A. JUDUL PENELITIAN PENJEJAKAN OBYEK DALAM KERANGKA DETERMINISTIK DAN PROBABILISTIK
B. BIDANG ILMU TEKNOLOGI C. PENDAHULUAN Penjejakan Obyek mempunyai peranan penting dengan manfaat yang besar dalam berbagai aplikasi visual. Beberapa aplikasi penjejakan obyek ditampilkan dalam gambar 1 di bawah ini. Menurut Alper Yilmaz, (Yilmaz dkk., 2006), tujuan dari penjejakan obyek adalah untuk menentukan bagian dari citra yang mempunyai korespondensi terbaik dengan model referensi. Dalam bentuk yang paling sederhana, penjejakan obyek bisa didefinisikan sebagai suatu permasalahan terhadap estimasi pergerakan suatu obyek dalam bidang citra. Penjejakan obyek bisa menjadi suatu algoritma yang kompleks yang diakibatkan oleh : -
noise dalam citra
-
hilangnya informasi akibat proyeksi dari dunia 3D pada citra 2D
-
pergerakan obyek yang rumit
-
halangan (sebagian atau keseluruhan)
-
perubahan iluminasi
-
persyaratan terhadap pengolahan real-time, dll.
Beragamnya kendala tersebut memaksa para peneliti untuk memberikan batasan pada algoritma yang mereka kembangkan (Yilmaz dkk., 2006). Beragam
pendekatan
untuk
penjejakan obyek telah diajukan. Perbedaan utama dari pendekatan-pendekatan tersebut terletak pada representasi obyek (points, silhouette, skeletal) yang sesuai, fitur citra yang sebaiknya digunakan (histogram, pinggiran, tekstur), pemodelan pergerakan dan bentuk obyek.
2 Pengamanan
Lalu lintas
Olah raga
Tingkah laku
Monitoring
Ruang pintar
Robotik
Gambar 1 Beberapa aplikasi penjejakan obyek
Keberhasilan suatu tugas penjejakan banyak tergantung pada bagaimana suatu obyek dimodelkan. Beragam deskriptor bisa digunakan untuk mewakili obyek yang hendak dijejaki. Jika obyek yang terkait telah telah dikenal dengan baik, dan variasi tampilannya selama pemantauan berlangsung tidak mengalami banyak perubahan, bisa digunakan deskriptor semacam template citra (Ali and Dailey, 2009; 20 Lu dkk., 2009).. Dengan menjabarkan tampilan obyek berbasis piksel, template citra bisa mengatasi beragam model pergerakan. Karena template sensitif terhadap perubahan penampilan, penjejakan mungkin gagal dalam video ideo dimana terjadi perubahan tampilan obyek akibat halangan atau pencahayaan. Banyak pendekatan lain terkait dengan penjejakan obyek telah diajukan. Dari sejumlah pendekatan yang telah dilakukan, metode dengan menggunakan deskriptor berbasis histogram warna arna telah banyak mendapat perhatian dengan hasil penjejakan yang bagus (Medeiros dkk., 2008; Laptev, 2009; Lu dkk., 2009; Ning dkk., 2009). 2009). Algoritma penjejakan
3 berbasis histogram warna telah diterapkan dalam 2 (dua) pendekatan yang berbeda. Pertama, teknik mean shift (Comaniciu dkk., 2003 ; Ning dkk., 2009) berusaha untuk meminimalkan jarak histogram warna yang diberi bobot dengan minimisasi berbasis gradien, yang telah menunjukkan hasil yang bagus dalam proses penjejakan. Tapi, pencariannya adalah bersifat deterministik, dan algoritma ini bisa gagal dalam kasus terjadinya halangan total, kehadiran obyek lain yang serupa, atau obyek dengan perpindahan yang besar antar frame. Metode yang kedua, menggunakan deskriptor yang sama tapi dilakukan dalam kerangka filter partikel (Nummiaro dkk., 2003 ; Medeiros dkk., 2008 ; Laptev, 2009 ; Wiharta dkk., 2010). Filter partikel melakukan penjejakan dengan cara melemparkan sejumlah partikel yang diberi bobot sesuai dengan suatu fungsi likelihood yang telah ditentukan. Posisi obyek yang dicari didapatkan dari rata-rata nilai partikel. Jadi, probabilitas kerapatan posterior dari lokasi obyek di-diskrit-kan dalam sejumlah partikel yang diberi bobot. Dalam hal ini, optimisasi mean shift diganti dengan evolusi sejumlah partikel yang bersifat probabilistik dengan rata-rata bobotnya. D. PERUMUSAN MASALAH Pendekatan terhadap pemodelan obyek yang digunakan seperti dijabarkan sebelumnya dilakukan dengan menggunakan histogram warna dari obyek yang dipantau. Dalam penelitian ini akan dilakukan komparasi dua kerangka kerja penjejakan obyek, yaitu dalam kerangka deterministik dengan metode mean shift dan dalam kerangka probabilistik dengan metode partikel filter. Komparasi dilakukan dengan melihat akurasi penjejakan dan kompleksitas algoritma.
E. TUJUAN PENELITIAN Penelitian yang diajukan dimaksudkan untuk mendapatkan uji komparasi dua kerangka kerja penjejakan obyek, yaitu dalam kerangka kerja probabilistik dan deterministik.
F. TINJAUAN PUSTAKA
1.
Representasi Obyek Suatu ruang fitur dipilih pertama kali untuk memberikan karakteristik mengenai obyek
target. Model target referensi disajikan dengan pdf q dalam ruang fitur. Sebagai contoh,
4 model referensi yang dipilih bisa berupa pdf warna dari target. Model target didefinisikan berada pada lokasi spasial 0. Dalam frame berikutnya, sebuah kandidat target didefinisikan berada pada lokasi y, dan dikarakteristikkan dengan pdf p(y) (Nummiaro dkk., 2003; Comaniciu dkk.,2003). Histogram bukan merupakan estimasi kerapatan non-parametrik terbaik, tapi mencukupi untuk menangani permasalahan yang dihadapi.
1.1. Model Target dan Kandidat Target Untuk mengurangi beban komputasi yang diakibatkan oleh pengolahan real-time terhadap kerapatan diskrit, digunakan sejumlah m bins histogram. Dengan demikian diperoleh model target ( Comaniciu dkk.,2003):
qˆ {qˆu }u 1....m
(17)
m
qˆ
u
1
(18)
u 1
Target disajikan dengan suatu daerah persegi (bisa juga dengan daerah elipse) dalam ruang citra. Diberikan {x*i }i1,...n yang merupakan lokasi piksel ternormalisasi dalam daerah persegi yang didefinisikan sebagai model target. Daerah persegi ini berpusat di 0,0. Suatu kernel isotropic, dengan profil kernel k(x) yang selalu berkurang (monotonic decreasing) menangani bobot yang lebih kecil pada piksel yang lebih jauh dari pusat obyek. Profil dari kernel K didefinisikan sebagai fungsi k | 0 k < R sedemikian hingga K(x) = k(||x||2). Penggunaan pembobotan semacam ini akan meningkatkan kehandalan pada estimasi kerapatan karena piksel yang berada jauh dari pusat obyek seringkali dipengaruhi oleh penghalang atau terkena interferensi dari background. Fungsi b : R2 {1 . . . m} memberikan asosiasi indek b{x*i } pada piksel pada lokasi x*i dalam ruang fitur yang terkuantisasi. Probabilitas dari fitur u = 1, . . .. m dalam model target kemudian dihitung dengan ( Comaniciu dkk.,2003): n
qˆu C (k || xi* || 2 ) b( xi* ) u
(19)
i 1
dimana adalah fungsi delta Kronecker. Konstanta normalisasi C diturunkan dengan memberikan persyaratan
m u 1
qˆ u 1 . Karena penjumlahan fungsi delta untuk u = 1, . . . m
adalah 1 (satu) maka ( Comaniciu dkk.,2003) : C
1
n
i 1
k (|| xi* || 2 )
5 2. Partikel Filter 2.1. Filter Bayes untuk Sistem Stokastik Dinamik Suatu sistem stokastik nonlinear bisa didefinisikan dengan persamaan dinamis (model proses/evolusi) ruang waktu diskrit :
xk f (xk 1 , w k 1 )
(1)
dan model proses pengukuran/pengamatan stokastik
z k h(xk , v k )
(2)
dimana f(·) dan h(·) adalah fungsi vektor, xk adalah vektor state sistem, wk adalah vektor noise dinamis, zk adalah vektor pengukuran, dan vk adalah vektor noise pengukuran. Model probabilistik ekuivalen dari sistem dinamik (1) dan (2) ditunjukkan dalam model grafik pada gambar 2. Kerapatan p(zk|xk) menyatakan probabilitas pengamatan zk, ketika sistem berada dalam state xk. Kerapatan p(zk|xk) juga merupakan likelihood sistem berada dalam state xk, dengan diberikan pengamatan zk. Dalam teori filtering, p(zk|xk) seringkali disebut dengan nama fungsi likelihood. Kerapatan transisi p(xk|x1:k) didefinisikan secara lengkap dengan fungsi transisi f (x k 1 , w k 1 ) dan distribusi noise proses p(wk), sedangkan fungsi likelihood p(zk|xk) dispesifikasikan dengan fungsi pengamatan h(x k , v k ) dan distribusi noise pengamatan p(vk). Dari perspektif Bayesian, permasalahan penjejakan adalah untuk menghitung derajat keyakinan (degree of belief) secara rekursif dalam state xk pada waktu ke-k, dengan diberikan data z1:k. Dalam literatur (Candy, 2009; Arulampalan dkk. 2002), rekursi dari filter bayes dibagi menjadi dua tahap, yaitu : tahap prediksi dan update. Dalam tahap prediksi, posterior p(xk-1|z1:k-1) dari waktu sebelumnya (k-1) dipropagasi melalui model dinamis p(xk|xk-1) untuk menghasilkan distribusi prediktif p(xk|y1:k-1) dengan menggunakan relasi ChapmanKolmogorov (Arulampalam dkk. 2002) :
6
zk-1
zk
Teramati (Observed)
zk+1 p(yk|xk)
Tak teramati (Unobserved)
xk
xk-1
xk+1
p(xk|xk-1)
Gambar 2 . Pemodelan secara grafis dari sistem dinamik dengan state yang tak teramati (unobserved) xk dan pengukuran zk. State hidden xk dari sistem bergerak dalam waktu sebagai proses Markov orde pertama sesuai dengan kerapatan probabilitas conditional p(xk|xk-1). Pengamatan zk adalah conditionally independent dengan diberikan state dan diperoleh sesuai dengan pdf p(zk|xk)
p(xk|z1:k-1) =
p(xk|xk-1, z1:k-1) p(xk-1|z1:k-1) dxk-1
(3)
Karena persamaan (1) menyatakan suatu proses Markov orde 1, maka p(xk|xk-1,z1:k-1) = p(xk|xk-1) dan persamaan (3) dapat disederhanakan menjadi
p(xk|z1:k-1) =
p(xk|xk-1) p(xk-1|z1:k-1) dxk-1
(4)
Dalam tahap update, ketika data pengamatan baru tersedia, distribusi prediktif diperbaharui dengan menggunakan likelihood p(zk|xk) dan dinormalisasi untuk menghasilkan posterior yang baru p(xk|z1:k) dengan menggunakan aturan Bayes :
p(x k | z1:k )
p(z k | x k ) p(x k | z1:k 1 ) p(z k | z1:k 1 )
(5)
dimana konstanta normalisasi dihitung dengan integrasi penyebut pada semua nilai xk :
p(z k | z 1:k 1 )
p(z
k
| x k )p(x k | z 1:k 1 )dx k
(6)
yang tergantung dari fungsi likelihood p(zk|xk) yang didefinisikan oleh model pengukuran (2) dan statistik dari vk yang diketahui. Hubungan antara (4) dan (5) membentuk dasar dari solusi Bayesian yang optimal. Propagasi rekursif dari kerapatan posterior ini hanyalah solusi konseptual karena secara umum tidak bisa diselesaikan secara analitik (Arulampalam dkk., 2002). Solusi tersedia dalam kasus-kasus terbatas, antara lain filter Kalman dan filter grid-based. Kalau deretan noise adalah Gaussian dan f dan h adalah fungsi linear, solusi optimal diberikan oleh filter Kalman (Kalman, 1960), yang menghasilkan posterior yang juga
7 Gaussian. Dalam filter Kalman, rekursi persamaan (4) dan (5) bisa diintepretasikan sebagai estimasi rekursif dari mean dan kovarians dari posterior p(xk|z1:k). Dengan berkembangnya kemampuan komputasi komputer, langkah-langkah yang signifikan telah dilakukan untuk perhitungan rekursif dari filter Bayes dengan menggunakan simulasi (Gordon dkk., 1993). Sebagai hasilnya, sejumlah metode rekursi Bayesian berbasis simulasi sekuensial Monte Carlo telah dikembangkan dalam berbagai disiplin ilmu seperti statistik, ekonomi, rekayasa teknik, dan ilmu komputer. Metode sekuensial Monte carlo ini dikenal dengan dengan nama filter partikel.
2.2. Importance Sampling Misal p(x | z ) yang merupakan distribusi dimana sampel sulit untuk diperoleh, tapi bisa dievaluasi sampai pada suatu konstanta proporsional : ~ (x | z ) C p(x | z ) p
(7)
p
Diberikan q(x | z ) suatu distribusi lain dimana sampel bisa diperoleh dengan mudah, dan mempunyai support yang sama dengan p(x | z ) . Dalam literatur, q(x | z ) dikenal dengan nama importance function atau proposal distribution (Arulampalam dkk, 2002). Dengan definisi di atas, integral bisa ditulis
I( f )
f ( x) p(x | z)dx
f ( x)
q(x | z) 1 ~ 1 p (x | z)dx q(x | z) C p Cp
f ( x)q(x | z)w(x)dx
(8) ~ (x | z ) masuk ke dalam dimana p w(x)
~(x | z ) p q( x | z )
(9)
Konstanta proporsional Cp diperoleh dengan integrasi kedua sisi dari persamaan (12) : Cp
p~(x | z)dx q(x | z)w(x)dx
(10)
Dan I(f) ditulis sebagai :
I( f )
1
q(x | z)w(x)dx
f ( x)q(x | z)w(x)dx
(11)
Karena q(x | z ) bisa di-sampel dengan mudah, maka bisa didekati dengan estimasi Monte Carlo empirik :
8
1 N qN (x|z ) x ( i ) (x) N i 1
(12)
dimana {x(i)}i=1...N adalah sekumpulan sampel yang independent and identically (i.i.d) dari q(x | z ) . Integral I(f) sekarang bisa didekati dengan IˆN ( f ), dimana
Iˆ( f )
1
f ( x)q
N
q
N
(x | z)w(x)dx
(x | z)w(x)dx
1
1 1 N w(x( i ) ) N i 1 N
N
f ( x)
(i )
w(x( i ) )
(13)
i 1
Dengan menghilangkan 1/N dalam persamaan di atas dan membawa normalisasi ke dalam penjumlahan, integral bisa ditulis sebagai : N
w(x( i ) )
i 1
i 1 w(x(i ) )
IˆN ( f ) f (x) (i )w( i ) , w(i )
N
(14)
Dalam perfect Monte Carlo sampling, integral IˆN ( f ) bisa dipandang sebagai ekspektasi dari f(x) dibawah distribusi empirik berikut : N ~ (x|z ) 1 w(x(i ) ) (x) . p N x (i ) N i 1
(15)
Karena IˆN ( f ) adalah ekuivalensi dari I N ( f ) pada persamaan (8), maka p~N ( x | z ) adalah pendekatan empirik terhadap distribusi referensi p(x | z ) . Oleh karena itu, importance sampling bisa dipandang tidak hanya sebagai cara untuk melakukan pendekatan terhadap integral (8), tapi adalah sebagai sebuah metode untuk membangkitkan distribusi empirik dari distribusi referensi (posterior) tanpa harus melakukan proses sampling terhadap distribusi referensi. Dengan demikian, distribusi referensi didekati dengan suatu ukuran acak (random measure), dimana dispesifikasikan dengan lengkap oleh sejumlah N pasangan sampel-bobot {x(i),w(i)}i=1...N. Bagian yang di belakang seringkali disebut dengan istilah partikel. Perlu diperhatikan bahwa untuk filtering Bayesian secara rekursif fungsi kerapatan probabilitas dihitung secara sekuensial. Dalam bahasan berikut ini akan ditunjukkan bagaimana hal ini bisa dilakukan dengan mengaplikasikan hasil tersebut di atas dengan importance sampling.
9 3. Penjejakan Obyek 3.1. Penjejakan Obyek dengan Filter Partikel Algoritma Sequential Important Sampling (SIS) adalah suatu metode Monte Carlo (MC) yang menjadi dasar dari filter MC yang telah dikembangkan dalam dasawarsa terakhir (Doucet dkk. 2000; Doucet dkk. 2001). Pendekatan sekuensial MC ini dikenal dengan berbagai nama, antara lain filter bootstrap (Gordon dkk. 1993), algoritma kondensasi (MacCormick and Blake. 2000), filter partikel (Carpenter dkk. 1999), interacting particle approximation, dan survival of the fittest (Kanazawa dkk. 1995). Pendekatan ini merupakan suatu teknik untuk implementasi sebuah filter Bayesian rekursif dengan simulasi Monte Carlo. Ide dasar dari pendekatan ini adalah dengan menyajikan fungsi kerapatan posterior yang dibutuhkan dengan suatu kumpulan sample acak yang diberikan bobot dan menghitung estimasi berdasarkan pada sample dan bobot tersebut. Dengan meningkatkan jumlah sampel, karakteristik Monte Carlo ini menjadi representasi ekivalen dari deskripsi fungsi posterior pdf, dan filter SIS mendekati estimasi Bayesian yang optimal. Misal {x i0:k , wki }iN1 menyatakan ukuran acak (random measure) yang memberikan karakteristik pdf posterior p(x0:k|z1:k), dimana {x i0:k , i 0,...., N } adalah sekumpulan support points atau partikel yang diberikan bobot {wki , i 0,...., N } dan x0:k = {xj, j = 0, ..., k}`adalah himpunan dari semua kondisi (state) sampai pada waktu ke-k. Bobot dinormalisasi sehingga
w i
i k
1 . Dengan demikian, bisa diberikan pendekatan pada kerapatan posterior pada
waktu ke-k sbb: N
p(x 0:k | z1:k ) wki (x 0:k x i0:k ) i 1
Dengan demikian bisa diperoleh pendekatan diskrit terhadap posterior sebenarnya, p(x0:k|z1:k). Bobot-bobot dipilih menggunakan prinsip importance sampling (Doucet dkk., 2000).
Dalam penelitian ini, akan diterapkan kerangka kerja filter partikel untuk penjejakan obyek dalam video. Tahap pertama dilakukan dalam penjejakan obyek ini adalah mendefinisikan obyek yang hendak dijejaki (inisialisasi). Inisialisasi ini dilakukan secara manual, dengan memberi bingkai persegi pada obyek yang bersangkutan pada frame pertama dari video, dengan asumsi bahwa obyek telah hadir pada frame tersebut. Metode seperti ini mempunyai kelebihan dimana pengguna mempunyai kebebasan dalam menentukan obyek yang akan dijejaki.
10 Bingkai persegi tersebut akan memberikan informasi prior yang menjadi pedoman bagi filter partikel dalam menentukan lokasi partikel yang akan disebarkan. Jumlah partikel yang disebarkan akan berpengaruh pada beban komputasi. Pada penelitian awal yang sudah dilakukan, partikel sejumlah 200-300 sudah mencukupi untuk bisa memberikan deskripsi mengenai obyek terkait, dengan persyaratan real-time masih terpenuhi. Bobot dari masing-masing partikel akan tergantung dari fungsi likelihood yang diberikan. Jika fungsi likelihood f(y|x) dan prior p(x) diketahui, adalah mudah untuk menghitung distribusi posterior dari p(x|y), yang dipergunakan untuk mendapatkan inferensi, dalam hal ini posisi obyek dalam frame berikutnya. Pada kondisi awal, dimana informasi mengenai bobot partikel yang harus diberikan belum diketahui, digunakan prinsip noninformative prior. Suatu pertanyaan yang penting dan mendasar adalah bagaimana cara untuk mendapatkan noniformative prior. Bayes/Laplace telah menyatakan bahwa jika tidak ada yang diketahui mengenai x, maka prior p(x) dinyatakan mempunyai distribusi uniform, yaitu seluruh outcome dari x yang mungkin mempunyai probabilitas yang sama. Ini juga dikenal dengan nama ”principle of insufficient reason” (Datta dan Ghosh, 1996). Jadi, berdasarkan teori di atas, pembobotan awal partikel dilakukan dengan menggunakan distribusi uniform, w = 1/N dimana N adalah jumlah partikel yang digunakan. Tahap berikutnya adalah propagasi partikel sesuai dengan model pergerakan yang dipergunakan. Bobot partikel diperbaharui (update) dengan menggunakan fungsi likelihood, dimana fungsi likelihood ini akan tergantung dari fitur obyek yang digunakan. Posisi obyek pada frame berikutnya bisa diperoleh dengan menggunakan nilai rata-rata bobot partikel. Kehandalan dari algoritma penjejakan obyek ini banyak tergantung dari fitur obyek yang digunakan. Dalam sub-bab berikut, akan dijabarkan mengenai fitur obyek yang menjadi dasar dari algoritma penjejakan obyek yang akan dikembangkan.
3.2. Penjejakan Obyek dengan Metode Mean Shift Meminimalkan jarak dua buah distribusi adalah ekivalen dengan memaksimalkan koefisien Bhattacharyya. Proses iterasi dalam algoritma mean shift dilakukan dengan inisialisasi lokasi target yo dalam frame sebelumnya. Dengan menggunakan ekspansi Taylor disekitar pu(yo), pendekatan linier dari koefisien Bhattacharyya diperoleh dengan y xi 1 m 1 nh [ pˆ (y), qˆ ] pˆ u (yo )qˆu Ch wik h 2 u 1 2 i 1
2
11 dimana m
qˆu [b( xi ) u ] pˆ u (yo )
wi u 1
Karena bagian pertama dari (48) adalah independent terhadap y, maka untuk meminimalkan jarak dua buah distribusi dapat dilakukan dengan memaksimalkan bagian kedua dari persamaan di atas. Dalam proses iteratif, estimasi target bergerak dari y menuju posisi baru y1, yang didefinisikan dengan :
y xi 2 x i wi g h i 1 y1 2 nh y xi wi g h i 1 nh
Jika kernel g dipilih dengan profile Epanechnikov (Comaniciu dkk, 2003), maka persamaan di atas bisa disederhanakan menjadi nh
x w i
y1
i
i 1 nh
w
i
i 1
Algoritma penjejakan mean shift bisa mendapatkan bagian paling mirip dari obyek dalam frame berikutmya. Lebih mendetail mengenai algoritma mean shift bisa dilihat pada (Comaniciu dkk., 2003)
G. METODE PENELITIAN Metode penelitian dilakukan dengan membangun system penjejakan obyek dengan menggunakan bahasa pemrograman Matlab 2009. Obyek yang dipantau (dijejaki) adalah obyek berwarna. Obyek yang hendak dipantau diinisialisasi secara manual dalam suatu bingkai persegi. Fitur yang digunakan adalah fitur histogram warna, dimana ruang warna yang dipilih adalah ruang warna RGB dan HSV.. Penjejakan dilakukan dalam kerangka filter partikel dan mean shift dalam video berwarna.
12 Flow chart penelitian bisa dilihat pada gambar di bawah berikut : Input frame
Deteksi object
Ambil fitur object
Frame berikut Sebarkan particle
Dapatkan kandidat object untuk tiap set partikel
Hitung koefisien Bhattacharyya
Hitung likelihood
Beri particle bobot sesuai dengan likelihood
Tentukan rata-rata particle sebagai posisi object yang baru Gambar 3 . Flow chart penelitian penjejakan obyek dengan filter partikel
Algorithma 1. Penjejakan Obyek dengan Filter Partikel 1. Tentukan obyek yang hendak dijejaki 2. Hitung distribusi target model (q) 3. Ambil frame pertama video 4. Propagasi partikel dari kumpulan Sk-1 5. Hitung kandidat pu(y) untuk tiap sampel set 6. Hitung koefisien Bhattacharyya 7. Hitung likelihood koefisien Bhattacharyya 8. Beri bobot masing-masing partikel sesuai dengan likelihood 9. Resampling 10. Hitung lokasi baru sebagai rata-rata dari partikel yang diboboti 11. Frame berikutnya (langkah 3)
13
Gambar 4 . Flow chart penelitian penjejakan obyek dengan metode mean shift
H. MANFAAT PENELITIAN
Secara khusus penelitian ini ditujukan untuk mendapatkan suatu system penjejakan obyek yang handal dan mempunyai ketahanan terhadap derau. Secara umum, pemelitian yang dilakukan diharapkan mampu memberikan sumbangan pada perkembangan teknologi terutama dalam bidang komunikasi multimedia.
14 I. JADWAL PELAKSANAAN
Tahap
Kegiatan
A
Persiapan Studi literatur mengenai filter partikel dan mean shift
B
Disain dan realisasi penjejakan obyek
1 2
Pembuatan algoritma penjejakan obyek Coding (matlab)
3
Pengujian algoritma dan analisis
C
Pelaporan hasil penelitian
1 2
Penyusunan laporan Penulisan untuk seminar/ jurnal
1
2
Bulan 3 4
5
6
J. PERSONALIA PENELITIAN 1. Ketua Peneliti a. Nama Lengkap
: Dewa Made Wiharta, ST. MT.
b. Pangkat/Golongan/NIP
: III d
c. Jabatan Fungsional/Struktural
: Lektor
d. Program Studi/Fakultas
:Teknik Elektro/Fak. Teknik
e. Perguruan Tinggi
: Universitas Udayana
f. Bidang Keahlian
: Telekomunikasi Multimedia
g. Jangka Waktu Penelitian
: 6 bulan
2. Anggota Peneliti 1
:
a. Nama Lengkap dan Gelar
: I Made Agus Setiawan S.Kom. M.Kom
b. Pangkat/Golongan/NIP
: Penata Tk. I/ III.b / 198201242005021002
c. Jabatan Fungsional/Struktural
: Asisten
d. Program Studi/Fakultas
: Teknik Informatika / F. MIPA
e. Perguruan Tinggi
: Universitas Udayana
f. Bidang Keahlian
: Teknologi
15
K. PERKIRAAN BIAYA PENELITIAN
No
Satuan Biaya (Rp)
De skripsi
1 GAJI/UPAH 1 a Ketua Peneliti (1 orang) b Anggota Peneliti (1 orang)
200.000 180.000
Total (1) 2 BAHAN/PERANGKAT PENUNJANG 1. Bahan Habis Pakai yaitu ATK a. Kertas A4 80gr c. Cardrige Printer d. Folder Arsip 2. Pe ngadaan Buku a. Pengadaan Buku Referensi 3. Pe rangkat pene litian a. Harddisk ekxternal
Volume
6 6
ob ob
4 PENGOLAHAN DATA 1 Rapat Koordinasi kelompok riset a. Konsumsi rapat b. Photocopy literatur materi rapat 2 Publikasi Penelitian a. Persiapan naskah publikasi 3
Pengadaan laporan penelitian Biaya cetak laporan kemajuan dan akhir penelitian a. Cetak dan jilid laporan Total (3) Total (1) + (2) + (3)
1.200.000 1.080.000 2.280.000
50.000 150.000 85.000
4 1 1
Rim unit buah
200.000 150.000 85.000
500.000
1
bh
500.000
750.000
1
bh
750.000 1.685.000
Total (2) 3 PERJALANAN 1 Perjalanan lokal
Harga Total (Rp)
600.000
2
pkt
1.200.000 1.200.000
120.000 50.000
6 6
pkt pkt
720.000 300.000
750.000
1
pkt
750.000
500.000
1
pkt
500.000 2.270.000 7.435.000
LAMPIRAN – LAMPIRAN DAFTAR PUSTAKA 1.
Ali, I. dan Dailey, M.N. (2009), "Multiple human tracking in high-density crowds", In Advanced Concepts in Intelligent Vision Systems (ACIVS).
2.
Arulampalam, M. S., Maskell, S., Gordon, N., Clapp, T. (2002), "A Tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking" IEEE Transactions on Signal Processing 50.
3.
Candy J. V. (2009). "Bayesian Signal Processing : Classical, Modern, and Particle Filtering Methods", JohnWiley & Sons, Inc., New Jersey.
4.
Carpenter, J., Clifford, P., dan Fearnhead P. (1999), "Improved particle filter for nonlinear problems", Proc. Inst. Elect. Eng., Radar, Sonar, Navig.
5.
Comaniciu, D., Ramesh, V., dan Meer, P. (2003), "Kernel-based object tracking", IEEE Transactions on Pattern Analysis and Machine Intelligence 25: 564-577.
6.
Doucet, A., de Freitas, N., dan Gordon, N. (2001), "An introduction to sequential Monte Carlo methods", in Sequential Monte Carlo Methods in Practice, New York: Springer-Verlag.
7.
Doucet, A., Godsill, S., dan Andrieu, C. (2000), "On Sequential Monte Carlo sampling methods for Bayesian filtering", Statistics and Computing 10(3): 197-208.
8.
Gordon, N.J., Salmond, D.J., dan Smith, A.F.M. (1993), "Novel approach to nonlinear and nonGaussian state estimation", Proc.Inst. Elect. Eng.
9.
Kailath, T. (1967), "The divergence and Bhattacharyya distance measures in signal selection", IEEE Trans.Commun. Tech. 15: 52-60.
10. Lu, W., Okuma, K., dan Little, J. (2009), "Tracking and recognizing actions of multiple hockey players using the boosted particle filter", Image and Vision Computing 27: 16. 11. Medeiros, H., Park, J., dan Kak, A. (2008), "A parallel color-based particle filter for object tracking", Computer Society Conf. on Computer Vision and Pattern Recognition Workshops. 12. Ning, J., Zhang, L., Zhang, D., dan Wu, C. (2009), "Robust Object Tracking Using Joint ColorTexture Histogram", International Journal of Pattern Recognition and Artificial Intelligence 23(7): 18. 13. Nummiaro, K., Koller-Meier, E., dan Van Gool L. (2003), "An adaptive color-based particle filter", Image Vision and Computing: 99-110. 14. Wiharta, D.M., Hendrantoro, G., dan Wirawan (2010), "NonlinearNon-Gaussian State Estimation Using Particle Filter", Proceedings The 1st International Conference on Sustainable Technology Development (ICSTD), Bali. 15. Wiharta, D.M., Wirawan, Hendrantoro G. (2011), "Tracking Fast Moving Object in Particle Filter Framework", International Conference on Communications and Networking Application (ICCNA) (accepted), Bali. 16. Yilmaz, A., Javed O., Shah M. (2006), ”Object Tracking: A Survey”, ACM Computing Surveys, Vol. 38, No. 4.
BIODATA KETUA PENELITI IDENTITAS PRIBADI Nama : Dewa Made Wiharta, S.T. M.T. Tmpt/Tgl Lahir : Denpasar, 22 September 1970 NIP : 132163774 / 19700922 199702 1 001 Gol./Ruang : III/d Pekerjaan : Staff Pengajar Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana Jabatan : Lektor Alamat :Jalan Nangka 186 Denpasar 80231 Bali E-mail :
[email protected] Mobile Phone : +62-81337196269 Home Phone : +62-361-228944 Pendidikan Politeknik Elektronika Surabaya, Diploma III Teknik Telekomunikasi, September 1992. Sarjana Teknik (ST) di Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember, Tahun 1996. Magister Teknik di Jurusan Teknik Elektro, Konsentrasi Sistem Isyarat Elektronis di Universitas Gadjah Mada, Nopember 2002. Program S3 pasca sarjana ITS Surabaya, 2008 – sekarang. PENGALAMAN KERJA Ketua Laboratorium Dasar Sistem Komunikasi di Jurusan Teknik Elektro, Universitas Udayana, Tahun 2003 – sekarang. Kepala Unit Pelaksana Teknis (UPT) Pusat Komputer Universitas Udayana, Tahun 2006 – sekarang. Koordinator Pengembangan Sistem Informasi Akademik Universitas Udayana, Tahun 2007 Koordinator Pengembangan Sistem Informasi Kepegawaian Universitas Udayana, Tahun 2007. Tim Pengembangan situs resmi Universitas Udayana www.unud.ac.id. Instruktur pada Workshop Disain Web menggunakan Content Management System untuk staff pengajar FKH UNUD, Tahun 2007. Instruktur pada Pelatihan Internet, web dan e-mail di Gedung GDLN Universitas Udayana, Tahun 2007. Anggota Team Project Penataan Menara Telekomunikasi Pemerintah Kabupaten Badung, Tahun 2004 Kajian Sistem Keamanan Wilayah Badung menggunakan CCTV, Kerjasama Pemkab Badung dengan Lembaga Penelitian Universitas Udayana, Oktober-Desember 2006. Anggota Tim Ahli dalam Kajian Tentang Pajak Hotel dan Restaurant Online Dispenda Badung, 2007 PUBLIKASI D.M. Wiharta, Wirawan, Gamantyo Hendrantoro, Tracking Fast Moving Object in Particle Filter Framework, IEEE – International Conference on Communications and Networking Application (ICCNA), Bali, April 2011.
D.M. Wiharta, Gamantyo Hendrantoro, Wirawan, Color-Histogram Based Particle Filter for Tracking Object in Video, The 11th Seminar on Intelligent Technology and Its Applications, Surabaya, 2010. D.M. Wiharta, Gamantyo Hendrantoro, Wirawan, NonlinearNon-Gaussian State Estimation Using Particle Filter, Proceedings The 1st International Conference on Sustainable Technology Development (ICSTD), Bali, Oktober 2010. I M.O. Widyantara, N.P. Sastra, D.M. Wiharta, Kalvien. R, Wirawan, Analysis GOP Size Impact and Quantization Strategies on Rate Distortion (RD) Performances of Wyner-Ziv Video Codec, The 10′th Seminar on Intelligent Technology and Its Applications (SITIA 2009), Surabaya, 14 Oktober 2009. Kalvein Rantelobo, D.M. Wiharta, N.P. Sastra, I M.O. Widyantara, Wirawan, Performance of Combined Scalability Technique for Video Transmission Over Wireless Channel, The 10′th Seminar on Intelligent Technology and Its Applications (SITIA 2009), Surabaya, 14 Oktober 2009. Linawati, I.M.O. Widyantara, N.P. Sastra, D.M. Wiharta, Rate Distortion Performance of Distributed Video Coding with Expectation Maximization Algorithm, 5th International Conference on Information and Communication Technology and Systems (ICTS 2009), Surabaya, 4 Agustus 2009. Dewa Made Wiharta, Putu Ardana , Frederik Nixon Da Rosa Maia, Kunci Pintu Otomatis Menggunakan Aplikasi RFID Card , Majalah Ilmiah Teknologi Elektro, ISSN: 1693-2951, Vol. 7 No.2, December 2008 I M.O Widyantara, D. M. Wiharta, N. P. Sastra, Wirawan, An Issue in modified distributed video coding technique for transmission over wireless channel, Proceedings of the 6th Kumamoto University Forum, November 5-6, 2008. N.P. Sastra, D.M. Wiharta, I M.O. Widyantara, Wirawan, Modeling wireless visual sensor network with a low energy consumption for desired image quality and view point, Proceedings of the 6th Kumamoto University Forum, November 5-6, 2008. Nyoman Putra Sastra, D.M. Wiharta, Unjuk kerja Kombinasi Error Control Coding Dengan Teknik Pengkodean Hamming Dan Konvolusi Pada Kanal AWGN Dan Kanal Rayleig, Majalah Ilmiah Teknologi Elektro, ISSN: 1693-2951, Vol. 6 No.3, Juli-Desember 2007 Linawati and DM. Wiharta, E-learning: Multimedia Application on Digital Signal Processing, International Symposium on Open, Distance, and E-Learning, Discovery Kartika Plaza Hotel, Badung, Bali, 13 – 15 November 2007. A.A. K. Oka Sudana , D.M. Wiharta, Mahardhika Tirta, Sistem Verifikasi Sidik Jari Dengan Metode Pencocokan Berbasis Bank Gabor Filter, Majalah Ilmiah Teknologi Elektro, ISSN: 1693-2951, Vol. 5 No.2, July 2006 Nyoman Putra Sastra, Dewa Made Wiharta, Agus Supranartha , Perancangan Dan Pembuatan Sistem Kontrol Dengan Memanfaatkan Layanan Sms Telepon Selular Berbasis Mikrokontroler At89c51, Majalah Ilmiah Teknologi Elektro, Vol. 4 No.2, July 2005 Dewa Made Wiharta, Metode Eigenface Untuk Pengenalan Citra Wajah, Majalah Ilmiah Teknologi Elektro, ISSN: 1693-2951, Vol. 2 No.2, July 2003 Denpasar, 12 Agustus 2013
Dewa Made Wiharta, S.T., M.T.
BIODATA PENELITI I A. Identitas Diri 1 2 3 4 5 6
Nama Lengkap (dengan gelar) Jenis Kelamin Jabatan Fungsional NIP/NIK/Identitas lainnya NIDN Tempat dan Tanggal Lahir
7
E-mail
8
Nomor Telepon/Hp
9
Alamat Kantor
10 11
Nomor Telepon/Faks Lulusan yang Telah Dihasilkan
12
Mata Kuliah yang Diampu
I Made Agus Setiawan, S.Kom, M.Kom L Lektor 198201242005021002 0024018201 Denpasar, 24 Januari 1982
[email protected] [email protected] 081287068525 Jurusan Ilmu Komputer, FMIPA, Universitas Udayana, kampus Bukit Jimbaran, Bali (0361)701954 / (0361)701907 S-1 = … orang, S-2 = … orang, S-3 = … orang 1. Pemrograman Web 2. Data Warehouse 3. Basis Data 4. Pemrograman Berorientasi Obyek
B. Riwayat Pendidikan Program S-1 Nama PT Institut Teknologi Sepuluh Nopember Surabaya Bidang Ilmu Teknik Informatika Tahun Masuk Tahun Lulus Judul Skripsi/ Tesis/Disertasi
Nama Pembimbing/ Promotor C. No 1
S-2 Universitas Indonesia
S-3
Magister Ilmu Komputer 2000 2009 2004 2011 Perancangan dan Sistem Pengenalan Pembuatan Perangkat Kelainan Aritmia Lunak Penghalusan Menggunakan Permukaan Objek Metode FNTiga Dimensi Dengan GLVQ Metode Subdivision Rully Soelaiman, Dr. Eng. Ir. Wisnu S.Kom, M.Kom Jatmiko, M.Kom
Pengalaman Penelitian dalam 5 Tahun Terakhir Tahun 2011
Judul Penelitian Sumber Sistem Pengenalan Mandiri Kelainan Aritmia Menggunakan Metode FN-
Pendanaan Jml (Juta Rp) -
GLVQ D. No
Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir Tahun
Judul Penelitian Sumber
Pendanaan Jumlah (Juta Rp)
1 2 3 E. No 1
3
4
Pengalaman Penulisan Artikel Ilmiah Dalam Jurnal dalam 5 Tahun Terakhir Tahun
Judul Artikel Ilmiah
Volume/No Nama Jurnal mor Heart beat classification using 10 Word Scientific and wavelet feature based on neural Engineering Academic network and Society (WSEAS) TRANSACTIONS on SISTEMS 2011 Arrhytmia Classification Using International Fuzzy-Neuro Generalized Conference on Learning Vector Quantization Advance Computer Science and Information Sistem. ICACSIS 2011 Arrhytmia Heart Beat International Classification Using Symposium on MicroMahalanobis Generalized Nano Mechatronics Learning Vector Quantization and Human (Mahalanobis-GLVQ) Science(MHS) 2011 Building Automation Tools to IEEE International Calculate Trichloroethylene Symposium on MicroLevel in Human Liver Using U NanoMechatronics Case Study: Images of White and Human Mouse Liver Science(MHS) 2011 Fuzzy Learning Vector International Quantization Particle Swarm Conference on Optimation (FLVQ-PSO) and Instrumentation, Fuzzy Neuro Generalized Control, Information Learning Vector Quantization Technology and (FN-GLVQ) for Automatic Sistem Integration. Early Detection Sistem of Heart SICE 2012 Diseases based on Real-time Electrocardiogram A Case Study of It 5/2 Jurnal Ilmu Komputer Implementation in Public FMIPA Universitas University : It’s Barriers and Udayana Challenges
F. Pengalaman Penyampaian Makalah secara Oral pada Pertemuan/Seminar Ilmiah dalam 5 Tahun Terakhir No .
Nama Pertemuan Ilmiah/Seminar
Judul Artikel Ilmiah
Waktu dan Tempat
1. 2. 3. G. Pengalaman Penulisan Buku dalam 5 Tahun Terakhir No .
Judul Buku
Tahun
Jumlah Halaman
Penerbit
1. 2. H. Pengalaman Perolehan HKI dalam 5-10 5 Tahun Terakhir No .
Judul/Thema HKI
Tahun
Jenis
No. P/ID
1. 2. I. Pengalaman Merumuskan Kebijakan Publik/Rekayasa Sosial Lainnya dalam 5 Tahun Terakhir No Judul/Tema/Jenis . Rekayasa Sosial Lainnya yang Telah Diterapkan
Tahun
Tempat Penerapan
Respon Masyarakat
1. 2. Bukit Jimbaran, 12 Agustus 2013
I Made Agus Setiawan, S.Kom, M.Kom NIP. 198201242005021002
BIODATA PENELITI PEMBIMBING I.
IDENTITAS PRIBADI 1.1 Nama Lengkap
Dr. I Made Oka Widyantara, ST, MT
1.2 Tempat dan Tanggal lahir 1.3 Alamat Rumah
Bakas, 11 Desember 1973 Jalan Sedap Malam Gang Alamanda No.7 Kesiman Denpasar Bali 081338499965 Jurusan Teknik Elektro, Universitas Udayana, Kampus Bukit Jimbaran, Denpasar Bali 0361-703315
[email protected],
[email protected]
1.4 Nomor Telepon/Fax 1.5 Nomor HP 1.6 Alamat Kantor 1.7 Nomor Telepon/Fax 1.8 Alamat E-mail
II. RIWAYAT PENDIDIKAN 2.1 Program S-1 2.2 Nama PT
2.3 Bidang Ilmu
2.4 Tahun Masuk 2.5 Tahun Lulus 2.6 Judul Skripsi/Tesis
S-2
S3
Institut Teknologi Sepuluh Nopember (ITS), Surabaya
Institut Teknologi Bandung (ITB), Bandung
Jurusan Teknik Elektro, Bidang Studi: Teknik Telekomunikasi 1992
Sistem Informasi Telekomunikasi (SIT)
Institut Teknologi Sepuluh Nopember (ITS), Surabaya Multimedia Komunikasi
1999
2008
1997
2001
2013
Studi tentang layanan SMS pada jaringan GSM 2.7 Nama Ir. Hang Suharto, Pembimbing/ M.Sc Promotor
Studi dan realisasi dekoder video H.261 Dr. Ir. Suhartono Tjondronegoro Dr. Ir. Hendrawan
III. PENGALAMAN PENELITIAN No
Tahun
Judul Penelitian
1
2004
2
2005
3
2005
4
2006
5
2009
6
2011
Meningkatkan Pemahaman Materi Kuliah Teori Medan Elektromagnetik 2 Dengan Menerapkan Metode Pengajaran Interaktif Berbasis Internet (Teaching Grant, TPSDP Unud). (Ketua peneliti) Perencanaan Jaringan Komunikasi Radio Klungkung - Nusa Penida Menggunakan Teknologi DS-CDMA (Research Grant, TPSDP Unud).(Ketua peneliti) Perencanaan menara telekomunikasi terpadu di Pemerintah Kabupaten Badung. (Kerjasama Teknik Elektro Unud dengan Kantor Informasi dan Telekomunikasi Pemkab Badung). (Anggota peneliti) Perencanaan Sistem Keamanan Terpadu di Kabupaten Badung. (Kerjasama Lemlit Unud dengan Kantor Informasi dan Telekomunikasi Pemkab Badung) (Anggota peneliti) Hibah Strategis Nasional, dengan judul “Pengkodean Video Terdistribusi Untuk Jaringan Sensor Monitoring Lingkungan Menggunakan Algoritma Expectation Maximization”. (Anggota peneliti) DIKTI, melalui DIPA Universitas Udayana Nomor: 0229.0/02304.2/XX/2009 Hibah Kegiatan Penelitian Disertasi Doktor 2011, dengan judul : “Pengkodean Video Wyner-Ziv berbasis Pembelajaran gerak iteratif dengan perbaikan estimasi bidang gerak dan model derau korelasi “ DIKTI, melalui DIPA ITS Tahun Anggaran 2011 Nomor 599/IT2.6/KU/2011
IV. PENGALAMAN PENULISAN ARTIKEL ILMIAH DALAM JURNAL No
Tahun
Judul Artikel Ilmiah
1
2003
Teknik Pengkodean Video H.261
2
2004
3
2005
Disain dan Simulasi Video Dekoder H.261 Analisa Pengaruh Bit Error pada Transmisi Data Video
4
2007
5
2007
6
2008
Nama Jurnal Teknologi Elektro ISSN: 16932951, Vol.2 No.2 Juli 2003 Teknologi Elektro ISSN: 16932951, Vol. 3, No.1 Januari 2004 Teknologi Elektro ISSN: 16932951, Vol. 4, No.2 Juli 2005
Pengaturan parameter pengkodean untuk rate kontrol pada pengkodean video H.261 Video streaming MPEG-4 pada jaringan wireless IP 802.11 b
Teknologi Elektro ISSN: 16932951, Vol. 6, No.2 Juli 2007
Analisa Optimalisasi Teknik Estimasi & Kompensasi Gerak pada Enkoder Video H.263
Teknologi Elektro ISSN: 16932951, Vol. 7, No.2 Juli 2008
Teknologi Elektro ISSN: 16932951, Vol. 6, No.3 Desember 2007
7
2011
Efficient Motion Field Interpolation Method for Wyner-Ziv Video Coding
V. PENGALAMAN PENULISAN SEMINAR/PROSIDING
TELKOMNIKA, Indonesian Journal of Electrical Engineering. ISSN: 1693-6930 Terakditasi oleh DIKTI, No. 51/Dikti/Kep/2010
ARTIKEL
ILMIAH
DALAM
No
Tahun
Judul Artikel Ilmiah
Nama Seminar
1
2006
Prosiding research and studies II, 2006, ISBN 979-99182-4-3
2
2008
3
2008
4
2009
Meningkatkan pemahaman materi kuliah teori medan elektromagnetik 2 dengan menerapkan metode pengajaran interaktif berbasis internet An Issue in modified distributed video coding technique for transmission over wireless channel Modeling wireless visual sensor network with a low energy consumption for desired image quality and view point Rate-Distortion performance of distributed video coding with expectation maximization algorithm.
5
2009
6
2010
7
2011
Proceedings of the 6th Kumamoto University Forum, November 5-6, 2008 Proceedings of the 6th Kumamoto University Forum, November 5-6, 2008
The 5th International Conference on Information & Communication Technology and Systems (ICTS), 4 Augustus 2009 th Analysis GOP Size Impact and The 10 Seminar on Intelligent Quantization Strategies on Rate Technology and Its Application Distortion (RD) Performances of (SITIA), 14 Oktober 2009 Wyner-Ziv Video Codec Interpolation Technique to Improve The 2rd International Unsupervised Motion Vector Learning Conference on Soft of Wyner-Ziv Video Coding Computing, Intelligent System and Information (ICSIIT), 1-2 Juli 2010. Wyner-Ziv Video Coding with The 2nd International Improved Motion Field Using Bicubic Conference on Interpolation Instrumentation, Communications, Information Technology, and Biomedical Engineering (ICICI-BME) 2011ITB, Bandung, 8-9 Nopember 2011
VI. KEGIATAN PENUNJANG PENELITIAN No
Kegiatan
Penyelenggara
Status
1.
Pelatihan Penulisan Artikel Ilmiah Internasional tahun 2011
Direktorat Penelitian dan Pengabdian kepada Masyarakat (DP2M) Ditjen DIKTI 11-14 Agustus 2011
Peserta
Denpasar, 12 Agustus 2013
I Made Oka Widyantara, S.T., M.T.
