Pengembangan Aplikasi Computer Vision untuk Pengamanan Kantin Kejujuran

Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 Id paper: SM029

29

Pengembangan Aplikasi Computer Vision untuk Pengamanan Kantin Kejujuran Abdur Rabi’*), Nachrowie**) Teknik Elektro, Universitas Merdeka Malang E-Mail: *[email protected], **[email protected] Abstrak Kantin Kejujuran adalah istilah untuk kantin makanan dan minuman ringan di area khusus tanpa penjaga manusia. Kantin Kejujuran umumnya diadakan di sekolahsekolah, dengan maksud membiasakan kejujuran terhadap murid-murid sekolah. Kebiasaan jujur sejak dini ini diharapkan menjadi benih-benih anti korupsi kelak. Agar kantin kejujuran dapat tetap eksis bertahan, maka diperlukan upaya pengkondisian secara sosial maupun teknis. Penelitian ini hanya terfokus pada pengkondisian secara teknis, yakni dengan mengawal menggunakan Computer Vision (CV). Tujuan umum penelitian ini adalah mempelajari dan mengembangkan penggunaan CV pada bagian object counting (menghitung jumlah makanan yang terjual dan jumlah uang yang seharusnya terbayar) dan object tracking (melacak dan menandai pembeli yang berlaku curang). Sedangkan tujuan khusus penelitian ini adalah: (1) Memperbaiki dan mengembangkan penerapan CV dalam mengawal kantin kejujuran yang telah diteliti sebelumnya, (2) Memperkuat dan memperluas spektrum anti korupsi melalui bidang ilmu CV serta mengenalkan CV kepada masyarakat luas. Penelitian ini termasuk penelitian eksperimen yang meliputi penyusunan software CV dan sedikit perakitan/penyesuaian hardware. Variabel-variabel yang diteliti berupa intesitas cahaya, posisi kamera terhadap obyek, serta keragaman obyek berupa makanan dan minuman pada Kantin Kejujuran. Kata kunci: Computer Vision, Kantin Kejujuran, Object Counting.

1. PENDAHULUAN Korupsi di Indonesia masih tergolong tinggi. Menurut laporan Transparency International tahun 2014, angka indeks persepsi korupsi (IPK) Indonesia berada pada urutan 107 dari 175 negara. Di kawasan Asean Indonesia hanya unggul dari Vietnam, Timor Leste, Laos, Kamboja, dan Myanmar. Karena itu perang terhadap korupsi perlu diperluas, termasuk mengupayakan pencegahannya. Salah satu upaya mencegah korupsi adalah dengan membiasakan kejujuran sejak dini pada anak-anak yang dilakukan melalui pengadaan Kantin Kejujuran. Agar Kantin Kejujuran dapat tetap eksis bertahan, maka diperlukan upaya pengkondisian baik secara sosial maupun teknis. Dalam penelitian ini hanya terfokus pada pengkondisian secara teknis, yakni dengan mengawal menggunakan CV.

ISBN: 979-26-0280-1

2. TINJAUAN PUSTAKA CV merupakan proses otomasi yang mengintegrasikan sejumlah proses untuk persepsi visual seperti pengolahan citra, klasifikasi, recognition dan pengambilan keputusan. Penerapan CV umumnya berupa video surveilance, object counting, dan object tracking. Penelitian ini tergolong penerapan CV pada object counting sekaligus object tracking, yakni menghitung jumlah makanan yang terjual dan jumlah uang yang seharusnya terbayar serta melacak orang (pembeli) pada Kantin Kejujuran yang berbuat curang. Object counting adalah proses menghitung obyek-obyek yang tertangkap kamera secara real time. Beberapa peneliti menggunakan analisis binary large object (BLOB) untuk menghitung jumlah orang yang datang/pergi dari suatu tempat atau luasan [1]. Sedangkan [2] menggunakan operasi-operasi morfologi untuk meng-hitung jumlah kendaraan keluar/masuk area parkir

30


terbuka. Peneliti lain menggunakan fitur ukuran obyek dan histogram warna untuk mendeteksi dan menghitung obyek [4]. Object tracking merupakan proses mengikuti posisi (melacak) suatu objek. Beberapa peneliti menggunakan paremeter histogram arah dan warna untuk mengunci obyek [5]. Peneliti lainnya menggunakan parameter warna untuk mengunci target yang akan dilacak [6]. Penerapan CV pada Kantin Kejujuran pernah diteliti oleh [3] dan [7]. Pada [3], obyek yang dihitung dalam formasi bertumpuk. Jumlah obyek ditaksir dari fiturfitur tinggi tumpukan, luas, serta sudut arah titik berat terhadap bidang horizontal. Pada [7], obyek yang dihitung dalam formasi berserakan, bercampur, dan terpisah. Ciri pembeda pada [7] berupa fitur rasio panjang sumbu maksimum terhadap panjang sumbu minimum. Penelitian [3] dan [7] hanya menangani 3 jenis obyek serta belum membahas intensitas cahaya dan posisi benda/kamera.

3. METODE PENELITIAN Penelitian ini termasuk penelitian eksperimental dan dilaksanakan di Laboratorium Komputer Dan Informatika Jurusan Teknik Elektro Unmer Malang. Sistem yang dibuat dan dirakit berupa software CV dan hardware yang terdiri dari tempat dan pencacah koin, kamera webcam beserta penyangga yang dapat diatur jarak dan sudutnya, serta papan tempat meletakkan obyek makanan/ minuman (Gambar 1). 8 6 9

Tempat koin

Gambar 1. Gambaran Umum Sistem Pengawalan Kantin Kejujuran Berbasis CV.

Software CV yang dikembangkan akan mendeteksi keberadaan orang/pembeli, menghitung perubahan jumlah obyek makanan/minuman, serta perubahan jumlah koin setiap kali mendeteksi keberadaan orang/pembeli pada Kantin Kejujuran serta

ISBN: 979-26-0280-1

merekam pembeli yang berlaku curang. Gambar 2 menunjukkan kerangka kerja dari software yang akan dikembangkan. Akuisisi citra

Perbaikan Citra

Perekaman Pembeli Yang Berlaku Curang

Deteksi BLOB

Object Counting & Tracking

Gambar 2. Kerangka Kerja Software CV yang dikembangkan

Akuisisi citra dilakukan dengan peralatan webcam yang dipasang tepat mengawasi area tempat menjual aneka makanan. Hasil akuisisi berupa rangkaian matriks 3 dimensi sebagai representasi frame-frame citra. Perbaikan citra dilakukan dengan operasi background subtraction [1] sehingga diperoleh citra obyek yang terpisah dengan citra latar. Deteksi binary large object (BLOB) dilakukan dengan memeriksa citra BLOB untuk mencari setiap obyek (makanan/minuman, dan nilai angka pada pencacah koin). Object counting dan tracking dilakukan untuk menghitung jumlah makanan/ minuman yang terambil serta nilai uang yang terbayar oleh seorang pembeli. Pada Kantin Kejujuran, posisi obyek makanan umumnya dalam formasi berjejer, saling berhimpit ganda, triple, kuartet, hingga berhimpit 20. Untuk itu digunakan pendekatan Artificial Neural Network (ANN) untuk pengenalan aneka formasi BLOB dari obyek makanan yang akan dihitung. Pada tahap pelatihan ANN, Input adalah fitur-fitur yang diperoleh dari BLOB beserta kondisi saat akuisisi citra yakni tingkat intensitas cahaya dan posisi (jarak dan sudut) obyek terhadap kamera. Sedangkan target dari ANN adalah jumlah item dalam BLOB. Untuk setiap jenis obyek makanan yang akan dihitung, disiapkan masing-masing seperangkat ANN yang dilatihkan supaya dapat mengenali aneka formasi BLOB. Penghitungan jumlah uang dilakukan dengan alat pencacah koin yang dapat membedakan jenis koin Rp 1000 dan Rp 500 (kuningan maupun almunium). Perekaman pembeli yang (diduga kuat) berlaku curang dilakukan setelah menghitung nilai uang yang baru saja bertambah dibandingkan dengan jumlah obyek makanan yang berkurang. Jika nilai uang kurang dari yang seharusnya, maka beberapa frame dari

31


citra yang diperoleh dari webcam lain (dipasang dalam posisi menghadap wajah pembeli) akan direkam.

4. HASIL DAN PEMBAHASAN 4.1 Akuisisi Citra Untuk meningkatkan banyaknya jenis obyek yang dapat dikenali, dihitung, dan diawasi maka telah dibuat fasilitas yang memungkinkan area masing-masing obyek dapat dipartisi secara dinamis, dengn cara cropping untuk masing-masing obyek. Tampilan form untuk partisi dinamis ini dinyatakan seperti gambar 3 berikut:

Gambar 5. Form Tampilan Perbaikan Citra

Dan Deteksi BLOB

4.3 Data Dan Object Counting Untuk mengenali dan menghitung obyek berupa makanan/minuman yang dijual pada Kantin Kejujuran maka telah dikumpulkan data yang dideskripsikan dalam tabel 1 berikut: Tabel 1. Deskripsi Data Variabel Yang Digunakan

Gambar 3. Form Tampilan Untuk Partisi Dinamis Masing-masing Obyek 4.2 Perbaikan Citra dan Deteksi BLOB Terdapat 2 proses yang dilakukan dalam perbaikan citra, yakni: 1) Konversi dari citra RGB menjadi citra biner kemudian 2) Operasi morfologi. Konversi menjadi citra biner dilakukan untuk membedakan antara obyek dan latar. Operasi morfologi dilakukan untuk menghilangkan bingkai serta noise berupa obyek berukuran kecil.

Gambar 4. Konversi menjadi citra biner Pada gambar 4, terlihat adanya bingkai di kanan atas dari citra biner, serta bintikbintik kecil disekitar obyek. Untuk itu dilakukan operasi morfologi penghilangan bingkai serta penghapusan obyek berukuran luas kurang dari 81 pixel. Tampilan form untuk perbaikan citra dan deteksi BLOB dinyatakan seperti pada gambar 5 berikut:

ISBN: 979-26-0280-1

No Keterangan 1 Cara konversi menjadi citra biner (bersifat katagori) 2 Jumlah item dalam suatu BLOB (pengamatan mata langsung) 3 Jarak horizontal kamera-meja 4 Jarak vertikal kamera-meja 5 Sudut arah kamera terhadap garis vertikal 6 Intensitas cahaya 7 Luas BLOB 8 Jarak titik pusat BLOB terhadap bingkai kiri 9 Jarak titik pusat BLOB terhadap bingkai atas 10 Lebar bounding box yang melingkupi BLOB 11 Tinggi bounding box yang melingkupi BLOB 12 Panjang sumbu mayor BLOB 13 Panjang sumbu minor BLOB 14 Nilai eksentrisitas BLOB 15 Sudut garis berat BLOB terhadap garis horizontal 16 Nilai soliditasitas BLOB 17 Nilai Ekstensitas BLOB 18 Keliling BLOB

Satuan Notasi Bin buah

item

cm Dx cm Dy derajat Sudut Lux pixel pixel

Lux Luas Px

pixel

Py

pixel

KotX

pixel

KotY

pixel pixel derajat

SMayor SMinor Eksen Arah

pixel

Solid Exten Kll

Beberapa contoh hasil pengumpulan data untuk pelatihan object counting yang diperoleh dari citra tangkapan webcam antara lain seperti berikut: 4.3.1 Data Obyek 1. Obyek 1 adalah jenis makanan berupa jajanan wafer merk “Ob1” yang terlihat pada gambar 6 berikut:

32


Tabel 3. Sebagian Data (Variabel 1, 2, 6 hingga 9, serta 15 dan 16) Dari Citra Pada Gambar 7

Gambar 6. Citra Wafer merk “Ob1” dalam Formasi Lajur Kiri 1-2-3-4 Kanan 1-2-3-4 Citra pada gambar 6 di atas diambil pada jarak horizontal kamera-meja (Dx) 135 cm, jarak vertikal kamera-meja (Dy) 115 cm, sudut arah kamera terhadap garis vertikal (Sudut) 650, Intensitas cahaya 400 Lux. Terdapat 8 BLOB pada citra sebelah kanan dari gambar 6. BLOB di lajur kiri berisi jumlah item berturut-turut 1, 2, 3, dan 4. Sebagian data yang diperoleh dari formasi obyek pada gambar 6 di atas dinyatakan dalam tabel 2 berikut: Tabel 2. Sebagian Data (Variabel 1 hingga 9) Dari Citra Pada Gambar 6 Label item Dx Dy Sudut Lux Luas Px 1 1 135 115 65 400 1169 87 2 2 135 115 65 400 1732 99 3 3 135 115 65 400 2134 111 4 4 135 115 65 400 2444 127 5 1 135 115 65 400 1137 192 6 2 135 115 65 400 1791 196 7 3 135 115 65 400 2198 200 8 4 135 115 65 400 2489 208

Py 138 111 80 45 135 113 82 46

Agar sistem dapat mengenali dan menghitung jumlah obyek wafer merk “Ob1” maka diperlukan data-data pelatihan berbagai formasi BLOB dan jumlahnya.

(a)

(b)

Gambar 7. Citra Wafer merk “Ob1” Dalam Formasi Tunggal (a) dan Terpisah (b) Kondisi sistem pada saat akuisisi citra untuk gambar 7 adalah sama dengan kondisi gambar 6, kecuali intensitas cahayanya hanya 150 Lux.

Label item Lux 1 1 150 2 1 150 3 1 150 4 1 150 5 1 150 6 1 150 7 1 150 8 1 150 9 1 150 10 1 150 11 1 150 12 1 150 13 1 150 14 1 150

Luas 1110 717 902 813 1166 948 919 1019 865 815 798 1047 880 1110

Px 97 117 126 132 129 140 177 166 203 207 209 198 220 97

Py 144 97 62 47 31 149 95 96 148 63 47 32 148 95

Arah 67,2 -33,7 -2,0 -1,4 -1,8 69,6 -40,6 -38,1 69,3 -1,4 0,1 -1,1 76,8 -42,0

Solid 0,87 0,89 0,81 0,87 0,91 0,82 0,82 0,84 0,86 0,91 0,86 0,86 0,83 0,84

4.3.2 Data Obyek 2. Obyek 2 adalah jenis makanan merk “Ob2” yang terlihat pada gambar 8 berikut:

(a)

(b)

Gambar 8. Citra Keju Stick merk “Ob2” Formasi Berjejer (a) Tunggal ; (b) Terpisah

Kondisi sistem pada saat akuisisi data untuk gambar 8 adalah sama dengan kondisi gambar 7, kecuali intensitas cahayanya hanya 50 Lux. Sebagian data disajikan dalam tabel 4 berikut: Tabel 4. Sebagian Data (Variabel 1, 2, 6 hingga 9, serta 15 dan 18) Dari Citra Pada Gambar 8 Label item Lux 1 1 50 2 1 50 3 1 50 4 1 50 5 1 50 6 1 50 7 1 50 8 1 50 9 1 50 10 1 50 11 1 50 12 1 50 13 1 50 14 1 50

Luas 831 760 774 727 637 580 641 721 778 591 666 735 555 786

Px 285 288 288 293 297 299 299 392 392 391 390 392 391 398

Py 126 112 99 85 69 53 40 86 115 55 70 102 42 129

Arah -1,2 0,4 -1,4 -1,8 -0,2 -1,2 -0,4 -2,1 -1,8 -0,8 -1,7 -3,0 -1,2 -1,9

Kll 215,1 201,9 202,5 201,0 187,8 178,5 178,3 201,1 205,7 184,5 191,9 198,5 174,4 207,1

Selain formasi tunggal, diperlukan juga data obyek dengan formasi ganda, triple, kuartet, hingga formasi 20 berhimpit. Citra serta untuk formasi kuartet diperlihatkan pada gambar 9.

ISBN: 979-26-0280-1


33

untuk obyek 1 disajikan dalam gambar 11 berikut:

Gambar 9. Citra Keju Stick merk “Ob2” Dalam Formasi Berjejer kuartet Kondisi sistem pada saat akuisisi data untuk gambar 9 adalah sama dengan kondisi gambar 8. Sebagian data disajikan dalam tabel 5 berikut: Tabel 5. Sebagian Data (Variabel 1, 2, 8, 9, 10, serta 16, 17, dan 18) Dari Citra Pada Gambar 9 Label item Luas 1 4 2850 2 4 2338 3 4 2161 4 4 2276 5 4 2020

Px 290 292 295 394 391

Py 114 79 47 81 49

Solid 0,91 0,91 0,92 0,91 0,91

Exten 0,84 0,86 0,87 0,76 0,82

Kll 267,3 244,6 228,8 241,7 226,8

Demikianlah data setiap jenis obyek makanan/ minuman yang akan dihitung dan diawasi diperoleh dari fitur-fitur yang terdapat dalam citra obyek tersebut, serta variabel-variabel fisik lain (tidak diperoleh dari citra) seperti variabel 1 hingga 6 dari data yang digunakan.

4.4 Object Counting Dengan ANN Pendekatan ANN dipilih untuk pengenalan dan penghitungan jumlah obyek karena bersifat adaptive serta tidak mensyaratkan asumsi-asumsi yang ketat (dibanding pendekatan regresi). Arsitektur ANN yang digunakan adalah jaringan feedforward dengan jumlah neuron pada hidden layer sebanyak 41 sebagaimana disajikan dalam gambar 10 berikut:

Gambar 11. Hubungan Antara Target Dan Output Setelah Pelatihan ANN Untuk Obyek 1. Nilai korelasi pada gambar 11 adalah 0,9999 atau R2 = 0,9998. Artinya setelah dilatih, ANN dapat menjelaskan/mengenali aneka formasi BLOB dari citra Obyek 1 (yang representasikan oleh input 17 variabel) sebesar 99,98 %. Sedangkan hubungan antara target dan output untuk obyek 2, disajikan dalam gambar 12 berikut:

Gambar 10. Arsitektur ANN Yang Digunakan Pada gambar 10, bagian input adalah semua variabel (ada 17 variabel) selain item. ANN dilatih agar bagian output sama dengan item (sebagai target). Pada tahap pelatihan, digunakan berturut-turut 784 dan 297 data dari aneka formasi obyek 1 dan obyek 2. Kesesuain output ANN terhadap target setelah pelatihan

ISBN: 979-26-0280-1

Gambar 12. Hubungan Antara Target Dan Output Setelah Pelatihan ANN Untuk Obyek 2. Nilai korelasi pada gambar 12 adalah 0,99957 atau R2 = 0,9991. Artinya setelah dilatih, ANN dapat menjelaskan/mengenali aneka formasi BLOB dari citra Obyek 2

34


(yang representasikan oleh input 17 variabel) sebesar 99,91 %. Pendekatan ANN yang digunakan dalam object counting terhadap obyek-obyek lainnya adalah sama dengan yang telah dijabarkan seperti halnya pada obyek1 dan obyek 2 tadi.

5. KESIMPULAN Banyaknya jenis obyek makanan yang ditangani maupun jumlah masing-masing obyek telah dapat diatasi dengan menyediakan fasilitas cropping untuk penetapan area suatu jenis obyek secara dinamis. Fitur-fitur yang terdapat dalam citra beserta variabel kondisi saat akuisisi citra telah digunakan sebagai input dari pendekatan ANN dalam object counting. Dengan menggunakan arsitektur ANN feedforward serta 41 neuron pada hidden layer, telah ditunjukkan bahwa output ANN adalah relatif sama dengan target ANN sebagaimana pada gambar 11 dan gambar 12. Akurasi dan kehandalan CV dalam mengawal Kantin Kejujuran memerlukan banyak data dari obyek aneka jenis makanan/minuman serta aneka formasi untuk pelatihan ANN agar sistem semakin mengenal berbagai kondisi saat melakukan object counting.

6. DAFTAR PUSTAKA [1] Mezei Sergiu And Adrian Sergiu Darabant, A Computer Vision Approach To Object Tracking And Counting, STUDIA UNIV. BABES BOLYAI, INFORMATICA, Volume LV, Number 3, 2010.

ISBN: 979-26-0280-1

[2] Rabi’ Abdur, Proptotype Sistem Penghitung Jumlah Kendaraan Di Area Parkir Terbuka Dengan Operasi Morfologi Citra, Jurnal Penelitian Dan Pengabdian Masyarakat Edisi Ilmu-ilmu Eksakta, Vol. XXI No. 2, LPPM Unmer Malang, 2010. [3] Rabi’, Abdur, Proptotype Pengawalan Kantin Kejujuran Berbasis Computer Vision, Jurnal Penelitian Dan Pengabdian Masyarakat Edisi Ilmu-ilmu Eksakta, Vol XXII No. 2, LPPM Unmer Malang, 2011. [4] Yam Kin-Yi, Wan-Chi Siu1, Ngai-Fong Law, Chok-Ki Chan, Effective bidirectional people flow counting for real time surveillance system, IEEE International Conference on Consumer Electronic (ICCE), Chiang Mai, 2011. [5] Maggio, E, F. Smeraldi and A. Cavallaro, Adaptive Multifeature Tracking in a Particle Filtering Framework, IEEE Transactions on Circuits and Systems for Video Technology, vol. 17, No. 10, pp. 1348-1359, October 2007. [6] Kurnia, Rahmadi, Penjejak Target Benda Pada Gerakan Linier Berdasarkan Warna, Prosiding Seminar Nasional Aplikasi Teknologi Informasi (SNATI), Yogyakarta, 20 Juni 2009. [7] Wirdasa, MA. Rancang Bangun Sistem Pengawalan Kantin Kejujuran Berbasis Computer Vision, Tugas Akhir S1 Jurusan Teknik Elektro Universitas Merdeka Malang, 2012, Tidak dipublikasikan.

Pengembangan Aplikasi Computer Vision untuk Pengamanan Kantin Kejujuran

Recommend Documents