ROBOT PENCARI KORBAN TSUNAMI : DETEKSI KULIT MANUSIA DENGAN KAMERA TANPA KABEL BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM

ROBOT PENCARI KORBAN TSUNAMI : DETEKSI KULIT MANUSIA DENGAN KAMERA TANPA KABEL BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Bima Sena Bayu Dewantara, Son Kuswadi, Famardi Eko Cahyono Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Surabaya Jalan Raya ITS, Kampus ITS, Keputih, Sukolilo, Surabaya e-mail : [email protected], [email protected]

Abstract In this study developed a skin color detection system that is used as a tool of intelligence in searching robots to find any victims in collapsed buildings due to natural disasters, especially the tsunami. The primary method of the system use an artificial intelligence methods: Adaptive Neuro Fuzzy Inference System (ANFIS). This method is a combination of fuzzy logic and neural network. The system begins with the image making process object by using the Wireless CCTV. Then proceed with the process window and scaling the image slice. This process is used to obtain image data for the learning process of ANFIS method. The test results provide a level of about 83.33% accuracy on the intensity of light is sufficient.

banjir, letusan gunung api, tanah longsor, angin ribut, kebakaran hutan dan lahan serta letusan gunung api. Secara umum terdapat peristiwa bencana yang terjadi berulang setiap tahun [1]. Gambar 1 menunjukkan kondisi pasca bencana tsunami Aceh.

Keywords: ANFIS, Slice Window, Wireless CCTV.

Gambar 1. Bangunan yang tertimpa perahu akibat tsunami Aceh [a]

1. PENDAHULUAN Dilihat dari potensi bencana yang ada, Indonesia merupakan negara dengan potensi bahaya (hazard potency) yang sangat tinggi. Karena sebagai negara kepulauan yang secara geografis terletak di daerah khatulistiwa yang berada di antara Benua Asia dan Australia serta di antara Samudera Pasifik dan Hindia, berada pada pertemuan tiga lempeng tektonik utama dunia yang merupakan wilayah teritorial yang sangat rawan terhadap bencana alam. Disamping itu kekayaan alam yang berlimpah, jumlah penduduk yang besar dengan penyebaran yang tidak merata, pengaturan tata ruang yang belum tertib, masalah penyimpangan pemanfaatan kekayaan alam. keaneka ragaman suku, agama, adat, budaya, golongan pengaruh globalisasi serta permasalahan sosial lainnya yang sangat kompleks mengakibatkan wilayah Negara Indonesia menjadi wilayah yang memiliki potensi rawan bencana, baik bencana alam maupun ulah manusia, antara lain: gempa bumi, tsunami,

Dewasa ini, perkembangan ilmu pengetahuan dan teknologi sangat pesat. Salah satu akibatnya adalah digantikannya peran manusia dalam mengerjakan suatu pekerjaan oleh mesin yang kita lebih sering menyebutnya dengan istilah robot. Tujuan dibuatnya robot adalah untuk mengatasi permasalahan yang dihadapi manusia. Salah satu masalah manusia yang paling sering dihadapi adalah masalah keamanan dalam pekerjaan. Dalam hal ini, fungsi robot sebagai pengganti peran manusia dalam menjalankan pekerjaan yang sangat rawan bagi keselamatan manusia. Banyak dilakukan penelitian dan pengembangan robotika guna menciptakan sebuah model robot yang dapat melakukan tugas pencarian korban (searching robot). Seperti Penelitian CRASAR (Center for Robot Assisted Search & Rescue) yang telah menggunakan robot secara nyata dan pertama kalinya diperkenalkan untuk melakukan tugas pencarian dan penyelamatan korban runtuhnya menara kembar WTC (World Trade Center) [b] dan Penelitian yang dilakukan tim peneliti RABBIT (Robotics

Robot Pencari Korban … (B. S. B. Dewantara, S. Kuswadi, F. E. Cahyono)

187

and Automation Based on Biologically Inspired Technology) PENS ITS (Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember) yang telah melakukan pengembangkan robotika khusus untuk dipakai sebagai wahana pencari korban tsunami yang berada di reruntuhan bangunan yang sulit dan berbahaya untuk dijangkau manusia [2]. Nantinya, metode ini akan dibenamkan pada robot yang telah dibuat sebelumnya. Gambar 2 menunjukkan aktifitas USAR (Urban Search And Rescue) Robot.

dengan referensi warna kulit manusia yang telah diambil melalui proses pembelajaran. 2. METODE Penerapan Neural Network Dalam Deteksi Wajah Rowley dkk. [5] dalam penelitiannya yang berjudul ” Neural Network-Based Face Detection” membahas tentang sistem deteksi wajah. Gambar 3 berikut ini adalah algoritma dasar yang digunakan untuk deteksi wajah :

Gambar 3. Algoritma Deteksi Wajah [5]

Gambar 2. USAR (Urban Search And Rescue) Robot [b] Dalam Penelitian ini, telah dilakukan penelitian mengenai suatu sistem alat bantu kecerdasan pada searching robot. Yaitu sistem pendeteksian korban berdasarkan warna kulit. Sistem ini membantu searching robot dalam mengenali korban, terutama korban yang berada di reruntuhan bangunan akibat bencana tsunami yang sulit untuk dikenali. Metode yang digunakan pada sistem ini adalah Adaptive Neuro Fuzzy Inference System (ANFIS). ANFIS merupakan metode penggabungan mekanisme fuzzy inference system yang diimplementasikan ke dalam jaringan adaptif [3]. Metode ini merupakan pengembangan dari metode yang telah ada sebelumnya yaitu metode pengendalian logika Fuzzy dan jaringan syaraf tiruan (Artificial Neural Network=ANN) [4]. Metode penggabungan ini dilandasi oleh pertimbangan bahwa logika fuzzy mampu mengolah data dengan menghilangkan ketidakjelasan dan ketidakpastian dengan mengadopsi pengetahuan operator menjadi aturan-aturan fuzzy, yang dikenal dengan teknik human-based expert, sedangkan jaringan syaraf tiruan memiliki kemampuan belajar berdasarkan kondisi yang diberikan oleh manusia [2]. Prinsip kerja metode ini adalah membandingkan atau mencocokan warna kulit yang ditangkap kamera

188

Neural network digunakan untuk menguji setiap citra yang telah dibagi-bagi menjadi window-window yang kecil dari suatu citra yang kompleks kemudian memutuskan apakah masingmasing window tersebut berisi suatu citra muka atau tidak. Sistem ini menggunakan multiple neural network untuk meningkatkan performa pendeteksian. Berdasarkan hasil penelitian yang telah dilakukan, disimpulkan bahwa metode multiple neural network dapat mendeteksi wajah dengan presentasi keberhasilan antara sebesar 77,9% hingga sebesar 90,3% dari 130 kali percobaan.

Gambar 4. Slice window Slice Window Merupakan suatu cara untuk menandai window hasil pengambilan citra. Hasil dari slice window berupa garis-garis yang membagi citra window ukuran 20x20. Slice window digunakan untuk memudahkan operator untuk memberikan target pada data citra warna kulit yang akan diproses oleh ANFIS dalam

Jurnal Ilmiah Ilmu Komputer, Vol. 7 No. 2 Maret 2011: 187-193

proses pembelajaran (learning). Gambar 4 berikut menunjukkan hasil slice window. Resize Gambar adalah memperkecil ukuran dari gambar asal hasil tangkapan kamera. Proses ini dilakukan untuk mengurangi kompleksitas informasi citra yang berlebih sehingga dapat mempercepat kinerja Adaptive Neuro Fuzzy Inference System dalam identifikasi warna kulit pada setiap window. Penskalaan dilakukan dengan cara mengambil nilai rata-rata dari 4 piksel terdekat dari citra asal menjadi nilai sebuah piksel pada citra baru, sehingga dihasilkan citra baru dengan ukuran 4 kali lebih kecil dari citra asal. Gambar 5 berikut menunjukkan hasil Penskalaan citra 320x240 pixel menjadi 80x60 pixel.

proses penginisialisasian dengan menggunakan nilai pixel dari citra, dimana nilai pixel ini sama dengan variabel input. Untuk titik tengah fungsi keanggotaan di bagian keluaran dipergunakan proses penginisialisasian sesuai dengan target awal yang telah ditentukan oleh operator. Sedangkan lebar fungsi keanggotaan diberikan nilai awal sebesar 0,5. Setelah proses inisialisasi sudah dianggap cukup maka dapat dilakukan proses pembelajaran. Proses Pembelajaran Struktur sistem kontrol yang dikembangkan adalah dengan menggunakan human-expert yaitu operator manusia yang akan mengajari mesin dalam hal ini Adaptive Neuro Fuzzy Inference System (ANFIS) untuk mencocokan warna kulit manusia. Pada proses pembelajaran sistem ANFIS diletakkan paralel dengan human expert tetapi sinyal keluaran dari human expert dijadikan sinyal ajar yang akan dipakai untuk pembelajaran. Human expert memberikan sinyal ajar berupa nilai validasi warna kulit manusia (1= bukan kulit ; 2= warna kulit). Struktur proses pembelajaran ANFIS dapat dilihat pada gambar 6 berikut:

Gambar 5. Resize ukuran gambar Adaptif Neuro Fuzzy Inference System (ANFIS) Dalam merancang pengendali ANFIS ini, secara keseluruhan terdapat tiga proses, yaitu Proses Pemilihan Parameter Awal (Inisialisasi), Proses pembelajaran (learning) dan Proses tanpa pembelajaran (running). Pemilihan Parameter Awal Sebelum melangkah lebih dalam pada algoritma Adaptive Neuro Fuzzy Inference System, maka pertama kali dilakukan adalah memilih nilai awal parameter yang nantinya turut menentukan keluaran ANFIS. Pada struktur ANFIS, terdapat tiga parameter adaptif yang didapat dari hasil pembelajaran, diantaranya yaitu titik tengah fungsi keanggotaan di bagian masukan, titik tengah fungsi keanggotaan di bagian keluaran dan lebar fungsi keanggotaan. Untuk titik tengah tengah fungsi keanggotaan di bagian masukan, digunakan

Gambar 6. Pembelajaran ANFIS Proses Tanpa Pembelajaran (Running) Setelah proses pembelajaran telah dianggap cukup, maka dapat dilakukan proses running dengan hanya memanfaatkan sistem ANFIS sebagai kendali dari sistem, tanpa menggunakan human expert lagi. Dengan demikian maka sistem ANFIS dapat melakukan pattern matching warna kulit manusia berdasarkan pengalamannya ketika dalam proses pembelajaran, yang tercermin dari digunakannya parameter-parameter yang telah didapatkannya selama proses pembelajaran. Struktur proses running ANFIS diilustrasikan pada gambar 7.

Robot Pencari Korban … (B. S. B. Dewantara, S. Kuswadi, F. E. Cahyono)

189

Gambar 7. Proses Running Pada proses tanpa pembelajaran (running), hanya melibatkan alur maju saja. Keluaran dari ANFIS berupa data yang sesuai dengan target dengan error tertentu.

4. HASIL Sistem yang telah dibangun memiliki beberapa hal yang dapat diuji, yaitu meliputi : Slice Window, Resizing gambar, Pengujian akurasi system untuk mengenali kulit korban diantara benda-benda yang lain, lokasi yang ditengarai adanya korban berdasarkan munculnya warna tertentu pada layar, pengujian terhadap beberapa jenis kulit dan variasinya serta obyek lain, dan pengambilan data tingkat akurasi system untuk mendeteksi korban.

Simulasi Korban Tsunami Untuk mensimulasikan kondisi korban Tsunami, maka kulit tangan akan dikotori dan ditumpuki dengan beberapa material seperti tanah, pasir, kayu, bubuk kayu, batu, dll.

Slice Window Pada gambar 4 telah ditunjukkan proses slice window pada window kamera utama menjadi 192 buah window kecil, dimana masingmasing window akan dicek dengan menggunakan ANFIS, apakah didalamnya terdapat kulit atau tidak.

3. DISKUSI Metode yang telah dikembangkan adalah sebuah kamera CCTV wireless ditumpangkan pada sebuah mobil robot, dan dengan menggunakan fasilitas pemancar dan penerima wireless, data gambar dari kamera CCTV akan diproses oleh sebuah komputer secara online. Dapat digambarkan pada gambar 8 berikut ini :

Resize Gambar Gambar 10 menunjukkan sebuah proses resize gambar dimana tujuannya adalah memperkecil jumlah pixel untuk selanjutnya mengurangi jumlah node input bagi ANFIS sehingga didapatkan kecepatan pengenalan yang paling optimal.

Gambar 10. Resize gambar

Gambar 8. Desain sistem secara umum Untuk mendukung pencarian dan pendeteksian korban, maka diperlukan sebuah metode untuk mendeteksi kulit korban seperti pada gambar blok diagram 9 berikut ini :

Gambar 9. Blok diagram sistem pendeteksi korban

190

Pengujian Sistem Gambar 11 menunjukkan sebuah proses pendeteksian ada atau tidak ditemukannya kulit manusia diantara obyek lain yang dianggap sebagai reruntuhan. Dan ternyata hasilnya adalah system mendeteksi adanya kulit manusia diantara obyek lain tersebut.

Gambar 11. Pendeteksian kulit korban diantara obyek lain (diasumsikan sebagai reruntuhan)

Jurnal Ilmiah Ilmu Komputer, Vol. 7 No. 2 Maret 2011: 187-193

Gambar 12 menunjukkan lokasi ditemukannya korban berdasarkan pendeteksian terhadap kulit manusia yang diberi tanda merah.

Penskalaan citra ini dapat mengurangi kompleksitas data sehingga dapat mempermudah dan meningkatkan efisiensi sistem dalam mengolah data input. Tabel 2. Verifikasi hasil pengenalan untuk 18 model variasi obyek + kulit No Uji

Gambar 12. Posisi kulit terdeteksi (warna merah) Tabel 1 menunjukkan waktu system untuk merespon sebuah masukan, mulai dari proses tangkapan obyek hingga ditandainya (warna merah) obyek kulit manusia yang berhasil dideteksi. Tabel 1. Waktu respon dan verifikasi hasil pengenalan Percobaan k 1 2 3 4 5

Waktu Respon 4s 5s 6s 5s 7s

Hasil Verifikasi Kulit Kulit Kulit Kulit Bukan

Untuk lebih meyakinkan bahwa system yang dibangun dapat dan layak digunakan sebagai metode bantu pada robot pencari korban tsunami, maka dilakukan beberapa pengujian terhadap 18 variasi kulit + obyek lain. Tabel 2 menunjukkan verifikasi terhadap kehandalan system. Analisa Proses awal dari sistem ini adalah pengambilan citra ukuran 320x240 pixel. Citra ukuran 320x240 pixel ini diambil data nilai derajat keabuannya sehingga didapatkan 76.800 data grayscale yang digunakan sebagai data input. Data input sebesar ini menyebabkan terjadinya kesulitan dalam menentukan struktur ANFIS yang paling tepat. Untuk mengatasi hal ini maka diperlukan proses pre-processing yaitu menggunakan proses penskalaan citra. Pada proses penskalaan citra, data input ukuran 320x240 atau 76.800 data direduksi menjadi data input ukuran 80x60 atau sebanyak 4.800 data. Proses pengecilan citra ini dilakukan dengan memperhatikan keutuhan dari data informasi penting dari suatu citra. Pengecilan citra yang berlebihan dapat menyebabkan hilangnya keutuhan informasi penting dari suatu citra.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Obyek Kardus Pasir Batu Tempat Timah Bata Kulit bersih 1 Kulit bersih 2 Kulit bersih 3 Kulit bersih 4 Kulit bersih 5 Kulit + Kardus Kulit + Pasir Kulit + Batu Kulit + T.Timah Kulit + Bata Kulit Kotor 1 Kulit Kotor 2 Kulit Kotor 3

Waktu 6s 5s 7s 4s 4s 4s 4s 5s 4s 6s 4s 4s 5s 6s 7s 4s 6s 6s

Hasil Deteksi Bukan Bukan Bukan Kulit Kulit Kulit Kulit Kulit Kulit Kulit Kulit Kulit Kulit Kulit Kulit Kulit Kulit Bukan

Struktur ANFIS yang digunakan dalam sistem ini memiliki 4 empat aturan dengan jumlah node input sebanyak 25. Jadi data input yang berukuran 80x60 diproses oleh ANFIS dengan cara mengambil data input setiap 5x5 untuk setiap proses. Sehingga total paket data input diperoleh sebanyak 192 paket data. Pengambilan setiap paket data ini lebih efisien jika dibandingkan dengan pengambilan data input 80x60 secara bersamaan untuk diolah ANFIS. Pemrosesan data input ukuran 80x60 secara bersamaan ini dapat menyebabkan terjadinya kesulitan dalam menentukan target data input yang memiliki ciri warna kulit dan data input yang tidak memiliki ciri warna kulit karena cara ini hanya memberikan dua pilihan pada operator untuk memberikan target apakah setiap window mengandung warna kulit atau tidak. Sehingga menyebabkan sistem tidak mampu menentukan lokasi keberadaan informasi data warna obyek secara detail. Oleh karena itu pada sistem ini cara pemrosesan data input ukuran kecil 5x5 dalam suatu matrik besar ukuran 80x60 yang dilakukan secara berulang hingga memenuhi jumlah keseluruhan data input. Metode ANFIS merupakan unit pengolah utama dalam sistem ini. Kesesuaian karakteristik dari metode ini terhadap keseluruhan sistem tentunya

Robot Pencari Korban … (B. S. B. Dewantara, S. Kuswadi, F. E. Cahyono)

191

sangat penting untuk mendapatkan hasil akhir yang optimal. Dari pengujian-pengujian karakteristik ANFIS yang telah dilakukan menunjukkan bahwa semakin besar laju pembelajaran maka semakin cepat ANFIS untuk mencapai target. Tetapi nilai laju pembelajaran yang terlalu cepat misalnya 0,8 atau mendekati satu menyebabkan terjadinya overshoot pada awal proses pembelajaran. Nilai laju pembelajaran yang digunakan sebesar 0,4 karena dari hasil pengujian yang telah dilakukan menunjukkan bahwa sistem cukup stabil. Pengujian berikutnya adalah pengujian nilai lebar fungsi keanggotaan gaussian. Dari percobaan yang telah dilakukan nilai lebar fungsi keanggotaan gaussian yang terbaik diperoleh sebesar 0,2. Percobaan ini dilakukan dengan cara mencoba-coba (trial-anderror). Pengujian pendeteksian obyek yang telah dilakukan meliputi pengujian kulit bersih, kulit tertutup debu atau kotoran danbenda lain seperti kulit. Pada pengujian kulit bersih, dalam 10 kali percobaan sistem mampu mendeteksi obyek sebagai kulit sebanyak 9 kali. Pada pengujian kulit yang tertutup debu, dalam 10 kali percobaan sistem mampu mengenali kulit sebanyak 8 kali. Sedangkan pada pengujian benda lain sistem mampu mengenali benda tersebut sebanyak 3 kali dari 5 kali percobaan. Beberapa hal yang menyebabkan terjadinya kesalahan sistem dalam verifikasi ciri warna kulit obyek antara lain intensitas pencahayaan yang kurang baik seperti pencahayaan yang gelap atau ketika pencahayaan yang terlalu terang, kualitas hasil tangkapan CCTV yang berubah-ubah sebagai akibat dari penggunaan wireless yang sangat sensitif, dan kesalahan yang disebabkan kurang banyaknya variasi data sampel untuk proses pembelajaran. Kecepatan respon dari program ANFIS untuk dapat mendeteksi suatu obyek sebagai kulit atau bukan adalah sekitar 4-7 detik. Untuk metode ANFIS, dari 18 kali pengujian, obyek dapat dikenali dengan benar sekitar 83,33 %. Pada pengujian ini, kesalahan terjadi karena adanya kesamaan data nilai ciri warna benda lain dengan data nilai citra kulit. Hal ini disebabkan oleh kualitas citra yang ditangkap CCTV terdapat noise sebagai akibat dari sistem wireless yang digunakan sangat sensitif sehingga hasil citra kurang baik. Selain itu intensitas cahaya sangat berpengaruh terhadap perubahan data nilai citra obyek. ANFIS dalam sistem ini bekerja sebagai unit pengolah untuk menguji kebenaran ciri warna suatu obyek apakah termasuk golongan ciri warna kulit atau bukan sesuai dengan proses

192

pembelajaran ANFIS terhadap sampel data yang telah diberikan. Sehingga sistem ini masih membutuhkan lebih banyak variasi data sampel untuk dapat bekerja lebih baik. 4. HASIL Setelah melakukan pengujian, maka dapat diambil beberapa kesimpulan tentang keseluruhan sistem, yaitu sebagai berikut: 1) Pada penskalaan citra hal yang harus diperhatikan adalah pengaturan besarnya nilai skala pengecilan citra agar informasi penting dari nilai citra tidak hilang Ukuran penskalaan citra yang memberikan hasil terbaik didapat dengan nilai pengecilan sebesar lima kali. 2) Inisialisasi parameter lebar fungsi keanggotaan gaussian dilakukan dengan cara coba-coba (trial and error). Hasil terbaik didapat ketika nilai parameter lebar fungsi keanggotaan gaussian bernilai 0,2. 3) Nilai laju pembelajaran berpengaruh pada kecepatan ANFIS untuk mencapai target. Semakin besar nilai laju pembelajaran maka semakin cepat mencapai target. Tetapi nilai pembelajaran yang terlalu cepat (mendekati nilai satu) mengakibatkan sistem kurang stabil atau terdapat overshoot pada awal proses. Laju pembelajaran terbaik diperoleh ketika bernilai 0,4. 4) Kesalahan operator dalam memberikan target banyak disebabkan karena sulitnya menentukan target untuk obyek yang terletak tidak tepat pada garis slice window. 5) Banyaknya jumlah referensi sampel kulit diajarkan pada ANFIS dapat menambah pengetahuan sistem dalam mengenali kulit. 6) Sistem dapat mengenali kulit dan benda lain berwarna seperti kulit berdasarkan nilai derajat keabuan. 7) Sistem dapat mengenali kulit bersih, kulit tertutup debu dan membedakan warna lain seperti warna kulit dengan rata-rata keberhasilan sebesar 83,33 %. 8) Kesulitan penerapan sistem ini adalah pada cara membenamkan di robot, karena dibutuhkan sensor kamera yang sangat kecil dengan resolusi besar. 5. DAFTAR PUSTAKA [1] Peraturan Menteri Dalam Negeri Nomor 33 Tahun 2006, “Pedoman Umum Mitigasi Bencana”, Menteri Dalam Negeri Republik Indonesia, 2006.

Jurnal Ilmiah Ilmu Komputer, Vol. 7 No. 2 Maret 2011: 187-193

[2] S. Kuswadi, Kendali Cerdas: Teori dan Aplikasi Praktisnya, Andi Offsett, Jogjakarta, 2007. [3] S. Kusumadewi, Neuro-Fuzzy, Graha Ilmu, Yogyakarta, 2006. [4] J.S.R. Jang, “Adaptive-Network-Based Fuzzy Inference System,” IEEE Trans. Systems, Man, Cybernetics, vol. 23, issuess. 5/6, pp.665-685, 1993. [5] R. Baluja, dan Kanade, ”Neural NetworkBased Face Detection”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.2, No. 1, pp.23-38, 1998.

Websites: [a] R. Syumanda, ”Geliat Pasca Bencana Aceh Dalam Esai Foto”, http://www.walhi.or.id/ attachment/d016df19778a7c563cd1c99afe29c 43a/6eafb8dad6261daafd0303f78ad196b1/ISI %20FOTO.pdf. , 2006 [b] CRASAR (Center for Robot Assisted Search & Rescue), “History of Rescue Robot”, http://crasar.csee.usf.edu. , 2002

Robot Pencari Korban … (B. S. B. Dewantara, S. Kuswadi, F. E. Cahyono)

193