Perancangan Sistem Pengenalan Objek Visual Untuk Pengamanan dan Pemantauan Fasilitas PLTA Abdillah Triningtyas, Dr. Ir. Achmad Affandi, DEA., Dr. Ir. Wirawan, DEA Bidang Studi Telekomunikasi Multimedia Jurusan Teknik Elektro FTI – ITS
yang dimiliki, maupun terhadap keamanan fisik. Selama ini, sistem keamanan atau monitoring adalah banyak bergantung pada visualisasi objek dan dilakukan secara tradisional, sekian banyak monitor yang telah terpasang dengan kamera di suatu tempat masih ada kekurangannya akibat kelalaian karyawan sehingga proses monitoring masih belum bisa berjalan dengan baik. Sangat sulit bagi beberapa pihak untuk mengawasi banyak video dalam waktu yang lama tanpa merasa kelelahan, apalagi jika mereka ditugaskan untuk mengenali kejadian yang signifikan dalam urutan kejadian yang kompleks [1, 2]. Contoh kelalaian yang bisa terjadi diantaranya kelalaian akibat pegawai kelelahan dan mengantuk sehingga proses pengawasan monitoring belum dilaksanakan secara seksama., kejadian yang mungkin terjadi yaitu pencurian saat karyawan tertidur tanpa disadari. Selain itu, banyak sistem keamanan yang memonitor situasi memiliki sistem kerja merekam semua kejadian setiap waktu tanpa henti, walaupun pada daerah yang dimonitor oleh kamera tersebut tidak terdapat aktifitas yang pada akhirnya membutuhkan kaset atau harddisk yang memiliki kapasitas yang besar untuk merekam seluruh kejadian selama 24 jam dalam sehari. Maka seiring dengan perkembangan teknologi, penggunaan video kamera sebagai sensor pendeteksi menjadi lebih mudah dan lebih murah serta mampu meningkatkan keamanan pada daerah-daerah terlarang maupun untuk melindungi beberapa fasilitas di suatu tempat. Penggunaan video kamera ini juga disertai dengan sistem otomatis, dimana sistem ini akan memberi peringatan apabila terdapat suatu kejadian, kegiatan maupun tingkah laku yang mencurigakan [3]. Berdasarkan penelitian-penelitian tersebut maka dalam tugas akhir ini akan dirancang suatu sistem pengenalan objek visual yang dikonsentrasikan pada kegiatan utama suatu sistem video pemantauan yang aktif yaitu berdasarkan deteksi gerakan. Sistem pemantauan ini hanya akan merekam kejadian jika terdeteksi adanya suatu aktivitas atau gerakan, sehingga akan menghemat memori hardisk. Proses deteksi gerakan dalam sistem ini menggunakan teknik block matching [4] dengan algoritma Sum of Absolute Difference (SAD). Teknik tersebut akan diaplikasikan menggunakan software MATLAB R2009A yang nantinya akan memberikan peringatan atau alarm apabila terdapat kejadian atau gerakan yang mencurigakan dimana asumsi gerakan mencurigakan pada sistem ini adalah apabila terdapat gerakan cepat yang memiliki nilai variance value yang melebihi nilai threshold yang telah ditapkan dalam sistem. SAD algorithm merupakan suatu teknik yang digunakan untuk menangkap adanya gerakan dengan lebih akurat untuk efisiensi kompresi yang lebih baik. Dalam
ABSTRAK PLTA merupakan fasilitas yang penting untuk dilindungi dari segala bentuk tindak kejahatan seperti pencurian, penjarahan maupun pengrusakan. PLTA yang berada di daerah yang jauh dari pemukiman, memerlukan keamanan ekstra karena jauh dari pengawasan. Untuk itu diperlukan adanya sistem keamanan yang bisa memonitor keadaan di PLTA. Selain itu, banyak sistem keamanan yang memonitor situasi memiliki sistem kerja merekam semua kejadian setiap waktu tanpa henti, walaupun pada daerah yang dimonitor oleh kamera tersebut tidak terdapat aktifitas yang pada akhirnya membutuhkan kaset atau harddisk yang memiliki kapasitas yang besar untuk merekam seluruh kejadian selama 24 jam dalam sehari. Dalam tugas akhir ini akan dirancang suatu sistem pengenalan objek visual yang dikonsentrasikan pada kegiatan utama suatu sistem video pemantauan yang aktif yaitu berdasarkan deteksi gerakan. Sistem pemantauan ini hanya akan merekam kejadian jika terdeteksi adanya suatu aktivitas atau gerakan, sehingga akan menghemat memori hardisk. Proses deteksi gerakan dalam sistem ini menggunakan teknik block matching [4] dengan algoritma Sum of Absolute Difference (SAD) yang merupakan suatu teknik yang digunakan untuk menangkap adanya gerakan dengan lebih akurat untuk efisiensi kompresi yang lebih baik. Teknik tersebut akan diaplikasikan menggunakan software MATLAB R2009A yang nantinya akan memberikan peringatan atau alarm apabila terdapat kejadian atau gerakan yang mencurigakan dimana asumsi gerakan mencurigakan pada sistem ini adalah apabila terdapat gerakan yang memiliki nilai variance value yang melebihi nilai threshold yang telah ditapkan dalam sistem. Dengan adanya sistem ini kita dengan mudah mengawasi keadaan suatu daerah tanpa harus mengawasi terus menerus di depan monitor dan dapat mengakses hasil pantauannya kapanpun melaui komputer yang berada di tempat objek tersebut. Oleh karena itu, sistem pemantau keamanan seperti ini sangat diperlukan untuk menjaga keamanan dan stabilitas kerja dan fungsi dari PLTA. Kata kunci : block matching, Sum of Absolute Difference, objek visual I. PENDAHULUAN Keamanan adalah sangat penting bagi suatu PLTA yang berada jauh dari pemukiman baik keamanan infrastruktur 1
matching terbaik, seperti yang ditunjukkan pada gambar berikut :
metode ini, tiap pixel akan dibandingkan dengan pixel lain dari gambar selanjutnya (dalam 1 delay frame). Dengan adanya sistem ini kita dengan mudah mengawasi keadaan suatu daerah tanpa harus mengwasi terus menerus di depan monitor dan dapat mengakses hasil pantauannya kapanpun melaui komputer yang berada di tempat objek tersebut. Oleh karena itu, sistem pemantau keamanan seperti ini sangat diperlukan untuk menjaga keamanan dan stabilitas kerja dan fungsi dari PLTA.
Gambar 2.1 Block matching antara Bp pada search frame I dan search area pada target frame J
II. TEORI PENUNJANG 2.1 Surveillance Surveillance adalah pemantauan suatu tingkah laku, kegiatan, atau informasi-informasi lain yang biasa dilakukan oleh manusia. Pemantauan ini terkadang dilakukan secara diam-diam. Pemantauan ini biasanya lebih mengacu pada pengamatan perorangan atau kelompok organisasi pemerintah, tetapi berkaitan dengan pengamatan tentang suatu hal yang mencurigakan seperti pemantauan suatu perkembangan dari komunitas yang mencurigakan. Surveillance atau pemantauan dapat diaplikasikan untuk pengamatan jarak jauh, seperti yang terdapat pada peralatan elektronik (misalnya kamera CCTV), atau pemotongan informasi yang ditransmisikan secara elektrik (misalnya internet atau panggilan telepon).
2.2.3 Sum of Absolute Difference (SAD) [5] Teknik block matching sangat banyak digunakan untuk memperkirakan vector block motion. Contoh dari block matching termasuk sum of absolute differences (SAD). Umumnya SAD lebih sering digunakan karena kesederhanaannya dan kemudahan perhitungannya. Error matching antara block pada posisi (n1,n2) pada citra sekarang It, dan kandidat blok pada posisi (n1+d1, n2+d2) pada citra referensi , It+1 , dapat didefinisikan oleh sum of absolute difference (SAD) sebagai : SAD (d1,d2) =
- J (n1 + d1 , n2 + d2) (2.1)
dimana B adalah ukuran blok. Estimasi terbaik untuk blok motion vector (v1,v2), berada pada blok yang memiliki error matching terkecil dengan posisi (n1 + d1 , n2 + d2). Vektor (v1,v2) dapat ditemukan dengan menggunakan algoritma full search (FS) untuk menghitung dan membandingkan error matching untuk tiap posisi yang dicari pada citra referensi.
2.2 Motion Motion pada dasarnya ada dua jenis, yaitu predictive motion dan true motion. Predictive motion biasa digunakan untuk kompresi video, dimana tujuannya untuk memperkirakan parameter-parameter gerakan (motion) untuk rasio kompresi tinggi. Oleh karena itu, gerakan yang dihitung tidak perlu mirip dengan gerakan yang sebenarnya. Disisi lain, pada analisa video, bertujuan untuk komputasi true motion dari titik-titik image. Untuk mendapatkan hasil motion vector yng akurat digunakan sub-pixel motion estimation.
(v1,v2) = arg (2.2) Pada block matching, ukuran block biasanya 16x16 pixel , atau 8x8 pixel. Ini umum digunakan untuk membatasi pencarian pada pre-defined area. Untuk menemukan block matching terbaik pada frame target, strategi pencarian paling sederhana adalah metode full search , dimana block image pada search frame dibandingkan dengan semua kandidat blok yang memungkinkan untuk menemukan block matching terbaik pada pre-defined search area.
2.2.1 Metode Motion Estimation Teknik motion estimation adalah point utama dalam riset video processing. Pada umumnya, metode motion estimation dapat diklasifikasi ke dalam tiga kategori yaitu metode berbasis feature, metode berbasis gradient, dan metode berbasis area. 1. Metode Berbasis Feature 2. Metode Berbasis Gradien 3. Metode Berbasis Area, seperti algoritma block matching, umum digunakan pada motion estimation. Pendekatan dengan metode ini mencoba untuk mencocokkan suatu daerah pada search frame degan daerah kandidat pada target frame dengan meminimalisasi jumlah fungsi. Pada tugas akhir ini, ditekankan pada pendekatan berbasis area. Karena, lebih cocok untuk sekuen video pada umumnya.
III. PERANCANGAN DAN IMPLEMENTASI SISTEM 3.1 Perancangan Perangkat Keras Untuk perencanaan penempatan web camera dilihat pada sketsa berikut ini:
2.2.2 Algoritma Block matching [4] Pada algoritma block matching, sebuah block image B berpusat pada sebuah search point p pada search frame I (n1,n2) dibandingkan dengan kandidat block pada target frame J (n1,n2) berdasarkan pada kriteria matching untuk mendapatkan blok matching terbaik di dalam suatu pre-defined search area. Motion vector Vp dari search point p diberikan dari pergerakan blok dalam mencari block
dapat
Gambar 3.2 Penempatan Kamera dan Gambaran Daerah Pengawasan
3.2 Perancangan Perangkat Lunak
Perancangan perangkat lunak pada tugas akhir ini menggunakan pemrograman MATLAB dengan versi 2
7.8.0.347 R2009A untuk mengintegrasikan masing-masing hardware ke dalam sistem.
disimpan. Proses ini akan mengakhiri program utama dalam sistem ini.
3.2.1 Gambaran Umum Perancangan Sistem Gambar 3.1 merupakan blok diagram keseluruhan sistem yang akan dirancang, ditinjau dari masukan yang diolah dan target yang ingin dicapai.
3.2.2 Algoritma Deteksi Gerakan Di antara berbagai macam metode motion estimation, teknik pencocokan blok (block matching) adalah yang paling banyak digunakan dan populer karena kesederhanaan dalam aplikasinya. Pada teknik pencocokan blok, suatu blok citra yang berpusat pada satu titik di tengahnya di frame sekarang dibandingkan dengan blok kandidat di frame referensi berdasarkan perbedaan atau persamaan tertentu untuk menemukan blok cocok yang terbaik pada area yang dicari. Proses dari teknik pencocokan blok diilustrasikan pada gambar 3.2.
Mulai Pengaturan & Inisialisasi
Flag = 1
Cek nilai Flag ?
Flag = 0
Image Acquisition
Gambar 3.2 Pencocokan Blok Gambar Deteksi Gerakan
Sum of Absolute Difference (SAD) ini berdasar pada teknik image differencing. Secara matematika dapat digambarkan dengan persamaan berikut : D(t)= (3.1)
Break & Clear No
Apakah Image > threshold ?
Ye s
Perekaman Data
Dimana, N adalah jumlah piksel dari gambar yang digunakan sebagai faktor skala, adalah gambar I pada waktu i, adalah gambar I pada waktu j dan D(t) adalah normalized sum of absolute difference pada waktu sekarang. Pada keadaan normal saat tidak terdeteksi adanya gerakan, (3.2)
Selesai
Dan D(t) = 0. Meskipun dalam hal ini selalu ada noise yang ada pada gambar. Saat terdeteksi terdapat gerakan, maka persamaan akan menjadi : + (3.3) dimana adalah sinyal noise.
Tindakan Pada Deteksi Gerakan
Gambar 3.1 Diagram Alir Sistem secara keseluruhan Berdasarkan gambar tersebut, dapat dijelaskan bahwa saat program di mulai, sistem akan mengecek flag yang mengindikasikan apakah tombol Start / Stop ditekan atau tidak. Saat menekan tombol Start / Stop untuk pertama kalinya menandakan bahwa saat itu juga sistem akan dimulai sehingga sistem akan mulai membaca atau mengenali gambar lalu mengolahnya menggunakan algoritma Sum of Absolute Difference (SAD). Jika terdeteksi adanya gerakan, maka sistem akan melakukan tindakan seperti mencatat waktu dan tanggal terjadinya gerakan serta frame mana saja yang terdapat gerakan untuk diolah apakah gerakan tersebut mencurigakan atau tidak. Setelah itu, sistem akan melakukan pembacaan atau pengenalan lagi terhadap gambar selanjutnya, sebaliknya jika tidak terdeteksi adanya gerakan maka sistem akan langsung membaca atau mengenali gambar selanjutnya. Kapanpun tombol Start / Stop ditekan kembali, flag akan di set menjadi 0 (nol) dan sistem akan berhenti, memori dibersihkan dan hasil gerakan objek yang terdeteksi akan direkam dan
Gambar 3.3 Skema Deteksi gerak pada SAD Pendekatan untuk perhitungan algoritma Sum of Absolute Difference (SAD)dapat dijelaskan sebagai berikut: 3
1. 2.
3.
menggunakan algoritma Sum of Absolute Difference dan menampilkan grafik hasil gerakan yang terdeteksi. Cara kerja dari sistem ini, kapanpun tombol Start / Stop ditekan maka sistem akan berjalan dan program pendeteksi gerakan yang digunakan akan dipanggil untuk menampilkan perhitungan sampai tombol Start / Stop di tekan lagi yang berarti sistem akan mengakhiri perhitungan dan mengembalikan pengaturannya ke GUI. Hasilnya dapat dilihat dalam bentuk log file, movie dan gambar atau grafik dari frame dan value variance.
Menghitung (I(ti) – (Itj)) untuk masing-masing blok 16 x 16 piksel pada blok I(ti) dan I(tj) Menentukan apakah nilai I(ti) – (Itj) lebih kecil dari 0, jika iya maka hasil nilai absolute nya adalah I(tj) – I(ti). Jika tidak maka nilai absolutnya adalah I(ti) – (Itj) Menampilkan hasil perhitungan untuk semua nilai absolute dari blok 16 x 16 piksel
Penetapan nilai threshold untuk gerakan normal berdasarkan pada hasil pengambilan sample data untuk menentukan batas ambang (threshold) yang akan digunakan pada sistem dimana variance value pada pengamatan suatu daerah tanpa terdapat aktivitas adalah 0,037 – 0,146. Sehingga digunakanlah nilai 0,16 sebagai batas ambang dalam menentukan ada atau tidaknya gerakan pada suatu daerah pemantauan. Untuk asumsi gerakan yang dianggap mencurigakan adalah apabila terdapat gerakan dengan variance value yang lebih besar dari nilai threshold yang sudah ditetapkan. Penetapan nilai threshold ini berdasarkan pada hasil pengambilan sample data dengan melihat perubahan variance value yang terjadi saat objek bergerak, dimana semakin cepat gerakan objek maka semakin besar nilai variance value-nya. Dalam hal ini variance value untuk gerakan yang cepat seperti berlari ataupun melompat adalah > 0,52. Sehingga pada tugas akhir ini digunakan nilai threshold > 0,52 sebagai batas ambang gerakan mencurigakan. Pengambilan sample data ini dilakukan di luar ruangan (outdoor) dengan keadaan pencahayaan langsung dari matahari dan pencahayaan menggunakan lampu. Nilai threshold ini dapat diubah - ubah sesuai dengan keadaan lingkungan pemantauan.
IV. PENGUJIAN SISTEM 4.1 Pengujian Parameter Tinggi dan Sudut dalam Penempatan Kamera Dengan data pada tabel di bawah dapat disimpulkan bahwa ketinggian dan sudut pemantauan kamera berpengaruh dalam memaksimalkan pemakaian kamera dalam hal jangkauan pemantauan kamera. Tabel 4.1 Hasil Pengujian dengan Ketinggian 1,45 m No Sudut Tinggi Panjang Lebar1 Lebar2 Luasan 1 1,45 4,1 m 3,6 m 3,2 m 13,94 30 m m2 2 1,45 6,4 m 5,9 m 5,4 m 36,16 45 m m2 3 1,45 8,5 m 7,9 m 7,3 m 64,6 60 m m2 Tabel 4.2 Hasil Pengujian dengan Ketinggian 1,95 m No Sudut Tinggi Panjang Lebar1 Lebar2 Luasan 1 1,95 5,7 m 5,2 m 4,8 m 28,5 30 m m2 2 1,95 7,8 m 7,2 m 6,7 m 54,21 45 m m2 3 1,95 10 m 9,4 m 8,9 m 91,5 60 m m2
3.2.8 Perancangan Graphical User Interface (GUI) Berikut ini adalah tampilan GUI dari sistem yang akan dijalankan secara keseluruhan.
4.2 Pengujian Keseluruhan Sistem Pengujian dilakukan dengan metode Black Box Testing [6] yang dimaksudkan untuk menguji fungsionalitas dari setiap modul yang ada di program sistem. Tujuan dari metode Black Box Testing ini adalah untuk menemukan kesalahan fungsi dari program yang telah dibuat. Pengujian sistem dilakukan dengan menempatkan kamera di dekat pintu masuk untuk memantau kegiatan yang terjadi selama selang waktu yang ditentukan. Ketinggian kamera yang digunakan dalam pengujian adalah 1,45 m dengan sudut 45 Pengujian dilakukan dengan nilai threshold atau batas ambang yang berbeda-beda yang bertujuan untuk mengetahui tingkat kesensitifan sistem dalam mendeteksi gerakan yang dianggap mencurigakan. Pengujian juga dilakukan dalam dua keadaan yaitu kedaan pencahayaan langsung dari matahari dan keadaan pencahayaan dengan menggunakan lampu. Pengujian ini bertujuan untuk membuktikan bahwa kerja sistem tidak terpengaruh pada keadaan cahaya. Berdasarkan hasil pemantauan untuk nilai variance value, variance value untuk gerakan normal seperti gerakan orang berjalan, duduk-duduk dan gerakan lambat lainnya berkisar pada nilai 0,3 – 0,5. Sedangkan, gerakan yang sangat cepat seperti gerakan berlari atau melompat memiliki
Gambar 3.4 Tampilan Keseluruhan Sistem dalam bentuk GUI Tombol Start / Stop berfungsi untuk memulai pengambilan gambar secara real time pada sistem sekaligus berfungsi untuk mengkhiri kerja sistem. Tombol log file berfungsi menampilkan file mengenai tanggal, waktu serta nomor frame mana saja yang terdeteksi adanya gerakan. Tombol log file ini akan berfungsi setelah tombol start /stop ditekan kembali atau setelah sistem dihentikan. Tombol movie berfungsi menampilkan keseluruhan frame hasil gerakan yang terdeteksi dalam bentuk struktur film. Tombol histogram berfungsi menampilkan grafik yang menunjukkan nomor frame yang terdeteksi adanya gerakan dengan nilai variance value. Tombol exit berfungsi untuk keluar dari sistem yang berarti bahwa sistem berakhir. Axes yang berada pada tampilan GUI berfungsi menampilkan gambar hasil tangkapan kamera secara langsung yang telah diolah 4
variance value sebesar 0,855 - 0,992 untuk itu gerakan ini dikategorikan ke dalam gerakan mencurigakan (> 0,52). Pengujian pertama dilakukan dengan keadaan cahaya yang cukup terang yaitu pada pukul 15.30 WIB, nilai threshold atau batas ambang untuk gerakan normal adalah 0.2 serta nilai threshold atau batas ambang untuk gerakan mencurigakan sebesar 4. Pemantauan dilakukan di saat jam operasional (07.00 WIB – 17.00 WIB) yang mana keadaan di daerah pemantauan cukup ramai dengan beberapa aktivitas sehingga penetapan nilai threshold dibuat maksimal. Pengujian kedua dilakukan dengan keadaan cahaya yang tidak terlalu terang dan dengan nilai threshold atau batas ambang untuk gerakan normal sebesar 0,16 serta nilai threshold atau batas ambang untuk gerakan mencurigakan sebesar 0,99. Penetapan nilai threshold atau batas ambang untuk gerakan mencurigakan ini karena pemantauan dilakukan di luar jam operasional (07.00 WIB – 17.00 WIB) yang mana keadaan di daerah pemantauan sepi atau tidak terlalu banyak aktivitas. Pengujian ketiga dilakukan selama 30 menit dengan keadaan cahaya yang terang dimana perekaman dilakukan saat jam operasional yang berlaku di daerah pemantauan (07.00 WIB – 17.00 WIB). Nilai threshold atau batas ambang untuk gerakan normal sebesar 0,16 dan nilai threshold atau batas ambang untuk gerakan mencurigakan adalah sebesar 2,5. Dari hasil pengujian tersebut disadari bahwa sangat sulit untuk mengkategorikan suatu objek yang bergerak ke dalam kategori gerakan mencurigakan tanpa memperhitungkan parameter-parameter rinci yang terdapat pada objek tersebut seperti dengan segmentasi atau tracking, sama halnya dengan gerakan seseorang yang panik di kerumunan orang di suatu terminal atau pasar, keadaan sesorang yang panik ini juga dapat di kategorikan ke dalam gerakan mencurigakan meskipun tidak ada objek yang khusus atau spesifik yang dapat dihubungkan dengan gerakan mencurigakan ini [7]. Meskipun demikian, dapat dinyatakan bahwa sistem ini berhasil mendeteksi setiap gerakan yang terjadi di daerah pemantauan baik dalam keadaan pencahayaan yang sangat terang maupun gelap.
Frame
Parameter
Pengujian 2 Gerakan Mencurigakan (Berlari di Kerumunan)
Variance Value = 4,3452 Nilai Threshold = 0,99 (Variance Value > Threshold) Jarak dari kamera
Pengujian 3 Gerakan Mencurigakan (Berlari)
Variance Value = 2,76 Nilai Threshold = 2,5 (Variance Value > Threshold)
Pengujian 2 Gerakan Normal (Berjalan dan Orang Duduk)
Variance Value = 0,796 Nilai Threshold = 0,99 (Variance Value < Threshold)
Tabel 4.3 Gambar Frame Gerakan yang Terdeteksi Frame Kategori Parameter Pengujian 1 Gerakan Normal (Berjalan)
Kategori
Variance Value = 0,45
V. PENUTUP 5.1 Kesimpulan 1. Penempatan web camera berdasarkan tinggi dan besar sudut pemantauan mempengaruhi dalam memaksimalkan coverage area web camera. Berdasarkan hasil analisis untuk setiap peningkatan tinggi 0,5 m dapat menaikkan luasan sebesar 1,5 kali dari sebelumnya, dan setiap peningkatan sudut 15 dapat menaikkan luasan sebesar 1,8 kali. Sehingga dapat mendeteksi objek dengan area yang lebih luas. 2. Algoritma Sum of Absolute Difference (SAD) yang digunakan untuk mendeteksi gerakan tidak terpengaruh oleh keadaan cahaya. 3. Pada sistem ini gerakan akan dianggap mencurigakan apabila variance value dari gerakan melebihi nilai threshold yang ditetapkan. Gerakan tersebut meliputi
Nilai Threshold = 4 (Variance Value < Threshold)
5
gerakan berlari, melompat dan gerakan-gerakan lain yang bergerak sangat cepat di depan web camera dengan jarak maksimal 1 meter. 4. Keberhasilan progam pendeteksi gerakan pada saat keadaan pencahayaan terang maupun gelap memiliki persentase sebesar 100%.
BIODATA PENULIS Abdillah Triningtyas, lahir di Poso pada tanggal 7 September 1988. Pada tahun 2000 penulis menamatkan pendidikan Sekolah Dasar di SDN III Poso Pesisir, kemudian melanjutkan pendidikan di SMPN I Poso Pesisir dan selesai pada tahun 2003. Pada tahun 2006, penulis menyelesaikan pendidikan Sekolah Menengah Atas di SMAN III Poso, kemudian meneruskan pendidikan D3 Teknik Elektro di UGM Yogyakarta dan pada tahun 2009 penulis melanjutkan ke jenjang S1 di Teknik Elektro ITS Surabaya. Saat ini penulis sedang mengerjakan tugas akhir di bidang Telekomunikasi Multimedia Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Surabaya.
5.2 Saran 1. Untuk penerapan sistem pengenalan objek yang berdasarkan pada deteksi gerakan, maka penempatan web camera hendaklah membentuk sudut 45 dengan ketinggian 1,95 m dan luas area pemantauan 36,16 m2. Hal ini dikarenakan pada pengujian dengan sudut tersebut, hasil dari luasan yang paling efektif tidak terlalu kecil dan besar. 2. Untuk pengguanaan perangkat keras dalam sistem ini sebaiknya memperhatikan spesifikasi dari perangkat tersebut. Server dalam hal ini laptop atau CPU hendaknya memiliki RAM minimal 2 GB untuk mempercepat dalam pemrosesan data. Web camera yang digunakan dalam sistem ini sebaiknya menggunakan web camera yang sesuai dengan sistem pemantauan, seperti kamera CCTV atau IP camera. 3. Untuk penelitian lebih lanjut dalam hal pengenalan gerakan mencurigakan yang lebih spesifik dapat ditambahkan metode pengenalan wajah (face recognition). Metode ini akan menyimpan database wajah dari orang-orang yang sering berada di daerah pemantauan, sehingga pengenalan gerakan mencurigakan akan lebih akurat. DAFTAR PUSTAKA [1] Grier, R. A., warm, J. S.,Dember, W. N., Matthews, G., Galinsky, T. L, Szalma, J. L. & Parasuraman, R. (2003). The Vigilance Decrement Reflects Limitations in Effortul Attention, Nort Mindleness. Human Factors: The Journal of the Human Factors and Ergonomics Society 45: 349-359 [2] Pattyn N, Neyt X, Henderickx D, Soetens E., 2008. Psychophysiological investigation of vigilance decrement: Boredom or cognitive fatigue? Physiology & Behavior [serial online]. January 28, 2008;93(1/2):369-378. Elsevier. Available from: Academic Search Complete, Ipswich, MA. Accessed April 15, 2009. [3] Pendall, Major David W., 2005. Persistent Surveillance and its Implications for the Common Operating Picture. Military Review: 41-50. [4] C. Kamath, A. Gyaourova, and S. C. Cheung. “Block matching for object tracking”. https: // computation. llnl. gov/ casc/ sapphire/ pubs/ UCRL-TR-200271. pdf , October 2003 [5] S. Wong, S. Vassiliadis, S. Cotofana “A Sum of Absolute Differences Implementation in FPGA Hardware", 28th Euromicro Conference (EUROMICRO'02), pp.183{188, Dortmund, Germany, 2002. [6] IEEE, “IEEE Standard 610.12-1990, IEEE Standard Glossary of Software Engineering Terminology,” 1990. [7] Nahum Kiryati, Tammy Riklin Raviv, Yan Ivanchenko, Shay Rochel “Real-time Abnormal Motion Detection in Surveillance Video”, Tel Aviv University, Massachusetts Institute of Technology. 6
