Indonesia Symposium On Computing 2015 ISSN : Ade Romadhony 1, Hamdy Nur Saidy 2, Mahmud Dwi Sulistiyo 3
|
|
- Sukarno Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI METODE IMPROVED ADAPTIVE GAUSSIAN MIXTURE MODEL BACKGROUND SUBTRACTION DAN HAAR-LIKE FEATURES UNTUK MENGANALISIS STATUS KEPADATAN KENDARAAN YANG MELINTAS DI SUATU JALUR PADA LAMPU LALU LINTAS Ade Romadhony 1, Hamdy Nur Saidy 2, Mahmud Dwi Sulistiyo 3 1,2,3 Prodi S1 Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom 1 aderomadhony@telkomuniveristy.co.id, 2 hamdyns@gmail.com, 3 mahmuddwis@telkomuniversity.ac.id Abstrak Metode analisis kepadatan kendaraan di suatu jalur pada persimpangan lampu lalu lintas menggunakan real time video stream mempunyai banyak kendala. Kendala seperti penanganan terhadap berbagai kondisi cuaca sehingga background tidak statis, bayangan yang bergerak yang juga dapat mengurangi keakurasian perhitungan sistem, serta tidak berjalannya sistem sesuai yang diinginkan ketika terjadi kemacetan. Sehingga diperlukan rancangan yang dapat menangani masalah ini. Oleh karena itu pada penelitian ini dibangun sistem perhitungan jumlah kendaraan di suatu jalur pada persimpangan lampu lalu lintas berbasis real time video stream menggunakan penggabungan beberapa metode untuk mengangani masalah diatas. Sistem ini menggunakan kamera perekam yang dipasang pada suatu jalur dengan lokasi yang berdekatan dengan persimpangan lampu lalu lintas untuk menghitung jumlah kendaraan yang melintasi jalur tersebut. Pemrosesan gambar dilakukan per-frame menggunakan metode Improved Adaptive Gaussian Mixture Model Background Subtraction dan Haar-Like Features. Dengan menggunakan metode tersebut, dilakukan tracking secara real-time objek bergerak pada background yang cenderung tidak statis yang disebaban karena cuaca serta pencahayaan yang berubah-ubah. Objekobjek yang telah berhasil di-tracking tersebut kemudian dihitung jika melintasi virtual detector. Metode Haar-Like Features digunakan untuk mendeteksi terjadinya kemacetan yang terjadi pada jalur tersebut dengan cara mendeteksi objek pada background model yang dibentuk oleh sistem. Pada tahapan akhir, jumlah kendaraan yang melintasi virtual detector ataupun dideteksi oleh mekanisme congestion detection diklasifikasikan kedalam 5 tingkat kepadatan untuk memberikan analisis terhadap tingat kepadatan untuk jalur tersebut untuk tiap state sekuens lampu lalu lintas. Hasil pengujian menunjukkan sistem yang dibangun dapat digunakan dengan baik untuk menghitung dan mengklasifikasikan jumlah kepadatan kendaraan yang melintas disuatu jalur secara real-time. Kata kunci : Real Time Video Stream, Improved Adaptive GMM Background Subtraction, Haar-Like Features, congestion detection, classification, virtual detector. 1. Pendahuluan Lampu lalu lintas terutama pada perempatan jalan dimaksudkan untuk mengatur alur lalu lintas tetapi sering kali justru lampu lalu lintas ini yang menjadi salah satu sumber kemacetan. Pengaturan waktu pergantian lampu yang tidak sesuai inilah yang menjadi penyebab utamanya. Misal ketika suatu jalur yang sepi memiliki waktu berhenti sama dengan jalur yang padat. Hal ini secara logis tidak adil karena jalur yang padat seharusnya memiliki waktu berhenti lebih singkat dari jalur yang sepi. Polisi lalu lintas seringkali ditempatkan pada suatu jalur pada kondisi seperti itu. Tetapi hal ini tidak efisien dan membutuhkan sumber daya manusia yang banyak jika masalah ini terjadi dibanyak tempat. Oleh karena itu dibutuhkan sistem yang akan mengatur secara otomatis penggantian waktu berhenti pada lampu lalu lintas. Sistem seperti ini membutuhkan suatu metode yang dapat menganalisis kepadatan kendaraan di suatu jalur pada persimpangan lampu lalu lintas. Metode analisis kepadatan kendaraan di suatu jalur pada persimpangan lampu lalu lintas menggunakan real time video stream menjadi solusi yang baik dikarenakan mempunyai banyak keuntungan, seperti informasi yang didapatkan akan jauh lebih banyak serta mudah dalam pemasangannya [1]. 168
2 Akan tetapi metode ini mempunyai beberapa kendala seperti penanganan terhadap berbagai cuaca dan pencahayaan yang bervariasi sehingga background tidak statis, serta adanya bayangan yang bergerak yang dipengaruhi oleh angin dan factor-faktor lainnya [1]. Sehingga pada penelitian ini, beberapa metode dikombinasikan untuk menangani masalah seperti diatas. Sistem ini menggunakan kamera perekam yang dipasang dilokasi yang berdekatan dengan lampu lalu lintas untuk menghitung jumlah kendaraan pada satu sisi jalan. Pemrosesan gambar dilakukan per-frame menggunakan metode Improved Adaptive Gaussian Mixture Model Background Subtraction [2] yang merupakan pengembangan dari metode Adaptive Background Mixture Model [3] dan Adaptive Backround Estimation [1]. Tujuan utama kedua metode tersebut ialah melakukan tracking terhadap objek yang bergerak pada background yang tidak statis yang disebabkan oleh perubahan cuaca dan tingkat pencahayaan. Akan tetapi hal tersebut belum cukup karena sistem tidak akan berjalan optimal jika terjadi kemacetan di jalur tersebut. Sehingga dibutuhkan suatu metode lagi untuk mendeteksi terjadinya kemacetan. Metode yang digunakan untuk menangani masalah ini ialah metode Haar-like Feature, yaitu metode object detection [4] yang akan mendeteksi mobil yang ada di frame Background sehingga dapat dilakukan penanganan terhadap kemacetan. Dengan demikian masalah seperti kondisi cuaca serta pencahayaan yang bervariasi tidak akan mengganggu performansi sistem dan ketika terjadi kemacetan juga dapat ditangani.. Pada penelitian ini, pemrosesan gambar dilakukan per-frame menggunakan metode Improved Adaptive Gaussian Mixture Model Background Subtraction dan Haar-Like Features. Tracking objek bergerak dilakukan secara real-time pada background yang cenderung tidak statis yang disebaban karena cuaca serta pencahayaan yang berubah-ubah. Objek-objek yang telah berhasil di-tracking tersebut kemudian dihitung jika melintasi virtual detector. Metode Haar-Like Features digunakan untuk mendeteksi terjadinya kemacetan yang terjadi pada jalur tersebut dengan cara mendeteksi objek pada background model yang dibentuk oleh sistem. Pada tahapan akhir, jumlah kendaraan yang melintasi virtual detector ataupun dideteksi oleh mekanisme congestion detection diklasifikasikan kedalam 5 tingkat kepadatan untuk memberikan analisis terhadap tingat kepadatan untuk jalur tersebut untuk tiap state sekuens lampu lalu lintas. 2. Dasar Teori 2.1 Adaptive Background Adaptive Background pada [1] singkatnya adalah pendekatan yang dilakukan untuk membuat sistem belajar terhadap perubahan background yang diakibatkan perubahan cuaca ataupun perubahan intensitas pencahayaan. Cara kerjanya diasumsikan frame pertama pada video stream adalah Initial Backround. Jika terdapat kendaraan pada frame pertama, hal ini dapat diatasi dengan operasi Background Update. Pada operasi background update, ketika objek kendaraan pada frame selanjutnya bergerak, maka akan memicu pemanggilan operasi tersebut. 2.2 Improved Adaptive Gaussian Mixture Model Background Subtraction Metode Adaptive Background [1] standar seperti yang dijelaskan pada sub bab 2.1 sangat efektif pada situasi objek bergerak secara terus-menerus dan sebagian besar background terlihat dengan signifikan disetiap waktu, hal ini tidak cukup kuat untuk menangani keadaan di mana banyak objek yang bergerak secara bersamaan terlebih di mana objek-objek tersebut bergerak lambat. Metode tersebut juga lambat dalam melakukan recovery terhadap uncovered background, serta hanya memiliki satu predetermined threshold untuk keseluruhan kasus yang digunakan [3] untuk menangani masalah ini digunakan Metode Adaptive Background mixture model [3]. Metode Improved Adaptive Gaussian Mixture model sendiri ialah pengembangan metode Adaptive Background mixture model di mana nilai komponen mixture per-piksel menjadi dinamis. Hal ini tentu menjadikan Metode ini sangat adaptif terhadap perubahan pencahayaan dan cuaca. Nilai komponen mixture per-piksel yang dinamis juga membuat waktu pemrosesan menjadi lebih efisien dan hasil segmentasi menjadi sedikit lebih baik [2]. Gaussian Mixture Model (GMM) adalah model statistik yang sering digunakan untuk clustering data [2]. Dalam penelitian ini GMM pada metode Improved Adaptive Gaussian Mixture model digunakan utuk memodelkan nilai piksel dari data yang kemudian dijadikan acuan untuk menentukan nilai probabilitas piksel tersebut, apakah piksel tersebut termasuk bagian background atau foreground. Dalam metode Adaptive Gaussian mixture model perubahan pencahayaan yang dapat terjadi tiba-tiba, pergerakan objek kendaraan yang lambat dapat diatasi karena training set terus diperbaruhi untuk tiap sampel baru dalam jangka waktu T. Sehingga data Training X T adalah 169
3 X = {x ( ),..., x ( ) } (1) Untuk setiap sample dilakukan update XT dan menghitung ulang nilai probabilitas p (x X, BG). Tetapi dalam training set mungkin saja terdapat beberapa nilai piksel yang merupakan bagian objek foreground sehingga p (x X, BG) menjadi p (x X, BG + FG). Untuk menghitung p (x X, BG), perlu diamati biasanya objek foreground akan direpresentasikan dengan beberapa jumlah kluster yang memiliki bobot π yang kecil. Sebagai contoh, jika sebuah objek masuk kedalam scene dan tetap statik untuk beberapa waktu, objek tersebut bisa saja membentuk suatu kluster stabil. Karena background yang lama tertutupi (occluded) dengan objek baru. Bobot phi B+1 dari kluster baru akan terus bertambah. Jika objek tersebut tetap statis dalam waktu lama, bobot dari objek baru tersebut menjadi lebih besar dari c dan akan dikateorikan sebagai background oleh sistem. Untuk menghitung suatu objek baru dikatakan background, objek tersebut harus static dalam log(1 c )/log(1 α) frame. Sebagai contoh c =0,1 dan α=0,001, sehingga diperoleh nilai 105 frame. Untuk setiap sampel baru, variable kepemilikan (o ( ) ) sampel untuk komponen mixture dengan jarak Mahalanobis terdekat di set ke 1 untuk kompnen tersebut, sedangkan 0 untuk komponen lain. Kemudian nilai p (x X, BG) diestimasi ulang dengan rumus update rekursif berikut [5]: π π + α(o ( ) π ) (2) μ μ + o ( ) (α/π )δ (3) σ σ + o ( ) δ δ σ (2.9) (4) Di mana, δ = x ( ) μ dan α=0,001.nilai π, μ, σ yang baru dimasukkan kerumus sebelumnya: p (x X, BG) ~ π N(x ; μ, σ I) (5) Dengan adanya konstanta α yang berguna membatasi pengaruh data yang lama terhadap model background. Komponen mixture ke-m yang tidak memiliki sampel baru dalam waktu yang lama atau dengan kata lain old data menyebabkan bobot π berkurang secara eksponensial. 2.3 Haar-like Feature Haar Feature adalah fitur yang didasarkan pada metode Haar Wavelet. Haar Wavelet adalah gelombang tunggal bujur sangkar (satu interval tinggi dan satu interval rendah). Untuk dua dimensi, satu terang dan satu gelap. Selanjutnya kombinasi-kombinasi kotak yang digunakan untuk pendeteksian objek visual yang lebih baik. Setiap Haar-like feature terdiri dari gabungan kotak - kotak hitam dan putih.adanya fitur Haar ditentukan dengan cara mengurangi rata-rata piksel pada daerah gelap dari rata-rata piksel pada daerah terang. Jika nilai perbedaannya itu diatas nilai ambang atau treshold, maka dapat dikatakan bahwa fitur tersebut ada. Integral Image digunakan untuk menentukan ada atau tidaknya dari ratusan fitur Haar pada sebuah gambar dan pada skala yang berbeda secara efisien. Pada umumnya, pengintegrasian tersebut berarti menambahkan unit-unit kecil secara bersamaan. Dalam hal ini unit-unit kecil tersebut adalah nilai-nilai piksel. Nilai integral untuk masingmasing piksel adalah jumlah dari semua piksel-piksel dari atas sampai bawah. Dimulai dari kiri atas sampai kanan bawah, keseluruhan gambar itu dapat dijumlahkan dengan beberapa operasi bilangan bulat per piksel. Sementara cascade classifier adalah sebuah rantai stage classifier, di mana setiap stage classifier digunakan untuk mendeteksi apakah didalam image sub window terdapat obyek yang diinginkan (object of interest). 3. Implementasi dan 3.1 Implementasi 170
4 Pre-processing mencakup Gaussian blur pada masukan frame, background substraction, dan shadow elimination. Pada akhir tahap shadow elimination, semua objek bergerak akan dideteksi dan dikategorikan foreground. Sehingga diperlukan tahap post-processing yaitu operasi erosi terhadap foreground untuk mengeliminasi foreground yang sangat kecil dan mempertegas objek yang berukuran cukup besar yang dapat dikategorikan sebagai dengan menerapkan operasi dilasi terhadap frame. Pada tahap selanjutnya, jumlah kendaraan yang melintas dihitung tetapi hal ini masih memiliki kelemahan yaitu tidak dapatnya sistem yang dibangun menghitung kendaraan saat terjadi kemacetan. Tahap selanjutnya dilaksanakan untuk mengatasi persoalan tersebut. Haar-like feature digunakan untuk melakukan congestion detection. Dengan cara melihat jumlah kendaraan yang tidak bergerak pada background untuk selanjutnya dapat dilakukan congestion handling. Dengan melalui keseluruhan tahap tersebut, sistem yang dibangun akan mengeluarkan jumlah kendaraan yang melintas disuatu jalur disertai dengan penanganan terhadap kemacetan pada tiap state lampu lalu lintas. Nilai keluaran tersebut kemudian diklasifikasikan kedalam kelas-kelas kepadatan, untuk mengetahui kepadatan jalur tersebut berada di kelas kepadatan yang mana. 3.2 Terdapat tujuh ujuan pengujian pada penelitian ini. Pertama adalah mendapatkan nilai History dan BackgroundRatio pada studi kasus yang memberikan error margin percentage terkecil. Kemudian mendapatkan nilai nmixture, yaitu nilai maksimum komponen mixture yang dibolehkan pada studi kasus yang memberikan error margin percentage terkecil. Terkait dengan shadow elimination, mendapatkan nilai FTau serta pengaruhnya pada studi kasus yang memberikan error margin percentage terkecil. Dalam hal penghilangan noise, mendapatkan jumlah iterasi erosi dan dilasi yang tepat untuk menghilangkan noise tanpa mengganggu piksel ROI dan mempertegas ROI pada studi kasus yang memberikan error margin percentage terkecil. Lalu untuk tiap studi kasus, mendapatkan nilai error margin percentage & Average Process Time/frame sistem dengan menggunkan parameter yang sudah didapatkan dari skenario pengujian sebelumnya. Yang terakhir adalah mengetahui apakah sistem dapat mendeteksi kemacetan pada studi kasus yang diberikan dan mengetahui performansi sistem dalam pengklasifikasian kepadatan kendaraan Hasil Nilai History dan Background Ratio ke-1 dilakukan dengan menginisiasi nilai c 1=0,1; c =0,2; c 3=0,3; c 4=0,4;; dengan α = Formula yang digunakan adalah : BackgroundRatio n = 1- c n History n = log(1- c n )/log(1-α) Nilai history yang diperoleh adalah : Nilai 1: c 1 = 0.1, BackgroundRatio 1 = 0.9, History 1 = ~105 Nilai 2: c 2 = 0.2, BackgroundRatio 2 = 0.8, History 2 = ~223 Nilai 3: c 3 = 0.3, BackgroundRatio 3 = 0.7, History 3 = ~356 Nilai 4: c 4 = 0.4, BackgroundRatio 4 = 0.6, History 4 = ~510 Tabel 1 Hasil pengujian tiap nilai c f, BackgroundRatio dan History sistem pada skenario ke-1 Nilai / / / / ,2 % 1,2 % 0,4 % 1,2 % Beradasarkan Hasil pengujian skenario ke-1 pada Tabel 1, terlihat bahwa Nilai 3: c = 0.3, BackgroundRatio= 0.7, History=~356 pada studi kasus yang diberikan, memberikan nilai EMP terkecil yaitu 0,4%. 171
5 3.2.2 Hasil Nilai Nmixture ke-2 dilakukan dengan menggunakan 3 nilai nmixture yang berbeda pada studi kasus yang diberikan. Nilai nmixture yang diuji adalah: nmixture = {2,3,4}. Nilai keluaran pengujian ini ialah melihat Error margin sistem pada studi kasus ketika parameter nmixture yang diujikan, diterapkan ke sistem. Hasil pengujian dapat dilihat pada Tabel 2. Tabel 2 Hasil pengujian tiap nilai nmixture sistem pada skenario ke-2 nmixture / / / % 0,4% 2% Berdasarkan Hasil pengujian skenario ke-2 pada Tabel 2, terlihat bahwa nilai nmixture= 3 pada studi kasus yang diberikan, memberikan nilai EMP terkecil yaitu 0,4% Hasil Nilai FTau ketiga dilakukan dengan menggunakan 4 nilai FTau yang berbeda pada studi kasus yang diberikan. Hal ini dimaksudkan untuk mendapatkan nilai FTau yaitu nilai derajat pencahayaan suatu piksel sehingga piksel tersebut dikategorikan sebagai bayangan. Dengan 4 nilai FTau yang berbeda diharapkan ditemunkan nilai FTau EMP terkecil. Nilai yang akan diuji: FTau = {0,6; 0,7; 0,8; 0,9}. Nilai keluaran pengujian ini ialah melihat Error Margin sistem pada studi kasus ketika parameter FTau yang diujikan, diterapkan ke sistem. Hasil pengujian dapat dilihat pada Tabel 3. Tabel 3 Hasil pengujian tiap nilai FTau sistem pada skenario ketiga FTAU 0,6 0,7 0,8 0,9 219/ / / / ,4% 0,4% 14,8 27,6 Berdasarkan hasil pengujian skenario ketiga pada Tabel 3, terlihat bahwa nilai FTau=0,7 pada studi kasus yang diberikan, memberikan nilai EMP terkecil yaitu 0,4 % Hasil Nilai Iterasi Dilasi dan Erosi ke-4 dilakukan untuk mencari jumlah iterasi operasi dilasi dan erosi pada citra foreground sampel untuk mereduksi noise dan mempertegas ROI. Nilai keluaran pengujian ini ialah melihat Error margin sistem pada studi kasus ketika parameter ID & IE yang diujikan, diterapkan ke sistem. Hasil pengujian dapat dilihat pada Tabel 4. Tabel 4 Hasil pengujian tiap nilai ID & IE sistem pada skenario ke-4 Nilai
6 ,8 42,4% 19,2% 8% 0,8% 0% 0,8% 8% 0,8% Berdasarkan hasil pengujian skenario keempat pada Tabel 4, terlihat bahwa nilai 6 yaitu ID = 6 dan IE = 2 pada studi kasus yang diberikan, memberikan nilai EMP terkecil yaitu 0 % System ini dilakukan untuk mengukur performansi optimum sistem yang dibangun yaitu, Average dan Average prosess time/frame yang dihasilkan sistem pada 3 studi kasus yang diberikan. ini dilakukan dengan menggunakan parameter-parameter optimum yang telah ditemukan pada skenario pengujian sebelumnya. Tabel 5 Hasil pengujian performansi error margin system Studi Kasus A B C 250/250 29/22 64/ % 31,81% 9,85% Average EMP 13,87% Average Processing Time/frame (ms) 28,18ms 39,94ms 57,24ms Average Processing Time (ms) 41,78ms dilakukan menggunakan 3 studi kasus. Keluaran yang diinginkan adalah: = Keluaran sistem Actual = ((/ Actual )*100) % Average Processing time/frame = Total Frame Excecution time/total frame ms Hasil pengujian dapat dilihat pada Tabel 5. Berdasarkan pengujian error margin system, diperoleh nilai Average EMP 13,18% dan waktu pemrosesan per-frame dengan rata-rata ialah 41,78ms. Dengan nilai EMP terkecil pada studi kasus A dengan EMP 0%, dan waktu pemrosesan per-frame terbaik pada studi kasus A yaitu 28,18ms Congestion Detection dan Performansi Sistem congestion detection dilakukan menggunakan 2 studi kasus, yaitu studi kasus A dan D. Hasil pengujian dapat dilihat pada Tabel 6. Tabel 6 Hasil pengujian congestion detection D Studi Kasus A Background model Hasil Deteksi Terdeteksi Tidak Terdeteksi 173
7 Berdasarkan hasil pengujian pada Tabel 6, terlihat bahwa sistem mampu mendeteksi terjadinya kemacetan ketika terdapat gambar mobil pada background model. selanjutnya adalah pengujian untuk mengukur performansi sistem dalam melakukan klasifikasi tingkat kepadatan kendaraan. dilakukan menggunakan 3 studi kasus, yaitu studi kasus A,B, dan C. Hasil pengujian dapat dilihat pada Tabel 7. Tabel 7 Hasil pengukuran performansi sistem Studi kasus Real Hasil Pegujian A Sangat Padat Sangat Padat B Sedang Sedang C Sangat Padat Sangat Padat Beradasarkan hasil pengujian pada Tabel 7, terlihat bahwa sistem mampu melakukan klasifikasi tingkat kepadatan kendaraan dengan sangat baik. Terlihat pengklasifikasian yang dilakukan sistem tepat untuk setiap studi kasus yang diberikan. 4. Kesimpulan Dari hasil analisis yang diperoleh dari hasil pengujian, dapat disimpulkan bahwa sistem ini dapat digunakan dengan baik untuk menghitung dan mengklasifikasikan jumlah kepadatan kendaraan yang melintas disuatu jalur secara real-time. Hal tersbeut berdasarkan nilai rata-rata error margin yang baik (13.8%) serta waktu pemrosesan per-frame yang responsif. Kemudian pengklasifikasian hasil perhitungan ke kelas-kelas kepadatan juga menunjukkan hasil yang sangat baik, karena kelas kepadatan yang diidentifikasi sama dengan keadaan sebenarnya. Kendala utama pada sistem ini ialah tidak adanya penanganan occlusion, mengingat jalan Indonesia yang cenderung padat dan tidak teratur. Sehingga penempatan kamera yang baik sangat penting untuk mengurangi terjadinya occlusion. Kendala lainnya ialah metode perhitungan yang kurang sempurna dan warna kendaraan yang serupa dengan permukaan jalan dapat secara signifikan mengurangi keakurasian perhitungan yang dilakukan. Setelah dilakukan analisis dan evaluasi terhadap metode yang digunakan dalam penelitian ini, terdapat peluang untuk pengembangan berikutnya. Yang pertama adalah penanganan terhadap occlusion baik secara penuh maupun parsial, hal ini dapat meningkatkan performansi sistem secara drastis. Untuk menangani occlusion secara parsial dapat digunakan metode poisson image reconstruction. Kemudian penghitungan jumlah kendaraan dengan virtual detector pada sistem yang dibangun masih memiliki kelemahan seperti titik tengah objek kendaraan yang sering tidak terhitung karena melompati virtual detector ataupun titik tengah bergerak mundur sehingga terhitung 2 objek kendaraan. Hal ini dapat diatasi dengan menandai jejak pergerakan tiap titik tengah sehingga membentuk sebuah jejak. Sebuah objek kendaraan dihitung ketika jejak pergerakan titik tengahnya bertimpangan dengan virtual detector. Hal ini memastikan titik tengah yang meloncat dari virtual detector tetap terhitung serta titik tengah yang bergerak mundur tidak terhitung ulang lagi. Daftar Pustaka: [1] M. Lei, D. Lefloch, P. Gouton and K. Madani, A Video-based Real-time Vehicle Counting System Using Adaptive Background Method, IEEE International Conference on Signal Image Technology and Internet Based Systems, pp , [2] Z. Zivkovic, Improved Adaptive Gaussian mixture model for background subtraction. Int Conf Pattern Recognition (ICPR), [3] C. Stauffer and W. Grimson, Adaptive background mixture models for real time tracking, inproc. CVPR, [4] R. Lienhart, and J. Maydt, An extended set of Haar-Like Features for rapid object detection. IEEE ICIP 2002, Vol. 1, pp , Sep [5] Z. Zivkovic, F. van der Heijden, Recursive unsupervised learning of finite mixture models. IEEE Trans. Pattern Anal. Mach. Intell,
IP TRAFFIC CAMERA PADA PERSIMPANGAN JALAN RAYA MENGGUNAKAN METODE LUASAN PIKSEL
IP TRAFFIC CAMERA PADA PERSIMPANGAN JALAN RAYA MENGGUNAKAN METODE LUASAN PIKSEL OLEH : ANDI MUHAMMAD ALI MAHDI AKBAR Pembimbing 1: Arief Kurniawan, ST., MT Pembimbing 2: Ahmad Zaini, ST., M.Sc. Page 1
Lebih terperinciTraffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel
1 Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel Andi Muhammad Ali Mahdi Akbar, Arief Kurniawan, Ahmad Zaini Jurusan Teknik Elektro, Fakultas Teknik Industri Institut
Lebih terperinciPengenalan Benda di Jalan Raya dengan Metode Kalman Filter. Roslyn Yuniar Amrullah
Pengenalan Benda di Jalan Raya dengan Metode Kalman Filter Roslyn Yuniar Amrullah 7406040026 Abstrak Computer Vision merupakan disiplin ilmu perpanjangan dari pengolahan citra digital dan kecerdasan buatan.
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengolahan citra digital merupakan salah satu subjek dari teknologi informasi yang sangat menarik dan menantang saat ini. Proses pengolahan citra digital bertujuan
Lebih terperinciDeteksi Jenis Kendaraan di Jalan Menggunakan OpenCV
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-296 Deteksi Jenis di Jalan Menggunakan OpenCV Alvin Lazaro, Prof. Dr. Ir. Joko Lianto Buliali, M.Sc., Bilqis Amaliah S.Kom.,
Lebih terperinciPENGHITUNGAN KEPADATAN KENDARAAN DI JALAN TOL MENGGUNAKAN METODE GAUSSIAN MIXTURE MODEL DAN KALMAN FILTER
PENGHITUNGAN KEPADATAN KENDARAAN DI JALAN TOL MENGGUNAKAN METODE GAUSSIAN MIXTURE MODEL DAN KALMAN FILTER Muhammad Jendro Yuwono 1, Bedy Purnama 2, Febryanti Sthevanie 3 1,2,3 Prodi S1 Teknik Informatika,
Lebih terperinciAnalisis Perbandingan Algoritma Optical Flow dan Background Estimation untuk Pendeteksian Objek pada Video
Analisis Perbandingan Algoritma Optical Flow dan Background Estimation untuk Pendeteksian Objek pada Video Ety Sutanty dan Ari Rosemala Jurusan Sistem Informasi, Universitas Gunadarma Depok, Indonesia
Lebih terperinciIII. PERANCANGAN SISTEM Flowchart Proses System Berikut ini adalah gambaran umum sistem yang akan dibangun pada Tugas Akhir ini.
Penghitungan Kepadatan Kendaraan Di Jalan Tol Menggunakan Metode Gaussian Mixture Model dan Kalman Filter Counting Density of Vehicle Based on Gaussian Mixture Model and Kalman Filter in Highway Muhammad
Lebih terperinciPenjejakan Objek Visual berbasis Algoritma Mean Shift dengan menggunakan kamera Pan-Tilt
Penjejakan Objek Visual berbasis Algoritma Mean Shift dengan menggunakan kamera Pan-Tilt Sulfan Bagus Setyawan 1, Djoko Purwanto 2 Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember 1 sulfan13@mhs.ee.its.ac.id
Lebih terperinciIMPLEMENTASI METODE ADAPTIVE BACKGROUND EXTRACTION UNTUK PENGHITUNG KEPADATAN LALU LINTAS MELALUI FILE VIDEO DENGAN ALGORITMA GAUSSIAN MIXTURE MODELS
IMPLEMENTASI METODE ADAPTIVE BACKGROUND EXTRACTION UNTUK PENGHITUNG KEPADATAN LALU LINTAS MELALUI FILE VIDEO DENGAN ALGORITMA GAUSSIAN MIXTURE MODELS Endang Setyati Dosen Teknik Informatika, Sekolah Tinggi
Lebih terperinciPEMANFAATAN KAMERA CCTV SEBAGAI ALAT BANTU TRAFFIC SURVEY BIDANG : TRAFFIC ENGINEERING. Ressi Dyah Adriani NPP
PEMANFAATAN KAMERA CCTV SEBAGAI ALAT BANTU TRAFFIC SURVEY BIDANG : TRAFFIC ENGINEERING Ressi Dyah Adriani NPP 10529 ressi.adriani@jasamarga.co.id ABSTRAK Data kepadatan lalu-lintas merupakan kebutuhan
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pada saat ini pengamatan atau pemantauan suatu kondisi tempat ataupun ruangan melalui video sudah banyak diterapkan. Pengembangan dari sistem pengamatan berbasis video
Lebih terperinciKlasifikasi Kendaraan Menggunakan Gaussian Mixture Model (GMM) dan Fuzzy Cluster Means (FCM)
19 Klasifikasi Kendaraan Menggunakan Gaussian Mixture Model (GMM) dan Fuzzy Cluster Means (FCM) Fitroh Amaluddin, M. Aziz Muslim, Agus Naba Abstract This paper describes how to record a moving object and
Lebih terperinciPenghitung Kendaraan Menggunakan Background Substraction dengan Background Hasil Rekonstruksi
Penghitung Kendaraan Menggunakan Substraction dengan Hasil Rekonstruksi Mohammad Musa Sanjaya #1, Dr. I Ketut Eddy Purnama, ST., MT. *2, Muhtadin,ST.,MT #3 Jurusan Teknik Elektro, ITS Surabaya 1 musopotamia@gmail.com
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Indonesia merupakan negara berkembang yang memiliki jumlah penduduk yang cukup banyak. Menurut hasil sensus penduduk tahun 2010 yang dikeluarkan
Lebih terperinciMENENTUKAN KEPADATAN LALU LINTAS DENGAN PENGHITUNGAN JUMLAH KENDARAAN BERBASIS VIDEO PROCESSING
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2009 MENENTUKAN KEPADATAN LALU LINTAS DENGAN PENGHITUNGAN JUMLAH KENDARAAN BERBASIS VIDEO PROCESSING Muahamd Syukur¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang
23 BAB 3 PERANCANGAN SISTEM 3.1 Deskripsi Sistem Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang sesuai kemudian dihubungkan dengan komputer yang akan mengolah gambar seperti
Lebih terperinciAPLIKASI PENGOLAHAN CITRA SEBAGAI PENDETEKSI JARI PADA VIRTUAL KEYPAD
APLIKASI PENGOLAHAN CITRA SEBAGAI PENDETEKSI JARI PADA VIRTUAL KEYPAD Akuwan Saleh, Haryadi Amran D, Ahmad Bagus L Dept. Teknik Elektro, Program Studi Teknik Telekomunikasi Politeknik Elektronika Negeri
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciSIMULASI DAN ANALISIS SISTEM PENGHITUNG KEPADATAN LALU LINTAS DAN KLASIFIKASI KENDARAAN BERBASIS WEBCAM DENGAN METODE BACKGROUND SUBTRACTION
SIMULASI DAN ANALISIS SISTEM PENGHITUNG KEPADATAN LALU LINTAS DAN KLASIFIKASI KENDARAAN BERBASIS WEBCAM DENGAN METODE BACKGROUND SUBTRACTION SIMULATION AND ANALYSIS SYSTEM COUNTERS TRAFFIC DENSITY AND
Lebih terperinciIMPLEMENTASI FACE IDENTIFICATION DAN FACE RECOGNITION PADA KAMERA PENGAWAS SEBAGAI PENDETEKSI BAHAYA
IMPLEMENTASI FACE IDENTIFICATION DAN FACE RECOGNITION PADA KAMERA PENGAWAS SEBAGAI PENDETEKSI BAHAYA IMPLEMENTATION OF FACE IDENTIFICATION AND FACE RECOGNITION ON SECURITY CAMERA AS THREAT DETECTOR Panji
Lebih terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinci1BAB I. 2PENDAHULUAN
1BAB I. 2PENDAHULUAN 2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai
Lebih terperinciBAB I PENDAHULUAN. Pengaturan lampu lalu lintas di Indonesia masih bersifat kaku dan tidak
BAB I PENDAHULUAN 1.1. Latar Belakang Kemacetan merupakan masalah klasik yang sampai saat ini belum ditemukan solusi yang tepat. Hal ini disebabkan karena kemacetan lalu lintas dipengaruhi banyak faktor,
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciDeteksi Kebakaran pada Video Berbasis Pengolahan Citra dengan Dukungan GPU
Deteksi pada Video Berbasis Pengolahan Citra dengan Dukungan GPU Adhi Prahara Jurusan Ilmu Komputer dan Elektronika Fakultas MIPA, Universitas Gadjah Mada Sekip Utara Bulaksumur, Yogyakarta, Indonesia
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Pada bab ini akan dijelaskan mengenai latar belakang, permasalahan, tujuan dan ruang lingkup, dan sistematika penulisan laporan dari tesis ini. 1.1 Latar Belakang Di tempat umum seperti
Lebih terperinciANALISIS PELACAKAN OBJEK MENGGUNAKAN BACKGROUND ESTIMATION PADA KAMERA DIAM DAN BERGERAK (Hasil Penelitian)
ANALISIS PELACAKAN OBJEK MENGGUNAKAN BACKGROUND ESTIMATION PADA KAMERA DIAM DAN BERGERAK ( Penelitian) Oleh : Wahyu Supriyatin 1, Yeniwarti Rafsyam 2, Jonifan 3 1,3 Universitas Gunadarma Jakarta, Jalan
Lebih terperinciRancang Bangun Sistem Penghitung Laju dan Klasifikasi Kendaraan Berbasis Pengolahan Citra
Rancang Bangun Sistem Penghitung Laju dan Klasifikasi Kendaraan Berbasis Pengolahan Citra M Agus Taksiono, Dr. Ronny Mardiyanto, ST., MT.dan Ir. Joko Purwanto M.Eng, Ph.d Jurusan Teknik Elektro, Fakultas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir akhir ini teknologi yang berbasis " Sound and Video Capture Device " telah banyak berkembang. Para ilmuwan ataupun perusahaan yang bergerak di bidang IT memanfaatkan
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sistem pengenalan wajah adalah aplikasi dari pengolahan citra yang dapat mengidentifikasi seseorang melalui citra digital atau frame video. Sistem pengenalan wajah
Lebih terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinciANALISA ALGORITMA PENGHITUNG KENDARAAN RODA EMPAT DALAM KONDISI SIANG DAN MALAM HARI DENGAN METODE FRAME INTERSECTION
ANALISA ALGORITMA PENGHITUNG KENDARAAN RODA EMPAT DALAM KONDISI SIANG DAN MALAM HARI DENGAN METODE FRAME INTERSECTION Brillian Bagus Pakerti Utama 1), Ratri Dwi Atmaja 2), Azizah 3) 1),2),3) S1 Teknik
Lebih terperinciAPLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA
APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA Anita T. Kurniawati dan Afrilyan Ruli Dwi Rama Teknik Informatika-ITATS, Jl. Arief Rahman Hakim 100 Surabaya Email:
Lebih terperinciBAB III METODE PENELITIAN. melacak badan manusia. Dimana hasil dari deteksi atau melacak manusia itu akan
BAB III METODE PENELITIAN 3.1. Model Pengembangan Tujuan dari tugas akhir ini adalah untuk membuat sebuah aplikasi untuk mengatur kontras pada gambar secara otomatis. Dan dapat meningkatkan kualitas citra
Lebih terperinciBINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC
BINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC Naser Jawas STMIK STIKOM BALI naser.jawas@stikom-bali.ac.id Abstrak Binerisasi citra dokumen adalah sebuah langkah awal yang sangat penting dalam
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciAnalisis dan Simulasi Sistem Penilaian Kualitas Gaya Berjalan untuk Sekolah Model Berbasis Video Processing dengan Metode Variable Module Graph
Analisis dan Simulasi Sistem Penilaian Kualitas Gaya Berjalan untuk Sekolah Model Berbasis Video Processing dengan Metode Variable Module Graph Ines Visyeri Yuliani 1,*, Bambang Hidayat 1, Suci Aulia 2
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciSISTEM PELACAKAN WAJAH METODE HAAR
SISTEM PELACAKAN WAJAH METODE HAAR Endah Sudarmilah Jurusan Teknik Informatika, Fakultas Komunikasi dan Informatika, Universitas Muhammadiyah Surakarta Email : endah_te@yahoo.com Abstrak. Penelitian deteksi
Lebih terperinciSistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones
Sistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones M. Dwisnanto Putro Mahasiswa Magister Instrumentasi Teguh Bharata Adji Staf Pengajar Jurusan Teknik Bondhan Winduratna Staf Pengajar Jurusan Teknik
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam kehidupan sehari-hari semakin banyak masalah yang terjadi seiring meningkatnya populasi di daerah perkotaan, akibatnya lalu lintas menjadi lebih padat karena
Lebih terperinciKLASIFIKASI OBJEK KENDARAAN MENGGUNAKAN HAAR CASCADE CLASSIFIER TUGAS AKHIR
KLASIFIKASI OBJEK KENDARAAN MENGGUNAKAN HAAR CASCADE CLASSIFIER TUGAS AKHIR Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Moch
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE VIOLA JONES PADA INTELLIGENT HOME SECURITY SKRIPSI
PENGENALAN WAJAH MENGGUNAKAN METODE VIOLA JONES PADA INTELLIGENT HOME SECURITY SKRIPSI Diajukan untuk memenuhi persyaratan guna meraih gelar Sarjana Strata I Teknik Elektro Universitas Muhammadiyah Malang
Lebih terperinciAnalisa Perbandingan Algoritma Histogram of Oriented Gradient (HOG) dan Gaussian Mixture Model (GMM) Dalam Mendeteksi Manusia
Analisa Perbandingan Algoritma Histogram of Oriented Gradient (HOG) dan Gaussian Mixture Model (GMM) Dalam Mendeteksi Manusia Yolinda Fatimah Munawaroh 1), Ciksadan 2), Irma Salamah 3) 1),2),3 ) Program
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tubuh Manusia Tubuh manusia merupakan salah satu objek pendeteksian yang sedang populer, hal ini dapat dibuktikan dengan banyaknya jurnal mengenai perancangan program pendeteksian
Lebih terperinciPenerapan dan Analisis Sistem Penghitungan Orang Menggunakan Adaptive Gaussian Mixture Model
Penerapan dan Analisis Sistem Penghitungan Orang Menggunakan Adaptive Gaussian Mixture Model dan Local Binary Pattern Implementation and Analysis of People Counting System Using Adaptive Gaussian Mixture
Lebih terperinciSegmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih terperinciHUMAN COUNTER DENGAN METODE FACE DETECTION MENGGUNAKAN OPENCV PADA PLATFORM ANDROID TUGAS AKHIR
HUMAN COUNTER DENGAN METODE FACE DETECTION MENGGUNAKAN OPENCV PADA PLATFORM ANDROID TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI APLIKASI KAMERA DETEKSI KEMACETAN JALAN RAYA DENGAN CITRA PANORAMA
PERANCANGAN DAN IMPLEMENTASI APLIKASI KAMERA DETEKSI KEMACETAN JALAN RAYA DENGAN CITRA PANORAMA DESIGN AND IMPLEMENTATION APPLICATION TRAFFIC JAM DETECTION USING CAMERA ON HIGHWAY WITH PANORAMIC IMAGE
Lebih terperinciSistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones
Jurnal Emitor Vol.17 No. 01 ISSN 1411-8890 Sistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones Adinda Rizkita Syafira Program Studi Informatika Universitas Muhammadiyah Surakarta (UMS) Surakarta,
Lebih terperinciImplementasi Noise Removal Menggunakan Wiener Filter untuk Perbaikan Citra Digital
UNSIKA Syntax Jurnal Informatika Vol. 5 No. 2, 2016, 159-164 159 Implementasi Noise Removal Menggunakan Wiener Filter untuk Perbaikan Citra Digital Nono Heryana 1, Rini Mayasari 2 1,2 Jl. H.S. Ronggowaluyo
Lebih terperinciPengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality
Pengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality Endang Setyati Information Technology Department Sekolah Tinggi Teknik Surabaya endang@stts.edu,
Lebih terperinciPELACAKAN DAN DETEKSI WAJAH MENGGUNAKAN VIDEO LANGSUNG PADA WEBCAM ABSTRAK ABSTRACT
PELACAKAN DAN DETEKSI WAJAH MENGGUNAKAN VIDEO LANGSUNG PADA WEBCAM Dhanar Intan Surya Saputra 1, Wahyu Septi Anjar 2, Kurnia Aswin Nuzul Ramadhan 3, Riki Aji Pamungkas 4 1234 Program Studi Teknik Informatika
Lebih terperinciBAB 1 PENDAHULUAN. Sistem penglihatan manusia merupakan suatu system yang sangat kompleks,
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG PERMASALAHAN Sistem penglihatan manusia merupakan suatu system yang sangat kompleks, tetapi sangat dapat diandalkan. Sistem ini memberikan sarana pengenalan obyek yang
Lebih terperinciBAB I PENDAHULUAN. beberapa region berdasarkan kriteria tertentu. Berdasarkan pengertian tersebut,
BAB I PENDAHULUAN 1.1 Latar Belakang Segmentasi merupakan salah satu proses untuk memisahkan citra menjadi beberapa region berdasarkan kriteria tertentu. Berdasarkan pengertian tersebut, dapat dikatakan
Lebih terperinciIMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2009 IMPLEMENTASI PERHITUNGAN KECEPATAN OBJEK BERGERAK BERBASIS WEBCAM DAN PENGOLAHAN CITRA DIGITAL Bambang Hermanto¹, Koredianto Usman², Iwan Iwut Tirtoasmoro³
Lebih terperinciRestorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggaran Lampu Merah
Restorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggaran Lampu Merah Bayu Setyo Prayugi Teknik Komputer dan Telematika Jurusan Teknik Elektro Insitut Teknologi Sepuluh
Lebih terperinciPERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF
PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF Rudericus Andika Pramudya, Mahmud Imrona 2, Fhira Nhita 3,2,3 Prodi S Teknik Informatika, Fakultas Teknik, Universitas Telkom rudericusdika@gmail.com,
Lebih terperinciExtraction of Moving Objects on Underwater Video Using Method of Subtraction the Background Modeling Results
Extraction of Moving Objects on Underwater Video Using Method of Subtraction the Background Modeling Results FX Arinto Setyawan 1, Sri Ratna Sulistiyanti 2 Department of Electrical Engineering, Faculty
Lebih terperinciRancang bangun penghitung dan pengidentifikasi kendaraan menggunakan Multiple Object Tracking
Youngster Physics Journal ISSN: 2302-7371 Vol. 6, No. 1, Januari 2017, Hal. 70-75 Rancang bangun penghitung dan pengidentifikasi kendaraan menggunakan Multiple Object Tracking Laila Rahmawati dan Kusworo
Lebih terperinciSistem Pengukur Kecepatan Kendaraan Berbasis Pengolahan Video
IJEIS, Vol.5, No.2, October 2015, pp. 177~186 ISSN: 2088-3714 177 Sistem Pengukur Kecepatan Kendaraan Berbasis Pengolahan Video Satrio Sani Sadewo* 1, Raden Sumiharto 2, Ika Candradewi 3 1 Prodi Elektronika
Lebih terperinciPENENTUAN THRESHOLD CITRA MULUT DENGAN METODE NORMAL PROBABILITY DENSITY FUNCTION (NPDF) GUNA MENDETEKSI MULUT PEMELAJAR
ISSN cetak 087-76 ISSN online 548-777 ILKOM Jurnal Ilmiah Volume Nomor Agustus 07 PENENTUAN THRESHOLD CITRA MULUT DENGAN METODE NORMAL PROBABILITY DENSITY FUNCTION (NPDF) GUNA MENDETEKSI MULUT PEMELAJAR
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Permasalahan Pemanfaatan Augmented Reality pada umumnya berfokus pada kemampuan visualnya, yaitu berupa bentuk tiga dimensi, lingkungan tiga dimensi, animasi,
Lebih terperinciPENGARUH PENCAHAYAAN TERHADAP KINERJA SEGMENTASI
PENGARUH PENCAHAYAAN TERHADAP KINERJA SEGMENTASI Iman H. Kartowisatro Computer Engineering Department, Faculty of Engineering, BINUS University Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 imanhk@binus.edu
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciAnalisis Perbandingan Algoritma Optical Flow dan Background Estimation untuk Pendeteksian Objek pada Video
Analisis Perbandingan Algoritma Optical Flow dan Background Estimation untuk Pendeteksian Objek pada Video 1 Ety Sutanty, 2 Ari Rosemala 1,2 Universitas Gunadarma, Jurusan Sistem Informasi, Depok, Indonesia
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Face Recognition Face recognition dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciAUTOMATIC HEAD ROTATING SYSTEM PADA DIGITAL PET MEMANFAATKAN FACE DETECTION
AUTOMATIC HEAD ROTATING SYSTEM PADA DIGITAL PET MEMANFAATKAN FACE DETECTION Hadriansa 1 dan Yosi Kristian 2 1 Teknik Informatika STMIK PPKIA Tarakanita Rahmawati 2 Teknik Informatika Sekolah Tinggi Teknik
Lebih terperinciDETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM
DETEKSI MARKA JALAN DAN ESTIMASI POSISI MENGGUNAKAN MULTIRESOLUTION HOUGH TRANSFORM Charles Edison Chandra; Herland Jufry; Sofyan Tan Computer Engineering Department, Faculty of Engineering, Binus University
Lebih terperinciDeteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity
54 Integer Journal, Vol 1, No 1, Maret 2016: 54-59 Deteksi Citra Objek Lingkaran Dengan Menggunkan Metode Ekstraksi Bentuk Circularity Hendro Nugroho Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciPenerapan Algoritma Particle Filter pada Face Tracking
pp. 1~5 ISSN: 1978-1520 1 Penerapan Algoritma Particle Filter pada Face Tracking Very Rahmawan, David Oktavian, Derry Alamsyah STMIK GI MDP, Jalan Rajawali No.14 Palembang, 0711-376400 Jurusan Teknik Informatika,
Lebih terperinciAPLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES PROPOSAL SKRIPSI
APLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES PROPOSAL SKRIPSI PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA
Lebih terperinciAnalisa Gerakan Manusia Pada Video Digital
Analisa Gerakan Manusia Pada Video Digital Abstrak - Pengenalan cara bergerak tubuh manusia (human motion) dari video stream memiliki beberapa aplikasi dalam video surveillance (pengawasan), dunia hiburan,
Lebih terperinciPrototype Pendeteksi Jumlah Orang Dalam Ruangan
e-issn: 2528-4053 36 Prototype Pendeteksi Jumlah Orang Dalam Ruangan Nesi Syafitri 1, Adri 2 1,2 Jurusan Teknik Informatika, Fakultas Teknik, Universitas Islam Riau E-mail: nesisyafitri@uir.ac.id, adrisaputra91@gmail.com
Lebih terperinciBAB I PENDAHULUAN. BAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN BAB 1 PENDAHULUAN 1.1. Latar Belakang Jalan sebagai prasarana lalu-lintas atau angkutan, memiliki fungsi untuk mendukung kelancaran arus barang, jasa, serta aktivitas masyarakat. Namun
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM Sistem vision yang akan diimplementasikan terdiri dari 2 bagian, yaitu sistem perangkat keras dan perangkat lunak. Perangkat lunak yang digunakan dalam sistem vision ini adalah
Lebih terperinciMetode Background Subtraction untuk Deteksi Obyek Pejalan Kaki pada Lingkungan Statis
Metode Background Subtraction untuk Deteksi Obyek Pejalan Kaki pada Lingkungan Statis Achmad Solichin Fakultas Teknologi Informasi, Universitas Budi Luhur Mahasiswa Jurusan IKE, FMIPA, Universitas Gadjah
Lebih terperinciANALISIS PARAMETER SKALA DAN PERGESERAN UNTUK DETEKSI OBJEK PADA KERANGKA KERJA TRAKING-LEARNING-DETECTION (TLD)
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 3468 ANALISIS PARAMETER SKALA DAN PERGESERAN UNTUK DETEKSI OBJEK PADA KERANGKA KERJA TRAKING-LEARNING-DETECTION (TLD) (PARAMETER
Lebih terperinciKorelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 7 Korelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera Edy Winarno *), Wiwien
Lebih terperinciREALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES
REALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES Avrian Andreas Marjono NRP : 1222006 e-mail : avrianandreas@yahoo.co.id ABSTRAK Rasa
Lebih terperinciselanjutnya nilai alpha dan alpha matte atau key disebut dengan matte. Teknik segmentasi yang didasarkan pada perhitungan matte disebut image matting.
selanjutnya nilai alpha dan alpha matte atau key disebut dengan matte. Teknik segmentasi yang didasarkan pada perhitungan matte disebut image matting. Gambar 1.1. Wilayah Unknown disebut dengan alpha (matte)
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciFACE TRACKING DAN DISTANCE ESTIMATION PADA REALTIME VIDEO MENGGUNAKAN 3D STEREO VISION CAMERA
FACE TRACKING DAN DISTANCE ESTIMATION PADA REALTIME VIDEO MENGGUNAKAN 3D STEREO VISION CAMERA Edy Winarno¹, Agus Harjoko² ¹ Program Studi Teknik Informatika FTI Universitas Stikubank (UNISBANK) Semarang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan teknologi saat ini menjadi umpan bagi para ahli untuk mencetuskan terobosan-terobosan baru berbasis teknologi canggih. Terobosan ini diciptakan
Lebih terperinciKAMERA PENDETEKSI GERAK MENGGUNAKAN MATLAB 7.1. Nugroho hary Mindiar,
KAMERA PENDETEKSI GERAK MENGGUNAKAN MATLAB 7.1 Nugroho hary Mindiar, 21104209 Mahasiswa Sarjana Strata Satu (S1) Jurusan Sistem Komputer, Fakultas Ilmu Komputer Universitas Gunadarma mindiar@yahoo.com
Lebih terperinciDeteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree (HMT)
Proudly Present : Presentasi Tugas Akhir Deteksi Sinyal Akustik yang Ditimbulkan Kapal Menggunakan Pendekatan Hidden Markov Tree (HMT) Musa Ibrahim 2208100047 Pembimbing : Dr. Ir. Wirawan, DEA Ir. Endang
Lebih terperinciPenentuan Stadium Kanker Payudara dengan Metode Canny dan Global Feature Diameter
Penentuan Stadium Kanker Payudara dengan Metode Canny dan Global Feature Diameter Metha Riandini 1) DR. Ing. Farid Thalib 2) 1) Laboratorium Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciPenggunaan Pohon Biner dalam Pemodelan Struktur Statistik Mata Manusia
Penggunaan Pohon Biner dalam Pemodelan Struktur Statistik Mata Manusia Aditya Rizkiadi Chernadi - 13506049 Jurusan Teknik Informatika ITB, Jalan Ganesha 10 Bandung, email: if16049@students.if.itb.ac.id
Lebih terperinciTracking of Pedestrian
Tracking of Pedestrian Wisnu Bagus P 1), Ir. Dadet Pramadihanto, MEng. Ph.D. 2), Setiawardhana, ST. 3) 1) Jurusan Teknik Informatika,PENS ITS Surabaya Kampus ITS Sukolilo, Surabaya 60111 E-mail : wisnubagus@ymail.com
Lebih terperinciANALISA PERBANDINGAN METODE VEKTOR MEDIAN FILTERING DAN ADAPTIVE MEDIAN FILTER UNTUK PERBAIKAN CITRA DIGITAL
ANALISA PERBANDINGAN METODE VEKTOR MEDIAN FILTERING DAN ADAPTIVE MEDIAN FILTER UNTUK PERBAIKAN CITRA DIGITAL Nur hajizah (13111171) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinci