Analisa Gerakan Manusia Pada Video Digital

Analisa Gerakan Manusia Pada Video Digital Miftahur Rohman1), Wirawan2) Jurusan Teknik Elektro FTI - ITS 1) [email protected] 2) [email protected] yang lama. Dan ketika hal tersebut disadari, semua sudah terlambat dan semua informasi yang terekam menjadi tidak berguna. Karena pelaku telah pergi dan sulit untuk diketahui keberadaannya lagi. Dengan menambahkan teknik tembahan berupa informasi keberadaan orang yang tertangkap kamera, akan sangat membantu meningkatkan kerja kamera pengawas. Pengenalan pergerakan tubuh manusia (human motion) dari video stream memiliki beberapa aplikasi dalam video surveillance, dunia hiburan, user interface, olahraga dan bidang lainnya. Jika terdefinisikan beberapa jenis gerakan tubuh, maka problem pengenalan gerakan tubuh manusia bisa digunakan untuk memisahkan gerakan manusia dengan latar belakangnya (background substraction). Cara bergerak manusia adalah suatu ruang lingkup yang lebih kecil dari begitu banyak dan kompleksnya tipe gerakan manusia. Karena terdapat berbagai macam gerakan tubuh manusia, analisa dan pengenalan gerakan tubuh biasanya difokuskan pada domain atau ruang lingkup yang lebih spesifik / khusus. Misalnya saja cara berjalan atau tipe gerakan kaki [2], gerakan ibu jari tangan [3], gerakan bagian kepala, gerakan badan. Tugas akhir ini akan fokus pada cara bergerak yang berdasarkan gerakan kaki misalnya berjalan. Karena berhubungan dengan gerakan, maka yang menjadi input dalam sistem deteksi adalah video atau kumpulan frame image berukuran n × m yang merekam dan merepresentasikan gerakan manusia.

Abstrak - Pengenalan cara bergerak tubuh manusia (human motion) dari video stream memiliki beberapa aplikasi dalam video surveillance (pengawasan), dunia hiburan, dll. Pemanfaatan kamera sebagai pengawasan (CCTV) masih memiliki banyak kelemahan. Kamera hanya merekam sebuah kejadian saja, sehingga masih dibutuhkan pengawasan dari penjaga secara terus menerus. Kadang sebuah kejadian terabaikan begitu saja dan baru diketahui setelah beberapa saat. Keterlambatan itu menyebabkan informasi yang diperoleh menjadi tidak berguna. Dengan keterbatasan dalam pemberian informasi maka dibutuhkan sebuah kemampuan tambahan untuk meningkatkan kerja kamera pengawas. Salah satu kemampuan tambahan yang dapat digunakan adalah object detection yang membantu memberi informasi ketika ada orang yang tertangkap kamera. Sehingga keberadaan orang yang tertangkap kamera cepat disadari. Pengenalan gerakan tubuh manusia bisa digunakan untuk memisahkan gerakan manusia dengan latar belakangnya (background substraction). Dari pengenalan gerakan manusia tersebut, maka dapat dilakukan proses pendeteksian gerakan manusia. Pendeteksian gerakan – gerakan manusia dapat dikembangkan menjadi proses pelacakan dari gerakan – gerakan manusia yang terekam oleh video sehingga dapat diimplementasikan pada video surveillance (pengawasan) pada CCTV. Pada tugas akhir ini akan mempelajari teknik - teknik dari object tracking (pelacakan objek bergerak) yang digunakan untuk analisa gerakan manusia pada video digital dengan menggunakan software Matlab. Proses analisa gerakannya melalui beberapa tahap yaitu pemodelan lingkungan, memisahkan antara obyek bergerak dengan latar belakangnya (background substraction), segmentasi gerakan obyek, object detection, dan object tracking. Hasil yang didapatkan dari analisa gerakan manusia tersebut berupa analisa jarak dan kecepatan dari gerakan – gerakan objek tersebut (terutama dalam gerakan berjalan) yang tertangkap oleh video kamera yang mempunyai tingkat akurasi tertentu.

II.

TEORI PENUNJANG

A. Video Digital [1] Video digital pada dasarnya tersusun atas serangkaian frame. Rangkaian frame tersebut ditampilkan pada layar dengan kecepatan tertentu, tergantung pada frame rate yang diberikan (dalam frame/second). Jika frame rate cukup tinggi, mata manusia tidak dapat menangkap gambar atau frame, melainkan menangkapnya sebagai rangkaian frame yang saling bersambungan (continue). Karakteristik suatu video digital ditentukan oleh resolusi (resolution) atau frame dimention (dimensi gambar), aspect ratio, bit depth (kedalaman bit), frame rate (laju frame), dan pixel video tersebut. Karakteristik - karakteristik ini akan menentukan kualitas video dan jumlah bit yang dibutuhkan untuk menampilkannya.

Kata kunci : human motion, object detection, object tracking.

I. PENDAHULUAN emasangan kamera pada tempat – tempat yang membutuhkan pengawasan ketat mulai diminati oleh banyak pihak. Karena dianggap mampu melingkupi wilayah yang luas sehingga diharapkan dapat meningkatkan keamanan. Memasang kamera pengawas lebih lanjut dipilih untuk pengawasan tempat – tempat yang tidak berpenjaga. Karena lebih efektif dalam pemakaian tenaga manusia dan juga lebih akurat. Namun dalam pemanfaatan kamera pengawas dibutuhkan tambahan pendukung yang lain. Kamera pengawas hanya akan merekam kejadian saja. Sering kali kita tidak menyadari sebuah kejadian dalam jangka waktu

P

B. Pengenalan Gerakan Manusia Pengenalan dari pergerakan tubuh manusia (human motion) dari video stream memiliki beberapa aplikasi dalam video surveillance (pengawasan), dunia hiburan, olahraga dan bidang lainnya. Jika terdefinisikan beberapa jenis gerakan 1

(thresholding) karena terlalu banyak noise (gangguan atau distorsi dalam citra) dan lain sebagainya. Citra dengan kualitas seperti ini memerlukan langkah-langkah perbaikan atau kualitasnya perlu ditingkatkan untuk memfasilitasi pengolahan yang akan dilakukan. Semua ini memerlukan pengolahan awal dari sebuah sistem visual yang bertujuan meningkatkan kualitas citra secara umum, sebelum melangkah kepada pengolahan inti dengan tujuan yang lebih spesifik. Diantara teknik-teknik pengolahan awal untuk meningkatkan kualitas citra ini adalah penggunaan filter.

tubuh, maka problem pengenalan gerakan tubuh manusia bisa dinyatakan sebagai pengklasifikasian suatu gerakan ke dalam satu dari beberapa kelas gerakan tubuh yang ada. Cara bergerak manusia adalah suatu ruang lingkup yang lebih kecil dari begitu banyak dan kompleksnya tipe gerakan manusia. Karena terdapat berbagai macam gerakan tubuh manusia, analisa dan pengenalan gerakan tubuh biasanya difokuskan pada domain atau ruang lingkup yang lebih spesifik. Misalnya saja cara berjalan atau tipe gerakan kaki [2], gerakan ibu jari tangan [3], gerakan bagian kepala, gerakan badan. Karena berhubungan dengan gerakan, maka yang menjadi input dalam sistem klasifikasi adalah klip video atau kumpulan frame image berukuran n × m yang merekam dan merepresentasikan gerakan manusia.

F. Background Segmentation Background segmentation pada prinsipnya terbagi atas tiga, yaitu segmentasi terhadap warna, bentuk, dan tekstur. Segmentasi yang dilakukan adalah segmentasi terhadap warna yang merupakan proses untuk memisahkan obyek yang kita ambil dengan latar belakang obyeknya dimana pendekatan yang diambil adalah dengan pengelompokan (clustering) warna. Segmentasi terhadap warna dapat dilakukan melalui proses threshold. Sedangkan pada clustering warna - warna yang mendekati bagian warna sejenis nantinya akan diproses agar hanya memperoleh dua jenis warna yang menonjol yaitu hitam dan putih.

C. Motion Segmentation Motion segmentation bertujuan untuk memisahkan suatu gerakan ke dalam beberapa gerakan - gerakan dengan suatu kriteria tertentu. Jenis operasi ini berkaitan dengan pengenalan pola. Kebanyakan segmentasi gambar memilih daerah dengan kualitas gambar yang bagus dan setelah itu mencari daerah yang terbaik dan cocok untuk gambar. Segmentasi mengacu pada label piksel-piksel yang dihubungkan dengan daerah atau gerakan objek dengan perbedaan yang jelas. Segmentasi mempunyai hubungan erat dengan dua masalah lain antara motion detection dan motion estimation. Motion detection adalah panggilan khusus untuk motion segment dengan hanya dua segmen yang sesuai dengan gerakan kemudian dibandingkan dengan daerah gambar yang tidak bergerak (untuk kamera yang tidak bergerak) atau global dibandingkan dengan daerah gerakan lokal (untuk kamera yang bergerak).

G. Thresholding Salah satu metode yang sering digunakan dalam pengolahan citra digital atau image processing adalah thresholding citra. Thresholding citra adalah suatu metode yang digunakan untuk memisahkan antara obyek dan backgroundnya. Thresholding merupakan teknik yang sederhana dan efektif untuk segmentasi citra. Proses thresholding sering disebut dengan proses binerisasi. Pada beberapa aplikasi pengolahan citra, terlebih dahulu dilakukan threshold terhadap citra gray level untuk dapat menjadi citra biner (citra yang memiliki nilai level 0 dan 1). Sebuah citra hasil proses thresholding dapat disajikan dalam histogram citra untuk mengetahui penyebaran nilai-nilai intensitas piksel pada suatu citra/bagian tertentu dalam citra. Histogram dapat dibagi dengan baik (segmentasi objek dengan background) dan dapat ditentukan nilai threshold-nya. Threshold digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra.

D. Motion Detection Motion detection merupakan penelitian yang penting dalam keilmuan computer vision. Banyak metode motion detection yang telah ditemukan, satu diantaranya adalah dengan menghitung perbedaan nilai - nilai intensitas pada suatu piksel dari dua frame gambar yang diambil secara berturut-turut (frame difference) yang kemudian dilakukan proses thresholding untuk menentukan adanya perubahan objek atau tidak. Sekalipun metode ini sangat sederhana dalam proses implementasinya, tapi metode ini merupakan metode dasar dari proses motion detection. Hanya saja metode ini kurang efektif untuk menentukan pergerakan objek secara keseluruhan, terutama bagian dalam dari objek yang bergerak, akan tetapi secara umum metode ini sudah mampu mengidentifikasi adanya perubahan objek.

H. Frame Difference [5] Perbedaan frame (frame difference) adalah teknik menghitung selisih antara 2 frame di setiap posisi pixel. Perbedaan frame digunakan untuk memvisualisasikan objek bergerak dalam urutan frame. Perbedaan Frame membutuhkan memori sangat sedikit untuk melakukan perhitungan. Sebagai contoh, jika kita mengambil urutan frame. Frame sekarang dan frame berikutnya yang akan dipertimbangkan pada setiap perhitungan.

E. Pre Processing [4] Ketika kamera menangkap sebuah citra, seringkali tidak dapat langsung digunakan seperti yang diinginkan karena kualitasnya yang belum tentu memenuhi standar pengolahan. Sebagai contoh citra disertai oleh variasi intensitas yang kurang seragam akibat dari pencahayaan yang tidak merata atau lemah dalam hal kontras sehingga obyek sulit untuk dipisahkan dari latar belakangnya melalui operasi binerisasi

I. Edge Detection [6] Edge detection atau deteksi tepi adalah proses yang sering digunakan saat pengolahan image. Edge detection dapat diartikan sebagai pelacakan atau pendeteksian sudut-sudut / tepi suatu objek dalam sebuah image dimana sudut – sudut / 2

Dimana : D (distance) adalah jarak yang ditempuh X1 adalah posisi titik 1 pada sumbu X X2 adalah posisi titik 2 pada sumbu X Y1 adalah posisi titik 1 pada sumbu Y Y2 adalah posisi titik 2 pada sumbu Y Kecepatan objek bergerak dihitung dengan jarak tempuh itu berkaitan dengan waktu. Rumus jarak Euclidean digunakan untuk menghitung jarak antara urutan frame. Dengan menggunakan nilai jarak sehubungan dengan frame rate, kecepatan dari objek terdefinisi [5]. Kecepatan terdefinisi adalah 2-dimensi (karena kamera statis).

Gambar 1. Hasil beberapa deteksi tepi

Dimana : V (velocity) adalah kecepatan yang dicapai dalam melakukan perpindahan. D (distance) adalah jarak yang ditempuh. T (time) adalah waktu yang ditempuh dalam melakukan perpindahan Gambar 2. Image dengan bounding box III. PEMODELAN DAN SIMULASI SISTEM tepi tersebut dibedakan berdasarkan perbedaan nilai R, G dan B masing-masing piksel. Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari objek - objek citra, tujuannya adalah : • Untuk menandai bagian yang menjadi detail citra • Untuk memperbaiki detail dari citra yang kabur

Strategi analisis meliputi sistem pengujian untuk analisa gerakan dengan hasil analisa berupa object tracking. Proses analisa gerakannya melalui beberapa tahap yaitu segmentasi, feature extraction, object detection, dan object tracking. 1. PEMODELAN LINGKUNGAN BACKGROUND Proses pemodelan lingkungan adalah memilih tipe lingkungan yang sesuai dengan sistem yang akan dibangun. Lingkungan (background) pada suatu video klip didefinisikan sebagai bagian image yang relatif statis terhadap perubahan waktu. Apabila melakukan analisa gerakan dengan latar belakang yang bergerak maka proses pendeteksian gerak pada objek yang dituju menjadi sulit, karena terdapat banyak gerakan yang dideteksi.

J. Bounding Box [5] Jika segmentasi ini dilakukan dengan menggunakan frame difference. Gambar divisualisasikan dengan bounding box melalui dimensi objek yang dihasilkan dari gambar sebelumnya. Untuk gambar tertentu, scanning dilakukan dimana nilai intensitas dari gambar lebih dari batas (tergantung pada nilai yang diberikan, untuk menetapkan keakuratan yang maksimum). Dalam hal ini fitur diekstraksi (feature extraction) oleh warna yang menggambarkan nilai intensitas warna. Pixel tersebut. Nilai-nilai intensitas dari atas, bawah, kiri dan kanan menggunakan dimensi ini nilai kotak pembatas persegi panjang diplot dalam batas-batas nilai yang dihasilkan.

2. PEREKAMAN DENGAN KAMERA Untuk kamera yang posisinya tetap, maka kita akan mendapatkan image background dari objek frame yang bergerak dengan mudah. Karena yang terdeteksi gerakan hanya pada objek yang dituju. Jika terdapat variasi karena pencahayaan yang berubah, bayangan obyek, gerakan kamera atau gerakan obyek-obyek pada latar belakang maka problem mendapatkan model latar belakang menjadi lebih rumit karena

K. Tracking Proses mencari objek bergerak dalam urutan frame yang dikenal sebagai pelacakan. Pelacakan ini dapat dilakukan dengan menggunakan ekstraksi ciri benda dan mendeteksi objek / benda bergerak di urutan frame. Dengan menggunakan nilai posisi objek di setiap frame, kita dapat menghitung posisi dan kecepatan objek bergerak [7]. Jarak yang ditempuh oleh objek ditentukan dengan menggunakan titik pusat dari bounding box tersebut. Jarak yang dihitung dengan menggunakan rumus jarak Euclidean [5]. Rumus jarak Euclidean pada 2 dimensi merupakan perpindahan sebuah simbol antara satu titik ke titik lainnya pada sumbu X dan sumbu Y.

Gambar 3. Blok diagram

3

banyak gerakan yang terdeteksi. Untuk melakukan analisa gerakannya dengan menggunakan Matlab dibutuhkan hasil video dari kamera yang berformat AVI (Audio Video Interleave) dan kapasitas file video tersebut tidak terlalu besar. Apabila file video tersebut berkapasitas besar, maka pemrosesan analisa gerakan pada video tersebut membutuhkan waktu yang lama untuk prosesnya. Jika melakukan perekaman dengan menggunakan suatu kamera tetapi kamera tersebut tidak menghasilkan video yang berformat AVI, maka perlu konversi terlebih dahulu menjadi video yang berformat AVI agar bisa diproses pada Matlab.

6. OBJECT DETECTION Tracking atau sistem pelacakan merupakan salah satu pengembangan dari pengolahan citra (image processing) dimana metode ini dapat digunakan untuk melacak posisi objek sekaligus mengenali pergerakan objek melalui fitur ekstraksi sebelumnya. IV.

ANALISA HASIL SIMULASI

Pada tugas akhir ini, hasil yang didapatkan dari analisa gerakan manusia tersebut adalah berupa object tracking dari pendeteksian gerakan yang tertangkap oleh video kamera yang ditempatkan secara diam. Pada object tracking melalui deteksi objek ini mempunyai tingkat akurasi tertentu. Setelah melakukan tracking pada objek tersebut selanjutnya mencari jarak yang ditempuh dengan menggunakan pergerakan pixel dari titik pusat bounding box yang mengikuti pergerakan objek tersebut. Setelah didapatkan jarak dari pergerakan titik pusat bounding box, maka dapat dicari kecepatan dari gerakan objek tersebut. Pada perekaman melalui kamera tersebut akan menghasilkan video yang berukuran tinggi dan mempunyai frame rate yang tinggi juga. Untuk mempermudah proses analisa melalui Matlab, maka perlu pengkompresian untuk memudahkan prosesnya Untuk mengetahui informasi – informai yang terdapat pada video pertama, dapat kita lihat pada properties Media Player Classic dan Gomplayer. Berikut ini adalah tabel inormasi dari video pertama.

3. PRE PROCESSING Ketika kamera menangkap sebuah citra, seringkali tidak dapat langsung digunakan seperti yang diinginkan karena kualitasnya yang belum tentu memenuhi standar pengolahan untuk melakukan analisa gerak melalui thresholding. Sebagai contoh citra disertai oleh variasi intensitas yang kurang seragam akibat dari pencahayaan yang tidak merata, atau lemah dalam hal kontras sehingga obyek sulit untuk dipisahkan dari latar belakangnya melalui operasi binerisasi (yang dianggap sebagai warna hitam dan putih untuk segmentasi antara objek dengan background) karena terlalu banyak noise. 4. SEGMENTASI Segmentasi gambar pada video bertujuan untuk mendeteksi daerah - daerah yang berhubungan dengan obyek bergerak dengan lingkungannya / background. Proses – proses setelah segmentasi gambar kemudian memberi perhatian yang lebih khusus pada obyek bergerak yang dihasilkan. Teknik background substraction pada video dari sebuah kamera statis diharapkan dapat membedakan obyek dengan latar belakangnya sehingga obyek bisa diisolasi dan dikenali sepanjang frame pada video.

Tabel 1. Informasi Video Parameter Satuan AVI Format 530 KiB File Size 4s 667ms Duration 929 Kbps Overall Bit Rate AVC Format Video H264 Codec ID Advanced Video Codec Codec ID/Info 320 pixels Width 240 pixels Height 4:3 Display Aspect Ratio 15.000fps Frame Rate 0.798 Bits/(Pixel*Frame) 524 KiB (99%) Stream size YUV Input Type YUV Output Type

5. FEATURE EXTRACTION Sebelum melakukan deteksi objek, diperlukan fitur ekstraksi. Fitur akstraksi (bounding box) ini, berfungsi sebagai proses transformasi data masukan menjadi kumpulan fitur – fitur untuk mengambil informasi yang relevan dari data masukan dengan tujuan untuk mengambil representasi minimal dari data masukan.

Gambar 4. Proses pelacakan objek dari thresholding dan substraction frame

Gambar 5. frame asli dari video 4

Untuk mengetahui skala jarak, dicari jarak yang ditempuh titik tengah bounding box dari objek yang terdeteksi pada frame awal yaitu pada pada frame ke 2 sampai dengan frame terakhir. Pada video ini, jumlah frame tersebut sebanyak 70 frame. Jadi frame terakhir pada video tersebut adalah frame ke 70. Pada frame 2 diketahui posisi titik tengah dari bounding box yaitu pada koordinat (68.5,37). Gambar 6. Background substraction dengan background berwarna hitam dan objek berwarna putih

Gambar 8. frame 2 dengan skala gambarnya Gambar 7. Background substraction dengan background berwarna putih dan objek berwarna hitam Dari informasi tabel tersebut dapat diketahui bahwa jumlah frame tersebut adalah sebagai berikut : Jumlah Frame = Frame Rate * Duration = 15.0000 Frame/s * 4.667 s = 70.005 Frame = 70 Frame Gambar 9. frame 70 dengan skala gambarnya Jumlah frame yang tersedia pada video dipengaruhi oleh frame rate dan duration. Semakin besar frame rate atau durasi dalam menampilkan gambar, maka semakin banyak pula gambar yang diperoleh. 1. Background substraction Pada pemisahan objek dengan backgroundnya dapat dilakukan dengan dua cara yaitu menggunakan backgroundnya dengan bernilai ‘0’ (berwarna hitam) dengan objeknya bernilai ‘1’ (berwarna putih) atau sebaliknya pada backgroundnya dengan bernilai ‘1’ (berwarna putih) dengan objeknya bernilai ‘0’ (berwarna hitam).

Gambar 10. Frame ke 3 dengan skala gambarnya

2. Perhitungan skala jarak pada video pertama Pada perhitungan skala jarak ini menggunakan perbandingan antara jarak nyata dengan jarak pada koordinat video yang menggunakan ukuran dari video tersebut. Ukuran jarak yang digunakan pada koordinat video tersebut menggunakan perpindahan posisi titik pusat dari bounding box tersebut. Untuk mengetahui posisi skala titik tengah, maka pada frame tersebut ditampilkan skala ukuran dari video tersebut yaitu sebanyak 240 pixel pada koordinat Y dan 320 pada koordinat X. Pada proses object tracking, frame 1 dari video tersebut tidak dapat dideteksi karena pada frame ke 1 tidak terdapat gerakan karena gerakan baru dimulai dan tidak terdapat perbedaan posisi pixel dari frame sebelumnya, maka pada proses object tracking dimulai pada frame ke 2.

Pada frame ke 70 posisi titik tengah dari bounding box tersebut adalah (274 ,38). Maka jarak perpindahan posisi koordinat titik tengah kedua frame adalah 205 Pada jarak nyata diketahui panjangnya sebesar 7.8 meter. Skala perbandingan antara jarak nyata dengan jarak pada koordinat adalah 205 : 7.8 atau 0.038 : 1. Dengan waktu yang dibutuhkan dari frame ke 2 sampai dengan frame ke 70 adalah 4.667 second. Maka untuk menampilkan tiap frame nya membutuhkan waktu 0.0666 second atau 66.6 milisecond. Jadi kecepatan yang dicapai dari frame awal sampai dengan frame terakhir adalah 1.67m/s

5

3. Perhitungan jarak dan kecepatan antar frame video kedua Pada frame ke 3 dapat diketahui posisi titik tengahnya adalah (70.5,37). Maka jarak antara titik tengah frame ke 2 dengan frame ke 3 adalah 1.5 Jarak yang dicapai antara titik tengah frame ke 2 dengan frame ke 3 adalah 1.5. Maka untuk mencapai jarak nyatanya adalah 1.5 × 0.038 = 0.057 m. Kecepatan yang dicapai adalah 0.057m/0.066s = 0.86m/s Untuk melakukan perhitungan jarak antar frame yang satu dengan yang lainnya, perhitungannya sama dengan antara frame ke 2 dengan frame ke 3.

IEEE, 2004 [3] Wong. Stephen, Cipolla R,“Real-time Adaptive Hand Motion Recognition Using A Sparse Bayesian Classifie”, Proceeding International Conference on Computer Vision, 2005 [4] Usman. Ahmad, “Pengolahan Citra Digital dan Teknik Pemrogramannya”, Yogyakarta, Penerbit Graha Ilmu, 2005 [5] Lokesh Peddireddi, “Object Tracking and Velocity Determination using TMS320C6416T DSK”, Fakultät für Technische Wissenschaften, Universität Klagenfurt, Austria 2008. [6] Braccini, Carlo, Defloriani, Leila, “Image Analysis And Processing”, 8th International Conference ICIAP, Italy, 1995 [7] Alper Yilmaz, Omar Javed, and Mubarak Shah. “Object tracking: A survey”. ACM Comput. Surv., 38(4):13, 2006.

V. PENUTUP 1. KESIMPULAN Berdasarkan hasil simulasi dan analisa, diperoleh beberapa kesimpulan sebagai berikut: 1. Dalam analisa gerakan manusia pada video digital ini terdapat perbedaan jarak yang dihitung melalui video dengan jarak nyata. 2. Video dengan posisi kamera perekaman dengan sudut tegak lurus pada objek yang bergerak memiliki error yang sedikit dalam perbandingan antara perhitungan jarak nyata dengan perhitungan jarak melalui video. 3. Video dengan posisi kamera perekaman dengan sudut tertentu pada objek yang bergerak memiliki error yang signifikan dalam perbandingan antara perhitungan jarak nyata dengan perhitungan jarak melalui video. 4. Posisi kamera dalam melakukan perekaman menentukan validasi dalam perhitungan jarak pada objek yang bergerak. 5. Gerak objek dalam bergerak tersebut juga menentukan validasi dalam perhitungan jarak melalui video dengan jarak nyata. 6. Dalam analisa gerakan manusia pada video digital ini, jika terdapat suatu kerumunan belum dapat mendeteksi objek satu persatu

BIODATA PENULIS Miftahur Rohman, dilahirkan di Surabaya 07 Juli 1987. Memulai pendidikan Sekolah Dasar di SDN Jagir II Surabaya, kemudian meneruskan pendidikan di SLTPN 13 Surabaya dan SMA Negeri 16 Surabaya. Kemudian meneruskan pendidikan D3 Teknik Elektro bidang studi komputer kontrol dan melanjutkan ke jenjang S1 di Teknik Elektro bidang studi Telekomunikasi Multimedia ITS. Sekarang sedang mengerjakan tugas akhir di Bidang Studi Telekomunikasi Multimedia, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Surabaya.

2. SARAN Dengan diselesaikannya tugas akhir ini diharapkan dapat digunakan guna mengembangkan sistem pendeteksian gerakan secara real time yaitu pendeteksian secara langsung secara live dari video. Dari pengembangan tersebut, nantinya dapat digunakan dalam beberapa aplikasi pendeteksian gerakan, seperti dalam pengawasan dengan menggunakan CCTV, digunakan untuk entertainment, digunakan untuk pembuatan robot yang dapat mendeteksi gerakan, pendeteksi pada tiap – tiap objek pada suatu kerumunan, dan juga untuk pengembangan alat pendeteksi kecepatan melalui video. Selain itu juga dapat dikembangkan untuk aplikasi objek klasifikasi tiap gerakan – gerakan manusia. DAFTAR PUSTAKA [1] Zettl. Herbert, “Video Basics”, Canada, 2010 [2] Dongwei. Cao, Masoud. O. Et. All, “Online Motion Classification Using Support Vector Machines”, International Conference On Robotics and Automation, 6