BAB 2 SISTEM DETEKSI DAN PENGHITUNG OBYEK

BAB 2 SISTEM DETEKSI DAN PENGHITUNG OBYEK Bab ii ebahas egeai aalisis siste yag dibutuhka, keudia arsitektur siste, serta tahapa deteksi da peghitug obyek. Pada tahapa deteksi obyek, terdapat beberapa proses ulai dari ekstraksi ciri, proses pelatiha, proses deteksi da pejejaka obyek, da proses eghitug julah obyek. Metode-etode yag diguaka dala peelitia ii dijelaska juga pada bab ii. 2.1 Aalisis Kebutuha Bagia aalisis ii tersusu atas berbagai perasalaha yag elatarbelakagi pegebaga ii beserta kebutuha yag harus dapat diatasi oleh siste ii. Sesuai dega yag telah disapaika pada bagia latar belakag pada bab sebeluya, para pegusaha tepat uu ebutuhka data berbagai julah pegujug yag egujugi tepat yag dikelolaya, baik yag berjala kaki, egedarai otor ataupu obil. Peghituga julah pegujug juga diharapka dapat dilakuka secara otoatis, karea aka dilakuka dala jagka waktu yag laa. Oleh karea itu, dibutuhka sebuah siste yag dapat elakuka proses peghituga pegujug secara otoatis. Dala elakuka proses peghituga pegujug, siste harus eiliki fitur utuk edeteksi da ebedaka orag yag berjala kaki, egedarai otor ataupu obil. Video erupaka gabar bergerak (setiap gabar dikeal dega istilah frae), sehigga proses pedeteksia obyek aka dilakuka pada setiap frae. Dega adaya tahap deteksi obyek tersebut, aka diugkika dibaguya tahap pejejaka obyek utuk ejejaki obyek yag terdeteksi atar frae pada video. Dega proses pejejaka tersebut, siste aka eguci obyek yag terdeteksi atar frae. Setelah itu siste dapat eutuska apakah obyek yag dijejaki tersebut aka digologka sebagai ausia yag berjala kaki, egedarai otor ataupu egedarai obil atau tidak, berdasarka pada proses pejejaka obyek sebeluya. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM 6 UI, 2008

7 Berdasarka hal-hal yag telah disebutka sebeluya, berikut adalah kebutuha-kebutuha yag perlu disediaka solusiya dala siste yag aka dikebagka: Siste yag aka dibagu adalah siste yag dapat eeria data asuka berupa video aupu rekaa secara waktu yata (realtie). Siste harus eiliki fitur pedeteksi pejala kaki, pegedara otor, da juga obil. Fitur ii didapatka dega egipleetasika etode Boostig terodifikasi yag diajuka dala tesis ii. Siste yag aka dibagu eiliki keapua utuk ejejaki pegujug. Pejejaka aka dilakuka utuk setiap jeis obyek. Siste dapat eghitug julah pegujug yag terdapat pada rekaa secara lagsug, dibedaka utuk julah pejala kaki, pegedara otor, da obil. 2.2 Arsitektur Siste Deteksi da Peghitug Obyek Sebelu eghitug obyek, obyek yag ucul pada video harus dideteksi terlebih dahulu. Deteksi obyek erupaka proses utuk eetuka apakah suatu citra atau frae video epuyai obyek yag igi dideteksi atau tidak, sedagka eghitug obyek adalah proses eghitug berapa bayak obyek yag ucul di dala video dala beberapa uruta frae berturut-turut. Siste harus dilatih terlebih dahulu agar bisa ebedaka citra yag epuyai obyek yag igi dideteksi atau tidak. Citra yag epuyai obyek yag igi dideteksi dikelopokka ejadi citra kelas positif, sedagka citra yag tidak epuyai obyek tersebut dikelopokka ejadi citra kelas egatif. Pada tesis ii, obyek yag aka dideteksi adalah pejala kaki, pegedara otor, da obil. Masig-asig jeis obyek tersebut sagat udah berubah karea bayakya variasi tipe pakaia da pose, ataupu wara, betuk, da juga tekstur. Variasi tersebut egakibatka sulitya ebedaka obyek yag igi dideteksi dari obyek-obyek laiya pada sebuah citra. Utuk itu diperluka suatu etode ekstraksi ciri yag bisa eyelesaika perasalaha tersebut. Arsitektur siste pada deteksi obyek yag diguaka terdiri dari dua tahapa yaitu tahapa pelatiha da tahapa peghituga obyek. Siste yag Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

8 diipleetasika utuk pelatiha da deteksi obyek berdasarka pada keragka kerja [4], sedagka siste peghitug pegujug erupaka pegebaga siste dari [13]. Arsitektur siste utuk tahapa pelatiha ditujukka pada Gabar 2.1. Positif Ekstraksi Ciri Negatif Proses Pelatiha Basis Data / Pegklasifikasi Gabar 2.1 Arsitektur Tahap Pelatiha Pada tahap pelatiha, citra obyek yag igi dideteksi (citra positif) da citra latar belakag (citra egatif) diekstrak ciriya. Keudia ciri-ciri tersebut aka ejadi iput utuk proses pelatiha. Hasil dari tahap pelatiha adalah suatu basis data atau pegklasifikasi dega forat file XML. Sedagka pada tahapa peghituga obyek, asukaya adalah file video ataupu hasil reka kaera CCTV secara realtie. Setiap frae video aka diproses oleh pedeteksi obyek berdasarka pegklasifikasi yag dihasilka dari proses pelatiha. Tiap obyek yag terdeteksi aka dijejaki oleh pejejak obyek. Keudia peghitug obyek aka eghitug obyek yag dijejaki jika eeuhi syarat-syarat tertetu. Hasil dari tahap peghituga obyek adalah julah pejala kaki, pegedara otor, atau obil yag elitas pada video tersebut. Arsitektur siste utuk tahapa peghituga obyek ditujukka pada Gabar 2.2. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

9 Video asuka Pedeteksi obyek Basis Data / Pegklasifikasi Pejejak obyek Peghitug obyek Keluara Julah Pegujug Gabar 2.2 Arsitektur Tahap Peghituga Obyek 2.2.1 Ekstraksi Ciri Ekstraksi ciri adalah proses utuk egekstraksi iforasi petig seperti wara, tekstur, da betuk. Deteksi obyek erupaka salah satu cara utuk ekstraksi iforasi petig pada sebuah citra isalya ausia, otor, obil, atau obyek laiya. Mausia, otor, da obil erupaka obyek yag dibahas, karea deteksi obyek-obyek tersebut dapat diguaka utuk berbagai aplikasi seperti siste pegawasa. Deteksi ausia pada citra statis erupaka perasalaha yag sulit karea eiliki beberapa karakteristik yag serigkali berubah, isalka variasi tipe da wara pakaia, da juga gaya. Sedagka utuk deteksi otor atau obil, karakteristik yag serig berubah adalah wara da betuk kedaraa, da juga si pegedara otor utuk deteksi obyek otor. Variasi tersebut eyebabka sulitya eisahka obyek ausia, otor ataupu obil dari obyek-obyek yag lai pada sebuah citra [14]. Siste yag diguaka [4] egguaka ekstraksi ciri Haar wavelet yag diguaka [17]. Wavelet adalah suatu fugsi ateatis yag diguaka utuk ebagi sigal pada citra ejadi kopoe-kopoe yag lebih kecil sehigga dapat diproses. Haar wavelet adalah satu wavelegth square wave. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

10 Apabila digabarka dala 2 diesi, square wave adalah sepasag persegi pajag yag bersebelaha, satu berwara terag da satuya lagi berwara gelap. Kobiasi yag diguaka utuk deteksi obyek pada citra sebearya buka Haar wavelet yag asli, elaika egguaka kobiasi persegi pajag yag lebih cocok utuk pedeteksia obyek. Oleh karea perbedaa ii, ciri yag diekstrak tidak disebut ciri Haar wavelet, elaika ciri Haar-like. Gabar 2.3 eujukka cotoh ciri Haar-like yag diguaka. Gabar 2.3 Cotoh Ciri Haar-like yag Diguaka Ciri ciri Haar-like ii aka diekstrak dari citra, da keudia diguaka sebagai asuka utuk proses pelatiha. Gabar 2.4 eujukka cotoh ekstraksi ciri Haar-like dari gabar wajah ausia. Gabar 2.4 Cotoh Ekstraksi Ciri Haar-like pada Wajah Mausia 2.2.2 Proses Pelatiha Pada proses pelatiha, siste dilatih utuk belajar ebedaka citra yag epuyai obyek yag igi dideteksi atau tidak. Data pelatiha yag diguaka pada proses pelatiha terdiri dari citra kelas positif da kelas egatif. Citra kelas Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

11 positif erupaka citra yag epuyai satu obyek ausia, otor atau obil. Sedagka citra kelas egatif erupaka citra dega latar belakag atural ataupu bagua yag tidak eiliki obyek ausia, otor ataupu obil. Data pelatiha egguaka citra utuk setiap obyek berukura berbeda. Utuk ausia atau pejala kaki, ukura citra yag diguaka adalah 20 x 50 piksel. Utuk otor, ukura citra yag diguaka adalah 38 x 38 piksel. Sedagka utuk obil, ukura citra yag diguaka adalah 50 x 25 piksel. Ukura-ukura tersebut sesuai dega betuk skala tiggi da lebar obyek yag terlihat dari sapig. Berdasarka pelatiha-pelatiha yag dilakuka sebeluya, ukura citra yag diguaka dapat berukura lebih besar karea tekstur aka dapat terdeteksi lebih baik. Nau karea batasa peragkat keras yag diguaka, ukura citra diperkecil dari asliya utuk eguragi kapasitas eori koputer yag dibutuhka da juga utuk epercepat proses pelatiha. Ciri Haar-like dari citra positif da citra egatif keudia diekstrak da diguaka sebagai asuka dari proses pelatiha. Proses pelatiha egguaka etode Boostig aka dibahas di bab berikutya. Hasil dari pelatiha adalah suatu basis data pegklasifikasi yag berlapis (cascade), diaa suatu citra aka diaggap eiliki obyek yag igi dideteksi jika berhasil elewati seluruh lapisa pegklasifikasi. Iput Pegklasifikasi 1 Pegklasifikasi 2 X X Buka Obyek Pegklasifikasi N X Obyek yag diigika Gabar 2.5 Ilustrasi Cara Kerja Pegklasifikasi yag Berlapis Dega pegklasifikasi yag berlapis ii, setiap pegklasifikasi tidak perlu eiliki akurasi deteksi yag aksial, au gabuga dari seua Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

12 pegklasifikasi dapat eiliki akurasi deteksi yag tiggi. Sebagai cotoh, apabila satu pegklasifikasi eiliki hit rate sebesar 0,999 da false alar sebesar 0,5, aka 20 pegklasifikasi berlapis aka eiliki hit rate sebesar 0,999 20 0,98 da false alar sebesar 0,5 20 10 6. 2.2.3 Proses Pejejaka Obyek Proses pejejaka obyek erupaka proses deteksi egguaka basis data pegklasifikasi hasil pelatiha da egikuti pergeraka obyek yag terdeteksi dari satu frae video ke frae laiya. Proses deteksi dilakuka dega egaplikasika pegklasifikasi secara bertahap per bagia area dari satu frae, sesuai dega ukura latiha pegklasifikasi. Pegklasifikasi juga diskalaka, sehigga pegklasifikasi dapat edeteksi obyek yag skalaya berbeda dega saat pelatiha. Hasil deteksi obyek berbetuk ligkara, sehigga didapatka iforasi letak koordiat piksel titik tegah dari obyek da ukura radiusya yag eujukka tiggi atau lebar obyek yag terdeteksi. Proses pejejaka obyek aka dilakuka pada titik tegah obyek tersebut. Proses pejejaka obyek aka eadaka obyek yag terdeteksi di frae saat ii terhadap tepat satu frae sebeluya. Proses peadaa obyek aka egguaka etode jarak Euclidia yag aka dijelaska di sub bab 2.3. Utuk elakuka peadaa, diguaka array utuk ecatat berbagai iforasi yag diperluka utuk ejejaki obyek yag terdeteksi. Obyek 1 Obyek 2 Obyek 3 Frae saat ii Frae 1 Frae 2 Frae 3 (x,y) = (3,4) (x,y) = (4,5)? Radius = 22 Radius = 25 (x,y) = (100,100) (x,y) = (104,107)? Radius = 32 Radius = 29 (x,y) = (204,103) (x,y) = (209,120)? Radius = 44 Radius = 51 (210,152) Radius = 59 Pegukura Jarak Euclidia Gabar 2.6. Ilustrasi Array yag Mecatat Iforasi Lokasi Obyek Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

13 Pada gabar 2.6 di atas dapat dilihat ilustrasi utuk ejelaska proses pejejaka obyek atar frae. Pada ilustrasi tersebut, diketahui bahwa frae saat ii adalah frae ketiga, da juga diketahui bahwa pada frae pertaa da frae kedua ada tiga obyek yag terdeteksi legkap dega koordiat da radiusya asig-asig. Pada frae ketiga, sedag terdeteksi sebuah obyek dega koordiat piksel (210,152) da eiliki radius sebesar 59 piksel. Kedua iforasi ii aka dijadika asuka ke dala proses pegukura jarak Euclidia yag aka eutuska berdasarka jarak palig iiu. Proses ii aka eghasilka keputusa, kepada obyek oor berapakah ia terasuk. Seharusya proses peghituga yag tepat aka eghasilka keputusa utuk eadakaya ke dala obyek oor 3, karea dilihat dari koordiat piksel da radiusya, obyek yag sedag terdeteksi saat ii terletak palig dekat dega pegujug oor 3 pada frae sebeluya. 2.2.4 Proses Meghitug Julah Obyek Proses eghitug obyek adalah proses eghitug berapa bayak obyek yag terdeteksi pada video. Obyek aka diaggap elewati daerah yag diawasi da dihitug apabila ia telah eeuhi seua kodisi berikut, yaitu: Terdeteksi pada 4 frae sebeluya. Telah eghilag keberadaaya dari frae saat ii. Tepat pada satu frae sebeluya berada di dala zoa peghituga. Syarat pertaa bergua utuk eastika validitas bahwa obyek yag terdeteksi bukalah false positives, sehigga ia perlu tapil pada epat frae sebeluya. Agka epat dipilih, karea egigat proses pedeteksia wajah pada bayak citra beruruta sagat rawa terjadiya false egative, sehigga jika agka yag dipilih terlalu besar, ada keugkia proses pejejaka terputus da berpegaruh pada kierja peghituga pegujug. Syarat kedua utuk eastika bahwa pegujug telah eghilag keberadaaya atau telah eiggalka daerah yag diawasi. Sedagka kodisi ketiga eastika bahwa pegujug telah eiggalka daerah elalui daerah zoa peghituga atau asuk elewati pitu asuk. Zoa peghituga (dikeal juga sebagai virtual gate [16]) yag terdapat pada syarat ketiga Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

14 erupaka zoa yag telah ditetuka sebeluya da tergatug pada posisi ruaga. Zoa peghituga uuya berada tepat di dekat pitu asuk. Pada gabar 2.7 diilustrasika letak zoa peghituga. Letak zoa peghituga diletakka di sebelah kiri dega asusi pegujug aka datag dari arah kaa euju pitu asuk di sebelah kiri. Jika kaera aka dipasag di tepat lai, aka zoa peghituga beserta dega proses pejejaka harus diatur ulag. Zoa Peghituga Video Gabar 2.7 Letak Zoa Peghituga pada Video Ujicoba Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

15 2.3 Jarak Euclidea Apabila terdapat lebih dari satu obyek yag igi dideteksi pada video, siste egguaka etode jarak Euclidea utuk ebadigka koordiat obyek pada frae sebeluya da pada frae saat ii utuk eetuka padaa obyek asig-asig. Jarak Euclidia adalah jarak terpedek atara dua buah titik. Apabila terdapat dua buah titik, aka jarak terpedek didapatka dega cara earik garis lurus yag eghubugka kedua titik tersebut. Dala ruag Euclidia berdiesi, R, jarak atara titik x da y dapat diruuska sebagai berikut [15]: D = x y = i= 1 x i y i 2 (2.1) Diaa adalah julah titik dala R. Karea siste yag dikebagka bekerja dala ruag Euclidia berdiesi dua, aka jarak Euclidia atara titik p(x 1,y 1 ) da q(x 2,y 2 ) dapat dihitug dega egguaka ruus berikut: D( p, q) = ( x y (2.2) 2 2 1 x2 ) + ( y1 2 ) Jarak Euclidia (jarak atar obyek pada citra) aksiu yag ditolerasi dala berbagai video dapat beraga, tergatug dari letak kaera. Pada tesis ii, tolerasi jarak aksiu adalah 50 piksel. Nilai ii edapatka hasil terbaik diukur berdasarka eksperie. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

BAB 3 METODE MULTIKELAS BOOSTING TERMODIFIKASI Bab ii egkaji teori-teori yag edasari peelitia ii, serta egusulka etode ultikelas Boostig terodifikasi. Teori da pejelasa tetag Boostig da AdaBoost M2 aka dibahas terlebih dahulu pada bab ii. 3.1 Boostig Boostig, atau juga dikeal dega aa AdaBoost, adalah suatu tekik utuk egkobiasika beberapa pegklasifikasi dasar (ultiple base classifer) utuk eghasilka suatu coittee (rata-rata prediksi dari beberapa pegklasifikasi dasar) yag eiliki kierja jauh lebih baik daripada pegklasifikasi-pegklasifikasi dasarya [3]. Boostig didefiisika juga sebagai etode utuk eciptaka pegklasifikasi kuat (strog classifier) yag akurat dega egkobiasika beberapa pegklasifikasi leah (weak classifier) [11]. Boostig dapat eberika hasil yag baik walaupu pegklasifikasi dasar eiliki perfora yag sedikit lebih baik daripada eilih acak (rado). Metode Boostig serigkali disebut sebagai algorita AdaBoost, kepedeka dari Adaptive Boostig. Apabila ada perasalaha klasifikasi utuk 2 kelas, diaa traiig data terdiri dari vektor iput x 1,, x N da eiliki target t 1,..., t diaa t {- N N 1,1}. Utuk setiap data diberika bobot w, diaa awalya diset sebagai 1/N utuk seua titik. Proses pelatiha pegklasifikasi dasar egguaka bobot data utuk fugsi y(x) {-1,1}. Dala boostig, pegklasifikasi dasar dilatih secara beruruta, diaa setiap pegklasifikasi dasar dilatih dega koefisie pebobota yag lebih besar utuk data yag salah diklasifikasika oleh pegklasifikasi dasar sebeluya. Setelah elakuka proses pelatiha, hasil koefisie bobot aka dikobiasika utuk ebetuk suatu pegklasifikasi gabuga yag lebih kuat. Ilustrasi skea boostig dapat dilihat pada gabar 3.1. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM 16 UI, 2008

17.... { w 1) ( } { w 2) ( } { w (M ) } y ( ) y ( ) (x) 1 x 2 x.... y M = M Y M ( x) sig α y ( x) Gabar 3.1 Skea Metode Boostig Setiap pegklasifikasi dasar y (x) dilatih egguaka bobot () w tergatug kepada perfora pegklasifikasi dasar sebeluya ( ). Hasil y x 1 pelatiha seua pegklasifikasi dasar dikobiasika ejadi pegklasifikasi baru Y (x). Algorita AdaBoost adalah sebagai berikut: 1. Iisialisasi bobot data { w } dega 2. For = 1,, M: () w = 1/N utuk = 1,2,,N. a. Trai y (x) dega eiialka fugsi kesalaha (error fuctio) sebagai berikut: J N = = 1 w ( ) I( y ( x ) t ) (3.1) Diaa I y ( x ) t ) adalah fugsi idikator yag berilai 1 jika y ( ( x ) t da berilai 0 jika sebalikya. b. Evaluasi kesalaha dega N ( ) w I( = 1 = N y ( x ) t ) ε (3.2) ( ) w = 1 Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

18 Da keudia hasilya diguaka utuk evaluasi: α 1 ε = l (3.3) ε c. Meperbaiki bobot data dega: w + 1 = w { I ( y ( x ) t )} exp α (3.4) bobot 3. Mebuat prediksi egguaka odel terakhir sebagai berikut: Y M M ( x) = sig α y ( x) (3.5) = 1 Pegklasifikasi dasar yag pertaa y ( ) dilatih egguaka koefisie (1) w yag ilaiya saa seua. Pada persaaa (3.4), ilai bobot diaikka utuk data yag salah diklasifikasi da dituruka utuk data yag terklasifikasi dega bear. Pegklasifikasi yag terbaik adalah yag eberika bobot lebih besar pada data yag salah terklasifikasi sehigga dapat diperbaiki di klasifikasi sesudahya. Besarya 1 x w ε eggabarka evaluasi bobot dega eghitug rata-rata kesalaha setiap pegklasifikasi dasar pada data. Koefisie bobot α didefiisika dega persaaa (3.3) utuk eberika bobot terbesar agar pegklasifikasi lebih akurat ketika eghitug keluara pada persaaa (3.5). Persaaa (3.5) adalah pegklasifikasi hasil yag erupaka persaaa fugsi tujua yag diguaka sebagai peetua prediksi hasil data iput. Persaaa (3.5) erupaka fugsi kobiasi dari bobot α da hasil klasifikasi dari beberapa pegklasifikasi dasar y (x). 3.2 AdaBoost M2 Metode AdaBoost diguaka utuk eecahka asalah klasifikasi dala dua kelas. AdaBoost M2 adalah pegebaga dari etode AdaBoost utuk perasalaha ultikelas. Dala etode AdaBoost di atas, basis data pegklasifikasi aka eghasilka hipotesa dega betuk : X Y [ 0,1] h, yaitu berilai 1 jika asuka sesuai dega obyek yag dilatihka da berilai 0 Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

19 jika sebalikya. Dapat dikataka bahwa h( x, y) egukur derajat kepercayaa apakah y adalah label yag tepat utuk istasi x. Utuk perasalaha ultikelas (bayak y), apabila h ( x, y) berilai saa utuk seua y, aka dapat dikataka bahwa hipotesa yag dihasilka tidak ada guaya utuk istasi x. Kebalikaya, sedikit saja perbedaa ilai yag dihasilka sagatlah bergua, karea itu berarti y tertetu lebih dipercaya dari yag laiya. Sebagai cotoh, apabila kita eakai cotoh peragkat luak pegeal karakter tulisa pada layar (optical character recogitio / OCR), agka 7 da agka 9 aka agak sulit dibedaka. Apabila ada dua pegklasifikasi AdaBoost utuk eeriksa, apakah karakter tersebut adalah 7 da apakah karakter tersebut adalah 9, keduaya eghasilka ilai 1, aka tidak dapat ditetuka aa yag tepat. Metode AdaBoost M2 egguaka pseudo loss utuk egevaluasi kesalaha dala pelatiha agar dapat lebih eekaka ke bagia yag sulit dibedaka [21]. Hasil perhituga pseudo loss ii aka epegaruhi hasil prediksi akhir ketika pegklasifikasi dijalaka. Algorita AdaBoost M2 adalah sebagai berikut: 1. Iisialisasi bobot data { w } dega 2. For = 1,, M: () w = 1/N utuk = 1,2,,N. a. Meghitug fugsi bobot label q sebagai berikut: Hitug W =, keudia w i q = w ( ) (3.6) W b. Hitug distribusi D sebagai berikut: D W ( ) = N (3.7) = 1 W c. Trai y (x) dega eiialka fugsi kesalaha (error fuctio) sebagai berikut: J N = = 1 w ( ) I( y ( x ) t ) (3.8) Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

20 Diaa I y ( x ) t ) adalah fugsi idikator yag berilai 1 jika y h. ( ( x ) t da berilai 0 jika sebalikya, utuk sigkatya disebut d. Evaluasi kesalaha dega eghitug pseudo loss: N 1 ε = D ( ) 1 h ( x, y ) + q ( ) h ( x, y) (3.9) 2 = 1 y y Da keudia hasilya diguaka utuk evaluasi: e. Meperbaiki bobot data dega: β ε = (3.10) 1 ε w + = w β (3.11) 1 (1/ 2)(1+ h ( x, y ) h ( x, y)) 3. Mebuat prediksi egguaka odel terakhir sebagai berikut: Y M ( x) = arg ax M = 1 1 log β h ( x, y) (3.12) Setelah bobot data diiisialisasi, pegklasifikasi dasar dilatih serupa etode Boostig biasa. Nau utuk setiap pegklasifikasi dasar, diperhitugka ilai W, q da D utuk setiap ciri. W adalah julah bobot dari ciri-ciri lai selai ciri ke. Fugsi bobot label q yag erupaka perbadiga bobot satu ciri dega total W. Distribusi D adalah perbadiga atara W satu ciri dega W. Evaluasi kesalaha eperhitugka pseudo loss, yag keudia diguaka utuk eperbaiki bobot data pegklasifikasi dasar selajutya da juga utuk eprediksi odel terakhir. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

21 3.3 Usula Multikelas Boostig Terodifikasi da Ipleetasiya Pada sub sub bab berikut aka dijelaska tetag usula dari etode yag diusulka da ipleetasiya pada siste. 3.3.1 Usula Modifikasi AdaBoost M2 dega Fugsi Idikator Pada algorita AdaBoost, terdapat fugsi idikator I y ( x ) t ), diaa fugsi aka berilai 1 jika y ( ( x ) t (hasil pebobota traiig belu sesuai dega y tujua) da berilai 0 apabila sebalikya. Nau pada AdaBoost M2, perubaha bobot aka selalu dilakuka walaupu hasil pebobota traiig sudah sesuai. Tabel 3.1 da gabar 3.2 eujukka perubaha ilai perubaha pegali bobot β ( 1/ 2)(1+ h ( x, y ) h ( x, y)) pada persaaa (3.11) terhadap pseudo loss ε pada persaaa (3.9) dega cotoh ilai ε berkisar dari 0 sapai 1. Pegali T (true) adalah pegali bobot jika hasil pebobota traiig sesuai dega y tujua, sedagka pegali F (false) adalah pegali bobot jika sebalikya. Tabel 3.1 Tabel Perbadiga Nilai Pegali T da F terhadap ε ε Pegali T Pegali F 0 0 0 0.1 0.1111111 0.333333 0.2 0.25 0.5 0.3 0.4285714 0.654654 0.4 0.6666667 0.816497 0.5 1 1 0.6 1.5 1.224745 0.7 2.3333333 1.527525 0.8 4 2 0.9 9 3 0.99 99 9.949874 1 - - Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

22 100 80 Nilai Pegali 60 40 20 Pegali T Pegali F 0 0 0.2 0.4 0.6 0.8 1 E Gabar 3.2 Grafik Perbadiga Nilai Pegali T da F terhadap ε pada AdaBoost M2 Ide awal pada Boostig adalah eberika pebobota lebih tiggi pada ciri yag tigkat kesalahaya tiggi da tidak erubah bobot ciri yag sudah bear diklasifikasika. Oleh karea itu, tesis ii egajuka etode yag egkobiasika etode AdaBoost dega AdaBoost M2 yag disebut etode ultikelas Boostig terodifikasi, dega cara eabahka fugsi idikator I y ( x ) t ) pada persaaa utuk egubah bobot AdaBoost M2 sehigga ( persaaa (3.11) berubah ejadi: w w (1/ 2)(1+ h ( x, y ) h ( x, y))( I ( y ( x ) t + 1 = β (3.13) Dega deikia, pada awalya ilai bobot )) w diiisialisasi dega ilai yag saa. Keudia dilakuka iterasi dari 1 sapai M elakuka proses pelatiha dega dega eiialka fugsi kesalaha persaaa (3.8) da eghitug pseudo loss ε utuk egevaluasi kesalaha. Setelah itu dilakuka pebobota ulag seperti persaaa (3.13). Berbeda dega AdaBoost M2, pada perbaika bobot utuk iterasi selajutya apabila hasil pebobota sudah sesuai dega y tujua, bobot tidak aka dirubah lagi. Setelah iterasi selesai, barulah diprediksi odel terakhir. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

23 3.3.2 Ipleetasi Multikelas Boostig Terodifikasi pada Siste Peghitug Pegujug Pada ipleetasi siste ragka kerja [4] da [13], kode-kode progra yag diodifikasi adalah sebagai berikut: 1. cvboost.cpp [haartraiig.sl], berisi etode pelatiha pada siste. Modifikasi yag dilakuka adalah peabaha etode pelatiha AdaBoost M2 da ultikelas Boostig terodifikasi. 2. cvtypes.h, berisi deklarasi struct yag diguaka pada ragka kerja. Ditabahka beberapa variabel yag dibutuhka pada kode agar dapat diguaka sebagai peada ultikelas. 3. cv.h [opecv.sl], berisi deklarasi fugsi-fugsi pada ragka kerja. Ditabahka deklarasi fugsi cvhaardetectobjects2 pada kode, yag atiya diipleetasika pada cvhaar.cpp. 4. cvhaar.cpp [opecv.sl], ditabahka fugsi cvhaardetectobjects2 yag diguaka utuk eeria pegklasifikasi dari 3 kelas da edeteksi obyek. 5. facedetect2.c [13], berisi kode utuk pedeteksi da peghitug obyek. Kode ii diodifikasi agar dapat egguaka fugsi pedeteksi ultikelas, edeteksi pada zoa peghituga yag tepat, da eapilka hasil peghituga. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

BAB 4 SKENARIO UJICOBA Bab ii ebahas hal-hal yag berkaita dega ujicoba terhadap siste peghitug pegujug egguaka etode ultikelas Boostig terodifikasi. Pebahasa eliputi data ujicoba, ligkuga ujicoba, da skeario ujicoba yag diguaka utuk eguji kierja etode yag diusulka. 4.1 Data Ujicoba Data yag diguaka dala tesis ii erupaka rekaa video di luar ruaga (outdoor) dega pecahayaa yag cukup sehigga obyek pegujug yag igi dideteksi terlihat dega jelas. Pegabila video egguaka hadyca digital Paasoic VDR-D160 DVD Cacorder. Lokasi pegabila video adalah di tepat parkir Fakultas Tekik Uiversitas Idoesia di Depok. Video yag direka adalah rekaa yag telah diskearioka oleh peulis agar dapat diguaka utuk ujicoba. Julah obyek yag direka berjulah tiga, yaitu satu obyek pejala kaki, satu obyek pegedara otor, da satu obyek obil. Masig-asig obyek tersebut aka diguaka sebagai iput data positif utuk pelatiha, sedagka latar belakag tapa obyek yag igi dideteksi aka diguaka sebagai data egatif. Setelah video direka, video tersebut diekstrak per frae. Dari keseluruha frae, diabil sebarag beberapa frae utuk asuka pelatiha. Citra tersebut keudia dipotog (crop) dari latarya, dega ukura 20 x 50 piksel utuk obyek pejala kaki, 38 x 38 piksel utuk obyek pegedara otor, da 50 x 25 piksel utuk obyek obil. Ukura tersebut diguaka karea adaya perbadiga skala tiggi da lebar asig-asig obyek, da agar perbedaa ciri Haar-like yag terdapat pada citra asih dapat dideteksi oleh siste pelatiha. Apabila ukura citra utuk pelatiha terlalu besar, waktu pelatiha aka jauh lebih laa da terkadag ucul pesa kesalaha bahwa siste tidak dapat eghitug data yag diasukka akibat pegguaa eori koputer yag terlalu besar. Sedagka apabila ukuraya terlalu kecil, pola ciri Haarlike pada citra tidak dapat terdeteksi sehigga pelatiha tidak perah selesai. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM 24 UI, 2008

25 Berikut adalah alur proses ulai pegabila video sapai peyipaa basis data pelatiha. Ekstraksi frae Mereka video File citra jpg Dilakuka croppig da resize citra Basis data pegklasifikasi hasil pelatiha Proses pelatiha Citra obyek positif & egatif Gabar 4.1 Alur Proses Pebuata Data Pelatiha Diulai dari Mereka Video sapai Hasil Pelatiha Alur proses pebuata data pelatiha diulai dega proses pegabila rekaa video diaa obyek-obyek yag igi dideteksi diatur sedeikia rupa agar bergerak dari sisi kaa video ke sisi kiri video. Hasil rekaa video tersebut diekstrak per frae-ya ejadi file-file citra dega ekstesi bp atau jpeg. Keudia pada file-file citra yag berisi obyek positif dilakuka proses croppig da peyekalaa utuk eghasilka data citra positif yag epuyai satu obyek pegujug yag terletak tepat di tegah. Sedagka file-file citra yag tidak berisi obyek positif diguaka sebagai data egatif. Data citra positif da citra egatif keudia diasukka ke dala siste pelatiha. Hasil pelatiha adalah suatu basis data pegklasifikasi yag dapat diguaka utuk ebedaka apakah ada obyek positif di dala video atau tidak. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

26 Utuk pegujia, diguaka dua aca data yaitu data citra da data video. Pegujia data video dilakuka dega cara peghituga aual, sedagka pegujia data citra dilakuka secara otoatis egguaka peragkat luak. Data citra yag diujika didapatka dega egaplikasika data citra positif pada citra egatif. Detail skeario pegujia aka dijelaska pada sub bab berikut. 4.2 Skeario Ujicoba Ujicoba dilakuka agar dapat egaalisis kierja dari siste peghitug pegujug dega etode ultikelas Boostig terodifikasi. Ligkuga ujicoba pada peelitia ii pegguaka etode peghituga aual da juga peragkat luak dega bahasa perograa C [4]. Spesifikasi peragkat keras utuk ujicoba egguaka koputer dega prosesor Itel Core 2 Duo E6550 da eori 2 Gbyte. Sebelu elakuka aalisis kierja etode yag diusulka, aka dilakuka peracaga skeario ujicoba terlebih dahulu. 4.2.1 Skeario ujicoba pertaa: egukur akurasi dari tiap pegklasifikasi hasil pelatiha dega data citra Skeario ujicoba yag pertaa adalah utuk egetahui tigkat akurasi asig-asig basis data pegklasifikasi hasil pelatiha. Pada skeario ii, setiap pegklasifikasi obyek yag dilatih diuji secara terpisah da diperiksa hasilya. Dari hasil pegujia aka diaalisa tigkat deteksi da false detectio pegklasifikasi, diaa tigkat deteksi eujukka berapa bayak obyek yag terdeteksi dega bear dibadigka dega julah seluruh obyek ujicoba, da false detectio eujukka adaya suatu citra yag tidak berisi obyek yag igi dideteksi, au terdeteksi sebagai obyek yag diigika. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

27 Citra + Citra - Digabug Citra - Citra + Ifo koordiat citra + Tigkat deteksi & false detectio Peeriksa kierja Basis data pegklasifikasi Gabar 4.2 Alur Peragkat Luak Ujicoba Skeario Ujicoba Pertaa, Megukur Akurasi Tiap Pegklasifikasi Utuk elakuka ujicoba, diguaka peragkat luak yag dapat ebatu eghitug kierja dari pegklasifikasi. Alur peragkat luak yag diguaka dapat dilihat pada gabar 4.2. Utuk data ujicoba, disiapka citra-citra positif da citra-citra latar belakag sebagai citra egatif. Keudia citra-citra tersebut digabugka dega batasa distorsi da rotasi yag ditetuka. Hasil peggabuga tersebut adalah citra positif yag eiliki latar belakag citra egatif, beserta iforasi koordiat letak citra positif tersebut. Keudia basis data pegklasifikasi hasil pelatiha aka diaplikasika ke citra gabuga utuk eeriksa kierja pegklasifikasi tersebut. Keluara dari proses ii adalah tigkat deteksi (hit ad iss rate) da false detectio pegklasifikasi. 4.2.2 Skeario ujicoba kedua: egukur akurasi siste peghitug pegujug dega data video Skeario ujicoba yag kedua adalah utuk egetahui tigkat akurasi dari keseluruha basis data pegklasifikasi beserta proses pejejaka da peghituga. Pada skeario ii, pegklasifikasi-pegklasifikasi obyek yag sudah dilatih dega etode tertetu diipleetasika ke siste peghitug pegujug. Hasil pegujia siste peghitug pegujug aka dibadigka Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

28 dega peghituga pegujug secara aual, keudia aka diaalisa tigkat deteksi dari etode yag diguaka. Alur dari ujicoba siste peghitug pegujug dapat dilihat pada gabar 4.3 berikut. Video rekaa Siste Peghitug Pegujug Basis data pegklasifikasi Perhituga aual julah pegujug Badigka da aalisa Keluara siste berupa julah pegujug Gabar 4.3 Alur Skeario Ujicoba Kedua, Megukur Akurasi Siste Peghitug Pegujug Utuk data ujicoba, disiapka video rekaa pegujug yag igi dihitug. Video rekaa itu dijadika asuka utuk siste peghitug pegujug, yag keudia egguaka basis data pegklasifikasi hasil pelatiha utuk edeteksi, ejejaki, da eghitug julah pegujug yag ada dala video tersebut. Hasil dari siste peghitug pegujug adalah julah pegujug yag terhitug dari video. Hasil ii keudia dibadigka dega hasil peghituga pegujug secara aual da diaalisa. 4.2.3 Skeario ujicoba ketiga: egukur kecepata tiap pegklasifikasi da siste peghitug pegujug dega data video Skeario ujicoba yag ketiga adalah utuk egetahui rata-rata kecepata dari tiap pegklasifikasi da keseluruha siste. Pada skeario ii, dibuat peghitug waktu utuk eghitug berapa laa waktu yag diperluka oleh tiap pegklasifikasi atau seluruh siste utuk edeteksi video berdurasi 82 detik. Alur ujicoba dapat dilihat pada gabar 4.4. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

29 Video Masuka Tapilka waktu ulai Pegklasifikasi atau siste dijalaka Tapilka waktu selesai Hitug selisih waktu Gabar 4.4 Alur Skeario Ujicoba Ketiga, Megukur Kecepata Tiap Pegklasifikasi da Keseluruha Siste Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

BAB 5 HASIL UJICOBA DAN ANALISISNYA Bab ii ebahas hal-hal yag berkaita dega hasil ujicoba yaitu keluara dari skeario ujicoba da aalisa kierja pegklasifikasi da siste peghitug pegujug dega etode ultikelas Boostig terodifikasi, dibadigka dega etode asalya. 5.1 Hasil Ujicoba Ujicoba dilakuka berdasarka dua skeario yag sudah diracag pada bab sebeluya. Ujicoba dilakuka agar dapat egukur kierja dari siste peghitug pegujug dega etode ultikelas Boostig terodifikasi, dibadigka dega etode AdaBoost M2. Pada sub bab selajutya dibahas hasil ujicoba pada dua skeario. 5.1.1 Hasil ujicoba skeario pertaa: egukur akurasi dari tiap pegklasifikasi hasil pelatiha dega data citra Skeario pertaa bertujua utuk egukur akurasi dari tiap basis data pegklasifikasi hasil pelatiha dega ujicoba data citra. Ujicoba dilakuka dega easukka citra gabuga yag egadug citra positif beserta koordiatya ke peragkat luak, yag keudia eeriksa ada tidakya obyek dega egaplikasika basis data pegklasifikasi hasil pelatiha. Keluara dari peragkat luak tersebut adalah tigkat deteksi da false detectio dari basis data pegklasifikasi yag diuji. Gabar 5.1, gabar 5.2, da gabar 5.3 berikut secara beruruta eujukka grafik persetase tigkat deteksi (hit rate), tidak terdeteksi (issed) da false detectio dari setiap tipe pegklasifikasi yag dilatih, dibadigka terhadap julah sapel pegujia. Hasil dari kedua etode pegklasifikasi ditapilka agar dapat dibadigka. Selai persetase tigkat deteksi dari setiap pegklasifikasi, juga disertaka rata-rata dari tiap etode pegklasifikasi. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM 30 UI, 2008

31 Mausia 65.60% 65.84% Motor 83.64% 82.36% AdaBoost M2 Mobil 73.99% 70.23% Multikelas Boostig Terodifikasi Rata-rata 74.41% 72.81% 0.00% 20.00% 40.00% 60.00% 80.00% 100.00% Gabar 5.1 Grafik Hasil Ujicoba, Persetase Tigkat Deteksi (hit rate), lebih tiggi lebih baik Dari gabar 5.1 di atas, terlihat bahwa rata-rata tigkat deteksi (hit rate) utuk etode AdaBoost M2 74.41% da utuk etode ultikelas Boostig terodifikasi 72.81%. Metode yag diusulka eiliki tigkat deteksi lebih tiggi 0.24% utuk obyek pejala kaki (ausia), au lebih redah 1.28% da 3.76% utuk obyek otor da obil. Terlihat bahwa tigkat deteksi dari etode ultikelas Boostig terodifikasi dapat bersaig dega etode AdaBoost M2. Kebalika dari tigkat deteksi adalah tigkat tidak terdeteksi (issed), dapat dilihat pada gabar 5.2. Selai tigkat deteksi, juga diukur tigkat false detectio. False detectio atau deteksi palsu eadaka adaya citra egatif atau buka obyek yag terdeteksi sebagai obyek atau citra positif. Perbadiga hasil ujicoba tigkat false detectio dari kedua etode dapat dilihat pada gabar 5.3. Utuk obyek ausia da otor, etode yag diusulka edapat tigkat false detectio yag lebih tiggi dibadigka dega etode AdaBoost M2. Sedagka utuk obyek obil, kedua etode edapatka hasil yag saa. Rata-rata tigkat false detectio utuk etode yag diusulka adalah 24.49%, sedagka rata-rata utuk etode AdaBoost M2 adalah 12%. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

32 Mausia 34.40% 34.16% Motor 16.36% 17.64% AdaBoost M2 Mobil 26.01% 29.77% Multikelas Boostig Terodifikasi Rata-rata 25.59% 27.19% 0.00% 5.00% 10.00% 15.00% 20.00% 25.00% 30.00% 35.00% 40.00% Gabar 5.2 Grafik Hasil Ujicoba, Persetase yag Tidak Terdeteksi (issed), lebih redah lebih baik Mausia 26.48% 45.60% Motor 1.82% 20.18% AdaBoost M2 Mobil 7.70% 7.70% Multikelas Boostig Terodifikasi Rata-rata 12.00% 24.49% 0.00% 10.00% 20.00% 30.00% 40.00% 50.00% Gabar 5.3 Grafik Hasil Ujicoba, Persetase Tigkat False detectio, lebih redah lebih baik Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

33 Data legkap hasil ujicoba julah da persetase dari tigkat deteksi, tidak terdeteksi, da false detectio dapat dilihat pada tabel 5.1 berikut. Tabel 5.1 Hasil ujicoba tigkat deteksi da false detectio Metode AdaBoost M2 Multikelas Boostig Terodifikasi Obyek Hits Missed False Detect. Total # % # % # % Mausia 1250 820 65.60% 430 34.40% 331 26.48% Motor 1100 920 83.64% 180 16.36% 20 1.82% Mobil 1169 865 73.99% 304 26.01% 90 7.70% Rata2 1173 868.3 74.41% 304.7 25.59% 147 12.00% Mausia 1250 823 65.84% 427 34.16% 570 45.60% Motor 1100 906 82.36% 194 17.64% 222 20.18% Mobil 1169 821 70.23% 348 29.77% 90 7.70% Rata2 1173 850 72.81% 323 27.19% 294 24.49% 5.1.2 Hasil ujicoba skeario kedua: egukur akurasi siste peghitug pegujug dega data video Skeario kedua bertujua utuk egukur tigkat akurasi dari keseluruha pegklasifikasi beserta proses pejejaka da peghituga. Ujicoba dilakuka dega eberika video asuka ke siste peghitug pegujug. Keluara dari siste peghitug pegujug adalah julah pegujug pejala kaki, pegedara otor, da obil. Dega peghituga aual rekaa video, ada total 17 pegujug yag easuki daerah dari kaa ke kiri, yag terdiri dari 3 pejala kaki, 10 pegedara otor, da 4 obil. Selai itu, juga ada percobaa diaa pegujug edekati zoa peghituga atau pitu asuk di sebelah kiri, au berputar kebali ke sebelah kaa, ataupu bergerak dari kiri ke kaa (berlawaa arah). Dala proses peghituga siste pegujug dega etode AdaBoost M2, terhitug total 22 pegujug, yag terdiri dari 7 pejala kaki, 10 pegedara otor, da 5 obil. Tabel 5.2 eragku hasil peghituga dari etode AdaBoost M2. Pegedara otor terhitug dega bear. Kesalaha peghituga pada obil akibat terputusya proses deteksi da pejejaka obyek sehigga satu obyek terhitug di zoa peghituga beberapa kali da siste tidak dapat ejejaki obyek yag lewat terlalu cepat. Sedagka kesalaha Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

34 peghituga pejala kaki diakibatka adaya obyek pejala kaki yag berputar kebali keluar dari pitu asuk (dari arah kiri ke kaa), serta putusya proses deteksi obyek sehigga egakibatka pejejaka terputus da terhitug beberapa kali. Tabel 5.2 Hasil Ujicoba Siste Peghitug Pegujug Metode AdaBoost M2 No. Keteraga Deskripsi 1 Motor Terdeteksi dega bear 2 Pejala kaki Terdeteksi dega bear 3 Motor Terdeteksi dega bear 4 Mobil Terdeteksi dega bear 5 Motor Terdeteksi dega bear 6 Pejala kaki Terdeteksi dega bear 7 Motor Terdeteksi dega bear 8 Motor berheti da berjala Terdeteksi dega bear kebali 9 Motor elewati obil Terdeteksi dega bear - Pejala kaki berputar kebali (tidak wajar) Terjadi kesalaha peghituga, pejejaka terputus da terhitug berulag kali 10 Motor berheti da elewati Terdeteksi dega bear obil 11 Mobil berheti da berjala kebali Terdeteksi dega bear, au pejejaka terputus da terhitug berulag kali 12 Motor Terdeteksi dega bear 13 Mobil Terdeteksi dega bear 14 Motor Terdeteksi dega bear 15 Mobil Terjadi kesalaha peghituga, tidak terdeteksi akibat terlalu cepat 16 Pejala kaki Terdeteksi dega bear - Pejala kaki berlawaa arah (tidak wajar) Terjadi kesalaha peghituga, terhitug akibat putusya pejejaka pada zoa peghituga 17 Motor Terdeteksi dega bear Baris pada tabel dega latar belakag putih eadaka bahwa obyek terdeteksi dega bear. Latar belakag kuig eujukka bahwa obyek bergerak secara tidak wajar da seharusya tidak terdeteksi, tetapi terjadi kesalaha peghituga. Sedagka latar belakag erah jigga eadaka bahwa obyek bergerak secara wajar, au terjadi kesalaha peghituga. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

35 Agka peghituga kuulatif 25 20 15 10 5 0 Maual Mod 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Pegujug ke- Gabar 5.4 Perbadiga Peghituga Maual dega Siste Peghitug Metode AdaBoost M2 Gabar 5.4 eggabarka perbadiga atara agka peghituga kuulatif yag egguaka siste peghitug etode AdaBoost M2 dega peghituga aual. Dari tabel 5.2 da gabar 5.4 di atas, terlihat bahwa ada kecederuga siste peghitug elakuka kesalaha apabila terjadi pergeraka pegujug yag tidak sesuai dega asusi pergeraka oral. Sedagka utuk proses peghituga siste pegujug dega etode Multikelas Boostig Terodifikasi, terhitug total 23 pegujug, yag terdiri dari 9 pejala kaki, 10 pegedara otor, da 4 obil (utuk obil terjadi false detectio da tidak terdeteksi, sehigga julahya kebetula tepat). Tabel 5.3 berikut eragku hasil peghituga dari etode ultikelas Boostig terodifikasi. Peyebab kesalaha peghituga serupa dega ujicoba pada etode AdaBoost M2, yaitu akibat terputusya proses deteksi da pejejaka obyek sehigga satu obyek terhitug di zoa peghituga beberapa kali da siste tidak dapat ejejaki obyek yag lewat terlalu cepat. Pada pegujug ke-8, terjadi false detectio diaa otor terdeteksi dega bear, au juga terdeteksi sebagai obil. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

36 Tabel 5.3 Hasil Ujicoba Siste Peghitug Pegujug Metode Multikelas Boostig Terodifikasi No. Keteraga Deskripsi 1 Motor Terdeteksi dega bear 2 Pejala kaki Terdeteksi dega bear 3 Motor Terdeteksi dega bear 4 Mobil Terdeteksi dega bear 5 Motor Terdeteksi dega bear 6 Pejala kaki Terdeteksi dega bear 7 Motor Terdeteksi dega bear 8 Motor berheti da berjala kebali Terdeteksi, au terjadi kesalaha peghituga akibat false detectio 9 Motor elewati obil Terdeteksi dega bear - Pejala kaki berputar kebali (tidak wajar) Terjadi kesalaha peghituga, pejejaka terputus da terhitug berulag kali 10 Motor berheti da Terdeteksi dega bear elewati obil 11 Mobil berheti da Terdeteksi dega bear berjala kebali 12 Motor Terdeteksi dega bear 13 Mobil Terdeteksi dega bear 14 Motor Terdeteksi dega bear 15 Mobil Terjadi kesalaha peghituga, tidak terdeteksi akibat terlalu cepat 16 Pejala kaki Terdeteksi dega bear - Pejala kaki berlawaa arah (tidak wajar) Terjadi kesalaha peghituga, terhitug akibat putusya pejejaka pada zoa peghituga 17 Motor Terdeteksi dega bear Gabar 5.5 eggabarka perbadiga atara agka peghituga kuulatif yag egguaka siste peghitug etode ultikelas Boostig terodifikasi dega peghituga aual. Pada etode ii, juga terlihat bahwa ada kecederuga siste peghitug elakuka kesalaha apabila terjadi pergeraka pegujug yag tidak sesuai dega asusi pergeraka oral. Nau utuk pergeraka pegujug yag oral, hasil siste peghitug edekati asliya, yaitu terhitug yaitu 17 pegujug dari 17 pegujug, diaa ada kesalaha peghituga obyek obil, au kebetula julahya sesuai. Julah pegujug sebearya yag terhitug dega bear adalah 15 pegujug. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

37 Agka peghituga kuulatif 25 20 15 10 5 0 Maual Mod 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Pegujug ke- Gabar 5.5 Perbadiga Peghituga Maual dega Siste Peghitug Metode Multikelas Boostig Terodifikasi 5.1.3 Hasil ujicoba skeario ketiga: egukur kecepata tiap pegklasifikasi da siste peghitug pegujug dega data video Skeario ketiga bertujua utuk egukur kecepata dari tiap pegklasifikasi yag dilatih, serta kecepata dari keseluruha siste peghitug pegujug. Ujicoba dilakuka dega eberika video asuka berdurasi 82 detik utuk dideteksi beberapa kali, keudia laaya waktu deteksi keseluruha video dihitug da dirata-rataka. Perbadiga rata-rata waktu deteksi video dapat dilihat pada tabel 5.4 berikut. Tabel 5.4 Hasil Ujicoba Rata-rata Kecepata Tiap Pegklasifikasi da Siste Metode Peghitug Pegujug (dala satua detik) Mausia (20x50) Motor (38x38) Mobil (50x25) Seluruh Siste AdaBoost M2 39.2067 99.92 71.89 217.69 M.B. Terodifikasi 38.7367 100.55 71.63 213.10 Terlihat bahwa ukura citra pelatiha epegaruhi waktu deteksi tiap pegklasifikasi. Pegklasifikasi ausia dega luas citra pelatiha 1000 piksel eiliki waktu rata-rata lebih cepat daripada citra obil dega luas 1250 piksel Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

38 da citra otor dega luas 1444 piksel. Dari kedua etode yag diujika, keduaya eiliki rata-rata kecepata yag hapir saa utuk satu jeis obyek. 5.2 Aalisis Hasil Ujicoba Dari hasil ujicoba pertaa, terlihat bahwa julah citra positif yag tepat terdeteksi jauh lebih bayak daripada tigkat citra positif yag tidak terdeteksi utuk seua jeis obyek. Perbadiga rata-rata eujukka bahwa tigkat deteksi etode ultikelas Boostig lebih redah 1.6% dibadigka tigkat deteksi etode AdaBoost M2. Selai itu, terlihat bahwa tigkat false detectio utuk etode ultikelas Boostig terodifikasi rata-rata dua kali lipat dibadigka etode AdaBoost M2. Hal ii disebabka karea odifikasi peabaha fugsi idikator seperti pada forula 3.13: w w + = β (1/ 2)(1+ h ( x, y ) h ( x, y))( I ( y ( x ) t 1 Diaa apabila ciri salah terklasifikasi, aka perubaha bobot aka eperhitugka faktor kesalaha dari kelas yag igi dideteksi da faktor kesalaha deteksi dari kelas laiya. Nau apabila ciri sudah bear terklasifikasi, ada faktor kesalaha deteksi kelas laiya aka hilag karea fugsi idikator. Hal ii eyebabka rata-rata akurasi pada etode yag diajuka euru da tigkal false detectio ejadi lebih tiggi. Tigkat false detectio rata-rata utuk kedua etode cukup tiggi disebabka karea batasa betuk croppig berbetuk persegi pajag pada citra positif utuk pelatiha sehigga asih ada gabar latar yag turut diaggap sebagai bagia dari citra positif. Cotoh croppig gabar yag dilatihka dapat dilihat pada gabar 5.6. Akibatya ada gabar latar yag terdeteksi sebagai obyek sehigga egakibatka tigkat false detectio yag tiggi. Ketika dicoba eghilagka latar belakag pada citra positif, basis data pegklasifikasi yag dihasilka tidak dapat edeteksi obyek. Sedagka utuk obyek obil, didapatka tigkat false detectio yag saa. Hal ii disebabka karea obyek obil yag dilatihka eiliki tekstur yag lebih sederhaa dibadigka tekstur ausia ataupu otor. )) Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

39 = + Gabar 5.6 Ilustrasi Gabar, Citra Positif yag Dilatihka Sebearya adalah Citra Positif yag Diperluka Ditabah dega Sisa Latar Belakag Dari hasil ujicoba kedua di tabel 5.2 da 5.3 terlihat bahwa hasil peghituga utuk pergeraka obyek yag oral dari kaa ke kiri cukup baik dega tigkat kesalaha 2 obyek dari 17 obyek yag bergerak oral (tidak egikut sertaka kasus obyek bergerak berlawaa arah). Hal ii disebabka karea false detectio dapat diatasi dega pegatura posisi kaera da zoa peghituga yag tepat, sehigga julah false detectio yag terjadi dapat diteka. Nau deikia, tetap sepat terjadi false detectio sehigga perhituga yag seharusya tidak bertabah ejadi bertabah. Juga terdapat kasus diaa obyek tidak terhitug karea elewati daerah terlalu cepat (pegujug 15, obil). Hal ii dapat diatasi dega cara eperjauh posisi kaera agar pergeraka obyek yag tertagkap tidak terlalu cepat, atau eabahka ekaise utuk eperlabat kedaraa pada zoa pegawasa sehigga kedaraa dapat terhitug dega bear. Utuk pergeraka tidak wajar yag terjadi dua kali pada rekaa, keduaya egakibatka perhituga bertabah diaa seharusya tidak bertabah. Hal ii diakibatka karea putusya pejejaka di daerah zoa peghituga. Apabila basis data dapat ditigkatka akurasiya da berhasil ejejaki dega sepura, aka kedua pergeraka tidak wajar tersebut tidak aka egakibatka salah peghituga. Dari hasil ujicoba ketiga, terlihat bahwa ukura pelatiha pegklasifikasi berbadig lurus dega laaya waktu deteksi. Nau hapir tidak ada perbedaa laa waktu deteksi diatara kedua etode tersebut. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008

40 Dari ketiga skeario ujicoba tersebut, terlihat bahwa fugsi idikator yag ditabahka pada etode ultikelas Boostig terodifikasi tidak eiliki pegaruh sigifika dari segi akurasi aupu kecepata dibadigka etode AdaBoost M2 yag erupaka basisya. Tigkat deteksi diatara kedua etode tersebut agak fluktuatif da irip, terlihat pada gabar 5.1 diaa etode ultikelas Boostig terodifikasi lebih uggul pada deteksi obyek ausia, sedagka AdaBoost M2 lebih uggul utuk deteksi obyek otor da obil. Peghituga obyek jaak..., Ferdi Feradi, FASILKOM UI, 2008