membangun prototype aplikasi penghitung pengunjung...
TRANSCRIPT
MEMBANGUN PROTOTYPE APLIKASI PENGHITUNG PENGUNJUNG BERBASIS COMPUTER VISION DENGAN METODE ABSOLUTE DIFFERENCE
NASKAH PUBLIKASI
diajukan oleh
Suandi
10.11.3602
Kepada
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA
YOGYAKARTA 2013
BUILD A PROTOTYPE VISITORS COUNTER APPLICATION BASED ON COMPUTER VISION WITH ABSOLUTE
DIFFERENCE METHOD
MEMBANGUN PROTOTYPE APLIKASI PENGHITUNG PENGUNJUNG BERBASIS COMPUTER VISION DENGAN METODE ABSOLUTE DIFFERENCE
Suandi
Melwin Syafrizal Jurusan Teknik Informatika
STMIK AMIKOM YOGYAKARTA
ABSTRACT
Over the time, public demand for information is increasing, One of the needed information in public areas such as services, retail sales, supermarket and tourist attractions is data the number of visitors, the data are used for various purposes (for marketing research or statistical purposes). Data on the number of visitors is usually obtained with manual counting by officers who guard the entrance, However, because the process is done in a long period of time, can decrease the concentration causing officers prone to counting errors (human error).
This thesis discusses the design problem solution using the sophistication of computer vision technology to overcome those problems.Sensor camera (webcam) mounted on the entrance door, the catch frame is processed through a series of image processing so that it can detect objects passing. The methods used to detect objects is the Absolute Difference.
Optimal accuracy results obtained in testing the application reaches 93.78% through the conditions and limitations defined. Keywords: Number of Visitors, Computer Vision, Absolute Difference
1
1. Pendahuluan
Seiring dengan perkembangan zaman, maka semakin meningkat pula kebutuhan
seseorang akan informasi. Salah satu informasi yang dibutuhkan ditempat-tempat umum
seperti, ritel penjualan, supermarket dan tempat wisata adalah data jumlah pengunjung,
data tersebut digunakan untuk berbagai keperluan (baik keperluan statistik maupun
penelitian pemasaran). Misalnya pada ritel penjualan, dengan membandingkan antara
data jumlah pengunjung dengan data jumlah transaksi penjuanlan sehingga dapat
diketahui tingkat ketertarikan masyarakat untuk berkunjung ke tempat tersebut serta
persentase pengunjung melakukan pembelian.
Data jumlah pengunjung biasanya didapat dengan penghitungan manual oleh
petugas yang menjaga pintu masuk. Namun, karena proses tersebut dilakukan dalam
jangka waktu yang panjang, dapat menurunkan konsentrasi petugas sehingga
menyebabkan rawan terjadinya kesalahan penghitungan (human error). Dari uraian
diatas penulis mengambil judul untuk penelitian ini “Membangun Prototype Aplikasi
Penghitung Pengunjung Berbasis Computer Vision dengan Metode Absolute
Difference”.
2. Landasan Teori
2.1 Computer Vision
Menurut Idhawati (2011) Computer Vision adalah sebuah cabang ilmu dari
kecerdasan buatan yang menggunakan computer untuk menganalisa gambar dan video
agar dapat mengenali obyek yang diamati sebagaimana yang bisa dilakukan manusia.1
Pada hakikatnya, Computer vision mencoba meniru cara kerja sistem visual
manusia (Human Vision). Manusia melihat objek dengan indera penglihaan (mata), lalu
citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa
yang tampak dalam pandangan matanya. Untuk itu, computer vision diharapkan memiliki
kemampuan tingkat tinggi sebagaimana visual manusia.
Computer vision merupakan kombinasi dari pengolahan citra (image processing)
dan pengenalan pola (pattern recognition). Pengolahan citra (image processing)
berhubungan dengan proses transformasi citra atau gambar dan bertujuan untuk
mendapatkan kualitas citra yang lebih baik. Sedangkan pengenalan pola (pattern
recognition) berhubungan dengan proses identifikasi objek pada citra atau interpretasi
citra dan bertujuan untuk mengekstrak informasi yang disampaikan oleh citra.
1 Hestiningsih, Idhawati . Yudantoro, Raharjo. 2011. Aplikasi Penghitung Jumlah Pengunjung Objek Wisata dengan Webcam. Orbith Vol 7 No. 3
2
2.2 Citra Digital
Menurut Putra, D (2010) “Citra digital merupakan sebuah larik (array) yang berisi
nilai-nilai real maupun kompleks yang direpresentasikan dengan deretan bit tertentu”.2
Citra digital dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N
kolom, dengan x dan y adalah koordinat spasial, dan amplitude f di titik koordinat (x,y)
dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Indeks x
bergerak ke kanan dan indeks y bergerak ke bawah.sedangkan Nilai pada suatu irisan
antara baris dan kolom (pada posisi x,y) disebut dengan pixel.
2.3 Video Digital
Video merupakan urutan citra yang berkesinambungan yang bergerak dalam
ruang waktu dan memiliki suatu makna. Video memiliki parameter yang dapat diturunkan
dari parameter sebuat citra yaitu lebar dan tinggi citra yang diukur berdasarkan jumlah
piksel horizontal dan vertical, dan kemudian juga parameter kedalaman citra. Sebuat
video juga memiliki patameter kecepatan berpindah dari satu citra/frame ke frame yang
selanjutnya, biasa kita sebut dengan fps (frames per second)/frame rate.
2.4 Filtering
Filtering merupakan preprosesing pengolahan citra yang digunakan untuk
menghilangkan bagian-bagian yang tidak diperlukan (noise) pada citra untuk proses
selanjutnya, pada proses filtering, nilai pixel baru umumnya dihitung berdasarkan pixel
tetangga” (Darma Putra, 2010).3
Metode filter atau filtering yang terbaik tergantung dengan situasi dari citra dan
jenis derau atau degradasi yang terdapat pada citra. Beberapa jenis filter tersebut adalah
mean filter, median filter dan Gaussian filter. Dimana pada proses paling sederhananya
hasil filtering pada suatu pixel adalah hasil dari rata-rata pixel tersebut dengan pixel
sekitarnya.
2.5 Thresholding
Masalah utama yang ada pada aplikasi yang memakai computer vision adalah
perbedaan sub gambar yang merepresentasikan objek. Operasi yang mudah dilakukan
oleh mata ini sulit dilakukan oleh komputer. Sehingga dalam proses pengelompokan
suatu gambar, biasanya berdasarkan intensitas, warna, dan faktor lainnya. Sehingga
thresholding dapat digunakan untuk memisahkan gambar dari latarnya.
2 Putra, D. 2010. Pengolahan Citra Digital. Andi Offset. Yogyakarta. Hal 9
3 Lbid. Hal 59
3
Input yang dimasukkan dalam thresholding adalah gambar grayscale. Sedangkan
hasil keluarannya umumnya berbentuk gambar biner yang merepresentasikan hasil dari
segmentasi tersebut.
Pada teknik ini kecerahan warna dari setiap pixel dibandingkan ke dalam sebuah
nilai threshold, dan pixel hasilnya dinyatakan sebagai satu atau dua kategori, putih atau
hitam, tergantung dari apakah nilai pixel aslinya melampaui atau tidak dari nilai threshold-
nya.
2.6 Dilatasi dan Erosi
Operasi dilatasi dilakukan untuk memperbesar ukuran segmen objek dengan
menambah lapisan di sekeliling objek sehingga citra hasil dilatasi cenderung menebal.
Operasi dilatasi akan melakukan proses pengisian data pada citra asal yang memiliki
ukuran lebih kecil dibandingkan kernel. Sedangkan, operasi erosi adalah kebalikan dari
operasi dilatasi. Pada operasi ini, ukuran objek diperkecil dengan mengikis sekeliling
objek sehingga citra hasil cenderung diperkecil menipis. Operasi erosi akan melakukan
pengurangan pada citra asal yang lebih kecil dibandingkan elemen kernel.
Proses erosi yang dilanjutkan dengan proses dilatasi dimana kedua proses
tersebut dilakukan secara berulang didefinisikan sebagai proses opening. Operasi
opening digunakan untuk memutuskan bagian-bagian dari objek yang hanya terhubung
dengan 1 atau 2 buah titik saja, dan menghilangkan objek yang sangat kecil. Operasi
opening bersifat memperhalus kenampakan citra, menyambung fitur terputus dan
menghilangkan efek pelebaran pada objek.
Kombinasi antara operasi dilatasi dan erosi yang dilakukan secara berurutan
adalah operasi closing. Citra asli didilatasi terlebih dahulu, kemudian hasilnya dierosi.
Ada beberapa kegunaan operasi closing yaitu: (1) menutup atau menghilangkan lubang-
lubang kecil yang ada dalam segmen objek, (2) menggabungkan 2 segmen objek yang
saling berdekatan (menutup sela antara 2 objek yang sangat berdekatan), (3) juga
dilakukan dalam beberapa rangkaian dilatasi-erosi (misalnya 3 kali dilatasi, lalu 3 kali
erosi) apabila ukuran lubang atau jarak objek cukup besar. Operasi closing juga
cenderung akan memperhalus objek pada citra, namun dengan cara menyambung
pecahan-pecahan dan menghilangkan lubang-lubang kecil pada objek.
2.7 Background Substraction (Absolute Difference)
Hal yang paling penting mendasari dari pemantauan real time adalah dengan
mengetahui adanya pergerakan dari objek di dalam sebuah latar. Substraksi latar
mempunyai peranan penting dalam computer vision yaitu dalam hal system pemantauan
atau security. Peranan yang dilakukan dalam substraksi latar adalah mengetahui atau
membedakan bagian latar dan objek yang ada pada sebuah citra. Untuk mengetahui
4
adanya objek di dalam citra maka hal yang harus dilakukan adalah dengan mempelajari
atau mengetahui model dari latar. Ide dasar dari substraksi latar adalah |framei –
background| > threshold, bila piksel ke i memenuhi persamaan tersebut, maka piksel
tersebut digolongkan kedalam kelompok piksel objek dan selain itu adalah latar.
Hasil dari proses substration ini tidak selamanya bersih, tergantung dari kondisi
objek perekaman maka dari itu dibutuhkan beberapa proses image processing seperti
erosi dan dilatasi untuk membersihkan noise.
2.8 Pustaka OpenCV (Open Computer Vision)
Menurut Bradski & Keahler (2008:1) OpenCV adalah pustaka open source yang
ditunjukan untuk visi computer real time. OpenCV dapat berjalan di berbagai system
operasi seperti Windows, Linux, dan Machintos. OpenCv asli ditulis dalam bahasa C, tapi
sekarang telah diterjemahkan dalam bahasa C++. Ada juga terjemahan dalam bahasa
Phyton, Ruby, Matlab dan bahasa lainnya.4
Contoh aplikasi dari pustaka OpenCV adalah interaksi manusia dan computer,
seperti identifikasi, segmentasi dan mengenalan objek, pengenalan wajah, pengenalan
gerak tubuh, trajeksi pergerakan, gerak ego, pengertian pergerakan, struktur dari
pergerakan, komputasi jarak objek dan robotika.
3. Analisis dan Perancangan Sistem
Analisis sistem adalah penguraian dari suatu sistem secara utuh dengan
membaginya menjadi beberapa bagian komponen dengan maksud untuk
mengidentifikasi dan mengevaluasi permasalahan, ketangguhan, hambatan dan
kebutuhan yang diharapkan sehingga dapat di usulkan untuk pembuatan sistem.
3.1 Arsitekture Sistem Penghitung Jumlah Pengunjung
Secara garis besar, gambaran sistem dari aplikasi penghitung jumlah pengunjung
dapat dilihat pada Gambar 3.1 Pada pintu keluar masuk terdapat kamera webcam.
Webcam berfungsi untuk melakukan mekanisme perekaman frame gambar orang lewat.
Prototipe Penghitung Jumlah Pengunjung berfungsi Mengolah hasil rekaman tersebut
untuk mendeteksi dan menghitung pengunjung.
4 Bradski, Gary. Kaehler, Adrian. 2007. Learning Computer Vision with the OpenCV Library. O'Reilly. United States of America.. Hal 1
5
Gambar 3.1 Rancangan Sistem Penghitung Jumlah Pengunjung
Penempatan webcam berada di atas pintu, tidak bergerak ke segala arah, hanya
mengarah ke suatu obyek yang akan diamati yaitu vertikal ke bawah terhadap ruas pintu.
Jadi webcam digunakan untuk mendapatkan data masukan aplikasi penghitung yaitu
video atau citra bergerak yang dihasilkan dari perekaman menggunakan webcam pada
saat sistem dijalankan, kemudian data video digunakan oleh aplikasi untuk melakukan
proses deteksi gerak pada pintu keluar masuk untuk menentukan jumlah pengunjung
yang masuk maupun keluar.
3.2 Analisis kebutuhan sistem
Analisis kebutuhan sistem merupakan langkah untuk mengidentifikasi kebutuhan-
kebutuhan baik alat maupun bahan yang akan digunakan untuk membantu dan
mendukung proses pembuatan suatu sistem. Analisis ini juga berguna untuk
pengembangan sistem baru yang diusulkan untuk menyelesaikan masalah di sistem
lama yang direalisasikan.
3.2.1 Analisis Kebutuhan Fungsional
Pembangunan prototipe aplikasi penghitung jumlah pengunjung berbasis computer
vision ini diharapkan memenuhi beberapa kebutuhan fungsional, antara lain :
a. Mendeteksi & Tracking objek (pengunjung)
b. Menganalisa arus objek (pengunjung) yang keluar maupun memasuki ruangan
c. Menampilkan hasil penghitungan pengujung secara real time
d. Membuat laporan hasil perhitungan jumlah pengunjung
e. Laporan hasil penghitungan pengunjung di-update setiap jam
6
3.2.2 Analisis Kebutuhan Non-Fungsional
Analisi Kebutuhan Non-Fungsional dilakukan untuk mengetahui kebutuhan sistem.
Spesifikasi kebutuhan meliputi kebutuhan perangkat keras (hardware) dan kebutuhan
perangkat lunak (software).
3.2.2.1 Kebutuhan Perangkat Keras
Pada penelitian ini memerlukan beberapa peralatan yang akan digunakan. Alat-
alat yang digunakan adalah sebagai berikut :
a. Notebook Toshiba Satelite L510
b. Intel Pentiuml Core i3 (2,13 GHz)
c. Memory 2 Gb DDR3.
d. Monitor 14,1”
e. USB 2.0 Repeater / Extension
f. Harddisk 160 Gb
g. Logitech Webcam c270h
3.2.2.2 Kebutuhan Perangkat Lunak
Perangkat lunak yang digunakan dalam implementasi perangkat yang dibuat
adalah sebagai berikut :
a. Linux Slackware 14.0
b. OpenCV library
c. Logitech Webcam 1.10.1113.0 Software (ENU)
3.2.3 Kebutuhan Informasi
Informasi yang dibutuhkan adalah berupa file video pengunjung yang diambil
dalam beberapa kondisi (tempat), yaitu sumber video di pintu masuk Citra Mart, sumber
video di basement 5 Stmik Amikom Yogyakarta dan sumber video jalan antara gedung 4
dan 5 Stmik Amikom Yogyakarta. Semua sumber video diambil dalam sudut pandang
vertikal ke bawah. Hal ini di maksudkan agar dapat memisahkan objek (pengunjung)
yang berdempetan sehingga tidak ada objek yang tertutup oleh objek lainnya.
3.3 Perancangan Sistem
Perancangan sistem secara umum dilakukan dengan maksud untuk memberikan
gambaran umum tentang sistem yang baru atau sistem yang akan diusulkan. Rancangan
ini mengidentifikasi komponen – komponen sistem informasi yang dirancang. Melalui
perancangan sistem ini juga akan sangat membantu pada saat proses pengembangan
terutama penulisan program, dari segi waktu akan menjadi lebih efisien. Selain itu dari
7
perancangan sistem prototipe aplikasi ini diharapkan dapat membantu untuk kepentingan
pengembangan kedepannya.
3.3.1 Gambaran Umum Sistem
Gambar 1.1 Gambaran Umum Rancangan Program
Penjelasan mengenai gambar rancangan umum program adalah sebagai berikut.
1. Pengambilan Source Video
Pengambilan source video dapat dilakukan dalam 2 cara. Yaitu, secara real time
dan mengambil source video yang sudah direkam terlebih dahulu dan mengambil
source video secara real time dari webcam yang sudah terinstall pada area
perhitungan, webcam diletakkan menghadap vertikal ke bawah, dari sudut pandang
8
ini jarak antar objek terlihat dengan jelas, sehingga tidak ada objek yang menutupi
objek lainnya.
2. Penetapan Background
Penetapan Background sebagai latar dimaksudkan karena pemrosesan tidak
menggunakan algoritma pengenalan objek, maka dari itu objek didapatkan dengan
mensubstraksi latar dengan frame terbaru.
3. Pengambilan Gambar
Pengambilan gambar dilakukan dengan mengambil frame terbaru dari sumber
video.
4. Pemisahan Objek dengan latar
Pemisahan objek dengan latar dilakukan dengan menggunakan metode Absolute
Difference untuk mendeteksi motion, metode Absolute Difference membandingkan
nilai pixel frame pada background dengan pixel frame terbaru. Nilai pixel yang
dihasilkan dari proses Absolute Difference kemudian diubah ke dalam format
grayscale, untuk selanjutnya diubah lagi ke dalam bentuk biner dengan teknik
threshold. Bentuk biner tersebut sering disebut dengan blob, blob mewakili objek
yang dideteksi. Untuk mengurangi noise yang dihasilkan dari proses ini, maka
dilakukan beberapa proses filtering dan morphologi.
5. Tracking Objek (Blob)
Pendeteksian blob dilakukan secara terus-menerus, jika pada frame selanjutnya
terdapat perpindahan posisi blob di area pixel yang masih bertetanggaan dengan
blob sebelumnya maka blob tersebut dinyatakan sebuah objek yang sama.
6. Perhitungan
Menghitung jumlah objek yang telah masuk ke area atau melewati batasan yang
sudah ditentukan terlebih dahulu. Hasil perhitungan secara realtime langsung dapat
dilihat secara real time.
Perancanga perhitungan menggunakan 3 garis horizontal
9
3.3.2 Use Case Diagram
Gambar 3.1 Use Case Diagram
Pada diagram (Gambar 3.14) terlihat ada 2 aktifitas pengguna yang dapat
dilakukan pada sistem. Pertama adalah memilih sumber video, pengguna dapat memilih
device webcam yang akan digunakan untuk menghitung jumlah pengunjung secara real
time atau menggunakan data video berformat AVI yang sudah direkam terlebih dahulu.
Setelah sumber video didapatkan sistem akan melakukan proses pengolahan citra
secara otomatis, diantaranya Absolute Difference dan blob detection untuk mensubstrasi
latar sehingga dapat diketahui objek (pengunjung) yang bergerak, tracking untuk
mengikuti arah pergerakan objek dan counting untuk menghitung jumlah objek yang telah
masuk ke area atau melewati batasan yang sudah ditentukan terlebih dahulu, sehingga
pengguna dapat melihat laporan hasil dari proses perhitungan tersebut secara real time
(selama program berjalan) maupun secara manual (setelah program telah diakhiri).
3.3.3 Perancangan Activity Diagram
Diagram activity berfokus kepada aktifitas – aktifitas yang terjadi yang terkait dalam
suatu proses tunggal. Jadi dengan kata lain diagram ini menunjukkan bagaimana
aktifitas–aktifitas tersebut bergantung satu sama lain. Gambar 3.15 berikut menunjukkan
diagram activity dari prototipe aplikasi penghitung jumlah pengunjung berbasis computer
vision yang akan dibangun.
Pada diagram terlihat ketika pengguna telah memilih sumber video dari device
video secara real time atau dari video yang sudah direkam maka selanjutnya dari sisi
aplikasi melakukan proses-proses pengolahan citra seperti yang sudah dijelaskan pada
10
landasan teori. Setelah proses perhitungan dalam suatu objek (pengunjung) yang
terdeteksi selesai maka program akan menampilkan hasil perhitungannya secara real
time.
Gambar 3.2 Activity Diagram
4. Hasil Penelitian Dan Pembahasan
Prototipe dibangun dalam bahasa C++ dan menggunakan fungsi-fungsi library
OpenCV sebagai dasar pengolahan citra. Prototipe merupakan program classic yang
dipanggil menggunakan terminal (console), program ini mempunyai 4 jendela yang
mempunyai tujuan masing-masing, latar background merupakan frame latar sebagai
acuan untuk dibandingkan pada proses selanjutnya, current frame merupakan frame
yang sedang berjalan saat ini, background substraction (blob detection) merupakan hasil
substraksi objek dari hasil perbandingan antara background dengan current frame dan
result merupakan hasil tracking objek beserta perhitungan pengunjung.
11
Pengambilan source video dilakukan dengan 2 cara, cara yang pertama yaitu
dengan menggunakan webcam dan cara yang kedua menggunakan file video berformat
AVI yang telah direkam sebelumnya.
Untuk mengeksekusi program harus menggunakan beberapa parameter yang telah
ditetapkan.
1. Sumber Video menggunakan webcam
./amkCount –device [nomor device] –o [nama file laporan]
2. Sumber video menggunakan file
./amkCount –video [nama video] –o [nama file laporan]
Gambar 4.1 Proses Tracking Objek
4.1 Laporan Perhitungan
Laporan Perhitungan bisa didapatkan dengan melihat layar result seperti gambar
4.6 yang menampilkan hasil perhitungan secara real time selama sistem berjalan, juga
dapat secara non-real time dengan melihat file laporan berformat file text (*.txt) yang
akan dibuat secara otomatis ketika sistem dijalankan. Keuntungan menggunakan Hasil
laporan file text adalah hasil perhitungan dapat disimpan untuk kepentingan selanjutnya,
Laporan ini menampilkan informasi waktu dan tanggal ketikan program dijalankan dan
12
dihentikan. Hasil Laporan ini juga akan diupdate setiap Jam sehingga dapat menganalisa
jumlah pengunjung setiap jamnya.
Berikut contoh hasil file report :
This program is made by Suandi ([email protected]) Hasil Perhitungan --------------------------------------------- --------------------------------------------- Hasil Perhitungan Akhir --------------------------------------------- Waktu Mulai : Wed May 8 11:00:37 2013 Waktu Selesai : Wed May 8 11:12:43 2013 Jumlah Orang Masuk : 18 Jumlah Orang Keluar : 17 Jumlah Orang Sekarang : 1 Jumlah Orang terdeteksi : 35
Gambar 4.5 Proses Perhitungan
4.2 Uji Coba Sistem
Pada subbab ini akan dilakukan pembahasan mengenai pengujian yang telah
dilakukan perangkat lunak. Uji coba dilakukan menggunakan 5 sample video yang
diambil dari kondisi yang berbeda. Berikut adalah tipe sample video yang digunakan.
Pengujian pertama dilakukan dengan membandingkan ketinggian kamera
terhadap akurasi pengukuran yang dilakukan oleh sistem. Pengujian dilakukan dengan
menggunakan 3 buah video dalam kondisi ramai yang memiliki ketinggian kamera yang
berbeda-beda. Data hasil pengujian dapat dilihat pada tabel 4.1 dan Gambar 4.6.
Tabel 4. 1 Pengujian Akurasi Sistem Terhadap Ketinggian Kamera
No Tipe
Video
Ketinggian
kamera
Jumlah
Objek
yang
terhitung
Masuk
Jumlah
Objek
yang
terhitung
Keluar
Tingkat
Kebenaran
Objek
Masuk
Tingkat
Kebenaran
Objek
Keluar
Rata –rata
Tingkat
Kebenaran
1 Video 1 4.5 57 39 77.03% 76,47% 76.75%
2 Video 3 3 43 53 97.73% 89,83% 93.78%
3 Video 5 2.5 41 58 79.41% 92,06% 85.73%
13
Pengujian kedua dilakukan dengan membandingkan kondisi jalan terhadap
akurasi pengukuran yang dilakukan oleh sistem. Pengujian dilakukan dengan
memperhatikan kondisi jalan ketika lengang dan ketika ramai pada sample memiliki
ketinggian dan tempat yang sama, Video 1 dan 2 diambil dalam ketinggian 4.5 meter
tetapi kondisi yang berbeda, begitu juga video 3 dan 4 diambil dalam ketinggian 3 meter
tetapi dalam kondisi yang berbeda. Data hasil pengujian dapat dilihat pada tabel 4.2 dan
Gambar 4.7.
Tabel 4.2 Pengujian Akurasi Sistem Terhadap Kondisi Kepadatan
No Ketinggian Tipe
Video
Kondisi Jumlah
Objek
yang
terhitung
Masuk
Jumlah
Objek
yang
terhitung
Keluar
Tingkat
Kebenaran
Objek yang
Masuk
Tingkat
Kebenaran
Objek yang
Keluar
Rata –rata
Tingkat
Kebenaran
1 4.5 m Video 1 Ramai 57 39 77.03% 76,47% 76.75%
Video 2 Senggang 21 5 91.30% 71.43 81.36%
2 3 m Video 3 Ramai 43 53 97.73% 89,83% 93.78%
Video 4 Senggang 15 17 93.75% 93.75% 93.75%
5. Kesimpulan
Kesimpulan yang dapat diambil adalah sebagai berikut :
1. Sistem penghitung jumlah pengunjung yang dirancang berhasil mendeteksi
jumlah pengunjung dengan akurasi yang berbeda pada tiap ketinggian kamera.
Hasil akurasi optimal yang didapatkan yakni pada ketinggian kamera 3 meter
dengan tingkat akurasi mencapai 93.78%.
2. Pemilihan latar sangat berpengaruh pada tingkat akurasi pendeteksian. Latar
yang sama dengan atribut objek (pengunjung) akan mengurangi tingkat akurasi.
3. Perbedaan arus pengunjung dapat dilakukan dengan menggunakan 3 garis
vertikal (garis tengah, garis batas atas, garis batas bawah) untuk mengetahui
posisi awal dan akhir pengunjung.
4. Perbedaan kondisi trafik pengunjung antara senggang dan ramai dapat
membuat perbedaan akurasi sebesar 0.03% - 4.61%, sehingga bisa dikatakan
kondisi trafik tidak begitu mempengaruhi sistem.
14
DAFTAR PUSTAKA
Bradski, Gary. Kaehler, Adrian. 2007. Learning Computer Vision with the OpenCV Library. O'Reilly. United States of America.
Dwi Irianto, Kurniawan. Ariyanto, Gunawan. Ary P, Dedi. 2009. Motion Detection Using
OpenCV with Background Substraction and Frame Differencing Technique, http://publikasiilmiah.ums.ac.id/bitstream/handle/123456789/1855/11.%Paper_E-020.pdf, diakses tanggal 8 Februari 2013.
Hestiningsih, Idhawati . Yudantoro, Tri Raharjo. 2011. Aplikasi Penghitung Jumlah
Pengunjung Objek Wisata dengan Webcam, www.polines.ac.id/orbith/files/7-3-2011%20Hal%20422-428.pdf, diakses tanggal 3 Februari 2013
Irianto, Kurniawan dkk. 2009. Motion Detection Using OpenCV with Background
Substraction and Frame Differencing Technique. Dipresentasikan pada Simposium Nasional RAPI VIII. Surakarta : UNS
Lefloch, Demien. 2007. Real-Time People Counting system using Video Camera,
www.colorlab.no/content/download/21981/216266/file/Damien_Lefloch_Master_thesis.pdf, diakses tanggal 8 Februari 2013.
Nilamsari, Enggar. 2010. Penghitung Jumlah Orang Lewat dengan Metode Normalized
Sum-Squared Differences(NSSD), www.digilib.its.ac.id/public/ITS-Undergraduate-9302-Paper.pdf, diakses tanggal 3 Februari 2013.
Prasetya, Deddy. 2011. Aplikasi Penghitung Jumlah Orang Lewat menggunakan Metode
Normalized Sum Squared Differences(NSSD), www.eprints.upnjatim.ac.id/1805/1/file_1.pdf, diakses tanggal 3 Februari 2013.
Putra, Darma. 2010. Pengolahan Citra Digital. Andi Offset. Yogyakarta R Tan dkk, Traffic Video Segmentation Using Adaptive-K Gaussian Mixture Model,
Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, China. Hal 127