Impelementasi Deep Learning Pada Purwarupa Pintu Pintar Menggunakan ESP32-CAM
Abstract
Pandemi telah memengaruhi berbagai aspek
ekonomi, yang mengakibatkan peningkatan tindakan
kejahatan seperti pencurian, terutama saat pelaku mendapati
peluang menguntungkan. Salah satu metode yang sering
digunakan adalah merusak atau membobol sistem kunci pintu
utama rumah. Untuk mencegah hal ini, inovasi dapat
diterapkan melalui pemanfaatan deep learning dalam
verifikasi wajah untuk mengakses pintu. Penelitian ini
memfokuskan pada purwarupa pintu pintar yang
menggabungkan MTCNN untuk deteksi wajah, FaceNet untuk
embedding landmark wajah, SVM untuk klasifikasi, Firebase
Cloud Storage dan Firebase Realtime Database untuk media
komunikasi antara Deep Learning dan ESP32-CAM. Data
pengujian melibatkan 3 skenario, termasuk wajah terdaftar,
tidak terdaftar, dan manipulasi foto. Hasil menunjukkan
model mampu mengenali wajah terdaftar dengan tingkat
akurasi di atas 95 persen, yang memungkinkan akses ke pintu.
Model ini menunjukkan potensi untuk meningkatkan
keamanan melalui teknologi yang memanfaatkan kekuatan
deep learning dalam pengenalan wajah. Implementasi pada
purwarupa pintar ini memberikan solusi untuk mengatasi
tindakan kejahatan dan meningkatkan kepercayaan dalam
sistem keamanan rumah.
Kata kunci — deep learning, verifikasi wajah, Firebase, ESP32-CAM
References
I. S. Hendi Suhendi,
Menggunakan RFID, Sensor PIR dan Modul GSM
Berbasis Mikrokontroler ATMEGA328,= vol. 2,
O. Taiwo, A. E. Ezugwu, O. N. Oyelade, and M. S.
Almutairi,
Control and Security System Based on Deep
Learning Model,= Wirel. Commun. Mob. Comput.,
vol. 2022, 2022, doi: 10.1155/2022/9307961.
R. Jin, H. Li, J. Pan, W. Ma, and J. Lin,
Recognition Based on MTCNN and FaceNet,=
Gewerbestrasse, 2021. [Online]. Available:
www.aaai.org
E. Jose, M. Greeshma, T. P. Mithun Haridas, and M.
H. Supriya,
System Using FaceNet and MTCNN on Jetson
TX2,= in 2019 5th International Conference onAdvanced Computing and Communication Systems,
ICACCS 2019, Institute of Electrical and Electronics
Engineers Inc., Mar. 2019, pp. 608-613. doi:
1109/ICACCS.2019.8728466.
I. Ahmad, M. Basheri, M. J. Iqbal, and A. Rahim,
Machine, Random Forest, and Extreme Learning
Machine for Intrusion Detection,= IEEE Access, vol.
, pp. 33789-33795, May 2018, doi:
1109/ACCESS.2018.2841987.
D. Sharma and C. Fancy,
using Firebase and Fernet Encryption,= Int. J. Eng.
Trends Technol., vol. 70, no. 9, pp. 371-375, Sep.
, doi: 10.14445/22315381/IJETT-V70I9P237.
W. J. Li, C. Yen, Y. S. Lin, S. C. Tung, and S. M.
Huang,
Firebase real-time database,= in Proceedings - 2018
IEEE International Conference on Smart
Manufacturing, Industrial and Logistics
Engineering, SMILE 2018, Institute of Electrical
and Electronics Engineers Inc., May 2018, pp. 43-
doi: 10.1109/SMILE.2018.8353979.
Z. Li, L. O'Brien, R. Ranjan, and M. Zhang,
Observations on Performance of Google Compute
Engine for Scientific Computing,= Dec. 2013, doi: 10.1109/CloudCom.2013.7.
V. Maheswari, C. A. Sari, D. R. I. M. Setiadi, and E.
H. Rachmawanto,
recognition using principal component analysis,= in Proceedings - 2020 International Seminar on
Application for Technology of Information and Communication: IT Challenges for Sustainability,
Scalability, and Security in the Age of Digital Disruption, iSemantic 2020, Institute of Electrical
and Electronics Engineers Inc., Sep. 2020, pp. 55-60. doi: 10.1109/iSemantic50169.2020.9234250
