Risalah Lokakarya Komputasi dalam Sains dan Teknologi Nuklir XVI, Agustus 2005 (223-241)
IDENTIFKASI OBJEK DALAM RANGKA AKTIF VIDEO SURVEILAN R. B. Wahyu*, IGN A Junaedi**, Bambang Pharmasetiawan**
ABSTRAK IDENTIFKASI OBJEK DALAM RANGKA AKTIF VIDEO SURVEILAN. Makalah ini memaparkan hasil penggunaan neural network (jaringan syaraf tiruan) untuk mengidentifikasi objekobjek alami. Penelitian ini merupakan tahap awal dari penelitian pemanfaatan data video untuk pembuatan sistem keamanan yang proaktif. Dalam penelitian awal ini objek alami yang diteliti terdiri atas 4 (empat) objek alami yaitu rumput, pohon, sungai dan langit. Fitur/informasi yang digunakan dalam mengidentifikasi/mengenali masing-masing objek adalah tekstur dari objek dengan menggunakan metoda histogram. Masukan bagi jaringan syaraf tiruan adalah suatu vektor yang merupakan parameter statistik yang merepresentasikan pola objek yang akan diidentifikasi oleh jaringan syaraf tiruan, dan sebagai keluaran yang diinginkan adalah kelas dari objek yang bersangkutan. Citra yang digunakan sebagai sarana belajar oleh jaringan syaraf tiruan dan untuk menguji algoritma yang digunakan adalah citra alami digital. Jaringan syaraf tiruan yang digunakan diimplementasikan dengan menggunakan Matlab (neural network toolbox) versi 6.1. Kata-kata kunci: Identifikasi, Fitur, Tekstur, Histogram, Jaringan Syaraf Tiruan
ABSTRACT OBJECTS IDENTIFICATION IN ACTIVE VIDEO SURVEILLANCE. This paper describes the result of implementing a neural network system for identifying natural objects. This research report is the preliminary report of a research for implementing an active video surveillance system. At this stage, the natural objects are classified into four (4) types i.e. grass, tree, river and sky. The feature that is used to identify objects is texture analysis using histogram method. The input for the neural network is a statistical vector which represents object pattern while the output is the class of the objects. The natural digital objects from digital camera are used for training and testing the neural network. The algorithm designed is tested and implemented using Mathlab (neural network toolbox) versi 6.1. Keywords: Identification, Features, Textures, Histogram, neural network system
*
Pusat Pengembangan Teknologi Informasi dan Komputasi - BATAN Fakultas Teknik Industri ITB
**
223
PENDAHULUAN Kebutuhan akan peralatan yang dapat secara otomatis mengidentifikasi, mengenal serta memberikan informasi yang akurat tentang keberadaan benda-benda dilingkungan tertentu pada saat ini sudah merupakan suatu kebutuhan terutama dibidang keamanan dan bisnis. Kebutuhan ini sangat dirasakan dilingkungan keamanan karena pemakaian kamera keamanan untuk memonitor keamanan dalam waktu 24jam. Beberapa peneliti dibidang computer vision mencoba memanfaatkan informasi dari kamera kesistem surveilan seperti yang dilakukan oleh Collins et.al [1] dan Gavrila [3]. Walaupun masih banyak kendala yang harus dihadapi teknologi computer vision namun penelitian kearah active video surveilance system cukup banyak dilakukan. Informasi dari kamera sudah diproses untuk mengidentifkasi benda alamiah (gambar 1a) seperti tanah, rumput dan awan maupun benda yang sintetik (gambar 1b) seperti mobil maupun bangunan seperti yang dilakukan oleh Singh et.al [5,6,7].
(a) (b) Gambar 1a. Kawasan dengan benda-benda alami 1b. Kawasan dengan benda alami dan sintetik
a. Pernyataan dan perumusan masalah Pemanfaatan teknologi computer vision untuk mengidentifikasi suatu objek yang tidak dikenal maupun penyusupan yang mungkin terjadi terdiri atas beberapa tahap. Secara generik sistem dapat digambarkan sebagai berikut:
224
Gambar 2. Sistem Akrif Surveilan Penelitian dimulai dari perekaman (pengambilan gambar menggunakan kamera keamanan) yang disimpan dalam bentuk data video. Data video kemudian diproses melalui tahapan frame segmentation, image enhancement dan features extraction. Pada tahap akhir yang merupakan inti dari penelitian yang akan dilakukan adalah melakukan analisa terhadap gerak-gerik objek serta interaksi yang terjadi antara objek dalam rangka menunjang suatu sistem surveilan yang memanfaatkan data video secara aktif. b. Ruang lingkup dan batasan laporan penelitian Sesuai dengan pembahasan pada uraian sebelumnya penelitian akan memfokuskan pemanfaatan teknologi computer vision dalam rangka menunjang suatu active video surveillance system. Penelitian akan dilakukan untuk analisa benda-benda disuatu lingkungan dalam 2 tahap. Tahap pertama yaitu membangun suatu sistem untuk mengidentifikasi semua objek yang berada dalam suatu kawasan yang akan dimonitor. Tahap kedua adalah memonitor gerak-gerik yang dilakukan oleh objek tersebut untuk mencegah bahaya penyusupan (early security warning system).
Analisa Fitur Citra Dijital Fitur digunakan untuk membedakan antara satu objek dengan lain objek dalam citra dijital karena fitur dalam satu objek bersifat konstan namun bervariasi antara suatu objek dengan objek lain.
225
Analisa Tekstur Analisa tekstur merupakan basis atau dasar dari pengenalan objek atau object recognition dan klasifikasi objek. Analisa tekstur dapat dikelompokkan ke dalam tiga katagori, yaitu: structural, statistical, dan gabungan antara structural dengan statistical. Metoda struktural menggunakan fitur geometik dari tekstur sebagai fitur identitas. Metoda ini umumnya hanya dapat mengenali tekstur yang teratur. Yang paling terkenal dari metoda ini adalah “ transformasi fourier “ dan “ transformasi wavelet”. Terdapat beberapa ukuran yang dapat digunakan untuk menjelaskan transformasi yang diperoleh diantaranya: entropy, energy, dan inertia. Metoda statistik adalah yang paling banyak digunakan, karena dapat bekerja dengan baik pada tekstur yang teratur, random, maupun quasi-random. Yang paling terkenal dari metoda ini adalah Grey Level Co-occurrence Matrix (GLCM).
Grey Level Co-occurrence Matrix (GLCM) Grey Level Co-occurrence Matrix adalah suatu matriks yang elemen-elemennya merupakan jumlah pasangan piksel yang memiliki tingkat brightness tertentu, di mana pasangan piksel itu terpisah dengan jarak d, dan dengan suatu sudut inklinasi θ. Dengan kata lain, co-occurrence matrix adalah probabilitas munculnya gray level i dan j dari dua piksel yang terpisah pada jarak d dan sudut θ. Jika jarak d mendekati ukuran tekstur, maka grey level pasangan piksel tersebut akan sangat berbeda, maka nilai dalam matrik GLCM akan menyebar. Tekstur yang halus akan menghasikan matrik kookuransi deangan nilai yang besar di sepanjang diagonalnya, jika d cukup kecil dibandingkan dengan ukuran tekstur. Untuk mengetahui tingkat kekasaran suatu tekstur dapat dilakukan dengan mengubah - ubah nilai d dengan θ yang tetap.Sebaliknya untuk mengetahui arah suatu tekstur dilakukan dengan menggunakan d yang tetap dan nilai θ dirubah, karena pada suatu arah tertentu ( arah tekstur ) maka nilai GLCM akan lebih menyebar. Matriks kookuransi yang dihasilkan kemudian dianalisa untuk menghasilkan nilai numerik yang lebih mudah diinterpretasikan dibandingkan matriks. Nilai ini disebut descriptor. Banyak descriptor yang bisa diturunkan dari GLCM, beberapa di antaranya yang sering digunakan yaitu: Contrast, Energy ( Angular Second Moment ), Entropy , Inverse Difference Moment ( Local Homogeneity ), Variance, Cluster Shade, Cluster Promenance, Homogeneity, Correlation, Sum of Average, Sum of Variance, Sum of Entropy, Difference of Average, Difference of variance, Difference of Entropy.
226
Histogram Jumlah dan Selisih Unser (1986) mengembangkan metoda untuk mempercepat proses komputasi pada GLCM. Unser kemudian mengaproksimasi beberapa descriptor statistics yang dibuat oleh Haralick berdasarkan pada sum dan difference histogram ( SDH), yang tidak perlu membuat matriks kookuransi secara utuh. Sum histogram( Histogram jumlah) “S” dibentuk sebagai hasil jumlah dua piksel yang teripsah pada jarak dx dan dy. Misalnya grey level dari piksel pada titk i,j dijumlahkan dengan grey level di titik i+dx dan j+dy, dan array histogram S pada elemen yang sesuai dengan hasil jumlah tersebut ditambah satu. Jadi range histogram yang dihasilkan akan terletak pada selang antara 0 – 512 atau array satu dimensi yang dihasilkan memiliki elemen antara 0 sampai 512 ( untuk citra grey level 8 bit ). Difference histogram (Histogram selisih) “D” dibentuk sebagai hasil selisih antara piksel yang terpisah pada jarak dx dan day, sehingga histogram yang dihasilkan akan memiliki selang range antara -255 sampai +255 untuk citra 8bit. Kedua histogram tersebut kemudian dinormalisasi dengan cara membagi setiap elemen dengan total jumlah semua elemen array sehingga dihasilkan suatu probailitas. Descriptor yang bisa diturunkan dari kedua histogram di atas adalah sebagai beikut: No 1
Fitur Mean
2
Contrast
Rumus
µ=
1 ∑ iPs (i) 2 i
∑( j
2
Pd ( j ))
j
3
Correlation
4
Energy
5
Entropy
6
Homogeneity
7
Maximal Probabiity Standard Deviation
1 ∑ (i − 2µ ) 2 Ps (i ) − ∑ j 2 Pd ( j ) 2 i j
∑ (P (i) )∑ (P ( j ) ) 2
i
d
j
− ∑ (Ps (i ) log 10(Ps (i ) )) − ∑ (Pd ( j ) log 10(Pd ( j ) )) i
8
2
s
j
Pd ( j ) 2 j Max{Ps (i )}
∑ 1 + j
1 ∑ (i − 2µ ) 2 Ps (i) + 2 i
(
) ∑(j j
2
Pd ( j )
)
227
DISAIN SISTEM DAN ALGORITMA Bagian ini berisi tahap – tahap perancangan sistem dan menguji sistem, cara memperoleh sampel yang akan digunakan unuk training dan menguji neural network, mengekstrak fitur dari citra dan melatih neural network untuk mengenali beberapa tipe citra alami, yaitu pohon, rumput, sungai, dan langit. Kemudian akan dijelaskan pula algoritma program untuk menguji keberhasilan sistem dalam mengenali objek-objek alami tersebut. Apabila sistem telah berhasil mengenali maing –masing objek alami yang terpisah ( langit saja atau rumput saja ), kemudian akan diteruskan dengan penyusunan algoritma untuk dapat mengelompokkan objek-objek alami tersebut apabila objek tersebut muncul lebih dari satu macam/kelas dalam suatu citra. Secara umum gambaran sistem neural network ini dapat digambarkan sebagai berikut: Node 1
B21
Y1
B11 Fitur 1
Node 2 Fitur2 CITRA GREY LEVEL
Fitur3
: :
Input
: :
Y2
: :
Y3
:
Y4
Node M
Hidden Layer
Output Layer
Gambar 3. Generik Sistem Neural Network Pertama-tama citra grey level diekstrak fiturnya menggunakan metoda histogram jumlah dan selisih, kedalam tujuh macam fitur, yaitu mean, contrast, correlation, energy, entropy, dan standard deviasi. Karena masing-masing macam fitur/descriptor akan diambil empat arah tekstur yang berbeda yaitu 0°, 45°, 90°, dan 135° maka total fitur yang dapat diekstrak adalah 6x4=24 fitur. Jadi, total input bagi
228
neural network untuk satu citra adalah berupa array / vektor berdimensi 24. Jumlah layer yang digunakan ada 2, yaitu hidden layer dan output layer. Jumlah node pada hidden layer akan ditetapkan 30 (paling optimal), sedangkan outputnya adalah 4 yaitu rumput, langit, pohon, dan sungai.
Pengambilan Sampel Karena penelitian yang saya kerjakan hanya sampai tingkat simulasi program, maka sampel tidak diambil langsung dari lapangan. Dalam penelitian ini, sampel didapatkan dari gambar-gambar photo alami (yang berisi objek natural) yang terdapat di internet. Kemudian dari gambar-gambar photo tersebut diolah agar diperoleh objek tertentu, yaitu dengan cara mengambil bagian tertentu dari gambar (misalnya rumput saja atau langit saja dengan ukuran minimal 35 x 35 piksel), kemudian mengkopinya, lalu disimpan di tempat lain, dalam hal ini adalah direktori work yang terdapat dalam path :\MatlabRoot\work . Semua pengolahan gambar ini dilakukan dengan menggunakan Microsoft Paint . Objek – objek khusus yang diambil adalah rumput sebanyak 211 sampel, langit sebanyak 173 sampel, pohon sebanyak 203 sampel, dan sungai sebanyak 192 sampel.
Pembentukan Histogram Jumlah Dan Selisih Sebelum citra diubah ke bentuk antara histogram jumlah dan selisih, maka citra berwarna (RGB) yang akan digunakan sebagai masukan/input, terlebih dahulu diubah ke bentuk gray scale, dengan menggunakan fungsi matlab “RGB2GRAY”. Setelah itu, maka citra siap diubah ke bentuk histogram jumlah dan selisih. Misal citra graysale dengan nilai keabuan pada suatu titik (piksel) adalah g(i,j) (0 < g(i,j)
229
i=1 : L ; j=1 : P g( i,y ) d, Θ
psize = max(g(i,y)) r = 1: 2*psize+1 : r++ S( r )=0; D(r)=0;
Θ==0? No Θ==45? No
Bentuk Histogram Arah 45
Bentuk Histogram Arah 0
End
Θ==90?
End
Bentuk Histogram Arah 135
End
Bentuk Histogram Arah 90
End
Gambar 4. Flow chart pembentukan matriks kookuransi secara umum Berikutnya akan dijelaskan lanjutan alur program di atas untuk membentuk histogram jumlah dan selisih pada arah 0°,45°, 90°, dan 135°. Algoritma akan diberikan dalam bentuk pseudocode dalam matlab.Tanda % menyatakan komentar , tanda titik tiga (…) menyatakan program ganti baris, tapi satu kesatuan perintah dengan baris sebelumnya. Operator titik bagi ( . / ) menyatakan pembagian suatu matiks atau array dengan suatu bilangan skalar, sehingga setiap elemen matriks akan dibagi dengan bilangan skalar tersebut.
Ekstraksi Fitur Histogram jumlah dan selisih ternormalisasi yang sudah terbentuk, kemudian akan digunakan sebagai dasar pembentuk vektor ciri (ekstraksi fitur) .
230
Pembentukan Vektor Ciri Setelah program untuk membuat masing-masing ciri / fitur berhasil dibuat, kemudian akan dibuat algoritma untuk merubah masukan yang berupa citra grey level menjadi vektor ciri ynag berukuran 28 barisx 1 kolom. [A,B,C,D,E,F]=unser(image,0,1); AA=[A B C D E F]; [A,B,C,D,E,F]=unser(image,45,1); BB=[A B C D E F]; [A,B,C,D,E,F]=unser(image,90,1); CC=[A B C D E F]; [A,B,C,D,E,F]=unser(image,135,1); DD=[A B C D E F]; I=[AA BB CC DD].'; Fungsi “unser” menerima masukan berupa citra, arah orientasi( 0,45,90, atau 135), dan jarak antar piksel, kemudian akan memberi output secara berurutan sebagai berikut: Mean, Contrast, Correlation, Energy, Entropy, Standar Deviasi, dan Homogeneity sesuai dengan input arah serta jarak antar piksel yang akan dibuat histogramnya. Dalam hal ini jarak ditetapkan satu piksel.Jadi setiap kali fungsi unser dipanggil akan dihasilkan output vektor berukuran 1x7, sehingga total vektor ciri setelah fungsi unser dipanggil 4 kali dengan arah yang berbeda adalah 4 buah vektor ukuran 1x7. Keempat vektor ini kemudian disatukan (concatenation) , kemudian ditranspose, sehinggal setiap citra akan menghasilkan satu buah vektor ciri ukuran 28x1 sebagai masukan bagi neural network.
Proses Belajar Sistem yang akan digunakan dalam penelitian ini berupa jaringan syaraf tiruan yang dirancang dengan spesifikasi dua layer, yaitu hidden layer dan output layer. Fungsi aktivasi yang digunakan pada hidden layer adalah fungsi “tansig” yang dapat menerima input dengan nilai dari minus tak hingga sampai plus tak hingga dan mengeluarkan output pada selang antara minus satu sampai plus satu. Fungsi aktivasi yang digunakan pada layer keluaran (output layer ) adalah fungsi “logsig” yang dapat menerima input dari minus tak hingga sampai plus tak hingga dan menghasilkan nilai keluaran antara 0 sampai satu. Jumlah neuron yang digunakan pada hidden layer adalah 30, sedangkan jumlah neuron yang digunakan pada layer keluaran adalah 4 sesusi dengan jumlah kelas yang akan dibedakan. Jadi, konfigurasi sistem secara
231
keseluruhan adalah 24x30x4. Dua puluh delapan di sini adalah jumlah elemen vektor input. Setelah semua sample yang tersedia diekstrak vektor cirinya, sehingga menjadi vektor baris dengan ukuran 1x24, maka selanjutnya neural network siap dilatih untuk mengenali semua vektor ciri tersebut berdasarkan pasangan masukan keluran sampel. Masukannya adalah vektor ciri, sedangkan keluarannya adalah kelas dari vektor ciri yang bersesuaian, yaitu : (1 0 0 0)` untuk kelas rumput ; (0 1 0 0)` untuk kelas langit ; (0 0 1 0)` untuk kelas pohon; dan (0 0 0 1)` untuk kelas sungai. Total sampel yang digunakan adalah 781 sampel , jadi input total bagi neural network adalah matriks berukuran 24x781 dan keluarannya adalah matriks berukuran 3x781.
Identifikasi Dan Klasifikasi Objek
Identifikasi Setelah neural network dilatih, maka neural network telah siap untuk mengenali /mengidentifikasi objek – objek natural yang telah dipelajarinya. Proses pengenalannya adalah sebagai berikut. Pertama-tama objek yang dikenali dijadikan citra gray scale, kemudian diekstrak fiturnya sebagai masukan bagi neural network, dan keluran yang dihasilkan kemudian dianalisa dan dikelompokkan sebagai beikut. If elseif elseif elseif
a(1) > 0.6 Disp(‘ Ini adalah rumput ’) ; a(2) > 0.6 Disp(‘ Ini adalah langit ‘) ; a(3) > 0.6 Disp(‘ Ini adalah pohon ‘) ; a(4)>0.6 Disp(‘ Ini adalah sungai ‘) ;
Klasifikasi Klasifikasi berfungsi untuk mengelompokkan objek-objek dalam suatu citra, dalam hal ini adalah mengelompokkan objek rumput, sungai, pohon, dan langit. Untuk merealisasikannya, maka akan digunakan “window”berukuran 35x35 yang bergerak ke setiap piksel dalam citra dengan stepsize 4. Stepsize di sini maksudnya adalah jarak pergeseran window ke kanan dan ke bawah selama mengelompokkan citra dalam
232
window tersebut. Setiap daerah dalam window tersebut kemudian akan dicek apakah termasuk kelas pohon, rumput, langit, atau sungai. Setelah diputuskan termasuk kelas yang mana, kemudian pada 4x4 piksel di tengahnya akan ditandai dengan warna tertentu sesuai dengan kelasnya. Untuk pohon akan diwarnai hitam (0), langit abu-abu putih ( 225), sungai abu-abu ( 180), rumput abu-abu(128). Angka dalam tanda kurung menyatakan tingkat derajat keabuan(grey level).
PENGUJIAN DAN ANALISA Pengujian kemampuan neural network untuk mengidentifikasi suatu objek, dilakukan dengan cara melakukan proses identifikasi pada semua objek alami yang digunakan sebagai sampele, kemudian dianalisa tingkat keberhasilannya untuk mengetahui seberapa besar sistem dapat mengenali kembali objek-objek sampel yang pernah dipelajarinya. Setelah itu akan dilakukan pula pengujian identifikasi terhadap beberapa contoh objek yang tidak termasuk dalam sampel belajar untuk mengetahui tingkat generalisasi jaringan terhadap objek-objek alami yang kelasnya sudah dipelajari. Pengujian tahap klasifikasi dilakukan dengan cara memberi tingkat keabuan tertentu untuk masing –masing kelas objek dalam suatu citra digital , yaitu pohon diberi 0(hitam), rumput 128, sungai 180, dan langit 225.
Ekstraksi Fitur Untuk menguji keberhasilan tahap ekstraksi fitur ini akan digunakan contoh citra yang berukuran 64x64 piksel. Keluarannya adalah 6 macam fitur dengan masing-masing memiliki 4 arah tekstur yang berbeda yaitu fitur tekstur pada arah 0°, 45°, 90°, dan 135°. Jadi keluarannya adalah vektor berukuran 24X1. Keduapuluh empat fitur tersebut dapat dipisahkan ke dalam tipe/jenis fiturnya masing-masing, yaitu:
233
No Fitur 0°
45°
Orientasi 90°
135°
1
Mean
1.4119e+002
1.4124e+002
1.4119e+002
1.4124e+002
2
Contrast
6.7812e+004
6.7723e+004
6.8086e+004
6.8376e+004
3
Correlation
-3.2014e+004
4
Energy
2.8735e-005
3.1917e+004 2.8471e-005
3.2163e+004 2.8406e-005
3.2325e+004 2.8122e-005
5
Entropy
4.6802e+000
4.6809e+000
4.6843e+000
4.6864e+000
6
Standard Deviasi
1.8920e+002
1.8923e+002
1.8953e+002
1.8987e+002
Dari tabel di atas terlihat bahwa fitur pada keempat arah tidak menunjukkan perbedaan yang berarti, karena yang digunakan sebagai contoh adalh tekstur rumput yang tidak memiliki arah tekstur tertentu, namun jika tekstur pada objek lain misalnya langit dan sungai biasanya memiliki arah tekstur tertentu yang akan berbeda dari arah lainnya. Fitur yang telah diekstrak tersebut kemudian dapat digunakan sebagai masukan bagi neural network untuk proses belajar yang akan dijelaskan berikutnya.
Proses Training Pada bagian ini, pertama-tama akan dijelaskan pengaruh jumlah node pada hidden layer dan jumlah epochs(iterasi) terhadap kinerja sistem neural network. Untuk itu, telah dilakukan penelitian dengan menggunakan node sebanyak 5, 10, 15, 20, 25, 30, dan 40. Jumlah iterasi maksmial adalah 200. Kemudian untuk jumlah node yang paling optimal akan dilakukan pembahasan mengenai pengaruh jumlah iterasi terhadap error yang dihasilkan pada saat proses belajar terjadi. Setelah melakukan penelitian dengan menggunakan jumlah neuron pada hidden layer yang berubah-ubah yaitu:5, 10, 15, 20, 25, 30, dan 40 maka didapat dat-data sebagai berikut:
234
Jumlah Node 5 10 15 20 25 30 40
MSE 0.0663904 0.0113414 0.0128387 0.00288832 0.00192555 0.00160462 0.00192555
Jumlah Iterasi 200 200 200 120 94 64 116
Waktu Training 00:51:11 02:53:42 05:20:50 05:06:40 05:45:97 05:09:64 17:21:51
Kecepatan Iterasi Epochs/s 3.19313 1.15327 0.62402 0.39164 0.27169 0.20669 0.11114
Dari tabel di atas terlihat adanya jumlah epochs yang kurang dari 200, hal ini disebabkan karena proses training akan berhenti apabila telah tercapai gradien error yang lebih kecil daripada gradient minimum yang ditetapkan oleh fungsi training, dalam hal ini fungsi “trainlm” yaitu sebesar 1e-010. Pada umumnya semakin besar jumlah node pada hidden layer, maka semakin kecil mse yang dihasilkan, namun jumlah node yang terlalu besar (40) tidak akan efektif lagi untuk menurunkan eror untuk melakukan satu iterasi akan bertambah.
Identifikasi Objek Untuk pengujian keberhasilan sistem dalam mengidentifikasi objek-objek alami yang telah dipelajarinya, maka pertama-tama akan digunakan semua sample yang dipelajari untuk mengetahui seberapa besar (persentase ) sistem dapat mengenali objek-objek tersebut , kemudian akan diberikan beberapa objek alami yang lain yang bukan ternasuk dalam sample untuk mengetahui tingkat generalisasi yang dapat dilakukan oleh sistem. Langkah-langkah proses idendifikasi objek dapat dijelaskan melalui contoh sebagai berikut:
235
Identifikasi objek rumput Perintah matlab: kenali(‘grass0011.jpg’,meanp,stdp,transM at,net) Output:
Identifikasi objek langit Perintah matlab: kenali(‘sky00160.jpg’,meanp,stdp,transMa t,net) Output:
a= 1.0000 0.0000 0.0000 0.0000 Ini adalah RUMPUT Identifikasi ibjek pohon Perintah matlab: kenali(‘tree0022.jpg’,meanp,stdp,transMat ,net) Output:
a= 0.0000 1.0000 0.0000 0.0000 Ini adalah LANGIT Identifikasi objek sungai Perintah matlab: kenali(‘river002.jpg’,meanp,stdp,transMat, net) Output:
a = 0.0000 0.0000 Ini adalah POHON
a= 0.0000 0.0000 0.0000 Ini adalah Sungai
1.0000
0.0000
0.9941
Setelah dilakukan pengujian dengan cara yang sama untuk semua objek yang digunakan saat latihan, maka didapatkan bahwa keberhasilan sistem dalam mengenali objek yang pernah dipelajarinya adalah sebagai berikut: Sungai 88.02% ; langit 94.06% ; rumput 92.42% ; pohon 93.98%. Jadi rata-rata keberhasilan sistem dalam mengenali objek-objek tersebut adalah 92.04%. Kemudian sistem akan digunakan untuk mengenali beberapa objek alami yang tidak termasuk adalam sampel yang dipelajari, namun masih dalam kelas-kleas objek alami yang telah dipelajari. Ada 4 macam objek yang akan dikenali yaitu ”ujilangit1.jpg”, “ujirumput1.jpg”, “ujipohon1.jpg”, dan “ujisungai1.jpg”. Keempat objek contoh tersebut dapat dikenali dengan baik.
236
Klasifikasi Objek Alami Untuk Identifikasi objek alami ini akan digunakan 2 buah contoh citra digital, yaitu yang pertama adalah sustu citra yang berisi objek rumput, langit, dan pohon dan yang kedua berisi langit, pohon, dan sungai. Perintah Matlab: klasifikasi('coba9.jpg',meanp,stdp,transMat,net) Output:
Gambar 5. Hasil Uji Coba Klasifikasi Objek Dalam klasifikasi di atas pohon diberi tingkat keabuan 0 (hitam), lagit diberi tingkat keabuan 225 dan rumput diberi tingkat keabuan 128.
KESIMPULAN DAN SARAN Penggunaan Backpropagation Neural Network (BNN) untuk melakukan identifikasi dan klasifikasi objek alami dapat dibuktikan kemampuannya dengan menggunakan fitur histogram jumlah dan selisih. Umumnya makin banyak jumlah neuron pada hidden layer, maka eror (mean squared error) yang dihasilkan akan semakin kecil, namun jumlah neuron yang terlalu besar tidak akan efesien lagi untuk menurunkan mse. Dari hasil penelitian diperoleh jumlah neuron yang optimal adalah 30. Hasil penelitian menujukkan kegagalan identifikasi objek umumnya terjadi pada objek tertentu yang memiliki kesamaan ciri dengan kelas lain atau objek yang kurang jelas / kabur. Peningkatan ketelitian sistem dapat dilakukan dengan cara memperbesar jumlah data sampel training sedangkan untuk memperbanyak objek yang dikenali maka diperlukan penambahan objek-objek lainnya. Rata-rata tingkat keberhasilan sistem dalam mengidentifikasi objek alami dalam penelitian ini mencapai 92.04%.
237
Penelitian ini masih perlu dikembangkan lebih lanjut untuk mengidentifikasi objek yang bergerak yang terdapat dalam suatu data video.
dapat
LANGKAH SELANJUTNYA Dalam makalah diatas telah diuraikan metode dan pemanfaatan teknologi komputer vision dalam menunjang suatu sistem keamanan peringatan dini. Namun dari hasil saat ini masih sangat banyak hal yang masih perlu dikaji lebih lanjut seperti parameter yang ditulis pada tabel dibawah ini masih dalam tahap pengembangan.
No
Benda Dinamis
Kegiatan
Parameter yang diukur
Manusia Binatang Kendaraan 1.1 Memasuki Area
v
v
v
Posisi di lokasi
2 Berdiri
v
v
v
3 Duduk
v
- Tinggi - Posisi vs waktu - Tinggi - Posisi vs waktu
2.1 Bergerak
v
v
v
- Posisi vs waktu
2 Jatuh
v
- Posisi vs waktu dengan lokasi sama
3
Memukul
v
v
- Posisi vs waktu dengan lokasi sama - Bag Badan bergerak
4
Membawa barang
v
v
Bentuk barang dan texture
5
Melempar
v
v
Perpisahan dari satu menjadi beberap
238
DAFTAR PUSTAKA
1. COLLINS ROBERT T., LIPTON ALAN J., KANADE TAKEO, FUJIYOSHI HIRONOBU, DUGGINS DAVID, TSIN YANGHAI, TOLLIVER DAVID, ENOMOTO NOBUYOSHI, HASEGAWA OSAMU, BURT1PETER and WIXSON LAMBERT, A System for Video Surveillance and Monitoring, CMURI-TR-00-12, The Robotics Institute, Carnegie Mellon University, Pittsburgh PA The Sarnoff Corporation, Princeton, NJ, 2000.
2. FUJIYOSHI HIRONOBU, LIPTON ALAN J., KANADE TAKEO, Real-time Human Motion Analysis by Image Skeleton, IEICE Transaction on Information and System Vol. E87 –D, NO.1 January 2004.
3. GAVRILA D. M., The Analysis of human motion and its application for visual surveillance, Proceeding of the 2nd International Workshop on Visual Surveillance, Fort Collins, USA, 1999.
4. HONGENG
SOMBOON, Br´emond Francois and Nevatia Ramakant, Representation and Optimal Recognition of Human Activities, Computer Vision and Pattern Recognition, 2000.
5. SINGH MONA and SINGH SAMEER, Minerva scene analysis benchmark, Proc. 7th Australian and New Zealand Intelligent Information Systems Conference, pp., Perth (18-21 November, 2001) 231-235
6. SINGH SAMEER, MARKOU MARKOS, HADDON JOHN, FLIR Image Segmentation and Natural Object Classification, Department of Computer Science, University of Exeter, Defense Evaluation and Research Agency, UK, 1999.
7. SINGH SAMEER, MARKOU MARKOS, HADDON JOHN, Natural object classification using artificial neural networks, Department of Computer Science, University of Exeter, Exeter EX4 4PT, UK3, Defense Evaluation and Research Agency, Farnborough, UK, 1999.
239
DISKUSI
RETNO G Apakah video surveiland ini dapat diterapkan untuk mengidentifikasi benda bergerak seperti orang, mobil yang membawa barang yang berbahaya dan penerapannya di PPTA Serpong R.B WAHYU Pada prinsipnya tujuan akhir penelitian ini memang untuk benda bergerak. Begitu juga dengan penerapannya sangat dimungkinkan walau pada saat ini masih banyak tantangan yang harus diselesaikan
240
DAFTAR RIWAYAT HIDUP
1. Nama
: R.B Wahyu
2. Tempat/Tanggal Lahir
: Jakarta, 8 Juli 1959
3. Instansi
: P2TIK - BATAN
4. Pekerjaan / Jabatan
: Staf Komputasi
5. Riwayat Pendidikan
: (setelah SMA sampai sekarang)
• S1 Jurusan Fisika, FMIPA –UI • Dip Comp. Science Concordia Univ. Canada • S2 Comp. Science Curtin Univ. Australia • Program S3 Teknik Elektro ITB 6. Pengalaman Kerja
:
• Staf Komputasi – P2TIK-BATAN 7. Makalah yang dipublikasikan : • LKSTN XI • ICICI
241