Pendeteksi Golongan Darah Manusia Berbasis Tensorflow menggunakan ESP32-CAM

HUMMAM GHASSAN GHIFARI, DENNY DARLIS, ARIS HARTAMAN

Sari


ABSTRAK

Pendeteksian golongan darah dilakukan untuk mengetahui golongan darah yang dimiliki. Hingga saat ini pendeteksian golongan darah masih dilakukan oleh petugas analis kesehatan menggunakan kemampuan mata manusia. Pada penelitian ini dilakukan perancangan alat pendeteksi golongan darah menggunakan ESP32-CAM. Alat ini menggunakan kamera OV2640 untuk menangkap citra, yang diproses menggunakan Tensorflow Object Detection API sebagai framework untuk melatih serta mengolah citra darah. Model latih akan digunakan pada kondisi pendeteksian langsung dan ditampilkan dalam bentuk jendela program golongan darah beserta tingkat akurasinya. Dalam penelitian ini pengujian dilakukan menggunakan 20 dataset dengan jarak pengukuran antara ESP32-CAM dengan citra golongan darah yaitu sejauh 20 cm. Hasil yang didapat selama pengujian mayoritas golongan darah yang dapat terdeteksi adalah golongan darah AB.

Kata kunci: ESP32-CAM, Tensorflow, Python, Golongan Darah, Pengolahan Citra

 

ABSTRACT

Blood group detection is performed to determine the blood group. Currently, in detecting blood type, it still relies on the ability of the human eyeThis paper presents a human blood group detection device using ESP32-CAM. This tool uses ESP32-CAM to capture images, and the Tensorflow Object Detection API as a framework used to train and process an image. The way this tool works is that the ESP32-CAM will capture an image of the blood sample and then send it via the IP address. Through the IP Address, the python program will access the image, then the image will be processed based on a model that has been previously trained. The results of this processing will be displayed in the form of a window program along with the blood type and level of accuracy. In this study, testing was carried out based on the number of image samples, the number of datasets, and the measurement distance. The ideal measurement distance between the ESP32-CAM and the blood group image is 20 cm long. The results obtained during the testing of the majority of blood groups that can be detected are AB blood group.

Keywords: ESP32-CAM, Tensorflow, Python, Blood Type, Image Processing


Kata Kunci


ESP32-CAM; Tensorflow; Python; Golongan Darah; Pengolahan Citra

Teks Lengkap:

PDF

Referensi


Danukusumo, K. P. (2017). Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Citra Candi Berbasis GPU. Yogyakarta: Universitas Atma Jaya Yogyakarta.

Dewi, S. R. (2018). Deep Learning Object Detection Pada Video Menggunakan Tensorflow Dan Convolutional Neural Network. Yogyakarta: Universitas Islam Indonesia.

Harjoseputro, Y. (2018). Convolutional Neural Network (CNN) Untuk Pengklasifikasian Aksara Jawa. Yogyakarta: Universitas Atma Jaya Yogyakarta.

Hendri, M. (2018). Perancangan Sistem Deteksi Asap dan Api Menggunakan Pemrosesan Citra. Yogyakarta: Universitas Islam Indonesia.

Kusumaningrum, T. F. (2018). Implementasi Convolution Neural Network (CNN) Untuk Klasifikasi Jamur Konsumsi Di Indonesia Menggunakan Keras. Yogyakarta: Universitas Islam Indonesia.

Lering, S. T. (2013). Penentuan Jenis Golongan Darah Manusia Berbasis Mikrokontroler ATMega 8535. Yogyakarta: Universitas Sanata Dharma.

Novyantika, R. D. (2018). Deteksi Tanda Nomor Kendaraan Bermotor Pada Media Streaming dengan Algoritma Convolutional Neural Network Menggunakan Tensorflow. Yogyakarta: Universitas Islam Indonesia.

Nurfita, R. D., & Ariyanto, G. (2018). Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari. Emitor: Jurnal Teknik Elektro, 18(1), 1–6.

Pujoseno, J. (2018). Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Alat Tulis (Studi Kasus : Gambar Alat Tulis (Ballpoint, Penghapus, dan Penggaris)). Yogyakarta: Universitas Islam Indonesia.

Ramadhan, F. E. (2020). Penerapan Image Classification Dengan Pre-Trained Model Mobilenet Dalam Client-Side Machine Learning. Jakarta: UIN Syarif Hidayatullah.

Rena, P. N. (2019). Penerapan Metode Convolutional Neural Network pada Sistem Pendeteksi Notasi Balok. Jakarta: UIN Syarif Hidayatullah.

Retyanto, B. D., Maghfiroh, D. I., & Hidayah, I. (2018). Rancang Bangun Prototipe Alat Ukur Golongan Darah Manusiaberbasis Arduino UNO. SPEKTRA : Jurnal Kajian Pendidikan Sains, 4(2), 1–11.

Salawazo, V. M. P., Gea, D. P. J., Gea, R. F., & Azmi, F. (2019). Implementasi Metode Convolutional Neural Network (CNN) Pada Peneganalan Objek Video CCTV. Jurnal Mantik Penusa, 3(1), 1–6.

Santoso, A., & Ariyanto, G. (2018). Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah. Emitor: Jurnal Teknik Elektro, 18(01), 1–7.

Suartika, I. W., Wijaya, A. Y., & Soelaiman, R. (2016). Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101. Jurnal Teknik ITS, 5(1), 1–5.




DOI: https://doi.org/10.26760/elkomika.v9i2.359

Refbacks

  • Saat ini tidak ada refbacks.


_______________________________________________________________________________________________________________________

ISSN (cetak) : 2338-8323 | ISSN (elektronik) : 2459-9638

diterbitkan oleh :

Teknik Elektro Institut Teknologi Nasional Bandung

Alamat : Gedung 20 Jl. PHH. Mustofa 23 Bandung 40124

Kontak : Tel. 7272215 (ext. 206) Fax. 7202892

Surat Elektronik : jte.itenas@itenas.ac.id________________________________________________________________________________________________________________________

Statistik Pengunjung

Free counters!

Web Analytics Made Easy - StatCounter

Lihat Statistik Jurnal

Jurnal ini terlisensi oleh Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License