PENELITIAN IPTEKS
USULAN PENELITIAN IPTEKS
BACKGROUND SUBSTRACTION BERBASIS ALGORITMA K-MEANS CLUSTERING UNTUK DETEKSI OBJEK BERGERAK
TIM PENGUSUL
Moch Arief Soeleman, S.Kom, M.Kom / 0686.11.1996.081 Ricardus Anggi Pramunendar, M.CS / 0686.11.2011.614
UNIVERSITAS DIAN NUSWANTORO SEMARANG September, 2014
HALAMAN PENGESAHAN PENELITIAN IPTEKS
Judul Kegiatan
Kode/Nama Rumpun Ilmu Ketua Peneliti A. Nama Lengkap B. NPP C. Jabatan Fungsional D. Program Studi E. Nomor HP F. Surel (e-mail) Anggota Peneliti (1) A. Nama Lengkap B. NIDN C. Perguruan Tinggi Lama Penelitian Keseluruhan Penelitian Tahun ke Biaya Penelitian Keseluruhan Biaya Tahun Berjalan
: BACKGROUND SUBSTRACTION BERBASIS ALGORITMA K-MEANS CLUSTERING UNTUK DETEKSI OBJEK BERGERAK : 458 / Teknik Informatika : Moch Arief Soeleman, S.Kom, M.Kom : 0686.11.1996.081 : Lektor : Teknik Informatika : 08156522208 :
[email protected] : Ricardus Anggi Pramunendar M.CS : 0686.11.2011.614 : Universitas Dian Nuswantoro : 1 Tahun :1 : Rp 7.500.000,00 : - diusulkan ke LPPM UDINUS Rp 15.000.000,00 - dana internal PT Rp 0,00 - dana institusi lain Rp 0,00 - inkind sebutkan
Mengetahui Dekan Fakultas Ilmu Komputer
Semarang, 5 - 9 - 2014, Ketua Peneliti,
(Dr. Abdul Syukur, M.M) NIP/NIK 0686.11.1992.017
(MOCH ARIEF SOELEMAN) NIP/NIK 0686.11.1996.081
Menyetujui, Kepala Pusat Penelitian
(Juli Ratnawati, SE, M.Si) NIP/NIK 0686.11.2000.193 ii
DAFTAR ISI
DAFTAR ISI............................................................................................................................ iii DAFTAR GAMBAR ................................................................................................................ iv DAFTAR TABEL ..................................................................................................................... iv RINGKASAN ............................................................................................................................ v BAB I PENDAHULUAN .......................................................................................................... 1 1.1 Latar Belakang ................................................................................................................. 1 1.2 Perumusan Masalah ......................................................................................................... 4 1.3 Tujuan Penelitian ............................................................................................................. 4 1.4 Kontribusi Penelitian ....................................................................................................... 4 BAB II TINJAUAN PUSTAKA ............................................................................................... 1 2.1 Penelitian Terkait ............................................................................................................. 1 2.2 Bahan Penelitian lain ....................................................................................................... 2 2.2.1 Background Substraction .......................................................................................... 2 2.2.2 Clustering K-Means .................................................................................................. 3 2.2.3 Pendekatan Jarak ....................................................................................................... 5 2.2.4 Morfologi .................................................................................................................. 6 2.2.5 Median Filter ............................................................................................................. 9 2.2.6 Evaluasi dan Pengukuran ........................................................................................ 10 BAB III METODOLOGI PENELITIAN ................................................................................ 11 3.1 Pengumpulan Data ......................................................................................................... 11 3.2 Pengolahan Data awal (Data pre processing) ................................................................ 11 3.3 Metode yang diusulkan .................................................................................................. 12 3.4 Experimen dan Pengujian Metode ................................................................................. 14 3.5 Evaluasi Hasil ................................................................................................................ 15 BAB IV BIAYA DAN JADWAL PENELITIAN ................................................................... 16 4.1 Rekapitulasi Anggaran Penelitian .................................................................................. 16 4.2 Jadwal Penelitian ........................................................................................................... 17 DAFTAR PUSTAKA .............................................................................................................. 18 LAMPIRAN 1 JUSTIFIKASI ANGGARAN PENELITIAN .......................................................................... 21 LAMPIRAN 2 SUSUNAN ORGANISASI TIM PENELITI........................................................................... 23
iii
LAMPIRAN 3 BIODATA PENELITI ............................................................................................................. 24 SURAT PERNYATAAN KETUA PENELITI/PELAKSANA .............................................. 30
DAFTAR GAMBAR
Gambar 1: Urutan Proses Deteksi Objek Bergerak [5].............................................................. 1 Gambar 2: Background Substraction dengan Post-processing [2] ............................................ 1 Gambar 3: Survey Background Substraction ............................................................................. 2 Gambar 4: Operasi Delasi. ......................................................................................................... 7 Gambar 5: Operasi Erosi. ........................................................................................................... 7 Gambar 6: Operasi Opening. ..................................................................................................... 8 Gambar 7: Operasi Closing. ....................................................................................................... 9 Gambar 8: Median Filtering....................................................................................................... 9 Gambar 9: Pengambilan citra diambil diluar ruangan ............................................................. 11 Gambar 10: Pengambilan citra diambil diluar ruangan ........................................................... 12 Gambar 11: Metode yang di usulkan penelitian ini. ................................................................ 13
DAFTAR TABEL
Tabel 1: Format Ringkasan Anggaran Biaya Penelitian Dosen Pemula yang Diajukan ......... 16 Tabel 2: Jadwal Pelaksanaan ................................................................................................... 17
iv
RINGKASAN
Pelacakan objek merupakan kegiatan penting dalam bidang computer vision yang memiliki banyak aplikasi bidang interaksi manusia dan komputer, pengawasan, ruang yang cerdas dan pencitraan medis. Dalam bentuk yang paling sederhana, pelacakan dapat didefinisikan sebagai masalah memperkirakan lintasan objek dalam bidang gambar ketika bergerak di sekitar scene. Pelacakan obyek udah banyak dilakukan oleh para peneliti sebelumnya, baik menggunakan representasi obyek, feature selection. Maka peneliti mengusulkan penelitian baru yaitu pencarian objek tracking dengan metode kmeans. Perbandingan hasil dari perbedaan jarak metode traking digunakan sebagai acauan parameter terbaik dari algoritma Kmeans
Kata kunci : BS kmeans, tracking
v
BAB I PENDAHULUAN
1.1 Latar Belakang Video surveillance merupakan suatu proses analisa dari sekuen video. Video surveillance terdiri dari deteksi objek, tracking(pelacakan) objek dari frame ke frame, dan analisis dari objek yang terlacak [1]. Deteksi objek dilakukan pada setiap frame atau saat objek pertama kali muncul. Deteksi objek ini sebagai langkah pertama dari video surveillance, deteksi objek yang akurat menjadi hal yang penting. Hal tersebut tidak mudah tentunya, dengan beberapa permasalahan umum dalam deteksi objek seperti perubahan pencahayaan, dan juga bayangan dari objek yang terdeteksi [2,3,4]. Pendekatan umum dari untuk deteksi objek adalah menggunakan informasi dari setiap frame. Namun, beberapa metode deteksi objek menggunakan informasi temporal yang didapat dari perhitungan urutan frame dengan tujuan mengurangi kesalahan deteksi (deteksi palsu). Informasi temporal biasanya diperoleh dari perbedaan frame, dimana memilih dan menandai area yang berubah secara dinamis. Kemudian proses tracking dijalankan untuk melacak korespondensi objek dari satu frame ke frame berikutnya yang menghasilkan jalur.
Gambar 1: Urutan Proses Deteksi Objek Bergerak [5] Gambar 1 mendiskripsikan urutan langkah dalam deteksi objek bergerak [5]. Tujuan utama dari deteksi objek adalah untuk membedakan objek foreground dan background. Langkah awal deteksi objek bergerak adalah inisialisasi background scene. Bagian yang terkait dengan background scene akan terisolir dan dihubungkan dengan modul lain, dijaga agar keseluruhan sistem deteksi bekerja flexibel dengan semua model background. Langkah selanjutnya pada metode deteksi adalah mendeteksi pixel
1
foreground menggunakan model background dan frame saat ini. Level pixel terdeteksi tergantung dari model background dan digunakan untuk meng-update model background untuk beradaptasi dengan perubahan scene yang dinamis. Hasil output dari deteksi foreground mengandung noise. Umumnya, disebabkan berbagai faktor. Beberapa faktor yang menyebabkan noise pada deteksi foregorund seperti: noise camera, background colored object noise, reflectance noise [6]. Noise dapat direduksi dengan teknik filtering. Low pass filter dan operasi morphologi dapat diaplikasikan pada pixel map untuk menghilangkan noise yang disebabkan oleh permasalahan diatas [4]. Tujuan dari menggunakan operasi ini adalah untuk menghilangkan noise yang tidak berhubungan dengan daerah foreground, menghilangkan noise pixel background disekitar dan didalam daerah objek yang termasuk sebagai pixel foreground. Low pass filter digunakan untuk mengaburkan dan mengurangi noise. Sesudah noise pixel-level dihilangkan, masih ada beberapa region kecil dikarenakan segmentasi yang buruk. Untuk menghilangkan tipe region ini, digunakan nilai threshold yang dapat menghilangkan region yang nilainya lebih kecil dari threshold. Kemudian region atau objek yang tersegmentasi dapat diekstrak dari citra. Fitur dapat berupa ukuran, titik pusat atau centroid dan bounded dari connected component. Fiturfitur tersebut dapat digunakan untuk pelacakan objek dan klasifikasi untuk proses selanjutnya setelah proses deteksi. Yilmaz [1] merangkumkan teknik deteksi objek dalam beberapa kategori: Point Detector, Segmentation, Background Modelling, dan Supervised Classifer. Background Modelling atau Background Substraction merupakan salah satu teknik deteksi objek yang menarik banyak peneliti. Deteksi objek diperoleh dengan membangun sebuah representasi dari scene yang disebut model latar belakang dan kemudian menemukan perbedaan dari model dan frame yang masuk. Setiap perubahan yang signifikan dalam wilayah gambar dari model latar belakang menandakan objek bergerak. Pixel daerah yang mengalami perbedaan akan ditandai untuk pemrosesan lebih lanjut. Algoritma Connected componen diterapkan untuk memperoleh daerah yang terhubung sesuai dengan objek. Proses ini disebut Background Substraction.
2
Beberapa penelitian tentang teknik Background Substraction dibahas dalam [2,3,4]. Diungkapkan ada beberapa kendala dalam penggunaan teknik Background Substraction seperti: kualitas citra yang buruk, peralihan pencahayaan, bayangan dari objek [2,3,4]. Kendala tersebut menjadi tantangan bagi para peneliti dalam mengajukan teknik deteksi dan pelacakan objek yang berbasis teknik pengurangan background. Beberapa teknik Background Substraction diuraikan dalam [4], seperti penelitian oleh Li [7] mengusulkan metode berbasis Bayes untuk deteksi dan segmentasi foreground dari background statis dan bergerak. Zivkovic [12] mengusulkan metode baru dari Gaussian Mixture Model(GMM) yang dapat mengurangi waktu
pemrosesan
meningkatkan akurasi baik dalam background statis maupun bergerak. Kim [8] mengajukan sebuah algoritma Codebooks yang digunakan kompresi background untuk mempelajari variasi sturktur background dalam jangka waktu yang panjang dan jumlah memory terbatas. Das [13] menggunakan algoritma Otsu untuk mencari nilai threshold adaptif pada segmentasi objek bergerak dari sekuen citra. Nilai threshold yang dihasilkan memperbaiki kualitas ekstraksi foreground. Pada[9] threshold adaptif diperoleh dari Gaussian Mixture Model (GMM) untuk tiap pixel pada frame. Penambahan GMM untuk adaptive thresholding dapat mengatasi beberapa masalah seperti bayangan dan perubahan intensitas cahaya. Pada penelitian ini menggunakan metode kmeans dikarenakan dinilai cukup efisien, yang ditunjukkan dengan kompleksitasnya O(tkn), dengan catatan n adalah banyaknya obyek data, k adalah jumlah cluster yang dibentuk, dan t banyaknya iterasi. Biasanya, nilai k dan t jauh lebih kecil daripada nilai n. Selain itu, dalam iterasinya, algoritma ini akan berhenti dalam kondisi optimum local [11]. K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective 3
function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. Sehingga fokus pada penelitian ini adalah menggunakan kmeans untuk penentuan threshold pada pelacakan objek. Sehingganya diharapkan metode ini mendapatkan hasil MSE yang lebih kecil 1.2 Perumusan Masalah Permasalahan yang dirumuskan yaitu adanya bentuk non-kaku dan tampilan obyek yang bervariasi, oklusi, perubahan pencahayaan, adegan yang tidak beraturan sehingga menyebabkan tidak optimalnya dalam hal pelacakan objek. Masih tingginya nilai varian dan jumlah pixel eror dalam penggunaan metode pada penelitian sebelumnya pada dataset outdoor maupun indoor, yang berakibat kurang baiknya hasil dalam pelacakan obyek. Sehingga diharapkan dengan menggunakan metode k-means didapatkan object yang tepat dan dapat mengurangi jumlah pixel eror. 1.3 Tujuan Penelitian Penelitian ini bertujuan meningkatkan akurasi dari penerapkan algoritma K-means berdasarkan perbedaan jarak pada teknik Background Substraction dalam mendeteksi objek bergerak untuk pengawasan berbasis video. 1.4 Kontribusi Penelitian Manfaat yang dapat diberikan dalam penelitian ini dengan deteksi dan segmentasi objek bergerak yang akurat dapat membantu proses pelacakan video. Misalkan: Pengawasan otomatis, pengindekan video, anotasi otomatis, pemantauan lalu lintas, navigasi kendaraan.
Manfaat dari penelitian ini adalah: 1.4.1
Manfaat praktis
4
Manfaat dari penelitian ini yaitu diharapkan agar terciptanya suatu sistem yang efektif dan efisien yang dapat membantu permasalah deteksi objek dalam pelacakan atau pengawasan video otomatis, pengindekan video, pemantauan lalu lintas dan navigasi kendaraan.
1.4.2
Manfaat teoritis Hasil penelitian ini diharapkan dapat memberikan sumbangan pada pengembangan teori yang berhubungan dengan penggunaan algoritma Self Organizing Map pada teknik pengurangan background untuk mendeteksi objek bergerak dalam pelacakan dan pengawasan berbasis video.
5
BAB II TINJAUAN PUSTAKA
2.1 Penelitian Terkait Dalam penelitian yang dilakukan oleh Brutzer [4] mengevaluasi metode Background Subtraction yang telah diajukan oleh beberapa peneliti Kim [8], Zivkovic [12], Maddalena [14], Li [7]. Beberapa metode tersebut dievaluasi dalam mengatasi permasalahan umum dari teknik Background Subtraction seperti: kualitas citra yang buruk, peralihan pencahayaan, bayangan dari objek, kamuflase dan background dinamis [2]. Penambahan tahap post-processing setelah Background Subtraction dapat meningkatkan akurasi deteksi objek. Tahap post-prosessing ini diisi dengan teknik filtering.
Gambar 2: Background Substraction dengan Post-processing [2] Gambar 2.1 merupakan framework yang diusulkan oleh Brutzer [4]. Fase background substraction dimulai dengan membaca frame video, dari frame video diinisialisasi model background. Kemudian frame video masukan selanjutnya dibandingkan dengan model background. Selisih nilai pixel merupakan foreground yang terdeteksi. Selanjutnya foreground terdeteksi masuk dalam tahap post-processing unutk memperbaiki kualitas foreground yang meningkatkan kualitas deteksi objek.
1
2.2 Bahan Penelitian lain 2.2.1 Background Substraction Pendekatan yang umum digunakan Identifikasi objek bergerak dari sekuen video dalam adalah teknik Background Substraction. Background Substraction mengidentifikasi objek bergerak dari tiap frame yang berupa nilai pixel yang berbeda pada tiap frame. Ada beberapa tantangan dalam mengembangkan algoritma pengurangan background. Pertama algoritma harus tahan tehadap perbahan pencahayaan (illumiation). Kedua, algoritma dapat menghindari deteksi objek non-stationer pada background seperti: daun bergerak, hujan, salju dan bayangan dari objek [2,3,4].
a. Citra Asli
b.
Citra
Hasil
Background
Substraction Gambar 3: Survey Background Substraction
Menurut [2,3,4] dalam survey tentang Background Substraction, ada beberapa permasalahan pokok atau bisa disebut tantangan dalam mengembangkan algoritma Background Substraction, yaitu: • Perubahan Cahaya: model background harus beradaptasi terhadap perubahan pencahayaan • Background bergerak: model background harus mencakup perubahan pada Background, seperti pohon melambai • Bayangan: model background mencakup bayangan dari objek bergerak, untuk memiliki deteksi lebih akurat dari bentuk benda bergerak • Bootstrap: model background harus benar mengatur bahkan dalam adanya pelatihan (bebas dari benda bergerak) lengkap dan statis ditetapkan pada awal urutan; • Kamuflase: objek bergerak tetap terdeteksi bahkan jika fitur kromatik objek mirip dengan model backgorund.
2
2.2.2 Clustering K-Means Cluster (klaster) adalah kesatuan nilai-nilai dalam jarak tertentu pada kepadatan suatu daerah (relatif besar) dibandingkan dengan kepadatan nilai-nilai daerah sekitarnya. Teknik klasterisasi bermanfaat untuk segmentasi citra dan klasifikasi data yang belum diolah untuk menciptakan kelas-kelas. Warna diwakili dalam vektor 3 dimensi dari nilai titiknya. Masing-Masing komponen warna dihadirkan dalam warna merah, hijau dan biru (RGB). Perlu dicatat bahwa penggunaan penyajian ini, jika dua garis vektor adalah saling berdekatan, warna akan ditampilkan serupa, rata-rata dari dua garis vektor, jika warna yang akan ditampilkan sangat berbeda, maka akan diambil jalan tengah dengan menghadirkan suatu warna secara kasar dari warna aslinya. Acuan ini juga ketika rata-rata berbagai garis vektor RGB. Adapun cara-cara lain yang tidak membatasi untuk menghadirkan suatu warna dengan garis vektor 3 dimensi. Berikut untuk detilnya dari penjelasan di atas, bagaimana pilihan penampilan warna mempengaruhi hasil proses klasterisasi: 1.
Langkah yang pertama adalah menetapkan data set dari algoritma yang akan digunakan (KMeans), yaitu dengan melakukan pengambilan nilai acak dari k.
2.
Kemudian, penampilan RGB dari tiap pixel diciptakan, dan menghasilkan dataset dalam 3- vektor.
3.
Algoritma K-Means diterapkan pada dataset, menetapkan klasterisasi pusat k. Algoritma KMeans akan menghadirkan k warna untuk menggambarkan citra tersebut.
4.
Tiap-Tiap piksel citra dikonversi dalam suatu garis vektor RGB, dan ditampilkan menggunakan rata-rata dari kelompok warna yang dihasilkan.
Salah satu metode dalam clustering adalah metode Kmean, metode ini merupakan algoritma clustering yang paling popular dan banyak digunakan dalam dunia industri. Langkah-langkah metode K-means dalam penentuan data cluster sebagai berikut [15,17]: 1. Tentukan k sebagai jumlah cluster yang di bentuk. Untuk menentukan banyaknya cluster k dilakukan dengan beberapa pertimbangan seperti pertimbangan teoritis dan konseptual yang mungkin diusulkan untuk menentukan berapa banyak cluster. Menentukan jumlah kluster (k), tetapkan pusat kluster sembarang dari objek-objek
3
yang tersedia sebanyak k cluster, kemudian untuk menghitung centroid cluster ke-i berikutnya, digunakan rumus sebagai berikut :
𝑣=
∑𝑛 𝑖=1 𝑥𝑖
(2,1)
𝑛
Dimana 𝑣 = centroid pada cluster 𝑥1 = objek ke-i 𝑛 = banyaknya objek/jumlah objek yang menjadi anggota cluster i= 1,2,3…n 2. Menghitung jarak setiap data ke pusat kluster, contohnya untuk menghitung jarak antara objek dengan centroid menggunakan Euclidian Distance 𝐷(𝑋, 𝑌) = √∑(𝑋𝑖 − 𝑌𝑖 )2
(2,2)
Dimana 𝑋𝑖 = Obyekx ke-I , 𝑌𝑖 = obyek y ke-i 3. Mengelompokan data ke dalam kluster yang dengan jarak yang paling pendek 4. Menghitung pusat kluster yang baru 5. Mengulangi langkah 2 sampai dengan 4 hingga sudah tidak ada lagi data yang berpindah ke kluster yang lain. Pengecekan konvergensi dilakukan dengan membandingkan matriks group assignment pada iterasi sebelumnya dengan matrik group assignment pada iterasi yang sedang berjalan. Jika hasilnya sama maka algoritma k-means cluster analysis sudah konvergen, tetapi jika berbeda maka belum konvergen sehingga perlu dilakukan iterasi berikutnya. Pada langkah-langkah penentuan cluster metode K-means diatas, menghitung penentuan jarak setiap data ke pusat cluster sangatlah penting dimana keakuratan dalam penentuan cluster sangat dipengaruhi oleh penentuan jarak tersebut. Algoritma ini dimulai dengan penyekatan masukan menunjuk ke dalam tetapan k secara acak. Kemudian mengkalkulasi rata-rata titik, atau pusat luasan, dari tiap set. Hal ini mengakibatkan suatu sekat baru dengan menghubungkan masing-masing dengan pusat luasan yang terdekat. Kemudian pusat luasan dihitung kembali untuk klaster yang baru, dan algoritma yang diulangi dua langkah sampai pemusatan, yang mana diperoleh ketika poin-poin tidak lagi berpindah klaster atau sebagai alternative pusat luasan adalah tidak lagi diubah.
4
Walaupun algoritma harus selalu memusat, tidak ada batas pada banyaknya iterasi yang berulangulang sesuai yang diperlukan. Suatu implementasi boleh dipilih untuk menghentikan algoritma itu setelah suatu jumlah iterasi tertentu. Pemusatan tidaklah menjamin untuk menghasilkan suatu hasil yang maksimal secara menyeluruh[15,17]. 2.2.3 Pendekatan Jarak Metode k-means memiliki beberapa pendekatan yang dapat menentukan cluster atau kelompok berdasarkan jarak antara data dan centroid. Pendekatan–pendekatan K-mean dengan parameter jarak diantaranya : 1. Sqeuclidean merupakan pendekatan k-means dimana penentuan centroidnya berdasarkan rata-rata dari titik-titik data yang ada pada cluster. D(X, Y) = ∑(𝑋𝑖 − 𝑌𝑖)2 2. Cityblock merupakan
(2.3) pendekatan K-means dimana penentuan centroidnya
berdasarkan nilai tengah dari titik-titik dalam cluster . D(X, Y) = ∑ |𝑋𝑖 − 𝑌𝑖|
(2.4)
3. Cosine merupakan pendekatan k-means dimana penentuan centroidnya berdasarkan rata-rata dari titik-titik data yang ada pada cluster itu, setelah dilakukan normalisasi satuan panjang Euclidean. sin(𝐴, 𝐵) = cos 𝜃 = |𝐴|𝐴.𝐵|𝐵|
(2.5)
4. Dot product yang merupakan nilai untuk mengekspresikan sudut antara dua vektor. Dot product merupakan skalar nilai hasil dari operasi dua vektor yang memiliki jumlah komponen yang sama. Jika vektor A dan B memiliki komponen sebanyak n, maka dot product dapat dihitung dengan persamaan sebagai berikut. 𝐴. 𝐵 = 𝐴1 𝐵1 +. . . +𝐴𝑛 𝐵𝑛
(2.6)
5. Correlation merupakan pendekatan k-means dimana penentuan centroidnya berdasarkan rata-rata component-wise dari titik-titik data yang ada pada cluster itu setelah berpusat dan normalisasi titik-titik untuk mean nol dan satuan deviasi standar. 𝑆(𝑋, 𝑌) =
∑ 𝑍𝑥𝑖
𝑧𝑦𝑖
(2.7)
(𝑁−1)
6. Hamming merupakan
pendekatan K-means dimana penentuan centroidnya
berdasarkan nilai tengah component-wise dari poin dalam cluster , pendekatan ini hanya cocok untuk data biner. 𝐷(𝑃, 𝑄) = ∑𝑘𝑘=1 𝛿(𝑋𝑝𝑘 . 𝑋𝑞𝑘 )
(2.8)
5
Dimana : 𝛿(𝑋𝑝𝑘 . 𝑋𝑞𝑘 ) = {
1, 𝑖𝑓 𝑋𝑝𝑘 ≠ 𝑋𝑞𝑘 0, 𝑙𝑎𝑖𝑛𝑛𝑦𝑎
2.2.4 Morfologi Morfologi adalah satu cabang dari pengolahan citra yang sangat bermanfaat dalam analisis bentuk dalam citra. Morfologi didasarkan pada bentuk segmen atau region dalam citra. Morfologi atau kadang disebut mathematical morphology adalah alat untuk mengekstrak komponen-komponen citra digital yang berguna dalam representasi dan deskripsi dari suatu gambar [21]. Morfologi dapat diterapkan sebagai langkah awal ataupun akhir dari proses analisis citra digital untuk jenis gambar biner(0 dan 1) atau citra dengan skala keabuan (0-255) atau grayscale [21]. Namun, umumnya morfologi biasanya diterapkan pada citra biner. Perbedaan pada pemrosesan citra secara morfologis adalah suatu citra dipandang sebagi himpunan, yang sebelumnya dipandang sebagai suatu fungsi intensitas terhadap posisi (x,y). Secara umum, pemrosesan citra secara morfologi dilakukan dengan cara mem-passing sebuah structuring element (SE) terhadapa sebuah citra dengan cara yang hampir sama dengan konvolusi. Structuring element dapat diibaratkan dengan mask pada pemrosesan citra. Structuring element dapat berukuran sembarang, namun Matlab menyediakan beberapa bentuk structuring element seperti: line, disk, diamond, arbitary, square, and rectangle. Terdapat dua operasi dasar dalam morfologi yaitu dilasi dan erosi, operasi lainnya dibangun dari kombinasi antara keduanya. 1.2.4.1 Dilasi Dilasi merupakan proses penggabungan titik-titik latar menjadi bagian dari objek berdasarkan structuring element yang digunakan. Dilasi dilakukan dengan meletakkan titik poros SE pada titik A kemudian diberi angka 1 untuk semua titik(x,y) yang terkena/tertimpa oleh structuring element pada posisi tersebut.
6
SE
A
D
SE=structures elements
D = citra hasil dilasi
A = citra biner
𝑑(𝐴, 𝑆𝐸) = 𝐴⨁𝑆𝐸
Gambar 4: Operasi Delasi. 1.2.4.2 Erosi Erosi merupakan proses penghapusan titik-titik objek(1) menjadi bagian dari latar(0), berdasarkan stucturing elements(SE) yang digunakan. Erosi dilakukan dengan meletakkan titik poros SE pada titik A kemudian jika ada bagian dari SE yang berada diluar A, maka titik poros akan dihapus atau dijadikan latar.
SE
A
E
SE=structures elements
E = citra hasil erosi 𝐸(𝐴, 𝑆𝐸) = 𝐴 ⊗ 𝑆𝐸
A = citra biner
Gambar 5: Operasi Erosi.
1.2.4.3 Opening Operasi erosion sangat berguna dalam menghilangkan objek-objek kecil yang terdapat dalam gambar, namun operasi ini memiliki kelemahan, yaitu terjadinya penurunan ukuran objek yang lainnya. Untuk mengatasi hal tersebut, dapat dilakukan operasi dilation setelah melakukan operasi erosion dengan menggunakan SE yang sama. Kombinasi dari
7
kedua operasi ini disebut opening[21]. Secara matematis, operasi opening pada gambar biner dapat dituliskan dengan rumus berikut ini 𝐴 ∘ 𝑆𝐸 = (𝐴 ⊝ 𝑆𝐸) ⊕ 𝑆𝐸
(3)
Operasi opening akan mencegah penurunan ukuran objek secara keseluruhan. Gambar II.8 menunjukkan contoh operasi opening menggunakan SE berukuran 3x3. (𝐴 ⊝ 𝑆𝐸)
(𝐴 ⊝ 𝑆𝐸) ⊕ 𝑆𝐸
A SE=structures elements
SE
A = citra biner
Gambar 6: Operasi Opening.
1.2.4.4 Closing Sama seperti opening, operasi closing merupakan penggabungan antara operasi erosion dan dilation. Namun, pada closing operasi dilation dilakukan terlebih dulu kemudian baru diikuti dengan operasi erosion. Secara matematis, operasi closing dapat dituliskan dengan rumus. 𝐴 ⋅ 𝑆𝐸 = (𝐴 ⊕ 𝑆𝐸) ⊝ 𝑆𝐸
(4)
Hasil operasi closing hampir mirip seperti hasil operasi dilation, yaitu memperbesar batas luar dari foreground objek dan juga menutup lubang kecil yang terletak di tengah objek. Akan tetapi, hasil operasi closing tidak sebesar operasi dilation. Hasil dari operasi dilation akan menyebabkan pembengkakkan bentuk keseluruhan objek. Efek ini dapat dikurangi dengan menerapkan proses erosion setelah proses dilation.
8
(𝐴 ⊝ 𝑆𝐸) ⊕ 𝑆𝐸
A (𝐴 ⊕ 𝑆𝐸)
SE=structures elements
SE
A = citra biner
Gambar 7: Operasi Closing.
2.2.5 Median Filter Salah satu cara peningkatan kulaitas citra adalah mask prosessing. mask processing dilakukan operasi terhadap suatu jendela ketetanggaan pada citra. Selanjutnya diterapkan (melakukan konvolusi) suatu mask terhadap jendela tersebut. Salah satu penerapan mask processing adalah median filtering. Median Filtering merupakan salah satu teknik peningkatan kualitas citra dalam domain spasial. Metode ini termasuk dalam kategori non linear filtering. Pada median filtering, nilai piksel output ditentukan oleh median dari lingkungan mask yang ditentukan. Median dicari dengan melakukan pengurutan terhadap nilai piksel dari mask yang sudah ditentukan, kemudian dicari nilai tengahnya [21, 22]. Cara kerjanya dapat dijelaskan sebagai berikut:
Gambar 8: Median Filtering
9
Dengan menggunakan citra diatas, diambil 3x3 mask filtering. Nilai masing-masing piksel yang bertetanggaan setelah diurutkan adalah sebagai berikut: 115, 119, 120, 123, 124, 125, 126, 127, 150. Hasil pengurutan tersebut mendapatkan nilai median 124. Nilai median ini digunakan untuk menggantikan nilai pusat mask, sehingga nilai 150 akan diganti dengan 124. 2.2.6 Evaluasi dan Pengukuran Diperlukan cara yang sistematis untuk mengevaluasi kinerja suatu metode didalam penelitian [15], penelitian kali ini menggunakan Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR). MSE dan PSNR digunakan untuk mengukur performance dari segmentasi objek bergerak. Semakin rendah nilai MSE menunjukkan deteksi objek yang lebih baik [23]. Kebalikannya deteksi objek bergerak yang baik ditunjukkan dengan nilai PSNR yang tinggi [20]. 1
𝑁 𝑀𝑆𝐸(𝑋, 𝑌) = 𝑀𝑁 ∑𝑀 𝑖=1 ∑𝑗=1[𝑋(𝑖, 𝑗) − 𝑌(𝑖, 𝑗)] 𝑚𝑎𝑥 2
𝑃𝑆𝑁𝑅(𝑋, 𝑌) = 10. 𝑙𝑜𝑔10 (𝑀𝑆𝐸(𝑋,𝑌))
(5) (6)
Nilai MSE diperoleh dengan membandingkan hasil segmentasi dengan ground truth. Nilai max pada perhitungan PSNR diperoleh dari nilai maksimal yang mungkin didapat dari citra.
10
BAB III METODOLOGI PENELITIAN
Metode penelitian yang dilakukan adalah metode penelitian eksperimen. Tahapan dari metode penelitian tersebut adalah: 3.1 Pengumpulan Data Pada penelitian ini menggunakan 2 data sekunder. Kedua data berupa video yang diekstrak menjadi citra. Data pertama berupa video objek orang berjalan pada suatu ruangan yang berdurasi 1 menit 44 detik dengan dimensi frame 352X240, frame rate 29/detik dan format MPG. Data ini diambil di Universitas Dian Nuswantoro Semarang. Data video dengan dimensi frame video 1920X1080, frame rate 25/detik dan format AVI.
Gambar 9: Pengambilan citra diambil diluar ruangan
3.2 Pengolahan Data awal (Data pre processing) Dalam rangka mempermudah penggunaan data, dataset dikelompokkan dalam folder. Karena menggunakan 2 dataset, maka data tersebut dipisah dalam folder tersendiri. Setiap Folder dataset ini berisi 2 folder. folder pertama diberi nama “eksperimen” berisi 100 citra hasil ekstraksi dari video yang digunakan untuk eksperimen. Folder kedua diberi nama “GT” berisi citra ground truth untuk pengujian. Citra ground truth dibuat sebagai target untuk mengukur akurasi atau performance dari model yang diusulkan. Citra ground truth dibuat dari citra yang ada pada folder eksperimen. Citra tersebut ditandai pada bagian objeknya. Penandaan berupa persegi atau yang lebih sering disebut bounding box. Penandaan atau bounding dilakukan dengan program pengolah citra Paint dari Microsoft. 11
Jumlah citra ground truth samadengan jumlah citra pada folder eksperimen yaitu 100 citra. Hal yang sama juga berlaku pada dataset kedua.
Gambar 10: Pengambilan citra diambil diluar ruangan
3.3 Metode yang diusulkan Metode yang diusulkan untuk penelitian ini menerapkan algorithma K-means pada Background Substraction untuk mengelompokkan pixel pada citra termasuk sebagai background atau foreground. Ditambahkan operasi morfologi dan median filtering dalam rangka meningkatkan performa dari model yang diajukan. Berdasarkan Gambar 10 maka metode yang diusulkan pada penelitian ini dapat dijelaskan antara lain:
12
Gambar 11: Metode yang di usulkan penelitian ini.
Tahapan pada usulan penelitian ini: 3.3.1
Input image frame
Data image/citra yang telah disiapkan dalam pengolahan data awal. Di-load oleh model. Data yang digunakan adalah data pada folder eksperimen. 3.3.2
Preprosessing
Image frame hasil ekstraksi mempunyai ruang warna RGB. Setiap image frame akan masuk proses inisialisai. Pada proses inisialisasi, dimensi image frame masukan akan di-resize menjadi 240X352. Kemudian image frame masukan diekstrak menjadi 3 bagian image R,image G, dan image B. Sebelum proses inisilaisasi dilakukan, tentukan dulu image yang menjadi model background. Image frame pertama akan digunakan sebagai model background awal. Tahap preprocessing ini dilakukan
13
sebagai persiapan dalam pendeteksian foreground menggunakan Background Subtraction. 3.3.3
Background Substraction
Pada tahap background substraction berisi beberapa proses. Dimulai dengan pencarian Best Matching Unit(BMU) dari model background dengan frame masukan. Proses ini dimulai dengan menghitung jarak kedua citra. Digunakan fungsi jarak.m yang kami buat berdasarkan rumus perhitungan jarak Euclidean Distance [18]. 𝑑(𝑎, 𝑏) = [(𝑎𝑅 − 𝑏𝑅 )2 + (𝑎𝐺 − 𝑏𝐺 )2 + (𝑎𝐵 − 𝑏𝐵 )2 ]1⁄2 Nilai pixel pada citra hasil pengurangan akan dibandingkan dengan nilai threshold yang telah ditetapkan. Pixel akan masuk kategori BMU jika nilainya lebih kecil atau sama dengan nilai threshold. Pixel yang masuk kategori BMU akan ditetapkan sebagai Background dan diberi nilai 0, sedang kondisi lainya akan masuk sebagai foreground diberi nilai 1. Sesuai dengan Algoritma Kmeans image di kluster menjadi background dan foreground menggunakan beberapa perbedaan jaraknya. 3.3.4
Postprocessing
Tahapan ini diaplikasikan teknik Morfologi dan filtering untuk memperbaiki hasil segmentasi dari Background Substraction. Teknik yang dapat digunakan dalam postprosessing seperti Morfologi (Closing, Opening, Dilation, Erotion), Median filter, Wiener filter, atau teknik peningkatan citra lain. Dalam penelitian ini diplikasikan Closing, Opening, Erotion dan Median Filter. 3.3.5
Object Detection and Marking
Tahap terakhir adalah deteksi objek dan penandaan objek (foreground). Diaplikasikan algoritma connected component yang dilanjutkan dengan teknik Bounding Box yang akan memberi batas persegi objek yang terdeteksi pada citra. 3.4 Experimen dan Pengujian Metode Pada tahapan ini menjelaskan tentang teknik pengujian yang digunakan. Deteksi objek dilakukan menggunakan dua metode yaitu background Subtraction standard dan bacground substraction
berbasis
Kmeans. Proses
eksperimen dan pengujian
menggunakan dua dataset yang telah disiapkan dari tahap sebelumnya. Tahap ini akan dijalankan deteksi objek menggunakan background subtraction standar dan berbasis som
14
pada setiap dataset. Setiap dataset berisi 100 frame. Hasil daeteksi akan diukur dengan membandingkan dengan citra ground truth. Dilakukan pengaturan parameter unutk mendapatkan performance dan akurasi terbaik. 3.5 Evaluasi Hasil Pada tahap ini dibahas tentang hasil evaluasi dari eksperimen yang telah dilakukan. Telah disebutkan sebelumnya, evaluasi pada penelitian ini dilakukan dengan mencari nilai MSE dan PSNR. Nilai MSE didapatkan dengan membandingkan citra ground truth dengan citra hasil deteksi dari metode yang diusulkan. Dari dataset yang digunakan akan diperoleh nilai MSE dan PSNR dari deteksi objek menggunakan Background Subtraction standard. Setelah itu dengan dataset yang sama Kmeans dan tahap post-processing yang diajukan, diapliksaikan dalam proses deteksi objek dengan dataset yang sama. Dari hasil yang diperoleh kemudian dibandingkan untuk mengetahui ada perubahan atau tidak. Diharapkan dalam penelitian ini Algoritma Kmeans dan tahap post-processing yang diajukan bekerja dengan baik.
15
BAB IV BIAYA DAN JADWAL PENELITIAN
4.1 Rekapitulasi Anggaran Penelitian Format Ringkasan Anggaran Biaya Penelitian Dosen Pemula yang Diajukan untuk penelitian seperti berikut: Tabel 1: Format Ringkasan Anggaran Biaya Penelitian Dosen Pemula yang Diajukan No
Jenis Pengeluaran
Biaya yang diusulkan (Rp.)
1
Bahan/Barang Habis Pakai
Rp. 1.500.000
2
Bahan dan Peralatan : Sewa
Rp. 2.500.000
3
Perjalanan dan konsumsi
Rp. 1.250.000
4
Honor Peneliti (2 orang)
Rp. 1.000.000
5
Lain-lain
Rp. 1.250.000 Jumlah total Rp. 7.500.000
16
4.2 Jadwal Penelitian Penelitian ini dilakukan dengan beberapa aktivitas seperti berikut:
Tabel 2: Jadwal Pelaksanaan Bulan Kegiatan
Tujuan 5
6
7
8
9
10
11
12
Analisa Masalah
Studi pustaka
Perancangan Penelitian
Perancangan Penelitian
Pengumpulan data
Mendapatkan data video Memproses video menjadi sebuah citra, serta memilih
Pengolahan awal data
data citra yang baik untuk data penelitian Mengolah data citra untuk
Percobaan
tingkatkan agar menjadi citra yang lebih baik Mengolah setiap hasil data
Analisa Hasil
yang didapatkan dari hasil experiment Pengujian dilakukan untuk membandingkan hasil metode yang diusulkan
Pengujian
dengan hasil metode yang pernah dilakukan sebelumnya.
17
DAFTAR PUSTAKA
[1].
A. Yilmaz, O. Javed, and M. Shah, “Object tracking,” ACM Computing Surveys, vol. 38, no. 4, p. 13–es, Dec. 2006.
[2].
K. Toyama, J. Krumm, B. Brumitt, and B. Meyers, “Wallflower : Principles and Practice of Background Maintenance,” International Conference on Computer Vision, no. September, 1999.
[3].
T. Bouwmans, F. El Baf, and B. Vachon, “Background Modeling using Mixture of Gaussians for Foreground Detection - A Survey,” Recent Patents on Computer Sciencee, vol. 1, no. 3, pp. 219–237, Nov. 2008.
[4].
S. Brutzer, B. Hoferlin, and G. Heidemann, “Evaluation of background subtraction techniques for video surveillance,” in CVPR 2011, 2011, pp. 1937– 1944.
[5].
K. Joshi and D. Thakore, “A Survey on Moving Object Detection and Tracking in Video Surveillance System,” International Journal of Soft Computing, no. 3, pp. 44–48, 2012.
[6].
A. Elgammal, R. Duraiswami, D. Harwood, and L. S. Davis, “Background and Foreground Modeling Using Nonparametric Kernel Density Estimation for Visual Surveillance,” vol. 90, no. 7, 2002.
[7].
L. Li, W. Huang, I. Y. H. Gu, and Q. Tian, “Foreground object detection from videos containing complex background,” in Proceedings of the eleventh ACM international conference on Multimedia - MULTIMEDIA ’03, 2003, p. 2.
[8].
T. H. Chalidabhongse, D. Harwood, and L. Davis, “Background modeling and subtraction by codebook construction,” in 2004 International Conference on Image Processing, 2004. ICIP ’04., 2004, vol. 5, pp. 3061–3064.
[9].
R. P. Bijwe and P. R. Deshmukh, “Moving Object Classification in Surveillance Videos,” vol. 4, no. 1, pp. 27–30, 2011.
[10].
L. Maddalena and A. Petrosino, “Neural Model-Based Segmentation of Image Motion,” pp. 57–64, 2008.
[11].
G. Williams, “Overview Data Mining Algorithms Cluster Analysis What is Cluster Analysis ? What is Cluster Analysis ? What Is Good Clustering ?
18
Clustering Caveats Similarity and Dissimilarity Between Objects Minkowski distance,” 2006. [12].
Z. Zivkovic and F. van der Heijden, “Efficient adaptive density estimation per image pixel for the task of background subtraction,” Pattern Recognition Letters, vol. 27, no. 7, pp. 773–780, May 2006.
[13].
P. Das, R. Ghoshal, D. Kumar Kole, and R. Ghosh, “Measurement of Displacement and Velocity of a Moving Object from Real Time Video,” International Journal of Computer Applications, vol. 49, no. 13, pp. 12–16, Jul. 2012.
[14].
L. Maddalena and A. Petrosino, “A self-organizing approach to background subtraction for visual surveillance applications.,” IEEE transactions on image processing : a publication of the IEEE Signal Processing Society, vol. 17, no. 7, pp. 1168–77, Jul. 2008.
[15].
D. T. LAROSE, DISCOVERING KNOWLEDGE IN DATA An Introduction to Data Mining. New Jersey: A JOHN WILEY & SONS, INC., PUBLICATION, 2005.
[16].
R. Khosrowabadi, H. C. Quek, A. Wahab, and K. K. Ang, “EEG-based Emotion Recognition Using Self-Organizing Map for Boundary Detection,” 2010 20th International Conference on Pattern Recognition, pp. 4242–4245, Aug. 2010.
[17].
Widodo Saptono, Achmad Hidayatno, R. Rizal Isnanto. Segmentasi Citra Menggunakan Teknik Pemetaan Warna (Color Mapping) Dengan Bahasa Pemrograman Delphi.
[18].
N. Selvarasu, A. Nachiappan, and N. M. Nandhitha, “Euclidean Distance Based Color Image Segmentation of Abnormality Detection from Pseudo Color Thermographs,” vol. 2, no. 4, pp. 2–4, 2010.
[19].
M. H. Khosravi and R. Safabakhsh, “Human eye sclera detection and tracking using a modified time-adaptive self-organizing map,” Pattern Recognition, vol. 41, no. 8, pp. 2571–2593, Aug. 2008.
[20].
A. A. Patil and J. Singhai, “Image denoising using curvelet transform: an approach for edge preservation,” vol. 69, no. JANUARY, pp. 34–38, 2010.
[21].
R. C. Gonzalez and R. E. Woods, Digital Image Processing, 2nd ed. Boston, MA, USA: Addison-Wesley Longman Publishing Co., Inc., 2001.
19
[22].
S. Liu, X. Fan, and X. Yang, “Combining Pseudo-median filter and median filter to improve performance,” 2010 3rd International Conference on Computer Science and Information Technology, pp. 513–517, Jul. 2010.
[23].
H. Ibrahim, “Adaptive Switching Median Filter Utilizing Quantized Window Size to Remove Impulse Noise from Digital Images,” vol. 02, no. 01, pp. 1–6, 2012.
20
LAMPIRAN 1 JUSTIFIKASI ANGGARAN PENELITIAN
Anggaran biaya yang diajukan RP. 7.500.000 untuk 6 bulan. Dengan rincian rencana biaya sebagai berikut: Biaya yang
Jenis Pengeluaran
diusulkan (Rp)
1. Bahan/Barang Habis Pakai
Rp. 1.500.000
a. Kertas A4 b. Pulpen Pilot c. Pensil d. Penghapus e. Heter f. Isi heter g. Klip kertas h. Jepit kertas i. Tinta Printer j. Buku dokumentasi 2. Bahan dan Peralatan : Sewa
Rp. 2.500.000
a. Data video b. Sewa Kamera 1 buah @500.000 untuk validasi c. Survey untuk pengambilan data 3. Perjalanan dan konsumsi
Rp.
a. Nama yang berangkat 1) Ricardus
Anggi
Pramunendar,
M.CS
/
0686.11.2011.614 2) Moch Arief Soeleman, S.Kom, M.Kom / 0686.11.1996.081 b. Keperluan 1) Ketua mengurus perizinan pengumpulan data
21
1.250.000
2) Anggota membantu dalam perjalanan perizinan pengumpulan data 4. Honor Peneliti (2 orang)
Rp.
750.000
5. Lain-lain
Rp. 1.500.000
a. Seminar nasional conference 1) Biaya conference b. Penyusunan Laporan 1) Penggandaan laporan 2) Pengiriman laporan c. Artikel Ilmiah 1) Penyusunan 2) Biaya publikasi d. Dokumentasi
Jumlah total Rp. 7.500.000
22
LAMPIRAN 2 SUSUNAN ORGANISASI TIM PENELITI
No
1
Nama / NIDN
Instansi
Bidang
Asal
Ilmu
Alokasi Waktu
Uraian Tugas
(jam/minggu)
Moch Arief
Universitas
Teknik
10
Ketua penelitian,
Soeleman,
Dian
Informatika
jam/minggu
Perencana, dan Analisa
S.Kom, M.Kom /
Nuswantoro
Hasil Eksperimen
0686.11.1996.081 2
Ricardus Anggi
Universitas
Teknik
10
Mencari data,
Pramunendar,
Dian
Informatika
jam/minggu
Eksperimen, dan
M.CS /
Nuswantoro
Menulis Laporan
0686.11.2011.614
23
LAMPIRAN 3 BIODATA PENELITI
BIODATA KETUA PENELITI
A. Identitas Diri 1
Nama Lengkap
Moch Arief Soeleman, S.Kom., M.Kom
2
Jenis Kelamin
L
3
Jabatan Fungsional
Lektor
4
NIP
0686.11.1996.081
5
NIDN
0628027101
6
Tempat dan Tanggal Lahir
Semarang, 28 Februari 1971
7
Email
[email protected],
[email protected]
8
No Telepon/HP
081-565-222-08
9
Alamat Kantor
Jl. Imam Bonjol 207, Semarang
10 Nomor Telepon/Faks 11
-
Lulusan yang telah
S-1= - orang
dihasilkan
S-2= - orang 1. Computer Graphic
12 Mata Kuliah yang diampu
2. Image Processing 3. Computer Vision 4. Artificial Intelligence
24
B. Riwayat pendidikan S-1
S-2
Nama Perguruan Tinggi
STMIK Dian Nuswantoro
Magister Teknik Informatika
Bidang Ilmu
Rekayasa Perangkat Lunak
Sistem Cerdas
Tahun Masuk-Lulus
1996-1999
2002 -2004
Udinus
Judul Skripsi/Tesis/Disertasi Nama Pembimbing/ Promotor
-
C. Pengalaman Penelitian dalam 5 Tahun Terakhir No
Tahun
1
2007
Judul Penelitian
Web Base Employment Portal to Help Job
Sumber DIKTI
Pendanaan Jml (Juta Rp)
-
Seeker Compliance Framework and Institutions in Demand for Human Resources ( Dosen Muda DIKTI 2007)
D. Publikasi Artikel Ilmiah Dalam Jurnal alam 5 Tahun Terakhir No
Judul Artikel Ilmiah
Nama Jurnal
Volume / Nomor / Tahun
1
Object Tracking Method Using Background Subtraction and Mean Shift Algorithm
in Proceedings of
Desember
Information System
2011
International Conference (ISICO), Surabaya, Indonesia. 2
3
Adaptive Threshold for Background Subtraction in Moving Object Using Fuzzy C -Means Clustering
in Proceeding of IEEE TENCON Region 10, Cebu, Phillipines,
November
Semi-Automatic Moving Objects Segmentation Base on Background Subtraction Using Fuzzy C-Means
In Review WIT
2014
Transaction Journal, Beijing China
25
2012
E. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir No
Nama Pertemuan Ilmiah / Seminar
Judul Artikel Ilmiah
Waktu dan Tempat
1
in Proceeding of IEEE TENCON Region 10, Cebu, Phillipines,
Adaptive Threshold for Background Subtraction in Moving Object Using Fuzzy C -Means Clustering
2012, Korea
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya buat dengan sebenarnya.
Pengusul,
Moch Arief Soeleman, S.Kom. M.Kom
26
BIODATA ANGGOTA PENELITI
F. Identitas Diri 1
Nama Lengkap
Ricardus Anggi Pramunendar, S.Kom, M.CS
2
Jenis Kelamin
L
3
Jabatan Fungsional
Asisten Ahli
4
NIP
0686.11.2011.416
5
NIDN
0613068601
6
Tempat dan Tanggal Lahir
Semarang, 13 Juni 1986
7
Email
[email protected]
8
No Telepon/HP
081 129 3758
9
Alamat Kantor
Jl. Imam Bonjol 207, Semarang
10 Nomor Telepon/Faks 11
-
Lulusan yang telah
S-1= - orang
dihasilkan
S-2= - orang 1. Computer Graphic
12 Mata Kuliah yang diampu
2. Image Processing 3. Computer Vision 4. Machine Learning
27
G. Riwayat pendidikan S-1
S-2
Nama Perguruan Tinggi
Universitas Dian
University Teknikal Malaysia
Nuswantoro
Malaka
Bidang Ilmu
Rekayasa Perangkat Lunak
Sistem Cerdas
Tahun Masuk-Lulus
2004-2009
2009-2011
Judul Applikasi SMS Server Skripsi/Tesis/Disertasi untuk membantu Pelayanan
Nama Pembimbing/ Promotor
Analyzing of Effect Illumination and Pose on Recognition System
Servis Printer pada Media
using Learning Vector
Printer Semarang
Quantization
Sumardi, M.Kom
Prof. Dr. Nanna Suryana Herman
H. Pengalaman Penelitian dalam 5 Tahun Terakhir No
Tahun
1
2012
Pendanaan Sumber Jml (Juta Rp)
Judul Penelitian
Peningkatan Akurasi Klasifikasi Grade Daun
UDINUS
4.750.000,-
Tembakau sebagai Bahan Baku Rokok Menggunakan Backpropagation Neural Network
I. Publikasi Artikel Ilmiah Dalam Jurnal alam 5 Tahun Terakhir No
Judul Artikel Ilmiah
Nama Jurnal
Volume / Nomor / Tahun
1
Multi Color Feature, Background Subtraction and Time Frame Selection for Fire Detection A Classification Method of Coconut Wood Quality Based on Gray Level CoOccurrence Matrices Deteksi Api dengan Multi Color Feature, Background Subtraction, dan Morphology Auto Level Color Correction for Underwater Image Matching Optimization
BIOINFORMATICS,
2013
2
3
4
28
IEEE BIOINFORMATICS,
2013
IEEE Semantik
2013
IJCSNS
Vol.13/ No.1/ 2013
5
6 7
Performance Enhancement of Image IJCCE Clustering using Singular Value Decomposition in Color Histogram Content-Based Image Retrieval Fuzzy C-Means Algorithm For Adaptive CITEE Threshold On Alpha Matting Analisa Pengaruh Perbedaan Medium Semantik Air dan Udara Terhadap Kalibrasi Kamera Dengan Menggunakan Metode Zhang
Vol. 1/ No.4/ 2012 2012 2012
J. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir No
Nama Pertemuan Ilmiah / Seminar
Judul Artikel Ilmiah
Waktu dan Tempat
1
Semantik, 2012
Analisa Pengaruh Perbedaan Medium Air dan Udara Terhadap Kalibrasi Kamera Dengan Menggunakan Metode Zhang
2012, UDINUS, Semarang
2
ROBIONETICS,
A Classification Method of Coconut Wood
2013,
IEEE, 2013
Quality Based on Gray Level Co-Occurrence
Jogjakarta
Matrices
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya buat dengan sebenarnya.
Pengusul,
Ricardus Anggi Pramunendar, S.Kom, MCS
29
SURAT PERNYATAAN KETUA PENELITI/PELAKSANA
Yang bertanda tangan dibawah ini: Nama
: Moch Arief Soeleman, S.Kom, M.Kom
NIDN
: 0686.11.1996.081
Pangkat/ Golongan
: III C
Jabatan Fungsional
: Lektor
Dengan ini menyatakan bahwa proposal penelitian saya dengan judul: “Background Substraction Berbasis Algoritma K-Means Clustering Untuk Deteksi Objek Bergerak” yang diusulkan dalam skema Penelitian IPTEKS UDINUS untuk anggaran 2014 bersifat original dan belum pernah dibiayai oleh lembaga / sumber dana lain. Bilamana kemudian hari ditemukan ketidakseuaian dengan pernyataan ini, maka saya bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku dan mengembalikan seluruh biaya penelitian yang sudah diterima ke kas negara. Demikian pernyataan ini dibuat dengan sesungguhnya dan dengan sebenar-benarnya.
Semarang, 5 September 2014 Mengetahui,
Yang menyatakan,
Kepala Pusat Penelitian
Juli Ratnawati, SE, M.Si
Moch Arief Soeleman, S.Kom, M.Kom
NIP. 0686.11.2000.193
NIP. 0686.11.1996.081 30
31
