MEMBANGUN PROTOTYPE APLIKASI PENGHITUNG PENGUNJUNG BERBASIS COMPUTER VISION DENGAN METODE ABSOLUTE DIFFERENCE
NASKAH PUBLIKASI
diajukan oleh Suandi 10.11.3602
Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA 2013
BUILD A PROTOTYPE VISITORS COUNTER APPLICATION BASED ON COMPUTER VISION WITH ABSOLUTE DIFFERENCE METHOD MEMBANGUN PROTOTYPE APLIKASI PENGHITUNG PENGUNJUNG BERBASIS COMPUTER VISION DENGAN METODE ABSOLUTE DIFFERENCE Suandi Melwin Syafrizal Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA
ABSTRACT Over the time, public demand for information is increasing, One of the needed information in public areas such as services, retail sales, supermarket and tourist attractions is data the number of visitors, the data are used for various purposes (for marketing research or statistical purposes). Data on the number of visitors is usually obtained with manual counting by officers who guard the entrance, However, because the process is done in a long period of time, can decrease the concentration causing officers prone to counting errors (human error). This thesis discusses the design problem solution using the sophistication of computer vision technology to overcome those problems.Sensor camera (webcam) mounted on the entrance door, the catch frame is processed through a series of image processing so that it can detect objects passing. The methods used to detect objects is the Absolute Difference. Optimal accuracy results obtained in testing the application reaches 93.78% through the conditions and limitations defined.
Keywords: Number of Visitors, Computer Vision, Absolute Difference
1.
Pendahuluan Seiring dengan perkembangan zaman, maka semakin meningkat pula kebutuhan
seseorang akan informasi. Salah satu informasi yang dibutuhkan ditempat-tempat umum seperti, ritel penjualan, supermarket dan tempat wisata adalah data jumlah pengunjung, data tersebut digunakan untuk berbagai keperluan (baik keperluan statistik maupun penelitian pemasaran). Misalnya pada ritel penjualan, dengan membandingkan antara data jumlah pengunjung dengan data jumlah transaksi penjuanlan sehingga dapat diketahui tingkat ketertarikan masyarakat untuk berkunjung ke tempat tersebut serta persentase pengunjung melakukan pembelian. Data jumlah pengunjung biasanya didapat dengan penghitungan manual oleh petugas yang menjaga pintu masuk. Namun, karena proses tersebut dilakukan dalam jangka waktu yang panjang, dapat menurunkan konsentrasi petugas sehingga menyebabkan rawan terjadinya kesalahan penghitungan (human error). Dari uraian diatas penulis mengambil judul untuk penelitian ini “Membangun Prototype Aplikasi Penghitung Pengunjung Berbasis Computer Vision dengan Metode Absolute Difference”. 2.
Landasan Teori
2.1 Computer Vision Menurut Idhawati (2011) Computer Vision adalah sebuah cabang ilmu dari kecerdasan buatan yang menggunakan computer untuk menganalisa gambar dan video agar dapat mengenali obyek yang diamati sebagaimana yang bisa dilakukan manusia.1 Pada hakikatnya, Computer vision mencoba meniru cara kerja sistem visual manusia (Human Vision). Manusia melihat objek dengan indera penglihaan (mata), lalu citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan matanya. Untuk itu, computer vision diharapkan memiliki kemampuan tingkat tinggi sebagaimana visual manusia. Computer vision merupakan kombinasi dari pengolahan citra (image processing) dan pengenalan pola (pattern recognition). Pengolahan citra (image processing) berhubungan dengan proses transformasi citra atau gambar dan bertujuan untuk mendapatkan kualitas citra yang lebih baik. Sedangkan pengenalan pola (pattern recognition) berhubungan dengan proses identifikasi objek pada citra atau interpretasi citra dan bertujuan untuk mengekstrak informasi yang disampaikan oleh citra.
1
Hestiningsih, Idhawati . Yudantoro, Raharjo. 2011. Aplikasi Penghitung Jumlah Pengunjung Objek Wisata dengan Webcam. Orbith Vol 7 No. 3 1
2.2 Citra Digital Menurut Putra, D (2010) “Citra digital merupakan sebuah larik (array) yang berisi nilai-nilai real maupun kompleks yang direpresentasikan dengan deretan bit tertentu”.2 Citra digital dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Indeks x bergerak ke kanan dan indeks y bergerak ke bawah.sedangkan Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan pixel. 2.3 Video Digital Video merupakan urutan citra yang berkesinambungan yang bergerak dalam ruang waktu dan memiliki suatu makna. Video memiliki parameter yang dapat diturunkan dari parameter sebuat citra yaitu lebar dan tinggi citra yang diukur berdasarkan jumlah piksel horizontal dan vertical, dan kemudian juga parameter kedalaman citra. Sebuat video juga memiliki patameter kecepatan berpindah dari satu citra/frame ke frame yang selanjutnya, biasa kita sebut dengan fps (frames per second)/frame rate. 2.4 Filtering Filtering merupakan preprosesing pengolahan citra yang digunakan untuk menghilangkan bagian-bagian yang tidak diperlukan (noise) pada citra untuk proses selanjutnya, pada proses filtering, nilai pixel baru umumnya dihitung berdasarkan pixel tetangga” (Darma Putra, 2010).3 Metode filter atau filtering yang terbaik tergantung dengan situasi dari citra dan jenis derau atau degradasi yang terdapat pada citra. Beberapa jenis filter tersebut adalah mean filter, median filter dan Gaussian filter. Dimana pada proses paling sederhananya hasil filtering pada suatu pixel adalah hasil dari rata-rata pixel tersebut dengan pixel sekitarnya. 2.5 Thresholding Masalah utama yang ada pada aplikasi yang memakai computer vision adalah perbedaan sub gambar yang merepresentasikan objek. Operasi yang mudah dilakukan oleh mata ini sulit dilakukan oleh komputer. Sehingga dalam proses pengelompokan suatu gambar, biasanya berdasarkan intensitas, warna, dan faktor lainnya. Sehingga thresholding dapat digunakan untuk memisahkan gambar dari latarnya.
2 3
Putra, D. 2010. Pengolahan Citra Digital. Andi Offset. Yogyakarta. Hal 9 Lbid. Hal 59 2
Input yang dimasukkan dalam thresholding adalah gambar grayscale. Sedangkan hasil keluarannya umumnya berbentuk gambar biner yang merepresentasikan hasil dari segmentasi tersebut. Pada teknik ini kecerahan warna dari setiap pixel dibandingkan ke dalam sebuah nilai threshold, dan pixel hasilnya dinyatakan sebagai satu atau dua kategori, putih atau hitam, tergantung dari apakah nilai pixel aslinya melampaui atau tidak dari nilai thresholdnya. 2.6 Dilatasi dan Erosi Operasi dilatasi dilakukan untuk memperbesar ukuran segmen objek dengan menambah lapisan di sekeliling objek sehingga citra hasil dilatasi cenderung menebal. Operasi dilatasi akan melakukan proses pengisian data pada citra asal yang memiliki ukuran lebih kecil dibandingkan kernel. Sedangkan, operasi erosi adalah kebalikan dari operasi dilatasi. Pada operasi ini, ukuran objek diperkecil dengan mengikis sekeliling objek sehingga citra hasil cenderung diperkecil menipis. Operasi erosi akan melakukan pengurangan pada citra asal yang lebih kecil dibandingkan elemen kernel. Proses erosi yang dilanjutkan dengan proses dilatasi dimana kedua proses tersebut dilakukan secara berulang didefinisikan sebagai proses opening. Operasi opening digunakan untuk memutuskan bagian-bagian dari objek yang hanya terhubung dengan 1 atau 2 buah titik saja, dan menghilangkan objek yang sangat kecil. Operasi opening bersifat memperhalus kenampakan citra, menyambung fitur terputus dan menghilangkan efek pelebaran pada objek. Kombinasi antara operasi dilatasi dan erosi yang dilakukan secara berurutan adalah operasi closing. Citra asli didilatasi terlebih dahulu, kemudian hasilnya dierosi. Ada beberapa kegunaan operasi closing yaitu: (1) menutup atau menghilangkan lubanglubang kecil yang ada dalam segmen objek, (2) menggabungkan 2 segmen objek yang saling berdekatan (menutup sela antara 2 objek yang sangat berdekatan), (3) juga dilakukan dalam beberapa rangkaian dilatasi-erosi (misalnya 3 kali dilatasi, lalu 3 kali erosi) apabila ukuran lubang atau jarak objek cukup besar. Operasi closing juga cenderung akan memperhalus objek pada citra, namun dengan cara menyambung pecahan-pecahan dan menghilangkan lubang-lubang kecil pada objek. 2.7 Background Substraction (Absolute Difference) Hal yang paling penting mendasari dari pemantauan real time adalah dengan mengetahui adanya pergerakan dari objek di dalam sebuah latar. Substraksi latar mempunyai peranan penting dalam computer vision yaitu dalam hal system pemantauan atau security. Peranan yang dilakukan dalam substraksi latar adalah mengetahui atau membedakan bagian latar dan objek yang ada pada sebuah citra. Untuk mengetahui 3
adanya objek di dalam citra maka hal yang harus dilakukan adalah dengan mempelajari atau mengetahui model dari latar. Ide dasar dari substraksi latar adalah |framei – background| > threshold, bila piksel ke i memenuhi persamaan tersebut, maka piksel tersebut digolongkan kedalam kelompok piksel objek dan selain itu adalah latar. Hasil dari proses substration ini tidak selamanya bersih, tergantung dari kondisi objek perekaman maka dari itu dibutuhkan beberapa proses image processing seperti erosi dan dilatasi untuk membersihkan noise. 2.8 Pustaka OpenCV (Open Computer Vision) Menurut Bradski & Keahler (2008:1) OpenCV adalah pustaka open source yang ditunjukan untuk visi computer real time. OpenCV dapat berjalan di berbagai system operasi seperti Windows, Linux, dan Machintos. OpenCv asli ditulis dalam bahasa C, tapi sekarang telah diterjemahkan dalam bahasa C++. Ada juga terjemahan dalam bahasa Phyton, Ruby, Matlab dan bahasa lainnya.4 Contoh aplikasi dari pustaka OpenCV adalah interaksi manusia dan computer, seperti identifikasi, segmentasi dan mengenalan objek, pengenalan wajah, pengenalan gerak tubuh, trajeksi pergerakan, gerak ego, pengertian pergerakan, struktur dari pergerakan, komputasi jarak objek dan robotika. 3.
Analisis dan Perancangan Sistem Analisis sistem adalah penguraian dari suatu sistem secara utuh dengan
membaginya
menjadi
beberapa
bagian
komponen
dengan
maksud
untuk
mengidentifikasi dan mengevaluasi permasalahan, ketangguhan, hambatan dan kebutuhan yang diharapkan sehingga dapat di usulkan untuk pembuatan sistem. 3.1 Arsitekture Sistem Penghitung Jumlah Pengunjung Secara garis besar, gambaran sistem dari aplikasi penghitung jumlah pengunjung dapat dilihat pada Gambar 3.1 Pada pintu keluar masuk terdapat kamera webcam. Webcam berfungsi untuk melakukan mekanisme perekaman frame gambar orang lewat. Prototipe Penghitung Jumlah Pengunjung berfungsi Mengolah hasil rekaman tersebut untuk mendeteksi dan menghitung pengunjung.
4
Bradski, Gary. Kaehler, Adrian. 2007. Learning Computer Vision with the OpenCV Library. O'Reilly. United States of America.. Hal 1 4
Gambar 3.1 Rancangan Sistem Penghitung Jumlah Pengunjung Penempatan webcam berada di atas pintu, tidak bergerak ke segala arah, hanya mengarah ke suatu obyek yang akan diamati yaitu vertikal ke bawah terhadap ruas pintu. Jadi webcam digunakan untuk mendapatkan data masukan aplikasi penghitung yaitu video atau citra bergerak yang dihasilkan dari perekaman menggunakan webcam pada saat sistem dijalankan, kemudian data video digunakan oleh aplikasi untuk melakukan proses deteksi gerak pada pintu keluar masuk untuk menentukan jumlah pengunjung yang masuk maupun keluar. 3.2 Analisis kebutuhan sistem Analisis kebutuhan sistem merupakan langkah untuk mengidentifikasi kebutuhankebutuhan baik alat maupun bahan yang akan digunakan untuk membantu dan mendukung proses pembuatan suatu sistem. Analisis ini juga berguna untuk pengembangan sistem baru yang diusulkan untuk menyelesaikan masalah di sistem lama yang direalisasikan. 3.2.1
Analisis Kebutuhan Fungsional Pembangunan prototipe aplikasi penghitung jumlah pengunjung berbasis computer
vision ini diharapkan memenuhi beberapa kebutuhan fungsional, antara lain : a. Mendeteksi & Tracking objek (pengunjung) b. Menganalisa arus objek (pengunjung) yang keluar maupun memasuki ruangan c. Menampilkan hasil penghitungan pengujung secara real time d. Membuat laporan hasil perhitungan jumlah pengunjung e. Laporan hasil penghitungan pengunjung di-update setiap jam
5
3.2.2
Analisis Kebutuhan Non-Fungsional Analisi Kebutuhan Non-Fungsional dilakukan untuk mengetahui kebutuhan sistem.
Spesifikasi kebutuhan meliputi kebutuhan perangkat keras (hardware) dan kebutuhan perangkat lunak (software). 3.2.2.1 Kebutuhan Perangkat Keras Pada penelitian ini memerlukan beberapa peralatan yang akan digunakan. Alatalat yang digunakan adalah sebagai berikut : a. Notebook Toshiba Satelite L510 b. Intel Pentiuml Core i3 (2,13 GHz) c.
Memory 2 Gb DDR3.
d. Monitor 14,1” e. USB 2.0 Repeater / Extension f.
Harddisk 160 Gb
g. Logitech Webcam c270h
3.2.2.2 Kebutuhan Perangkat Lunak Perangkat lunak yang digunakan dalam implementasi perangkat yang dibuat adalah sebagai berikut : a. Linux Slackware 14.0 b. OpenCV library c. Logitech Webcam 1.10.1113.0 Software (ENU) 3.2.3
Kebutuhan Informasi Informasi yang dibutuhkan adalah berupa file video pengunjung yang diambil
dalam beberapa kondisi (tempat), yaitu sumber video di pintu masuk Citra Mart, sumber video di basement 5 Stmik Amikom Yogyakarta dan sumber video jalan antara gedung 4 dan 5 Stmik Amikom Yogyakarta. Semua sumber video diambil dalam sudut pandang vertikal ke bawah. Hal ini di maksudkan agar dapat memisahkan objek (pengunjung) yang berdempetan sehingga tidak ada objek yang tertutup oleh objek lainnya.
3.3 Perancangan Sistem Perancangan sistem secara umum dilakukan dengan maksud untuk memberikan gambaran umum tentang sistem yang baru atau sistem yang akan diusulkan. Rancangan ini mengidentifikasi komponen – komponen sistem informasi yang dirancang. Melalui perancangan sistem ini juga akan sangat membantu pada saat proses pengembangan terutama penulisan program, dari segi waktu akan menjadi lebih efisien. Selain itu dari
6
perancangan sistem prototipe aplikasi ini diharapkan dapat membantu untuk kepentingan pengembangan kedepannya.
3.3.1
Gambaran Umum Sistem
Gambar 1.1 Gambaran Umum Rancangan Program
Penjelasan mengenai gambar rancangan umum program adalah sebagai berikut. 1. Pengambilan Source Video Pengambilan source video dapat dilakukan dalam 2 cara. Yaitu, secara real time dan mengambil source video yang sudah direkam terlebih dahulu dan mengambil source video secara real time dari webcam yang sudah terinstall pada area perhitungan, webcam diletakkan menghadap vertikal ke bawah, dari sudut pandang
7
ini jarak antar objek terlihat dengan jelas, sehingga tidak ada objek yang menutupi objek lainnya. 2. Penetapan Background Penetapan Background sebagai latar dimaksudkan karena pemrosesan tidak menggunakan algoritma pengenalan objek, maka dari itu objek didapatkan dengan mensubstraksi latar dengan frame terbaru. 3. Pengambilan Gambar Pengambilan gambar dilakukan dengan mengambil frame terbaru dari sumber video. 4. Pemisahan Objek dengan latar Pemisahan objek dengan latar dilakukan dengan menggunakan metode Absolute Difference untuk mendeteksi motion, metode Absolute Difference membandingkan nilai pixel frame pada background dengan pixel frame terbaru. Nilai pixel yang dihasilkan dari proses Absolute Difference kemudian diubah ke dalam format grayscale, untuk selanjutnya diubah lagi ke dalam bentuk biner dengan teknik threshold. Bentuk biner tersebut sering disebut dengan blob, blob mewakili objek yang dideteksi. Untuk mengurangi noise yang dihasilkan dari proses ini, maka dilakukan beberapa proses filtering dan morphologi. 5. Tracking Objek (Blob) Pendeteksian blob dilakukan secara terus-menerus, jika pada frame selanjutnya terdapat perpindahan posisi blob di area pixel yang masih bertetanggaan dengan blob sebelumnya maka blob tersebut dinyatakan sebuah objek yang sama. 6. Perhitungan Menghitung jumlah objek yang telah masuk ke area atau melewati batasan yang sudah ditentukan terlebih dahulu. Hasil perhitungan secara realtime langsung dapat dilihat secara real time. Perancanga perhitungan menggunakan 3 garis horizontal
8
3.3.2
Use Case Diagram
Gambar 3.1 Use Case Diagram Pada diagram (Gambar 3.14) terlihat ada 2 aktifitas pengguna yang dapat dilakukan pada sistem. Pertama adalah memilih sumber video, pengguna dapat memilih device webcam yang akan digunakan untuk menghitung jumlah pengunjung secara real time atau menggunakan data video berformat AVI yang sudah direkam terlebih dahulu. Setelah sumber video didapatkan sistem akan melakukan proses pengolahan citra secara otomatis, diantaranya Absolute Difference dan blob detection untuk mensubstrasi latar sehingga dapat diketahui objek (pengunjung) yang bergerak, tracking untuk mengikuti arah pergerakan objek dan counting untuk menghitung jumlah objek yang telah masuk ke area atau melewati batasan yang sudah ditentukan terlebih dahulu, sehingga pengguna dapat melihat laporan hasil dari proses perhitungan tersebut secara real time (selama program berjalan) maupun secara manual (setelah program telah diakhiri). 3.3.3
Perancangan Activity Diagram Diagram activity berfokus kepada aktifitas – aktifitas yang terjadi yang terkait dalam
suatu proses tunggal. Jadi dengan kata lain diagram ini menunjukkan bagaimana aktifitas–aktifitas tersebut bergantung satu sama lain. Gambar 3.15 berikut menunjukkan diagram activity dari prototipe aplikasi penghitung jumlah pengunjung berbasis computer vision yang akan dibangun. Pada diagram terlihat ketika pengguna telah memilih sumber video dari device video secara real time atau dari video yang sudah direkam maka selanjutnya dari sisi aplikasi melakukan proses-proses pengolahan citra seperti yang sudah dijelaskan pada
9
landasan teori. Setelah proses perhitungan dalam suatu objek (pengunjung) yang terdeteksi selesai maka program akan menampilkan hasil perhitungannya secara real time.
Gambar 3.2 Activity Diagram 4.
Hasil Penelitian Dan Pembahasan Prototipe dibangun dalam bahasa C++ dan menggunakan fungsi-fungsi library
OpenCV sebagai dasar pengolahan citra. Prototipe merupakan program classic yang dipanggil menggunakan terminal (console), program ini mempunyai 4 jendela
yang
mempunyai tujuan masing-masing, latar background merupakan frame latar sebagai acuan untuk dibandingkan pada proses selanjutnya, current frame merupakan frame yang sedang berjalan saat ini, background substraction (blob detection) merupakan hasil substraksi objek dari hasil perbandingan antara background dengan current frame dan result merupakan hasil tracking objek beserta perhitungan pengunjung.
10
Pengambilan source video dilakukan dengan 2 cara, cara yang pertama yaitu dengan menggunakan webcam dan cara yang kedua menggunakan file video berformat AVI yang telah direkam sebelumnya. Untuk mengeksekusi program harus menggunakan beberapa parameter yang telah ditetapkan. 1.
Sumber Video menggunakan webcam ./amkCount –device [nomor device] –o [nama file laporan]
2.
Sumber video menggunakan file ./amkCount –video [nama video] –o [nama file laporan]
Gambar 4.1 Proses Tracking Objek
4.1 Laporan Perhitungan Laporan Perhitungan bisa didapatkan dengan melihat layar result seperti gambar 4.6 yang menampilkan hasil perhitungan secara real time selama sistem berjalan, juga dapat secara non-real time dengan melihat file laporan berformat file text (*.txt) yang akan dibuat secara otomatis ketika sistem dijalankan. Keuntungan menggunakan Hasil laporan file text adalah hasil perhitungan dapat disimpan untuk kepentingan selanjutnya, Laporan ini menampilkan informasi waktu dan tanggal ketikan program dijalankan dan
11
dihentikan. Hasil Laporan ini juga akan diupdate setiap Jam sehingga dapat menganalisa jumlah pengunjung setiap jamnya. Berikut contoh hasil file report : This program is made by Suandi (
[email protected]) Hasil Perhitungan ----------------------------------------------------------------------------------------Hasil Perhitungan Akhir --------------------------------------------Waktu Mulai Waktu Selesai Jumlah Jumlah Jumlah Jumlah
Orang Orang Orang Orang
: Wed May : Wed May Masuk Keluar Sekarang terdeteksi
8 11:00:37 2013 8 11:12:43 2013 : : : :
18 17 1 35
Gambar 4.5 Proses Perhitungan 4.2 Uji Coba Sistem Pada subbab ini akan dilakukan pembahasan mengenai pengujian yang telah dilakukan perangkat lunak. Uji coba dilakukan menggunakan 5 sample video yang diambil dari kondisi yang berbeda. Berikut adalah tipe sample video yang digunakan. Pengujian pertama dilakukan dengan membandingkan ketinggian kamera terhadap akurasi pengukuran yang dilakukan oleh sistem. Pengujian dilakukan dengan menggunakan 3 buah video dalam kondisi ramai yang memiliki ketinggian kamera yang berbeda-beda. Data hasil pengujian dapat dilihat pada tabel 4.1 dan Gambar 4.6. Tabel 4. 1 Pengujian Akurasi Sistem Terhadap Ketinggian Kamera
No
Tipe
Ketinggian
Video
kamera
Jumlah
Jumlah
Objek
Objek
yang
yang
terhitung
terhitung
Masuk
Keluar
Tingkat
Tingkat
Kebenaran
Kebenaran
Objek
Objek
Masuk
Keluar
Rata –rata Tingkat Kebenaran
1
Video 1
4.5
57
39
77.03%
76,47%
76.75%
2
Video 3
3
43
53
97.73%
89,83%
93.78%
3
Video 5
2.5
41
58
79.41%
92,06%
85.73%
12
Pengujian kedua dilakukan dengan membandingkan kondisi jalan terhadap akurasi pengukuran yang dilakukan oleh sistem. Pengujian dilakukan dengan memperhatikan kondisi jalan ketika lengang dan ketika ramai pada sample memiliki ketinggian dan tempat yang sama, Video 1 dan 2 diambil dalam ketinggian 4.5 meter tetapi kondisi yang berbeda, begitu juga video 3 dan 4 diambil dalam ketinggian 3 meter tetapi dalam kondisi yang berbeda. Data hasil pengujian dapat dilihat pada tabel 4.2 dan Gambar 4.7. Tabel 4.2 Pengujian Akurasi Sistem Terhadap Kondisi Kepadatan Kondisi
No
Ketinggian
1
4.5 m
2
3m
Tipe Video
Jumlah
Jumlah
Objek
Objek
yang
yang
terhitung
terhitung
Masuk
Keluar
Tingkat
Tingkat
Kebenaran
Kebenaran
Objek yang
Objek yang
Masuk
Keluar
Rata –rata Tingkat Kebenaran
Video 1
Ramai
57
39
77.03%
76,47%
76.75%
Video 2
Senggang
21
5
91.30%
71.43
81.36%
Video 3
Ramai
43
53
97.73%
89,83%
93.78%
Video 4
Senggang
15
17
93.75%
93.75%
93.75%
5. Kesimpulan Kesimpulan yang dapat diambil adalah sebagai berikut : 1. Sistem penghitung jumlah pengunjung yang dirancang berhasil mendeteksi jumlah pengunjung dengan akurasi yang berbeda pada tiap ketinggian kamera. Hasil akurasi optimal yang didapatkan yakni pada ketinggian kamera 3 meter dengan tingkat akurasi mencapai 93.78%. 2. Pemilihan latar sangat berpengaruh pada tingkat akurasi pendeteksian. Latar yang sama dengan atribut objek (pengunjung) akan mengurangi tingkat akurasi. 3. Perbedaan arus pengunjung dapat dilakukan dengan menggunakan 3 garis vertikal (garis tengah, garis batas atas, garis batas bawah) untuk mengetahui posisi awal dan akhir pengunjung. 4. Perbedaan kondisi trafik pengunjung antara senggang dan ramai dapat membuat perbedaan akurasi sebesar 0.03% - 4.61%, sehingga bisa dikatakan kondisi trafik tidak begitu mempengaruhi sistem.
13
DAFTAR PUSTAKA Bradski, Gary. Kaehler, Adrian. 2007. Learning Computer Vision with the OpenCV Library. O'Reilly. United States of America. Dwi Irianto, Kurniawan. Ariyanto, Gunawan. Ary P, Dedi. 2009. Motion Detection Using OpenCV with Background Substraction and Frame Differencing Technique, http://publikasiilmiah.ums.ac.id/bitstream/handle/123456789/1855/11.%Paper_E020.pdf, diakses tanggal 8 Februari 2013. Hestiningsih, Idhawati . Yudantoro, Tri Raharjo. 2011. Aplikasi Penghitung Jumlah Pengunjung Objek Wisata dengan Webcam, www.polines.ac.id/orbith/files/7-32011%20Hal%20422-428.pdf, diakses tanggal 3 Februari 2013 Irianto, Kurniawan dkk. 2009. Motion Detection Using OpenCV with Background Substraction and Frame Differencing Technique. Dipresentasikan pada Simposium Nasional RAPI VIII. Surakarta : UNS Lefloch, Demien. 2007. Real-Time People Counting system using Video Camera, www.colorlab.no/content/download/21981/216266/file/Damien_Lefloch_Master_the sis.pdf, diakses tanggal 8 Februari 2013. Nilamsari, Enggar. 2010. Penghitung Jumlah Orang Lewat dengan Metode Normalized Sum-Squared Differences(NSSD), www.digilib.its.ac.id/public/ITS-Undergraduate9302-Paper.pdf, diakses tanggal 3 Februari 2013. Prasetya, Deddy. 2011. Aplikasi Penghitung Jumlah Orang Lewat menggunakan Metode Normalized Sum Squared Differences(NSSD), www.eprints.upnjatim.ac.id/1805/1/file_1.pdf, diakses tanggal 3 Februari 2013. Putra, Darma. 2010. Pengolahan Citra Digital. Andi Offset. Yogyakarta R Tan dkk, Traffic Video Segmentation Using Adaptive-K Gaussian Mixture Model, Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, China. Hal 127
14
