[9] Steve. 2018. Raspberry Pi GPIO Progrraming in C.

https://www.bigmessowires.com/2018/05/26/raspberry-pi-gpio-programming-in-c/


80


https://doi.org/10.1109/ICICEE.2012.397

https://doi.org/10.1109/IBIOMED.2016.7869822

https://doi.org/10.1088/1742-6596/1201/1/012015

https://pemadamapi.wordpress.com/definisi-pengertian-kebakaran/

https://pemadamapi.wordpress.com/definisi-pengertian-kebakaran/bahaya-dampak-kebakaran/

https://pemadamapi.wordpress.com/definisi-pengertian-kebakaran/bahaya-dampak-kebakaran/

https://www.raspberrypi.org/help/what-%20is-a-raspberry-pi/

https://www.raspberrypi.org/help/what-%20is-a-raspberry-pi/

http://www.labelektronika.com/2018/06/mengenal-raspberry-pi-3-model-b-plus.html

https://www.bigmessowires.com/2018/05/26/raspberry-pi-gpio-programming-in-c/

81

[10] Ilham, Mughnifar. 2019. Pengertian Python, Fungsi, Kelebihan dan Kekurangan.

https://materibelajar.co.id/pengertian-python/ (Diakses pada tanggal 20 Februari 2020),

[11] Dewaweb. 2019. Keunggulan Memahami Bahasa Pemrograman Python.

https://www.dewaweb.com/blog/keunggulan-memahami-bahasa-pemrograman-

python/ (Diakses pada tanggal 20 Februari 2020).

[12] Plitch, Avram. 2019. How to Set Up a Raspberry Pi Web Server.

https://www.tomshardware.com/news/raspberry-pi-web-server,40174.html (Diakses

pada tanggal 20 Februari 2020).

[13] Hermawan. 2019. Pengertian Webcam Beserta Fungsi dan Cara Kerja Webcam.

https://www.nesabamedia.com/pengertian-webcam-dan-fungsi-webcam/ (Diakses


[14] Logitech. 2020. Product Webcam C270. https://www.logitech.com/en-us/product/hd-

webcam-c270 (Diakses pada tanggal 27 Februari 2020).

[15] Aulia, Hanugra. 2017. Introduction to Open CV. Binus University Malang. Malang.

https://binus.ac.id/malang/2017/10/introduction-to-open-cv/ (Diakses pada tanggal 27

Februari 2020).

[16] Pamungkas, Adi. 2017. Pengolahan Citra Digital.

https://pemrogramanmatlab.com/2017/07/26/pengolahan-citra-digital/ (Diakses pada

tanggal 27 Februari 2020)

[17] Pamungkas, Adi. 2017. Thresholding.

https://pemrogramanmatlab.com/2017/07/26/thresholding/ (Diakses pada tanggal 27

Februari 2020)

[18] Jati. 2015. Deteksi Obyek Menggunakan Haar Cascade Classifier.

http://jati.stta.ac.id/2015/09/deteksi-obyek-menggunakan-haar-cascade.html (Diakses


[19] Kho, Dickson. 2019. Pengertian Relay dan Fungsinya.

https://teknikelektronika.com/pengertian-relay-fungsi-relay/ (Diakses pada tanggal 27

Februari 2020).

[20] ELPROCUS. 2020. Water Pump Types and Applications.

https://www.elprocus.com/water-pump-types-and-applications/ (Diakses pada tanggal

27 Februari 2020).


https://materibelajar.co.id/pengertian-python/

https://www.dewaweb.com/blog/keunggulan-memahami-bahasa-pemrograman-python/

https://www.dewaweb.com/blog/keunggulan-memahami-bahasa-pemrograman-python/

https://www.tomshardware.com/news/raspberry-pi-web-server,40174.html

82

[21] Teknik, Hendra. 2019. Pompa Air DC 12V / DC High Pressure Mini Pump.

https://www.tokopedia.com/hendrateknik/pompa-air-dc-12v-dc-high-pressure-mini-

pump-pompa-air-mini-murah (Diakses pada tanggal 27 Februari 2020).

[22] Zakana. 2019. Pengertian Switch Beserta Fungsi Switch pada Jaringan Komputer.

https://www.nesabamedia.com/pengertian-switch-dan-fungsi-switch/ (Diakses pada

tanggal 27 Februari 2020).

[23] ZTE. 2016. ZXHN F660 ONT. http://www.ztegpon.com/index.php?page=660


[24] Evans, Paul. 2019. How Solenoid Valves Work.

https://theengineeringmindset.com/how-solenoid-valves-work (Diakses pada tanggal

28 Mei 2020).

[25] Amal. 2019. Solenoid Valve. https://hvactutorial.wordpress.com/sectioned-

components/solenoid-valve/ (Diakses pada tanggal 28 Mei 2020).

[26] Technology, Manufacturing. 2009. How Solenoid Valve Works? Parts of Solenoid

Valves.https://www.brighthubengineering.com/manufacturing-technology/56397-

parts-of-the-solenoid-valve-how-solenoid-valve-works// (Diakses pada tanggal 28 Mei

2020).

[27] Osoyoo. 2020. Arduino lesson MQ7 Gas Sensor.

https://osoyoo.com/2018/11/15/arduino-lesson-mq-7-gas-sensor (Diakses pada tanggal

3 Maret 2020)

[28] Suprianto. 2015. ADC (Analog to Digital Converter).

http://blog.unnes.ac.id/antosupri/adc-analog-to-digital-converter/ (Diakses pada

tanggal 13 Agustus 2020).

[29] Microchip. 2020. MCP3008.

https://www.microchip.com/wwwproducts/en/MCP3008#additional-features (Diakses

pada tanggal 13 Agustus 2020).

[30] Solihin, Ahmad. 2017. Mengukur Kinerja Algoritma Klasfikasi dengan Confusion

Matrix. http://achmatim.net/2017/03/19/mengukur-kinerja-algoritma-klasifikasi-

dengan-confusion-

matrix/?utm_source=rss&utm_medium=rss&utm_campaign=mengukur-kinerja-

algoritma-klasifikasi-dengan-confusion-matrix (Diakses pada tanggal 20 November

2020).


83

[31] Guerrieri, Vince. 2020. Why fire is the greatest tool of all time.

https://www.popularmechanics.com/home/tools/a30456620/fire-greatest-tool/

(Diakses pada tanggal 23 November 2020).

[32] Overstock. 2020. White taper candles burn 1.5 hours.

https://www.overstock.com/Home-Garden/White-Taper-Candles-Burn-1.5-Hours-

Set-Of-60/11626795/product.html (Diakses pada tanggal 23 November 2020).

[33] Leyba, John. 2020. Candle. https://www.pinterest.com/j_leyba/candle/ (Diakses pada

tanggal 23 November 2020).

[34] Corrales, Jorge. 2020. Fire in gray.

https://www.pinterest.com/pin/312929874086098453/ (Diakses pada tanggal 23

November 2020).

[35] Corrales, Jorge. 2020. Fire in gray.

https://www.pinterest.com/pin/312929874086098453/ (Diakses pada tanggal 23

November 2020).

[36] LinchK32. 2020. A small fire made of dry twigs is burning with smoke against the

background of green grass. https://www.bigstockphoto.com/image-300574774/stock-

photo-a-small-fire-made-of-dry-twigs-is-burning-with-smoke-against-the-

background-of-green-grass-natural (Diakses pada tanggal 23 November 2020).

[37] Scheunber, Velvina. 2020. Photo.

https://gurushots.com/photo/f3a2406b14da33cb0ae82c7b14ab6f9e (Diakses pada


[38] Santora, Tara. 2020. When did humans discover how to use fire.

https://www.livescience.com/when-did-humans-discover-fire.html (Diakses pada


[39] Alamy. 2020. Standard 10. https://www.alamy.it/fotos-immagini/standard-10.html


[40] Hurlburt, Amy. 2016. The 7 Most Common Causes of House Fires, and How to Prevent

Them. https://pgwelcomemat.com/seven-common-causes-house-fires-prevent/


[41] Manjunatha. 2020. Color and Black & White Candle Light in a Dark Black

Background. https://www.dreamstime.com/color-black-white-candle-light-dark-

background-closeup-grayscale-image182070249 (Diakses pada tanggal 23 November

2020).


84

[42] Wildhan, Ahmad. 2020. Serupa tapi tak sama.

https://aboutfact.law.blog/2020/03/09/serupa-tapi-tak-sama/ (Diakses pada tanggal 23

November 2020).

[43] Unison Property. 2019. Landscaping tips for rental properties in Calgary.

https://www.unisonpropertymanagement.ca/2019/04/19/landscaping-tips-for-rental-

properties-in-calgary/ (Diakses pada tanggal 23 November 2020).

[44] Lapak, Zayan. 2020. Best deal korek gas tokai. https://m.bukalapak.com/p/rumah-

tangga/dapur/kompor/39z8zzm-jual-best-deal-korek-gas-tokai?from=list-

product&keyword=korek%20tokai&funnel=omnisearch&product_owner=normal_sel

ler&pos=3&cf=1&ssa=0&sort_origin=last_relist_at%3Adesc&search_sort_default=fa

lse&promoted=0 (Diakses pada tanggal 23 November 2020).

[45] Shop, Gaby Toped. 2020. Korek api tokai murah.

https://www.tokopedia.com/gabyshoptoped/korek-api-tokai-murah?whid=9774994


[46] Electric, Jaya. 2020. Korek api gas diamond.

https://www.tokopedia.com/jayaelectri/korek-api-gas-diamond?whid=0 (Diakses

pada tanggal 23 November 2020).

[47] Admin. 2020. There are 5 tips to keep your lighters safe from thieves.

https://www.promonumenta.org/there-are-5-tips-to-keep-your-lighters-safe-from-

thieves/ (Diakses pada tanggal 23 November 2020).

[48] Brickworks. 2020. The new display home that overflows with hamptons style.

https://www.brickworks.com.au/project/the-new-display-home-that-overflows-with-

hamptons-style (Diakses pada tanggal 23 November 2020).

[49] Cowlin, Veronica. 2017. Harry potter woz’ere.

https://www.heartofsuffolk.co.uk/blog/harry-potter-woz-ere/ (Diakses pada tanggal 23

November 2020).

[50] Zippo. 2020. Butane Lighter Insert. https://zippo.in/products/single-torch-butane-

lighter-insert (Diakses pada tanggal 23 November 2020).

[51] Backyshop. 2020. Thunderbird Lighters.

https://www.thebackyshop.co.uk/products/thunderbird-replacement-cigarette-lighter-

insert/ (Diakses pada tanggal 23 November 2020).


85

[52] NCS. 2020. The top 10 mob boss mansions.

https://www.nationalcrimesyndicate.com/the-top-10-mob-boss-mansions/ (Diakses

pada tanggal 23 November 2020).

[53] Naufalamru. 2020. Lilin cap naga. https://shopee.co.id/Lilin-cap-naga-

i.153802311.4308887183 (Diakses pada tanggal 23 November 2020).


86

LAMPIRAN


1

Listing Program Pembuatan Layout Web Server

<!DOCTYPE html>

<html>

<head>

<title>Sistem pemadam</title>

<link rel="stylesheet"

href="https://maxcdn.bootstrapcdn.com/bootstrap/3.3.7/css/bootstrap.min.css">

<script src="https://ajax.googleapis.com/ajax/libs/jquery/3.5.1/jquery.min.js"></script>

<script

src="https://cdnjs.cloudflare.com/ajax/libs/popper.js/1.16.0/umd/popper.min.js"></script>

<script

src="https://maxcdn.bootstrapcdn.com/bootstrap/4.5.0/js/bootstrap.min.js"></script>

<meta http-equiv="refresh" content="5" >

</head>

<body>

<div class="container">

{% include 'includes/_messages.html' %}

{% block body %}{% endblock %}

</div>

<script


L-1


2

<script src="//cdn.ckeditor.com/4.6.2/basic/ckeditor.js"></script>

<script type="text/javascript">

CKEDITOR.replace('editor')

</script>

</body>

</html>

L-2


3

Listing Program Pembuatan Halaman Home Web Server

{% extends 'layout2.html' %}

{% block body %}

<div class="jumbotron text-center">

<h1>Selamat datang di sistem pemadam</h1>

<p class="lead">Web server ini merupakan pengawasan dan pelaksanaan sistem

pemadam</p>

<br>

<p class="lead">Tentukan ruangan yang ingin anda awasi</p>

{% if session.logged_in == NULL %}

<a href="/ruangan1" class="btn btn-primary btn-lg">Ruangan tengah</a>

<a href="/ruangan2" class="btn btn-success btn-lg">Ruangan tidur</a>

<br>

<br>

{% endif %}

<p class="lead">Tentukan ruangan yang ingin anda padamkan secara manual</p>

<a href="/pemadaman/pemadam1" class="btn btn-danger btn-lg">Pemadaman ruangan

tengah</a>

<a href="/pemadaman/pemadam2" class="btn btn-danger btn-lg">Pemadaman ruangan

tidur</a>

<br>

<br>

<p class="lead">Tampilan ruangan tengah</p>

<img src="{{ user_image }}" alt="Tampilan api ruangan tengah">

<img src="{{ user_image3 }}" alt="Tampilan asap ruangan tengah">

<br>

<p class="lead">Tampilan ruangan tidur</p>

<img src="{{ user_image2 }}" alt="Tampilan api ruangan tidur">

<img src="{{ user_image4 }}" alt="Tampilan asap ruangan tidur">

</div>

{% endblock %}

L-3


4

Listing Program Pembuatan Halaman Kamera 1 dan 2 Web Server


{% block body %}

<h1>Ruangan 1</h1>

<img id="video" src="{{ url_for('room1') }}">

{% endblock %}


{% block body %}

<h1>ruangan2</h1>

{% endblock %}

L-4


5

Listing Program Pembuatan Halaman Pemadaman Ruangan 1 dan 2 Web

Server

<!DOCTYPE html>

<html>

<head>

<meta charset="utf-8">





<script


<script


</head>

<body>


<h1>Pemadaman ruangan 1 telah dilaksanakan</h1>

<br>

<a href="/" class="btn btn-primary btn-lg">Kembali</a>

<script




L-5


6


</script>

</body>

</html>

<!DOCTYPE html>

<html>

<head>

<meta charset="utf-8">





<script


<script


</head>

<body>


<h1>Pemadaman ruangan 2 telah dilaksanakan</h1>

<br>

<a href="/" class="btn btn-primary btn-lg">Kembali</a>

L-6


7

<script





</script>

</body>

</html>

L-7


8

Listing Program Inisialisasi ADC dan Sensor Asap Ruangan 1 dan 2

import cv2

import threading

import numpy as np

import time

import RPi.GPIO as GPIO

import os

GPIO.setmode(GPIO.BOARD)

GPIO.setwarnings(False)

SPICLK = 23

SPIMISO = 21

SPIMOSI = 19

SPICS = 24

mq7_dpin = 37

mq7_apin = 0

channel = 32

s1 = 22

s2 = 18

class sensormq7r1(object):

def init(self):


GPIO.cleanup()


GPIO.setup(channel,GPIO.OUT)

GPIO.setup(s1,GPIO.OUT)


GPIO.setup(SPIMOSI, GPIO.OUT)

GPIO.setup(SPIMISO, GPIO.IN)

L-8


9

GPIO.setup(SPICLK, GPIO.OUT)

GPIO.setup(SPICS, GPIO.OUT)

GPIO.setup(mq7_dpin,GPIO.IN,pull_up_down=GPIO.PUD_DOWN)

def readadc(adcnum, clockpin, mosipin, misopin, cspin):

if ((adcnum > 7) or (adcnum < 0)):

return -1

GPIO.output(cspin, True)

GPIO.output(clockpin, False) # start clock low

GPIO.output(cspin, False) # bring CS low

commandout = adcnum

commandout |= 0x18 # start bit + single-ended bit

commandout <<= 3 # we only need to send 5 bits here

for i in range(5):

if (commandout & 0x80):

GPIO.output(mosipin, True)

else:

GPIO.output(mosipin, False)

commandout <<= 1

GPIO.output(clockpin, True)

GPIO.output(clockpin, False)

adcout = 0

# read in one empty bit, one null bit and 10 ADC bits

for i in range(12):



adcout <<= 1

if (GPIO.input(misopin)):

adcout |= 0x1

L-9


10


adcout >>= 1 # first bit is 'null' so drop it

return adcout

import cv2

import threading

import numpy as np

import time


import os



SPICLK = 23

SPIMISO = 21

SPIMOSI = 19

SPICS = 24

mq7_dpin = 36

mq7_apin = 1

channel = 32

s1 = 22

s2 = 18

class sensormq7r2(object):

def init(self):


GPIO.cleanup()


L-10


11




GPIO.setup(SPIMOSI, GPIO.OUT)

GPIO.setup(SPIMISO, GPIO.IN)

GPIO.setup(SPICLK, GPIO.OUT)

GPIO.setup(SPICS, GPIO.OUT)

GPIO.setup(mq7_dpin,GPIO.IN,pull_up_down=GPIO.PUD_DOWN)

def readadc(adcnum, clockpin, mosipin, misopin, cspin):

if ((adcnum > 7) or (adcnum < 0)):

return -1


GPIO.output(clockpin, False) # start clock low

GPIO.output(cspin, False) # bring CS low

commandout = adcnum

commandout |= 0x18 # start bit + single-ended bit

commandout <<= 3 # we only need to send 5 bits here

for i in range(5):

if (commandout & 0x80):

GPIO.output(mosipin, True)

else:

GPIO.output(mosipin, False)

commandout <<= 1



adcout = 0

# read in one empty bit, one null bit and 10 ADC bits

for i in range(12):


L-11


12


adcout <<= 1

if (GPIO.input(misopin)):

adcout |= 0x1


adcout >>= 1 # first bit is 'null' so drop it

return adcout

L-12


13

Listing Program Pembuatan Fungsi Pendeteksian dan Pemadaman Pada

Ruangan 1 dan 2

from sensormq7r1 import *

from sensormq7r2 import *

import cv2

import threading

import numpy as np

import telepot

import time


import os

GPIO.cleanup()



channel = 32


GPIO.output(channel, GPIO.LOW)

s1 = 22


GPIO.output(s1, GPIO.LOW)

s2 = 18


GPIO.output(s2, GPIO.LOW)

class RecordingThread (threading.Thread):

def __init__(self, name, ):

threading.Thread.__init__(self)

self.name = name

L-13


14

self.isRunning = True

self.cap = camera

fourcc = cv2.VideoWriter_fourcc(*'MJPG')

self.out = cv2.VideoWriter('./static/video.avi',fourcc, 20.0, (640,480))

def run(self):

while self.isRunning:

ret, frame = self.cap.read()

if ret:

self.out.write(frame)

self.out.release()

def stop(self):

self.isRunning = False

def __del__(self):

self.out.release()

class VideoCamera(object):

def __init__(self):

# Open a camera

self.cap = cv2.VideoCapture(0)

# Initialize recording environment

self.is_record = False

self.out = None

# Thread for recording

self.recordingThread = None

def __del__(self):

L-14


15

self.cap.release()

def get_frame(self):


if ret:

ret, jpeg = cv2.imencode('.jpg', frame)

return jpeg.tobytes()

else:

return None

def get_frame2(self):

img_name = "photo.jpg"


cv2.imwrite(img_name, frame)

def detect(self):

bot = telepot.Bot('1018180325:AAEzTouVvCskKxkOUPf9Ms7eJMJkLHVB2ug')

path = '/home/pi/static/foto'

fire_cascade = cv2.CascadeClassifier('fire_detection.xml')

(grabbed, frame) = self.cap.read()

gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)

fire = fire_cascade.detectMultiScale(frame, 1.2, 5)

for (x,y,w,h) in fire:

cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)

roi_gray = gray[y:y+h, x:x+w]

roi_color = frame[y:y+h, x:x+w]

print ('Api terdeteksi pada ruangan 1')

cv2.imwrite(os.path.join(path , 'api.jpg'), frame)

with open('./id.txt', 'r') as idfile:

L-15


16

chat_id=int(idfile.read())

bot.sendMessage(chat_id, "Api terdeteksi pada ruangan 1")

GPIO.output(channel,True)

GPIO.output(s1,True)

time.sleep(3)

GPIO.output(channel,False)

GPIO.output(s1,False)

time.sleep(10000)

def asap(self):

sensormq7r1.init(self)




COlevel=sensormq7r1.readadc(mq7_apin, SPICLK, SPIMOSI, SPIMISO, SPICS)

if COlevel > 600:

print("Telah terdeteksi asap pada ruangan 1")

cv2.imwrite(os.path.join(path , 'asap.jpg'), frame)



bot.sendMessage(chat_id, "Terdeteksi asap pada ruangan 1")

print(COlevel)

print("Tegangan sensor = " +str("%.2f"%((COlevel/1024.)*3.3))+" V")

print("Kepekatan asap:" +str("%.2f"%((COlevel/1024.)*100))+" %")

time.sleep(0.5)

def start_record(self):

self.is_record = True

self.recordingThread = RecordingThread(" Recording Thread", self.cap)

self.recordingThread.start()

def stop_record(self):

L-16


17


if self.recordingThread != None:

self.recordingThread.stop()

class VideoCamera2(object):

def __init__(self):

# Open a camera

self.cap = cv2.VideoCapture(2)

# Initialize recording environment


self.out = None

# Thread for recording

self.recordingThread = None

def __del__(self):

self.cap.release()

def get_frame(self):


if ret:

ret, jpeg = cv2.imencode('.jpg', frame)

return jpeg.tobytes()

else:

return None

def get_frame3(self):

img_name = "photo2.jpg"

L-17


18


cv2.imwrite(img_name, frame)

def detect(self):



fire_cascade = cv2.CascadeClassifier('fire_detection.xml')


gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)

fire = fire_cascade.detectMultiScale(frame, 1.2, 5)

for (x,y,w,h) in fire:

cv2.rectangle(frame,(x,y),(x+w,y+h),(0,0,255),2)

roi_gray = gray[y:y+h, x:x+w]

roi_color = frame[y:y+h, x:x+w]

print ('Api terdeteksi pada ruangan 2')

cv2.imwrite(os.path.join(path , 'api2.jpg'), frame)



bot.sendMessage(chat_id, "Api terdeteksi pada ruangan 2")

GPIO.output(channel,True)

GPIO.output(s2,True)

time.sleep(3)

GPIO.output(channel,False)

GPIO.output(s2,False)

time.sleep(10000)

def asap(self):

sensormq7r2.init(self)




L-18


19

COlevel=sensormq7r2.readadc(mq7_apin, SPICLK, SPIMOSI, SPIMISO, SPICS)

if COlevel > 600 :

print("Telah terdeteksi asap pada ruangan 2")

cv2.imwrite(os.path.join(path , 'asap2.jpg'), frame)



bot.sendMessage(chat_id, "Terdeteksi asap pada ruangan 2")

print(COlevel)

print("Current Gas AD vaule = " +str("%.2f"%((COlevel/1024.)*3.3))+" V")

print("Kepekatan asap:" +str("%.2f"%((COlevel/1024.)*100))+" %")

time.sleep(0.5)

def start_record(self):

self.is_record = True

self.recordingThread = RecordingThread(" Recording Thread", self.cap)

self.recordingThread.start()

def stop_record(self):


if self.recordingThread != None:

self.recordingThread.stop()

L-19


20

Listing Program Utama Penjalanan Sistem Pemadam

from flask import Flask, render_template, Response, jsonify, request

from flask_socketio import SocketIO, emit

from werkzeug.utils import secure_filename

from camera14 import VideoCamera, VideoCamera2

import numpy as np

import telepot


import os

import cv2

import time

import sys

GPIO.cleanup()



channel = 32

s1 = 22

s2 = 18

UPLOAD_FOLDER = os.path.join('static', 'foto')

app = Flask(__name__)

app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER

app.config['SEND_FILE_MAX_AGE_DEFAULT'] = 1

video_camera = None

video_camera2 = None

global_frame = None

path = '/home/pi/static/foto/api.jpg'

L-20


21

path = '/home/pi/static/foto/api2.jpg'

path = '/home/pi/static/foto/asap.jpg'

path = '/home/pi/static/foto/asap2.jpg'

path1 = '/home/pi/static/foto/api.jpg'

path2 = '/home/pi/static/foto/api2.jpg'

path3 = '/home/pi/static/foto/asap.jpg'

path4 = '/home/pi/static/foto/asap2.jpg'


if os.path.exists(path):

os.remove(path)

if os.path.exists(path1):

os.remove(path1)


os.remove(path2)


os.remove(path3)


os.remove(path4)

def handle(msg):

global sendPhoto

global chat_id

global kirim

global kirim2

global video_camera

global video_camera2

L-21


22

global global_frame

if video_camera == None:

video_camera = VideoCamera()

if video_camera2 == None:

video_camera2 = VideoCamera()

chat_id = msg['chat']['id']

command = msg['text']

print('Message received from ' + str(chat_id))

if command == '/ruangan1' :

kirim = True

if command == '/ruangan2' :

kirim2 = True

elif 'text' in msg and msg['text'] == '/start':

with open('./id.txt', 'w') as f:

f.write(str(msg['chat']['id']))

bot.sendMessage(msg['chat']['id'],"Selamat datang ke bot pemadam")

else:

bot.sendMessage(chat_id, 'Invalid command.')

@app.after_request

def add_header(response):

# response.cache_control.no_store = True

if 'Cache-Control' not in response.headers:

response.headers['Cache-Control'] = 'no-store'

L-23


23

return response

@app.route('/',methods=["GET", "POST"] )

def index():

full_filename = os.path.join(app.config['UPLOAD_FOLDER'], 'api.jpg')

full_filename2 = os.path.join(app.config['UPLOAD_FOLDER'], 'api2.jpg')

full_filename3 = os.path.join(app.config['UPLOAD_FOLDER'], 'asap.jpg')

full_filename4 = os.path.join(app.config['UPLOAD_FOLDER'], 'asap2.jpg')

if os.path.exists(path1) or os.path.exists(path2) or os.path.exists(path3) or

os.path.exists(path4) :

msg = 'Telah terdeteksi api atau asap pada salah satu ruangan'

return render_template("home2.html", msg=msg, user_image=full_filename,

user_image2=full_filename2, user_image3=full_filename3, user_image4=full_filename4)

else:

return render_template("home2.html")

@app.route('/ruangan1')

def room1():

return Response(video_stream(),

mimetype='multipart/x-mixed-replace; boundary=frame')

@app.route('/ruangan2')

def room2():

return Response(video_stream2(),

mimetype='multipart/x-mixed-replace; boundary=frame')

@app.route("/<deviceName>/<action>")

def action(deviceName, action):

if deviceName == 'pemadaman':

L-24


24

pemadam = channel

solenoid = s1

solenoid2 = s2

GPIO.setup(pemadam,GPIO.OUT)

GPIO.output(pemadam, GPIO.LOW)

GPIO.setup(solenoid,GPIO.OUT)

GPIO.output(solenoid, GPIO.LOW)

GPIO.setup(solenoid2,GPIO.OUT)

GPIO.output(solenoid2, GPIO.LOW)

if action == "pemadam1":

GPIO.output(pemadam, GPIO.HIGH)

GPIO.output(solenoid, GPIO.HIGH)

time.sleep(3)


GPIO.output(solenoid, GPIO.LOW)

return render_template("pemadaman1.html")

if action == "pemadam2":

GPIO.output(pemadam, GPIO.HIGH)

GPIO.output(solenoid2, GPIO.HIGH)

time.sleep(3)


GPIO.output(solenoid2, GPIO.LOW)

return render_template("pemadaman2.html")

def video_stream():

global video_camera

global global_frame

global kirim

L-25


25

kirim = False

if video_camera == None:

video_camera = VideoCamera()

while True:

frame = video_camera.get_frame()

detection = video_camera.detect()

video_camera.asap()

if kirim == True :

kirim = False

print('Capturing photo...')

video_camera.get_frame2()

print('Sending photo to ' + str(chat_id))

bot.sendPhoto(chat_id, photo = open('./photo.jpg', 'rb'))

if frame != None:

global_frame = frame

yield (b'--frame\r\n'

b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n\r\n')

else:

(b'--frame\r\n'

b'Content-Type: image/jpeg\r\n\r\n' + global_frame + b'\r\n\r\n')

def video_stream2():

global video_camera2

global global_frame

global kirim2

kirim2 = False

L-26


26

if video_camera2 == None:

video_camera2 = VideoCamera2()

while True:

frame = video_camera2.get_frame()

detection = video_camera2.detect()

video_camera2.asap()

if kirim2 == True :

kirim2 = False

print('Capturing photo...')

video_camera2.get_frame3()

print('Sending photo to ' + str(chat_id))

bot.sendPhoto(chat_id, photo = open('./photo2.jpg', 'rb'))

if frame != None:

global_frame = frame

yield (b'--frame\r\n'

b'Content-Type: image/jpeg\r\n\r\n' + frame + b'\r\n\r\n')

else:

(b'--frame\r\n'

b'Content-Type: image/jpeg\r\n\r\n' + global_frame + b'\r\n\r\n')

bot.message_loop(handle)

if __name__ == '__main__':

app.run(host='0.0.0.0', threaded=True)

L-27


27

Pengujian citra api lilin ruang tengah intensitas cahaya 24 lux, jarak 1,6

meter hingga 2,4 meter

L-28


28

Pengujian citra api lilin ruang tengah intensitas cahaya 24 lux, jarak 2,8


L-29


29

Pengujian citra api korek gas ruang tengah intensitas cahaya 24 lux, jarak

1,6 meter hingga 2,4 meter

L-30


30

Pengujian citra api korek gas ruang tengah intensitas cahaya 24 lux, jarak


L-31


31

Pengujian citra api lilin ruang tengah intensitas cahaya 8-14 lux, jarak 1,6


L-32


32

Pengujian citra api korek gas ruang tengah intensitas cahaya 8-14 lux,

jarak 1,6 meter hingga 2,4 meter

L-33


33

Pengujian citra api korek gas ruang tengah intensitas cahaya 8-14 lux,

jarak 2,8 meter

L-34


34

Pengujian citra api lilin ruang tidur intensitas cahaya 45 lux, jarak 1 meter

hingga 1,8 meter

L-35


35

Pengujian citra api lilin ruang tidur intensitas cahaya 45 lux, jarak 2,2


L-36


36

Pengujian citra api korek gas ruang tidur intensitas cahaya 45 lux, jarak

1 meter hingga 1,8 meter

L-37


37

Pengujian citra api korek gas ruang tidur intensitas cahaya 45 lux, jarak


L-38


38

Pengujian citra api lilin ruang tidur intensitas cahaya 8-12 lux, jarak 1


L-39


39

Pengujian citra api lilin ruang tidur intensitas cahaya 8-12 lux, jarak 2,2


L-40


40

Pengujian citra api korek gas ruang tidur intensitas cahaya 8-12 lux, jarak

1 meter hingga 1,8 meter

L-41


41

Pengujian citra api korek gas ruang tidur intensitas cahaya 8-12 lux, jarak


L-42


42



<_>

<maxWeakCount>2</maxWeakCount>

<stageThreshold>-1.1354514956474304e-01</stageThreshold>

<weakClassifiers>

<_>

<internalNodes>

0 -1 27 1.0459426790475845e-01</internalNodes>

<leafValues>

-9.3814432621002197e-01 9.0361446142196655e-01</leafValues></_>

<_>

<internalNodes>

0 -1 53 1.9976346194744110e-01</internalNodes>

<leafValues>

-9.2785137891769409e-01 8.2459920644760132e-

01</leafValues></_></weakClassifiers></_>



<_>


<stageThreshold>-1.3247847557067871e+00</stageThreshold>

<weakClassifiers>

<_>

<internalNodes>

0 -1 7 4.0762656927108765e-01</internalNodes>

<leafValues>

-8.6901766061782837e-01 7.5675678253173828e-01</leafValues></_>

<_>

<internalNodes>

0 -1 6 1.3779436051845551e-01</internalNodes>

<leafValues>

-8.8750886917114258e-01 2.8855907917022705e-01</leafValues></_>

<_>

<internalNodes>

0 -1 40 2.6526537537574768e-01</internalNodes>

<leafValues>

-7.4432617425918579e-01 6.6626292467117310e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 2 4.1499978303909302e-01</internalNodes>

<leafValues>

-8.6945170164108276e-01 5.0000000000000000e-01</leafValues></_>

<_>

<internalNodes>

L-43


43

0 -1 11 4.5874185860157013e-02</internalNodes>

<leafValues>

-1. 1.2608239054679871e-01</leafValues></_></weakClassifiers></_>



<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 13 4.9460947513580322e-01</internalNodes>

<leafValues>

-8.1265825033187866e-01 4.2105263471603394e-01</leafValues></_>

<_>

<internalNodes>

0 -1 30 -1.0531554371118546e-01</internalNodes>

<leafValues>

2.6704105734825134e-01 -8.5486882925033569e-01</leafValues></_>

<_>

<internalNodes>

0 -1 41 3.4948602318763733e-02</internalNodes>

<leafValues>

-8.9780002832412720e-01 2.7469578385353088e-01</leafValues></_>

<_>

<internalNodes>

0 -1 81 -1.5509229342569597e-05</internalNodes>

<leafValues>

3.6162829399108887e-01 -7.1705079078674316e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 12 3.6403301358222961e-01</internalNodes>

<leafValues>

-8.5209006071090698e-01 -1.5000000596046448e-01</leafValues></_>

<_>

<internalNodes>

0 -1 14 3.3683568239212036e-02</internalNodes>

<leafValues>

-5.1311254501342773e-01 4.6315157413482666e-01</leafValues></_>

<_>

<internalNodes>

0 -1 69 1.3609335292130709e-04</internalNodes>

<leafValues>

3.1104850769042969e-01 -7.2132861614227295e-01</leafValues></_>

L-44


44

<_>

<internalNodes>

0 -1 4 1.2148362293373793e-04</internalNodes>

<leafValues>

-8.3461266756057739e-01 2.4358172714710236e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 26 6.7514598369598389e-02</internalNodes>

<leafValues>

-7.7188330888748169e-01 2.1276595070958138e-02</leafValues></_>

<_>

<internalNodes>

0 -1 8 3.4416305425111204e-05</internalNodes>

<leafValues>

-8.5286557674407959e-01 1.4937944710254669e-01</leafValues></_>

<_>

<internalNodes>

0 -1 48 -1.8346133583690971e-04</internalNodes>

<leafValues>

-9.0394043922424316e-01 1.9481389224529266e-01</leafValues></_>

<_>

<internalNodes>

0 -1 60 8.8960374705493450e-04</internalNodes>

<leafValues>

-1. 1.9558252394199371e-01</leafValues></_></weakClassifiers></_>



<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 13 4.7819304466247559e-01</internalNodes>

<leafValues>

-8.1215471029281616e-01 4.5871559530496597e-02</leafValues></_>

<_>

<internalNodes>

0 -1 88 -3.8815978768980131e-05</internalNodes>

<leafValues>

1.0888232290744781e-01 -9.4263499975204468e-01</leafValues></_>

<_>

<internalNodes>

0 -1 77 -4.0303770219907165e-04</internalNodes>

L-45


45

<leafValues>

-9.5192468166351318e-01 1.8408368527889252e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 33 -1.1418235488235950e-02</internalNodes>

<leafValues>

7.8947371244430542e-01 -6.7256635427474976e-01</leafValues></_>

<_>

<internalNodes>

0 -1 51 -3.8923887768760324e-04</internalNodes>

<leafValues>

-9.0711349248886108e-01 9.3762204051017761e-02</leafValues></_>

<_>

<internalNodes>

0 -1 69 -1.6685485024936497e-04</internalNodes>

<leafValues>

-6.4114141464233398e-01 2.8773099184036255e-01</leafValues></_>

<_>

<internalNodes>

0 -1 5 -1.2296087516006082e-04</internalNodes>

<leafValues>

-8.7147945165634155e-01 2.3817995190620422e-01</leafValues></_>

<_>

<internalNodes>

0 -1 0 2.7513506211107597e-05</internalNodes>

<leafValues>

-6.4837419986724854e-01 2.8315281867980957e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 32 -7.2457015514373779e-02</internalNodes>

<leafValues>

2.3809524253010750e-02 -7.5193798542022705e-01</leafValues></_>

<_>

<internalNodes>

0 -1 72 -1.8365623429417610e-02</internalNodes>

<leafValues>

5.5016553401947021e-01 -4.1460493206977844e-01</leafValues></_>

L-46


46

<_>

<internalNodes>

0 -1 73 9.7639036539476365e-05</internalNodes>

<leafValues>

2.0349594950675964e-01 -9.4675403833389282e-01</leafValues></_>

<_>

<internalNodes>

0 -1 90 1.5012297080829740e-04</internalNodes>

<leafValues>

1.6695271432399750e-01 -9.5460295677185059e-01</leafValues></_>

<_>

<internalNodes>

0 -1 80 -2.0230603695381433e-05</internalNodes>

<leafValues>

2.4076879024505615e-01 -6.5080881118774414e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 56 -5.4807800799608231e-02</internalNodes>

<leafValues>

8.5714286565780640e-01 -6.5864330530166626e-01</leafValues></_>

<_>

<internalNodes>

0 -1 23 6.9449655711650848e-02</internalNodes>

<leafValues>

-6.3427263498306274e-01 2.2865255177021027e-01</leafValues></_>

<_>

<internalNodes>

0 -1 39 -1.3372499961405993e-04</internalNodes>

<leafValues>

-8.2275372743606567e-01 2.0880170166492462e-01</leafValues></_>

<_>

<internalNodes>

0 -1 87 -2.7844231226481497e-05</internalNodes>

<leafValues>

2.8459623456001282e-01 -6.2198370695114136e-01</leafValues></_>

<_>

<internalNodes>

0 -1 86 2.0252368994988501e-04</internalNodes>

<leafValues>

1.5535628795623779e-01 -8.9044308662414551e-01</leafValues></_>

<_>

<internalNodes>

0 -1 58 -1.4480085155810229e-05</internalNodes>

L-47


47

<leafValues>

-7.2227036952972412e-01 1.9347451627254486e-01</leafValues></_>

<_>

<internalNodes>

0 -1 38 1.7088967142626643e-03</internalNodes>

<leafValues>

-2.8276395797729492e-01 5.7729417085647583e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 31 -1.1788629926741123e-03</internalNodes>

<leafValues>

-5.7471264153718948e-02 -7.3958331346511841e-01</leafValues></_>

<_>

<internalNodes>

0 -1 65 -7.0812908234074712e-05</internalNodes>

<leafValues>

-8.5187572240829468e-01 6.6193021833896637e-02</leafValues></_>

<_>

<internalNodes>

0 -1 84 3.0261104257078841e-05</internalNodes>

<leafValues>

-6.9307458400726318e-01 1.9375345110893250e-01</leafValues></_>

<_>

<internalNodes>

0 -1 82 6.4547828515060246e-05</internalNodes>

<leafValues>

2.1562823653221130e-01 -7.2222608327865601e-01</leafValues></_>

<_>

<internalNodes>

0 -1 22 -2.6539145619608462e-04</internalNodes>

<leafValues>

-8.6746811866760254e-01 1.6030672192573547e-01</leafValues></_>

<_>

<internalNodes>

0 -1 57 3.9483828004449606e-05</internalNodes>

<leafValues>

2.9999384284019470e-01 -4.8906829953193665e-




<_>



<weakClassifiers>

L-48


48

<_>

<internalNodes>

0 -1 63 5.5162496864795685e-03</internalNodes>

<leafValues>

-6.8109339475631714e-01 3.1250000000000000e-01</leafValues></_>

<_>

<internalNodes>

0 -1 29 1.3603454863186926e-04</internalNodes>

<leafValues>

-6.4324355125427246e-01 1.1112626641988754e-01</leafValues></_>

<_>

<internalNodes>

0 -1 91 1.4631793834269047e-02</internalNodes>

<leafValues>

1.1145279556512833e-01 -1.</leafValues></_>

<_>

<internalNodes>

0 -1 20 4.7724468458909541e-05</internalNodes>

<leafValues>

-5.8955556154251099e-01 2.6125895977020264e-01</leafValues></_>

<_>

<internalNodes>

0 -1 9 7.0883054286241531e-04</internalNodes>

<leafValues>

-9.3912816047668457e-01 1.0918338596820831e-01</leafValues></_>

<_>

<internalNodes>

0 -1 34 -1.5814085782039911e-04</internalNodes>

<leafValues>

-6.9008594751358032e-01 1.9080264866352081e-01</leafValues></_>

<_>

<internalNodes>

0 -1 49 1.0893732905969955e-05</internalNodes>

<leafValues>

2.7880364656448364e-01 -5.4510027170181274e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 79 1.2383730709552765e-01</internalNodes>

<leafValues>

-7.1702635288238525e-01 1.8518517911434174e-01</leafValues></_>

<_>

<internalNodes>

0 -1 46 -2.7172028785571456e-04</internalNodes>

L-49


49

<leafValues>

1.3632427155971527e-01 -6.5800517797470093e-01</leafValues></_>

<_>

<internalNodes>

0 -1 17 -1.8271544249728322e-03</internalNodes>

<leafValues>

2.6676875352859497e-01 -6.0348457098007202e-01</leafValues></_>

<_>

<internalNodes>

0 -1 66 1.4392388402484357e-04</internalNodes>

<leafValues>

-5.3311735391616821e-01 2.6660761237144470e-01</leafValues></_>

<_>

<internalNodes>

0 -1 10 8.6837442358955741e-04</internalNodes>

<leafValues>

1.2270741909742355e-01 -9.1581493616104126e-01</leafValues></_>

<_>

<internalNodes>

0 -1 43 1.3265486340969801e-03</internalNodes>

<leafValues>

-3.4499454498291016e-01 4.2608463764190674e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 54 2.6185424998402596e-02</internalNodes>

<leafValues>

-7.3890340328216553e-01 -6.8181820213794708e-02</leafValues></_>

<_>

<internalNodes>

0 -1 50 -1.0396169964224100e-03</internalNodes>

<leafValues>

4.7174626588821411e-01 -3.4839826822280884e-01</leafValues></_>

<_>

<internalNodes>

0 -1 47 1.9809436053037643e-02</internalNodes>

<leafValues>

-6.1506325006484985e-01 2.5899595022201538e-01</leafValues></_>

<_>

<internalNodes>

0 -1 61 1.0042499343398958e-04</internalNodes>

<leafValues>

2.2844272851943970e-01 -6.6354823112487793e-01</leafValues></_>

<_>

L-50


50

<internalNodes>

0 -1 70 -6.7999462771695107e-05</internalNodes>

<leafValues>

-4.0695819258689880e-01 3.7164825201034546e-01</leafValues></_>

<_>

<internalNodes>

0 -1 18 -5.4593407548964024e-04</internalNodes>

<leafValues>

3.8007321953773499e-01 -4.2724329233169556e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 37 -1.0896591469645500e-02</internalNodes>

<leafValues>

1.9047619402408600e-01 -6.9230771064758301e-01</leafValues></_>

<_>

<internalNodes>

0 -1 68 1.4266513062466402e-05</internalNodes>

<leafValues>

-2.3131435737013817e-03 -1.</leafValues></_>

<_>

<internalNodes>

0 -1 59 5.9807032812386751e-05</internalNodes>

<leafValues>

2.1036350727081299e-01 -5.3354901075363159e-01</leafValues></_>

<_>

<internalNodes>

0 -1 85 1.1576355609577149e-04</internalNodes>

<leafValues>

2.4177065491676331e-01 -5.3958779573440552e-01</leafValues></_>

<_>

<internalNodes>

0 -1 36 1.3419199967756867e-04</internalNodes>

<leafValues>

-5.9981560707092285e-01 2.3670123517513275e-01</leafValues></_>

<_>

<internalNodes>

0 -1 28 9.4831739261280745e-05</internalNodes>

<leafValues>

-6.2214195728302002e-01 2.1561747789382935e-01</leafValues></_>

<_>

<internalNodes>

0 -1 44 2.3157261312007904e-03</internalNodes>

<leafValues>

L-50


51

-2.5176507234573364e-01 6.1749899387359619e-01</leafValues></_>

<_>

<internalNodes>

0 -1 76 -2.6789077674038708e-04</internalNodes>

<leafValues>

-7.5954306125640869e-01 1.9546455144882202e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 25 -2.4454362690448761e-02</internalNodes>

<leafValues>

3.5483869910240173e-01 -6.8181818723678589e-01</leafValues></_>

<_>

<internalNodes>

0 -1 55 6.3648039940744638e-05</internalNodes>

<leafValues>

2.0325659215450287e-01 -5.0236570835113525e-01</leafValues></_>

<_>

<internalNodes>

0 -1 67 -5.0818143790820614e-05</internalNodes>

<leafValues>

-8.1833380460739136e-01 1.3386978209018707e-01</leafValues></_>

<_>

<internalNodes>

0 -1 45 2.8043175116181374e-03</internalNodes>

<leafValues>

-2.1454976499080658e-01 6.3678485155105591e-01</leafValues></_>

<_>

<internalNodes>

0 -1 52 2.4867122992873192e-03</internalNodes>

<leafValues>

2.0447003841400146e-01 -8.9199221134185791e-01</leafValues></_>

<_>

<internalNodes>

0 -1 64 -9.3047256814315915e-04</internalNodes>

<leafValues>

6.4665985107421875e-01 -2.3168009519577026e-01</leafValues></_>

<_>

<internalNodes>

0 -1 21 6.3571735518053174e-04</internalNodes>

<leafValues>

-5.7301533222198486e-01 2.2502139210700989e-01</leafValues></_>

<_>

<internalNodes>

L-51


52

0 -1 42 -2.2080119233578444e-03</internalNodes>

<leafValues>

6.1658704280853271e-01 -2.5333788990974426e-01</leafValues></_>

<_>

<internalNodes>

0 -1 1 4.6612763981102034e-05</internalNodes>

<leafValues>

-6.8158274888992310e-01 2.0165401697158813e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 74 1.5703255310654640e-02</internalNodes>

<leafValues>

-7.0883053541183472e-01 1.5384615957736969e-01</leafValues></_>

<_>

<internalNodes>

0 -1 75 -3.0428944155573845e-03</internalNodes>

<leafValues>

4.7205343842506409e-01 -3.5683771967887878e-01</leafValues></_>

<_>

<internalNodes>

0 -1 89 1.0915755410678685e-04</internalNodes>

<leafValues>

1.8539620935916901e-01 -7.0673537254333496e-01</leafValues></_>

<_>

<internalNodes>

0 -1 78 1.3757898159383330e-05</internalNodes>

<leafValues>

1.1869291961193085e-01 -8.8840031623840332e-01</leafValues></_>

<_>

<internalNodes>

0 -1 19 -2.2601528326049447e-04</internalNodes>

<leafValues>

4.3324437737464905e-01 -2.8521147370338440e-01</leafValues></_>

<_>

<internalNodes>

0 -1 3 -1.2331655248999596e-02</internalNodes>

<leafValues>

4.4727244973182678e-01 -3.2374376058578491e-01</leafValues></_>

<_>

<internalNodes>

0 -1 16 1.5932274982333183e-02</internalNodes>

<leafValues>

-5.9622699022293091e-01 2.1828614175319672e-01</leafValues></_>

L-52


53

<_>

<internalNodes>

0 -1 24 3.3045606687664986e-03</internalNodes>

<leafValues>

-2.6915168762207031e-01 4.8224091529846191e-




<_>



<weakClassifiers>

<_>

<internalNodes>

0 -1 15 -2.5693140923976898e-02</internalNodes>

<leafValues>

1.1111111193895340e-01 -7.0743405818939209e-01</leafValues></_>

<_>

<internalNodes>

0 -1 62 1.1427422577980906e-05</internalNodes>

<leafValues>

2.1927598863840103e-02 -8.9014106988906860e-01</leafValues></_>

<_>

<internalNodes>

0 -1 71 -1.2199720913486090e-05</internalNodes>

<leafValues>

-3.9581522345542908e-01 2.9087087512016296e-01</leafValues></_>

<_>

<internalNodes>

0 -1 83 -4.0470811654813588e-04</internalNodes>

<leafValues>

-6.0841768980026245e-01 2.4123412370681763e-01</leafValues></_>

<_>

<internalNodes>

0 -1 35 -6.0237608850002289e-03</internalNodes>

<leafValues>

-1. 1.4096187055110931e-01</leafValues></_></weakClassifiers></_></stages>

L-53

Date post:	14-Nov-2021
Category:	Documents
Upload:	others
View:	12 times
Download:	0 times

MONITORING DAN DETEKSI DINI KEBAKARAN BERBASIS …

Documents