DEV Community: Heaven Aulianisa Pambudi Putri

Crowded Counting in Station

Heaven Aulianisa Pambudi Putri — Thu, 02 Jan 2025 09:17:19 +0000

Short Explanation

Perhitungan jumlah orang secara otomatis atau Counting Crowd menjadi sangat penting di tempat-tempat yang ramai dan dinamis seperti stasiun dan stadion. Kedua tempat ini sering kali menjadi pusat kerumunan besar, di mana ribuan hingga puluhan ribu orang bergerak setiap hari atau dalam satu waktu tertentu, seperti selama acara olahraga, konser, atau jam-jam sibuk di stasiun kereta. Untuk memastikan keselamatan, kenyamanan, dan kelancaran operasional, pemantauan yang akurat dan real-time mengenai jumlah orang yang hadir sangatlah penting.

Stasiun kereta biasanya merupakan pusat transportasi yang sangat sibuk, terutama selama jam sibuk. Pemantauan jumlah orang yang berada di stasiun secara real-time dapat membantu manajemen operasional stasiun dalam mengontrol arus penumpang, mengelola antrian, dan mengoptimalkan penggunaan fasilitas. Misalnya, dengan mengetahui data keramaian, manajemen dapat memutuskan kapan harus menambah gerbong kereta atau mengarahkan orang ke jalur yang lebih sepi untuk mencegah kemacetan. Dalam konteks keamanan, pemantauan otomatis ini juga membantu deteksi dini potensi situasi berbahaya, seperti kepadatan yang berlebihan, yang bisa berujung pada insiden seperti desak-desakan atau evakuasi darurat.

Counting Crowd ini menggunakan teknologi deteksi manusia (human detection) yang memanfaatkan algoritma kecerdasan buatan (AI), terutama dalam bidang computer vision dan deep learning. Teknologi ini bekerja dengan menganalisis data visual seperti gambar atau video yang diambil dari kamera pengawas atau perangkat sensor lainnya. Computer vision digunakan untuk mengenali manusia di antara objek lain dalam gambar, sementara deep learning memungkinkan sistem untuk terus belajar dari pola-pola yang ada di dalam data visual, seperti gerakan manusia dan interaksi mereka dengan lingkungan. Sistem ini dirancang untuk mendeteksi manusia meskipun dalam kondisi yang menantang seperti keramaian yang padat, pencahayaan buruk, atau oklusi (penutupan sebagian tubuh).

Salah satu metode kunci yang digunakan adalah deteksi kepala. Karena kepala lebih mudah dikenali dalam kerumunan padat, teknologi ini berfokus pada mendeteksi bagian kepala manusia sebagai ciri yang dapat diandalkan. Setelah kepala terdeteksi, sistem akan menghitung jumlah kepala yang terlihat dalam gambar atau video. Metode ini sangat berguna di lingkungan dengan kepadatan tinggi, seperti di stasiun atau stadion, di mana sering kali sulit untuk mendeteksi seluruh tubuh seseorang. Dengan menggunakan deteksi kepala, teknologi ini dapat menghitung jumlah orang secara lebih akurat, bahkan ketika sebagian tubuh seseorang tertutupi atau ada banyak pergerakan.

Problem

Bagaimana cara mendeteksi dan menghitung jumlah kepala manusia di area stasiun dan stadion menggunakan teknik computer vision?
Apa saja faktor yang mempengaruhi akurasi deteksi kepala dalam video yang direkam oleh kamera CCTV di stasiun dan stadion?
Bagaimana sistem dapat beradaptasi dengan berbagai kondisi pencahayaan dan sudut pandang kamera untuk mempertahankan akurasi deteksi?

Flowchart

Start (Mulai)

Proses dimulai, menandakan sistem mulai aktif untuk melakukan penghitungan jumlah orang.

Capture Visual Data (Pengambilan Data Visual)

Kamera atau sensor menangkap data visual dalam bentuk gambar atau video dari area yang ingin dipantau. Data ini menjadi dasar bagi sistem untuk melakukan analisis lebih lanjut.

Pre-process Data (Pra-pemrosesan Data)

Data visual yang telah diambil diproses terlebih dahulu untuk meningkatkan kualitasnya. Langkah ini dapat mencakup peningkatan kontras, pengurangan noise, atau penyesuaian pencahayaan, agar deteksi menjadi lebih akurat.

Head Detection (Deteksi Kepala)

Sistem mendeteksi keberadaan kepala manusia dari gambar atau video yang telah diproses. Fokus utama deteksi ini adalah pada kepala, karena sistem ini menggunakan deteksi kepala sebagai indikator jumlah orang.

Count Head (Penghitungan Kepala)

Pada tahap ini, sistem memeriksa apakah kepala terdeteksi dalam gambar atau video. Jika terdeteksi, maka:

Yes (Ya) : Sistem akan menambahkan jumlah hitungan dengan 1 (Count = Count + 1).
No (Tidak) : Jika tidak ada kepala terdeteksi, sistem tidak menambahkan hitungan dan lanjut ke tahap berikutnya.

Return the Total Count (Kembalikan Jumlah Total)

Setelah semua data telah diproses dan kepala yang terdeteksi telah dihitung, sistem mengembalikan jumlah total orang yang telah dihitung dalam bentuk data numerik.

End (Selesai)

Proses selesai, dan sistem dapat direset atau digunakan kembali untuk data input baru jika diperlukan.

Project Goals

Tujuan dari proyek ini adalah:

Menghitung jumlah orang di area stasiun berdasarkan deteksi kepala sebagai bagian tubuh yang terlihat.
Meningkatkan pemahaman tentang pola keramaian di stasiun untuk membantu pengelola dalam mengambil keputusan yang lebih baik terkait manajemen kerumunan.
Meningkatkan akurasi deteksi kepala dengan mengembangkan algoritma yang efektif untuk berbagai kondisi pencahayaan dan sudut kamera.

Scope of Problem

Sistem hanya akan mendeteksi kepala manusia untuk menghitung keramaian. Deteksi bagian tubuh lain tidak akan dilakukan dalam proyek ini.
Proyek ini hanya akan mendeteksi keramaian pada 1 lokasi, yaitu stasiun.
Sistem deteksi akan menggunakan kamera pengawas (CCTV).
Data yang digunakan terbatas pada rekaman video dari kamera CCTV di stasiun. Rekaman dengan kualitas rendah atau sudut kamera yang tidak optimal tidak akan menjadi fokus utama dalam uji coba.
Pengujian akan difokuskan pada skala kecil hingga menengah, yaitu deteksi keramaian di satu atau beberapa titik tertentu tanpa membahas penerapan sistem pada seluruh area yang lebih luas.

Tech Stack Used

Google Colab: Platform cloud untuk pelatihan model dengan GPU gratis.
Roboflow: Alat untuk mengelola dan mengaugmentasi dataset.
GitLab: Platform manajemen proyek dan kode sumber.
Visual Studio Code: Editor kode untuk pengembangan dengan Python.
Model: YOLOv5: Algoritma deteksi objek cepat dan ringan.
Dataset: 2000 Gambar: Dataset dengan gambar dari berbagai kondisi keramaian.
Programming Language: Python: Bahasa utama untuk pengkodean dan pelatihan model.

Results

Toleransi 7 piksel.mp4 - Google Drive

drive.google.com

The Problems and How I Deal With It

Dataset Terbatas

Masalah ini muncul karena dataset yang tersedia hanya terdiri dari 2000 gambar, yang mungkin tidak mencakup semua kondisi keramaian yang dibutuhkan untuk model yang lebih akurat. Untuk mengatasinya, saya menggunakan augmentasi data dengan Roboflow untuk menambah variasi dataset melalui teknik seperti rotasi, pemotongan, dan perubahan pencahayaan, sehingga model dapat lebih robust dalam mendeteksi objek di berbagai kondisi.

Kualitas video pengujian mempengaruhi akurasi.

Video pengujian dengan kualitas rendah dapat mempengaruhi kemampuan model dalam mendeteksi objek dengan akurat. Untuk mengatasi hal ini, saya memastikan pembersihan dan peningkatan kualitas video sebelum diuji, seperti mengatur pencahayaan dan kontras.

Spesifikasi laptop

Laptop dengan spesifikasi terbatas dapat memperlambat proses pelatihan model, terutama ketika melibatkan dataset besar atau model yang kompleks seperti YOLOv5. Untuk mengatasinya, saya memanfaatkan Google Colab untuk menjalankan pelatihan model menggunakan GPU gratis yang disediakan, mempercepat proses tanpa perlu mengandalkan spesifikasi laptop lokal.

Pelatihan model membutuhkan waktu lama.

Proses pelatihan model deteksi objek seperti YOLOv5 dapat memakan waktu cukup lama, terutama untuk dataset besar dan model yang lebih kompleks. Untuk mengoptimalkan waktu, saya memanfaatkan Google Colab dengan GPU untuk mempercepat pelatihan dan melakukan pelatihan bertahap (incremental training) untuk menghindari pemborosan waktu dan sumber daya pada iterasi model yang sama.

Lessons Learned

Pentingnya Augmentasi Data

Dataset terbatas dapat mengurangi akurasi model, tetapi dengan augmentasi data yang tepat, kita bisa meningkatkan keragaman dataset dan membantu model untuk lebih adaptif pada berbagai kondisi, sehingga meningkatkan performa deteksi.

Kualitas Data Pengujian Memengaruhi Hasil

Kualitas video pengujian sangat penting dalam deteksi objek. Peningkatan kualitas video sebelum pengujian dapat mengurangi kesalahan deteksi, terutama di lingkungan dengan pencahayaan yang buruk atau pergerakan cepat.

Manfaat Menggunakan Platform Cloud

Menggunakan Google Colab untuk pelatihan model dengan GPU dapat sangat mempercepat proses pelatihan, terutama ketika spesifikasi laptop terbatas. Ini juga mengurangi ketergantungan pada perangkat keras lokal yang lebih lambat.

Pengoptimalan Waktu Pelatihan

Pelatihan model deteksi objek seperti YOLOv5 membutuhkan waktu yang panjang. Dengan incremental training dan memanfaatkan GPU, pelatihan dapat diselesaikan lebih cepat tanpa membuang sumber daya.

Adaptasi dengan Berbagai Kondisi

Menghadapi berbagai kondisi seperti pencahayaan buruk atau sudut pandang kamera yang tidak optimal mengajarkan kita pentingnya penyesuaian model agar tetap efektif dalam berbagai situasi dunia nyata.

Iterasi dan Pengujian yang Berkelanjutan

Proses deteksi objek selalu membutuhkan iterasi dan pengujian berkelanjutan. Menguji model dalam berbagai kondisi yang lebih bervariasi membantu memperbaiki hasil deteksi dan meningkatkan ketepatan sistem secara keseluruhan.

OSPF (Open Shortest Path First) - Backbone Area (Area 0) dan Fail Over

Heaven Aulianisa Pambudi Putri — Thu, 02 Jan 2025 08:47:52 +0000

Landasan Teori

Open Shortest Path First (OSPF) adalah sebuah protokol routing otomatis (Dynamic Routing ) yang mampu menjaga, mengatur dan mendistribusikan informasi routing antar network mengikuti setiap perubahan jaringan secara dinamis. Pada OSPF dikenal sebuah istilah Autonomous System(AS) yaitu sebuah gabungan dari beberapa jaringan yang sifatnya routing dan memiliki kesamaan metode serta policy pengaturan network, yang semuanya dapat dikendalikan oleh network administrator.
OSPF memiliki beberapa tipe area diantaranya:

Backbone - Area 0: Bertanggung jawab mendistribusikan informasi routing antara sub-area.
Standard/Default Area: Sub-area dari Area 0 yang menerima intra-area dan inter-area LSA dari Area Border Router (ABR).
Stub Area: Area ujung yang tidak menerima external route advertise.
Not So Stubby Area (NSSA): Stub Area yang masih menerima external route dari router dalam area yang sama.

Tujuan

Setelah melakukan percobaan ini, diharapkan mampu:

Melakukan konfigurasi routing dinamis dengan menggunakan OSPF
Memahami konsep Area pada routing OSPF
Memahami konsep failover pada OSPF

Topologi 1 - Backbone Area (Area 0)

Dari topologi tersebut, maka dibutuhkan alat dan bahan diantaranya:

4 buah Komputer
7 buah Kabel UTP
4 buah Router
Software Winbox
Sambungan Internet dari LAN

Langkah-Langkah

Langkah yang dilakukan untuk membuktikan backbone area seperti topologi diatas adalah sebagai berikut :

Siapkan alat dan bahan yang dibutuhkan.

Alat dan bahan yang dibutuhkan diantaranya 4 buah PC, 4 buah router, 7 buah kabel UTP, software winbox dan juga sambungan internet dari LAN

Sambungkan PC dan router menggunakan kabel UTP.

Sambungkan antara PC dan router dengan menggunakan kabel UTP hingga membentuk topologi 1.

Beri nama pada masing-masing router agar mudah dikenali.

Untuk mengganti nama/identitas pada router, pilih menu “System” pada menu utama lalu pilih submenu “identity”. Jangan lupa untuk klik “Apply” dan “OK” untuk menyimpan perubahan .

Beri nama pada Router 1 dengan “R1”

Beri nama pada Router 2 dengan “R2”

Beri nama pada Router 3 dengan “Router3”

Beri nama pada Router 4 dengan “Router 4”

Lakukan konfigurasi IP Address.

Untuk melakukan konfigurasi pada IP Address, Pilih menu "IP" dari menu utama dan pilih "Addresses" dari submenu yang muncul. Klik pada tombol "Add" untuk menambahkan konfigurasi IP address baru. Pada jendela "New Address" yang muncul, tentukan interface yang akan digunakan untuk koneksi ke jaringan di bagian "Interface", masukkan alamat IP pada kolom "Address". Klik pada tombol”Apply” lalu "OK" untuk menyimpan konfigurasi.

Konfigurasi pada Router 1 dan PC 1

Konfigurasi pada Router 2 dan PC 2

Konfigurasi pada Router 3 dan PC 3

Konfigurasi pada Router 4 dan PC 4

Tambahkan bridge baru dengan nama “loopback”.

Untuk menambahkan bridge klik pada menu "Bridge" di menu utama winbox lalu klik tombol "Add" untuk menambahkan bridge baru. Beri nama pada bridge di bagian "Name" dengan nama "loopback". Lalu klik “Apply” lalu “OK” untuk menyimpan konfigurasi.

Menambahkan bridge "loopback" pada seluruh router.

Lakukan konfigurasi pada PC.

Buka "Settings" dan pilih "Network & Internet". Klik pada "Change adapter options" di bagian "Advanced network settings" lalu klik kanan pada antarmuka jaringan yang ingin kita atur IP address-nya dan pilih "Properties". Pilih "Inte rnet Protocol Version 4 (TCP/IPv4)" atau "Internet Protocol Version 6 (TCP/IPv6)" tergantung dari jenis jaringan yang digunakan. Klik pada "Properties" untuk membuka pengaturan alamat IP. Pilih "Use the following IP address" dan masukkan alamat IP, subnet mask, dan default gateway.

Konfigurasi pada PC 1'

Konfigurasi pada PC 2

Konfigurasi pada PC 3

Konfigurasi pada PC 4

Tambahkan sebuah instance pada OSPF dan masukkan router ID yang berbeda untuk masing-masing router.

Untuk menambahkan instance ini, buka menu utama “Routing” lalu pilih submenu “OSPF”. Di Dalam submenu “OSPF” terdapat beberapa tab seperti interfaces, instance, networks dan lain sebagainya. Disini kita memilih “Instance” lalu klik pada + untuk menambahkan instance baru.

OSPF instance pada Router 1

OSPF instance pada Router 2

OSPF instance pada Router 3

OSPF instance pada Router 4

Tambahkan interfaces pada OSPF.

Disini kita menambahkan interfaces untuk ethernet yang terhubung dengan sesama router melalui kabel UTP. Untuk interfaces lainnya akan terisi otomatis.
Untuk menambahkan interfaces ini, buka menu utama “Routing” lalu pilih submenu “OSPF”. Di Dalam submenu “OSPF” terdapat beberapa tab seperti interfaces, instance, networks dan lain sebagainya. Disini kita memilih “Interfaces ” lalu klik pada + untuk menambahkan instance baru.

OSPF interfaces Router 1

OSPF interfaces Router 2

OSPF interfaces Router 3

OSPF interfaces Router 4

Tambahkan semua connected network pada menu OSPF bagian “networks” termasuk IP loopback.

Untuk menambahkan interfaces ini, buka menu utama “Routing” lalu pilih submenu “OSPF”. Di Dalam submenu “OSPF” terdapat beberapa tab seperti interfaces, instance, networks dan lain sebagainya. Disini kita memilih “Networks ” lalu klik pada + untuk menambahkan instance baru.

Connected network pada Router 1

Connected network pada Router 2

Connected network pada Router 3

Connected network pada Router 4

Lakukan tes ping dari PC 1 ke PC 2, PC 3, dan PC 4.

Tes ping dilakukan untuk mengecek apakah PC 1 sudah terhubung dengan PC yang lain. Langkah yang dilakukan untuk melakukan ping yaitu buka command prompt pada komputer lalu ketikkan perintah "ping" diikuti dengan alamat website atau alamat IP yang ingin diuji koneksinya lalu tekan tombol "Enter" pada keyboard untuk menjalankan perintah ping.

Ping ke PC 2

Ping ke PC 3

Ping ke PC 4

Lakukan tes ping dari PC 2 ke PC 1, PC 3, dan PC 4.

Tes ping dilakukan untuk mengecek apakah PC 2 sudah terhubung dengan PC yang lain. Langkah yang dilakukan untuk melakukan ping yaitu buka command prompt pada komputer lalu ketikkan perintah "ping" diikuti dengan alamat website atau alamat IP yang ingin diuji koneksinya lalu tekan tombol "Enter" pada keyboard untuk menjalankan perintah ping.

Ping ke PC 1

Ping ke PC 3

Ping ke PC 4

Lakukan tes ping dari PC 3 ke PC 1, PC 2, dan PC 4.

Tes ping dilakukan untuk mengecek apakah PC 3 sudah terhubung dengan PC yang lain. Langkah yang dilakukan untuk melakukan ping yaitu buka command prompt pada komputer lalu ketikkan perintah "ping" diikuti dengan alamat website atau alamat IP yang ingin diuji koneksinya lalu tekan tombol "Enter" pada keyboard untuk menjalankan perintah ping.

Ping ke PC 1

Ping ke PC 2

Ping ke PC 4

Lakukan tes ping dari PC 4 ke PC 1, PC 2, dan PC 3.

Tes ping dilakukan untuk mengecek apakah PC 4 sudah terhubung dengan PC yang lain. Langkah yang dilakukan untuk melakukan ping yaitu buka command prompt pada komputer lalu ketikkan perintah "ping" diikuti dengan alamat website atau alamat IP yang ingin diuji koneksinya lalu tekan tombol "Enter" pada keyboard untuk menjalankan perintah ping.

Ping ke PC 1

Ping ke PC 2

Ping ke PC 3

Fail Over

Failover adalah mekanisme dalam sistem jaringan atau teknologi yang dirancang untuk memastikan keberlanjutan layanan jika terjadi kegagalan pada komponen utama. Dalam konteks jaringan OSPF (Open Shortest Path First), failover berarti jaringan dapat secara otomatis mengalihkan lalu lintas ke jalur alternatif jika jalur utama mengalami gangguan atau putus. Mekanisme ini memastikan bahwa data tetap dapat dikirim dan diterima tanpa gangguan signifikan, sehingga menjaga kestabilan dan keandalan jaringan.

Topologi Fail Over

Langkah yang dilakukan untuk mempraktekkan konsep OSPF seperti topologi diatas serta pembuktian mengenai fail overnya adalah sebagai berikut :

Sambungkan masing-masing PC ke sumber internet yang berasal dari LAN.

Untuk menyambungkan PC ke internet, konfigurasikan IP Address pada setiap router.

Konfigurasi IP Address 10.33.108.3/24 pada Router 1 untuk interface ether1

Konfigurasi IP Address 10.33.108.4/24 pada Router 2 untuk interface ether1

Konfigurasi IP Address 10.33.108.10/24 pada Router 3 untuk interface ether1

Konfigurasi IP Address 10.33.108.9/24 pada Router 4 untuk interfaces ether1

Lakukan konfigurasi DNS pada keempat router.

Untuk melakukan konfigurasi DNS pada Winbox, langkah pertama yang dilakukan adalah klik pada menu “IP” dan pilih “DNS”. Untuk menambahkan server DNS baru, klik simbol + disana. Setelah itu masukkan IP server DNS sesuai keinginan, disini kita dapat menambahkan 1 atau lebih IP server DNS. Namun pada praktikum kali ini, saya menambahkan 2 IP server DNS yaitu 10.13.10.13 dan 10.18.10.18 lalu tekan OK

Konfigurasi DNS pada keempat router.

Setting Firewall NAT pada keempat router

Untuk melakukan konfigurasi pada Firewall NAT, pilih menu "IP" dari menu utama dan pilih "Firewall" dari submenu yang muncul. Pilih tab "NAT" pada jendela "Firewall" untuk membuka konfigurasi Firewall NAT. Klik pada tombol "Add" untuk menambahkan konfigurasi baru. Pada jendela "New NAT Rule" yang muncul, tentukan jenis rule pada bagian "Chain" disini kita memilih rule "srcnat". Pada kolom "Out. Interface", pilih interface yang digunakan untuk koneksi internet disini kita memilih ether 1. Pada kolom "Action", pilih "masquerade". Klik pada tombol “Apply” lalu "OK" untuk menyimpan konfigurasi.

Konfigurasi Firewall NAT pada keempat router

Lakukan konfigurasi gateway pada Routes

Untuk melakukan konfigurasi gateway pada Winbox, langkah pertama yang dilakukan adalah klik pada menu “IP” dan pilih “Routes”. Untuk menambahkan Address baru, klik simbol + disana. Setelah itu masukkan Dst. Address dan Gateway sesuai ketentuan.

Konfigurasi gateway pada Router 1 PC 1

Masukkan gateway untuk sumber internet yaitu 10,33.108.254

Masukkan gateway yang menghubungkan antara router 1 dengan router 2 yaitu 12.12.12.2

Konfigurasi gateway pada Router 2 PC 2

Masukkan gateway yang menghubungkan antara router 2 dengan router 1 yaitu 12.12.12.1

Masukkan gateway yang menghubungkan antara router 2 dengan router 3 yaitu 23.23.23.3

Masukkan gateway untuk sumber internet yaitu 10,33.108.254

Konfigurasi gateway pada Router 3 PC 3

Masukkan gateway yang menghubungkan antara router 3 dengan router 2 yaitu 23.23.23.2

Masukkan gateway yang menghubungkan antara router 3 dengan router 4 yaitu 34.34.34.4

Masukkan gateway untuk sumber internet yaitu 10,33.108.254

Konfigurasi gateway pada Router 4 PC 4

Masukkan gateway yang menghubungkan antara router 4 dengan router 4 yaitu 34.34.34.3

Masukkan gateway untuk sumber internet yaitu 10,33.108.254

Lakukan test tracert untuk melacak jalur perjalanan paket dan mengetahui rute yang diambil oleh paket data.

Untuk melakukan test tracert menggunakan command prompt, pada jendela command prompt ketik perintah “tracert” lalu diikuti alamat IP atau nama domain yang ingin kita lacak rutenya. Namun sebelum melakukan test tracer, pastikan masing-masing PC sudah terhubung dengan internet.

Test tracer pada router 1

Saat semua sumber internet dihidupkan

Saat sumber internet dari router 1 dimatikan

Saat sumber internet dari router 1 dan router 2 dimatikan dan router 3 tetap nyala

Saat sumber internet dari router 1, router 2 dan router 3 dimatikan dan router 4 tetap nyala

Test tracer pada router 2

Saat sumber internet dari router 1 dimatikan

Saat sumber internet dari router 2 dimatikan

Saat sumber internet dari router 3 dimatikan

Saat sumber internet dari router 4 dimatikan

Test tracer pada router 3

Saat hanya satu sumber internet menyala

Saat semua sumber internet menyala

Saat sumber internet dari LAN dimatikan

Test tracer pada router 4

Saat 10.33.108.9 dimatikan

Saat hanya sumber internet dari router 2 yang nyala

Saat hanya sumber internet dari router 3 yang nyala

Analisis dan Pembahasan

Dalam jaringan yang menggunakan protokol routing OSPF (Open Shortest Path First), "backbone area" adalah area pusat yang menghubungkan berbagai area OSPF yang berbeda. Area OSPF adalah cara untuk mengorganisasi topologi jaringan menjadi segmen yang lebih kecil dan terkelola dengan lebih efisien. Area-area ini membantu mengurangi beban pemrosesan perutean dan mempercepat konvergensi dalam jaringan yang besar. Backbone area, juga dikenal sebagai Area 0 (Area Nol), berperan sebagai tulang punggung utama yang menghubungkan semua area OSPF. Area 0 harus ada dalam setiap implementasi OSPF, dan semua area lain harus terhubung langsung atau tidak langsung ke area ini. Area-area non-backbone atau area anak merupakan area-area yang terhubung ke area 0.

Failover dalam OSPF (Open Shortest Path First) adalah mekanisme di mana OSPF merespons dengan cepat terhadap kegagalan dalam jaringan. Saat terjadi kegagalan, OSPF mendeteksi perubahan topologi, menghitung ulang rute alternatif yang masih aktif, memberitahu router lain tentang perubahan tersebut, dan mengalihkan lalu lintas ke jalur baru yang optimal. OSPF fokus pada menemukan alur cadangan yang memiliki jarak fisik atau jarak jaringan yang lebih pendek dari jalur cadangan lainnya. Dalam konteks failover OSPF atau protokol routing lainnya, ini mengacu pada kecenderungan untuk memilih jalur alternatif yang lebih dekat secara geografis atau lebih sedikit hops dari jalur lainnya jika terjadi kegagalan pada jalur utama.

Kesimpulan

OSPF (Open Shortest Path First) adalah protokol routing dinamis yang digunakan dalam jaringan komputer untuk menentukan rute terpendek atau terbaik bagi paket data dalam suatu jaringan IP.
Protokol routing dinamis OSPF (Open Shortest Path First) berperan penting dalam mendukung failover dalam jaringan. Dengan memantau status router dan jalur secara berkelanjutan, OSPF mampu mendeteksi kegagalan dan mengadaptasi topologi dengan cepat, mengalihkan lalu lintas ke jalur cadangan, dan memastikan distribusi lalu lintas yang seimbang.
Dalam kombinasi dengan konsep redundansi, OSPF membantu menjaga ketersediaan layanan dengan merespons perubahan topologi dan mengalokasikan lalu lintas ke jalur yang masih aktif, mengurangi risiko downtime.
Prioritas jalur cadangan terdekat adalah tentang memilih jalur alternatif yang lebih dekat secara fisik atau topologis untuk memaksimalkan kualitas layanan dalam situasi kegagalan.

Smart Home Security: Advanced Motion Detection with CCTV

Heaven Aulianisa Pambudi Putri — Sun, 29 Dec 2024 10:06:25 +0000

Short Explanation

Smart Home Security System adalah sistem keamanan berbasis teknologi Internet of Things (IoT) yang dirancang untuk memantau lingkungan rumah secara real-time dan memberikan notifikasi kepada pengguna melalui aplikasi Telegram. Sistem ini mengintegrasikan perangkat keras seperti ESP32-CAM untuk pengambilan gambar, sensor ultrasonik HC-SR04 untuk deteksi gerakan, dan buzzer untuk alarm suara.

Project Goals

Mengembangkan sistem keamanan berbasis Internet of Things (IoT) yang memanfaatkan ESP32-CAM, sensor ultrasonik HC-SR04, dan buzzer untuk mendeteksi gerakan serta memberikan notifikasi real-time kepada pengguna melalui Telegram. Sistem ini dirancang untuk meningkatkan keamanan lingkungan rumah secara mudah dan fleksibel.

Tech Stack Used

Perangkat Keras: ESP32-CAM, Sensor HC-SR04, Buzzer, Breadboard, FTDI USB, dan adaptor 5V.
Perangkat Lunak: Telegram Messenger dan bot Telegram untuk integrasi komunikasi sistem.

Results

Proyek ini berhasil mengembangkan sistem keamanan rumah pintar dengan menggunakan CCTV dan teknologi Internet of Things (IoT). Sistem ini dirancang untuk mendeteksi gerakan secara lebih akurat dan mengirimkan notifikasi kepada pemilik rumah melalui aplikasi pesan Telegram.
Berikut merupakan gambaran rangkaian elektronis sistem:

Berikut merupakan gambaran cara kerja sistem ini:

Berikut ini adalah rangkaian sistem yang telah dirancang:

Komponen utama dari sistem ini meliputi ESP32-CAM sebagai modul kamera, sensor ultrasonik HC-SR04 untuk deteksi jarak, dan Buzzer untuk alarm suara. Sumber tegangan (Vin) sebesar 5V dan ground (GND) semua komponen terdapat pada papan project breadboard yang dapat dikendalikan menggunakan aplikasi Telegram.

Hasil pengujian menunjukkan bahwa sistem berhasil mendeteksi gerakan dengan akurasi tinggi dan mengirimkan notifikasi real-time melalui Telegram. Selain itu, sistem ini juga mengambil gambar otomatis saat gerakan terdeteksi, memberikan bukti visual kepada pemilik rumah. Sistem ini menunjukkan kinerja yang stabil dan konsumsi daya yang efisien, memungkinkan operasi berkelanjutan tanpa kebutuhan daya yang berlebihan.

Tampilan Notifikasi Telegram

Tampilan Telegram Saat Objek Terdeteksi

Start

Buzzer On & Buzzer Off

Flash On dan Flash Off

The Problems and How I Deal With It

Delay pengiriman gambar melalui Telegram: Ditangani dengan memastikan koneksi internet yang stabil.
Sensor ultrasonik mendeteksi tanpa objek: Dilakukan kalibrasi ulang pada sensor untuk meningkatkan akurasi deteksi.

Lessons Learned

Proyek ini memberikan wawasan mendalam tentang integrasi IoT dengan teknologi komunikasi real-time. Pengembangan ini menekankan pentingnya koneksi yang stabil dan pengujian kondisi lingkungan untuk memastikan akurasi sistem.

Contributor

Bayu Sapmito
Khoirul Malik

Implementasi Infrastruktur Jaringan Virtual dengan Protokol OSPF

Heaven Aulianisa Pambudi Putri — Sat, 28 Dec 2024 17:40:33 +0000

Topologi

Berikut IP Address yang digunakan pada topologi:

Short Explanation

Proyek ini bertujuan untuk membangun dan menguji sistem jaringan berbasis virtual dengan beberapa layanan server, termasuk Web Server, File Server, Mail Server, dan Proxy Server. Sistem ini menghubungkan jaringan lokal dan jaringan eksternal menggunakan protokol OSPF pada router MikroTik untuk memastikan komunikasi antarjaringan.

Project Goals

Menerapkan koneksi server fisik serta perangkat virtual dengan sambungan internet.
Melakukan konfigurasi untuk perangkat virtual dan fisik yang terhubung dan saling mengakses satu sama lain.
Memahami cara kerja layanan jaringan seperti DNS, Web Server, FTP Server, Mail Server dan Proxy Server serta mengimplementasikan dalam scenario nyata.

Tech Stack Used

Jaringan: MikroTik Router (OSPF Protocol).
Server: Ubuntu Server (Apache2, vsftpd, Postfix, Dovecot).
DNS & Proxy: Squid Proxy dan DNS Server.
Virtualisasi: VirtualBox dengan Ubuntu Server dan Windows 7 VM.
Testing Tools: Thunderbird, Squid Report, dan Windows Explorer.

Konfigurasi Instalasi Server

Web Server

Apache2 dipilih sebagai Web Server karena stabilitasnya dalam menyajikan konten web. Instalasi dilakukan dengan perintah:
sudo apt update && sudo apt install apache2
Setelah instalasi, file konfigurasi diatur untuk menyajikan halaman default. Nama domain juga disesuaikan menggunakan file '/etc/hosts'.

File Server (FTP)

VSFTPD digunakan untuk menyediakan layanan FTP. Direktori untuk berbagi file dibuat dengan perintah:
sudo mkdir /home/hakim_groupf/sharing-dir
sudo chmod 755 /home/hakim_groupf/sharing-dir
Pengguna ditambahkan untuk FTP dengan perintah:
sudo adduser hakim_groupf
File konfigurasi vsftpd.conf disesuaikan untuk mengaktifkan akses direktori berbagi.

Mail Server

Mail Server dikonfigurasi dengan Postfix untuk pengiriman email dan Dovecot untuk akses email via protokol IMAP/POP3. Langkah-langkah konfigurasi mencakup:

Mengedit file /etc/postfix/main.cf untuk menyesuaikan domain mail server (mail.hakimgroupf.net).
Mengedit file /etc/dovecot/dovecot.conf untuk mengaktifkan protokol IMAP dan POP3.

DNS Server

DNS Server disiapkan untuk memetakan nama domain mail.hakimgroupf.net ke alamat IP 192.168.13.100. File konfigurasi /etc/bind/named.conf.local diperbarui untuk menambahkan zona baru, dan file zona dibuat untuk mencatat domain dan IP.

Proxy Server

Proxy Server dikonfigurasi menggunakan Squid. File konfigurasi /etc/squid/squid.conf diedit untuk:

Menetapkan jaringan lokal yang diizinkan.
Memblokir akses ke situs tertentu (misalnya, YouTube dan Facebook).

Results

Web Server

Web Server diuji dengan mengakses alamat IP Server, yaitu 192.168.13.100 melalui browser di klien Windows 7. Hasilnya, halaman web berhasil dimuat tanpa adanya error. Ini menandakan bahwa konfigurasi Apache2 pada server sudah berjalan dengan baik dan mampu menyajikan konten web di lingkungan virtual.

File Server (FTP)

File Server diuji di lingkungan internal menggunakan Windows Explorer. Pengujian dilakukan dengan memasukkan IP Address \192.168.13.100 di address bar untuk memerika folder Bersama. Folder sharing-dir terlihat dan dapat diakses dengan kemampuan membaca, menulis, dan memodifikasi file sesuai hak yang diberikan. Keberhasilan ini menunjukkan bahwa layanan VSFTPD pada File Server telah dikonfigurasi dengan benar di lingkungan local dan mendukung transfer file.

Mail Server

Pada pengujian Mail Server, aplikasi Thunderbird di Wimdows 7 digunakan untuk melakukan account setup dengan memasukkan informasi server email. Konfigurasi IMAP berhasil dikenali dengan pesan “Configuration found by trying common server names”. Uji pengiriman dan penerimaan dilakukan dan berhasil, di mana email berhasil dikirimkan dari klien dan diterima oleh Ubuntu Server. Meski terdapat peringatan tentang koneksi tanpa enkripsi, namun fungsi pengelolaan email berjalan dengan baik dalam lingkungan virtual.

DNS Server

Jaringan ini juga menggunakan DNS Server dengan IP 10.33.108.250, yang berfungsi untuk mengonversi nama domain yang diminta oleh perangkat lokal menjadi alamat IP yang valid, memudahkan perangkat untuk mengakses situs web atau layanan internet dengan nama domain.

Proxy Server

Proxy Server diuji dengan mengatur IP proxy 192.168.12.3 dan port 3128 pada klien Windows 7 di jaringan lokal. Penguji mencoba mengakses situs yang diblokir, seperti youtube.com dan facebook.com, serta situs lain yang tidak diblokir. Hasilnya, situs yang diblokir tidak dapat diakses, sedangkan situs lainnya berhasil diakses dengan lancar. Aktivitas akses internet ini dipantau melalui Squid Report, memastikan bahwa Proxy Server berjalan dengan baik di lingkungan virtual.

Lessons Learned

Semua layanan bergantung pada konfigurasi yang benar, mulai dari IP, gateway, hingga protokol jaringan.
Protokol OSPF memungkinkan komunikasi antarjaringan secara dinamis tanpa menambahkan static routes.
Menguji layanan di berbagai skenario membantu memastikan skalabilitas dan keandalan sistem.

Contributor

Bayu Sapmito
Luthfi Hakim
Vikha Savira Khairani

Face Expression Recognition

Heaven Aulianisa Pambudi Putri — Thu, 26 Dec 2024 15:02:31 +0000

Short Explanation

Projek "Face Expression Recognition" ini bertujuan untuk mengenali ekspresi wajah manusia menggunakan metode Convolutional Neural Network (CNN). Algoritma CNN diaplikasikan untuk menganalisis data visual seperti gambar wajah dalam format grayscale, yang kemudian diklasifikasikan ke dalam tujuh kategori ekspresi dasar: senang, sedih, marah, terkejut, ketakutan, jijik, dan netral. Model ini dilatih menggunakan dataset FER2013 dan berhasil mencapai akurasi sebesar 91,67% setelah pelatihan selama 500 epoch.

Project Goals

Projek "Face Expression Recognition" ini merupakan projek akhir mata kuliah Artificial Intelligence dimana pada projek ini terdapat capaian yang harus dicapai diantaranya:

Mengembangkan sistem pengenalan ekspresi wajah berbasis kecerdasan buatan. Sistem ini diharapkan mampu mengidentifikasi emosi yang terpancar dari ekspresi wajah secara otomatis dan akurat.
Bereksperimen dengan algoritma pembelajaran mesin untuk meningkatkan akurasi pengenalan ekspresi wajah. Dalam proyek ini, algoritma CNN diuji untuk memahami sejauh mana model ini mampu mengenali pola-pola kompleks dalam gambar wajah. Upaya ini juga mencakup pengoptimalan parameter model, penambahan data pelatihan, dan penggunaan metode augmentasi data.

Tech Stack Used

Framework: Python menggunakan library seperti TensorFlow/Keras untuk implementasi CNN.
Dataset: Dataset yang digunakan adalah FER2013 (Facial Expression Recognition 2013), yang berisi 35.887 gambar grayscale wajah dengan dimensi 48x48 piksel. Gambar-gambar ini dilengkapi label yang mencakup tujuh kategori ekspresi dasar.
Tools:

NumPy dan Pandas untuk manipulasi data.
Matplotlib untuk visualisasi.
Haar Cascade untuk deteksi wajah dari kamera.

Results

Senang
Sedih
Marah
Netral
Terkejut
Takut
Jijik

The Problems and How I Deal With It

Masalah perbedaan pencahayaan yang berpengaruh pada tingkat akurasi.
Variasi pencahayaan dapat memengaruhi akurasi model. Untuk mengatasinya, dilakukan normalisasi data untuk memastikan pencahayaan pada gambar lebih seragam sehingga pola-pola pada gambar wajah dapat dikenali dengan lebih baik.
Kompleksitas ekspresi yang mirip.
Beberapa ekspresi, seperti "takut" dan "terkejut," memiliki karakteristik yang serupa sehingga sulit dibedakan oleh model. Solusi yang diterapkan adalah melakukan augmentasi data seperti rotasi, zoom, flipping, dan perubahan kontras untuk meningkatkan kemampuan generalisasi model terhadap data baru.
Dataset yang cukup terbatas
Dataset FER2013 meskipun cukup besar, tidak mencakup berbagai variasi wajah secara global. Untuk memperkaya dataset, saya menggunakan teknik data augmentation serta menambahkan data dari sumber lain yang relevan untuk menciptakan representasi yang lebih baik terhadap ekspresi wajah.

Lessons Learned

Proyek ini memberikan wawasan mendalam tentang bagaimana sistem berbasis kecerdasan buatan dapat digunakan untuk mengenali ekspresi wajah. Proses pengembangan menunjukkan pentingnya:

Pra-pemrosesan data untuk menangani masalah pencahayaan dan meningkatkan kualitas data.
Eksperimen parameter pelatihan untuk mendapatkan kombinasi yang optimal, seperti pengaturan jumlah epoch, learning rate, dan batch size.
Peningkatan keragaman data pelatihan melalui augmentasi untuk meningkatkan performa model terhadap data dunia nyata.

Dengan mengatasi tantangan yang ada, proyek ini berhasil membangun model pengenalan ekspresi wajah yang dapat diterapkan pada berbagai aplikasi seperti interaksi manusia-komputer, analisis emosi, dan pemantauan psikologis.

Whatsapp Bot Reminder : whatsapp bot yang terintegrasi dengan google calendar.

Heaven Aulianisa Pambudi Putri — Wed, 15 Feb 2023 05:29:38 +0000

Fitur baru whatsapp yang memungkinkan kita untuk memberi pesan untuk diri sendiri banyak dimanfaatkan untuk menuliskan to do list atau daftar kegiatan yang ingin dilakukan, menuliskan tenggat dari suatu tugas, hingga menuliskan tanggal ulang tahun teman. Pemilihan whatsapp disini karena aplikasi ini senantiasa dibuka setiap saat oleh user. Dengan membuat catatan disini, jadwal kegiatan yang kita miliki bisa lebih terstruktur dan mudah dikelola sehingga kita tahu prioritas mana yang harus segera dilaksanakan.

Namun dengan menuliskan catatan seperti ini, kita cukup kesulitan mengingat detail dari batas waktu dari masing-masing kegiatan karena tidak ada fitur pengingat/reminder disana. Cara manual yang dapat dilakukan yaitu membuka dan membaca kembali pesan yang sudah kita tulis sebelumnya dan tentu saja cara ini tidak efisien dan memakan banyak waktu.

Dengan perkembangan teknologi yang semakin canggih, masa kini kita mengenal yang namanya perkembangan perangkat lunak atau software development. Dari permasalahan sebelumnya dan pengimplementasian software development, maka saya memiliki sebuah ide untuk membuat yang namanya “Whatsapp Bot Reminder”. Berikut gambaran singkat “Whatsapp Bot Reminder” :

Jadi cara kerja dari “Whatsapp Bot Reminder” ini adalah user menuliskan nama kegiatan dan tanggal pelaksanaannya lalu dikirim ke whatsapp chatbot. Oleh whatsapp chatbot, pesan yang kita tulis dikirimkan, ditangkap lalu diproses, diterjemahkan dan diekstrak data-datanya. Karena chatbotnya terintegrasi/terhubung dengan google calendar, maka data-data hasil terjemahan tadi diintegrasikan ke google calendar sehingga pada saat sudah mencapai tanggal dan jam yang kita tuliskan maka google calendar akan memberikan peringatan/reminder kepada kita melalui notifikasi ponsel kita masing-masing.

Contohnya seperti ini, pada chatbot yang sudah kita buat, kita dapat menuliskan pesan sesuai dengan format yang sudah dibuat. Misal formatnya :

/set judul kegiatan | tanggal dan waktu kegiatan

Contoh :

/set Deadline Laprak Pemrograman | 16/2/2023 23:59

Jadi, nanti pada tanggal 16 Februari 2023 jam 23:59 pada user akan muncul notifikasi dari google calendar.

Dengan adanya peringatan dari google calendar ini, maka kemungkinan untuk melewatkan suatu kegiatan atau keterlembatan dalam mengerjakan sesuatu menjadi lebih minim dan to do list yang dibuat dapat berjalan seperti yang diharapkan oleh user.

Namun, Whatsapp Bot Reminder ini memiliki keterbatasan diantaranya:

Ponsel yang digunakan harus selalu terhubung dengan internet.
Pada software ini hanya terbatas menggunakan whatsapp dan google calendar saja. Software ini belum support untuk messaging apps lain misal telegram dan line dan juga belum support untuk calendar lain misal apple calendar dan microsoft calendar.