IMPLEMENTASI KALMAN FILTER ALGORITMA (KFA)TRACKING PADA KAMERA KEAMANAN KAMPUS Ari Purno Wahyu Wibowo Universitas Widyatama Jl. Cikutra 204A, Bandung ari.purno@widyatama.ac.id ABSTRAK Para mahasiswa dan civitas kampus inginsebuah lingkungan yang aman dan mampu menjamin kemanan fasilitas publik, untuk mendukung proses tersebut terletak pada Camera Surveilence system, intruder system,access control system, Kampus mampu mengeluarkan dana jutaan rupiah untuk teknologi tersebut tetapi tidak memisahkankan manusia dalam hal ini petugas kemanan, karena teknologi hanya digunakan sebagai alat bantu yang mampu memperingan tugas. Sistem CCTV dan KFA mampu berkerja selama seharian penuh dan dalam waktu 24 jam, kemudian data dari cctv mampu k merekam sebuah insiden yang sewaktu-waktu terjadi, pada jurnal ini akan dijelaskan cara pemasangan dan metode pemanfaatan kamera CCTV atau surveilance system dengan metodekfa ( kalman filter algorithm) dangan metode tersebut ternyata mampu menjaga kemanan kampus dengan pemanfaatan algoritma image processing dan Open CV. Key Words CCTV, Algoritma KFA,Open CV 1.Pendahuluan Keamanan kampus adalah suatu isu penting yang akan memberikan rasa aman dan kepada mahasiswa dalam belajar bukan hanya mahasiswa tapi orang tua dan civitas kampus lainnya, diambil dari keterangan Clery Act yang mengharuskan semua perguruan tinggi untuk menjaga keamanan kampusnyamasing masing, banyak kampus telah menginvestasikan jutaan dollar dengan tujuan untuk meningkatkan kemamanan kampus dengan batuan teknologi. Untuk meningkatkan mutu keamanan melindungi siswa dan para civitas, kampus dapat menerapkan teknologi yang dipakai berupa sistem alarm,proteksi kebakaran dan sistem vidio surveilence atau kamera pengintai, dan sistem kotrol akses,teknologi tersebut ditangani oleh petugas keamanan yang kompeten, kunci dari kemamanan kampus itu sendiri adalah hak akses dan vidio surveilenceatau teknologi vidio digital,teknologi tersebut bekerja pada suatu peralatan komputer khusus dan setiap sistem membutuhkan pelayanan pemeliharaan serta administrasi pelatihan denganalasan tersebut pihak manajemen kampus menyadari investasi dalam sistem keamanan menjadi faktor yang sangat pentingdan hanya membutuhkan sedikit pelatihan tambahan[1].penggunaan vidio surveilence atau teknologi Closed Circuit Televisionpada masyarkaat umum telah menjadi topik perdebatan, perlu dilakukannya analisa dan studi lanjut yang lebih investigatif dan komparatif perdebatan masih berada tentang pembahasan efektifitas dan utilitas dan harus di uji lebih lanjutagar pengawasan tepat sasaran yang akan berpengaruh pada rekomendasi kebijakan lainya[2]. 2. Landasan Televisi sirkuit tertutup atau CCTVdidefinisikan sebagai sistem televisi yang mengirimkan gambar pada pada derah atau area tertutup, dimana gambar hanya tersedia bagi mereka yang langsung terhubung ke sistem transmisi. transmisi data berupa gambar televisi sirkuit tertutup yang mungkin menggunakan kabel koaksial, kabel serat optik atau saluran telepon, sistem transmisi infra-merah dan radiocctv didefinisikan sebagai pengawasan oleh sistem televisi sirkuit secara visual atau langsung memantau dan rekaman kegiatan pada suatu gedung atau disuatu tempat[3][4]. Kamera keamanan secara realistis diharapkan mampu menjaga keamanan kampus dan berguna untuk tempat umum lainya, fungsi pemasangan kamera untuk membantu prosespenyelidikan dan menyediakan solusi dan bisa merekam suatu insiden yang sedang terjadi, hal tersebut juga mampu mengubah pandangan para pimpinan kampus tentang pentingnya sebuah keamanan, fungsi tersebut lantas tidak mengganti peran manusiafungsi kamera hanya sebagai alat bantu.banyak kampus didunia telah memiliki sistem kamera keamanyang canggih fungsi yang paling utama untuk menjaga keselamatan publik 60
2.1 Kalman Filter Algorithm(KFA) Algoritma kalman filter merupakan sebuah solusi dan metode yang bisa dioptimalkan pada banyak sistem tracking dan prediksi data dengan mambeca gerakan visual pada sebuah objek[5].kalman filter juga banyak digunakan dalam bidang ekomoni dan system navigasimetode kalman filter bekerja dengan cara menemukan derah atau region pada setiap objek yang terdapat pada frame, kemudian posisi frame tersebut akan diprediksi pada setiap frame kemudian di kalkulasi setiap frame ditentukan oleh gausiian, algoritma kalman filter terdiri dari dua proses, proses pertamayaitu prediksi dan yang kedua proses optimasi pada setiap frame[6]model Algoritma kalman filter bisa rumuskan dengan persamaan dengan nilai "t" atau waktu evolusi [7][8]. dinyatakan (5) dan (6). xt= Atxt 1+ Bt.ut 1+ εt (5) Dimana, μt 1= Atxt 1+ Btut 1 adalah mean dan Σt 1 kovarian dari εt Zt = Ct.xt + δt (6) keterangan : rumus (5) persamaan "xt" menyatakan nilai sebuah state, yang nilainya disebut sebagai variabel acak dan memiliki nilai 0 sedangkan niai konstanta terdapat pada persamaan (6) "At" dan "Bt"pada nilai persamaan bagian 6 adalah sebuah variable acak metode gaussian dan memiliki nilai persamaan 0 nalai mean (µ) dan kovarian merupakan nilai kostanta yang ada pada algoritma kalman filter 2.2 Kalman Filter Space Deviration Sebelum menggunakan metode kalman filter pertama kita harus mengetahui metode deviration, metode ini digunakan untuk menditeksi error pada sebuah objek dengan menggunakan teknik auto korelasi dan cross korelasi dengan membaca sinyal dari sebuah data asli karena algoritma KFA mampu memprediksi sebuah data dalam sebuah ruangan atau tempat yang akan diaplikasikan sebagai alat tracking dan navigasi.rumus Space Deviration bisa dilihat seperti dibawah ini. χk+1 = ɸ χk + wk (7) dimana χk adalah nilai dari sebuah vektor, dan K adalah keterangan waktu (n x 1); ɸ transisi nilai dari matrik yang diproses berdasarkan nilai waktu k+1, dan diasumsikan 61 objek tidak begerak atau background ( n x m); sadangkan WK adalah nilai prediksi error dengan nilai Covariance ( n x 1); suatu objek bisa bergerak dengan cepat misalkan pada jarak yang sama dan berpengaruh pada nilai matrik dan vektor misalkan nilai xt berisi tentang nilai posisi dan kecepatan pada sebuah benda seperti pada rumus (8).(8) 2.3 Computer vision Para peneliti dibidang komputer vision telah mecoba metode computer vision pada teknik parallel komputer yang bisa mengubah tampilan objek 2d atau membuat gambar dengan teknik stereo maching, dengan metode tersebut maka sebuah sistem komputer mampu menemukan nama seseorang berdasarkan photo,nama,warna pakaian atau dengan diteksi rambut dengan metode tersebut bisa melakukan tracking pergerakan dengan background yang berbeda[9]. Dengan kata lain komputer vision adalah sebuah prosestransformasi sebuah data yang diambil dari input vidio yang bisa dipresentasikan kembali menjadi informasi, untuk pembuatan sistem tracking sebuah objek sangatlah penting untuk mengindentifikasi suatu hal yang menarik berdasarkan sebuah pergerakan objek[10]. Untuk memulai proses tracking atau pelacakan, hal pertama yang harus dilakukan adalah untuk mendeteksi titik fitur dalam kerangka awal, kemudian mencoba untuk melacak titik-titik ini pada frame berikutnya. harus menemukan di mana titik-titik ini sekarangterletak pada sebuah frame. Jelas, karena kita berhadapan dengan urutan video, dengan menentukan bahwa sebuah objek yang memiliki poin fitur ditemukan telah bergerak atau dapat disebabkan oleh gerak kamera. Oleh karena itu, Anda harus mencari di sekitar titik sebelumnyalokasi untuk menemukan lokasi baru di frame berikutnya[11]. Teknik background subtraction adalah sebuah metode untuk melakukan analisa kelemahan dan kelebihan metode diteksi objek dan sudah sangat luas digunakan[12]. Metode tersebut banyak digunakan dibidang komputer vision dan sudah dikomparisikan dengan metode yang lain yang bisa digunakan untuk mengevaluasi kinerja sistem dengan motion tracking atau deteksi objek bergerak [13]. Pengambilan gambar pada motion tracking diambil dari posisi statis [14][15]. 2. 4 Library Open CV (Computer Vision) Open CV adalah sebuah library pemograman bahasa C diimplemtasikan dengan teknik image
percessing pertama kali dikembangkan oleh intel dan sudah di kembangkan hinga versi 2.0 keatas[16][17]. 3. Metode Penelitian berfungsi untuk mengestrak sebuah image sebelum di proses ke teknik object recognition atau lebih umum dikenal dengan metode ROI (Region Of interest), background subtraction umumnya digunakan dalam kemera yang posisinya statis. INPUT Vidio Frame Background Subtraktion No Gaussian micture model yes Mrfological operational Eliminate Noise No yes Blob Analysis Detection gorup on pixel No Gambar 2 background dari kamera cctv Pada gambar 2 diatas adalah sebuah proses pengambilan gambar dari kamera cctv yang akan dijadikan sebagai background yang di ambil secara statis dan tidak berpindah tempat. yes Detection moving target Finish Gambar 1.Alur metode Algoritma KFA 3.1 Input frame (Vidio Frame) Gambar 3 hasil subtraksi background InstalledAdaptors: {'winvideo'} obj.reader = vision.videofilereader('cam2.mp4'); Pada gambar 3 diatas hasil dari proses background subtraksi dan masih terdapat noise sehingga diperhalus dengan teknik filtering atau morfological background. Keterangan: Pada script diatas merupakan pembacaan proses intsalasi input pada camerka CCTV yang frame kemudian bisa menggunakan pemcaan data dari kamera yang telah terekam sebelumnya. 3.4 Morfological Background 3.2 Background Subtraction Background subtraksi atau disebut juga dengan latar belakang dari suatu image adalah salah satu teknik yang digunakan pada komputer vision yang Gambar 4 blob analysis dan morfological background 62
Keterangan: Pada gambar 4 Morfological berfungsi untuk menghilangkan noisepada images, Nilai dari tiap piksel citra yang diolah merupakan bentuk perbandingan antara piksel yang bersesuaian dari citra masukkan dengan nilai piksel tetangganya. 3.5 Teknik Morfogical mask = imopen(mask, strel('rectangle', [3,3])); bisa dilihat pada gambar 1-4.implementasi pada laptop penulis menggukan library open CV pada program matlab 2014 karena mudah untuk diimplementasikan serta menggunakan contoh aplikasi yang sudah teruji oleh para programer matlab 2014 dan bisa dikembangkan kembali. mask = imclose(mask, strel('rectangle', [15, 15])); mask = imfill(mask, 'holes'); 4. Implementasi Sistem Pada script adalah proses pembacaan data biner dan pemberian tracking dengan menggunaan bounding box pada target objek yang bergerak. Gambar 5hasil implementasi KFA pada CCTV 1 Pada gambar 5 diatas merupakan proses KFA terdapat dua objek mahasiswa yang bergerak dengan ditandai dengan bouding box berwarna kuning yang denga teknik Blob Analysis CCTV 01 CPU KOMPUTER CCTV 02 4.1 Closes Circuit TV Pada bagian ini digunakan dua kamera CCTV atau close circuit yang tersambung ke CPU komputer dengan driver port pada CCTV port USB yang biasa digunakan pada kamera laptop. Instalasi bisa menggunakan driver atau mengistall dengan cara mencari driver dari CCTV atau camera yang digunakan sebagai input. 4.2 CPU (Central Processing Unit ) Komputer yang digunakan sebagai server berfungsi untuk menyimpan file data rekaman dari CCTV sehingga bisa dicek kembali apabila diperlukan 4.3 Laptop Pada bagian ini laptop berfungsi untuk implematasi atau pengujian algoritma dengan teknik KFA ( Kalman Filter Algorithm) data yang diuji secara realtime atau di ambil dari sample vidio yang sudah ada hasilnya Gambar 6 hasil implementasi KFA pada pada CCTV 1. Keterangan: Pada gambar 6 diatas hasil implementasi KFA pada kamera CCTV 1 terdapat empat objek yang bergerak dan dberi dua tanda bounding box, karena metode morfological mempunyai irisan tertentu apabila objek bergerak berdekatan akan dijadikan satu atau yang disebut dengan boundary extraction. 63
REFERENSI Gambar 7 Hasil Implementasi KFA pada kamera CCTV 2 Pada gambar 7 diatas pembacaan data pada camera cctv 2 ketiga bisa dilihat kamera secara otomatis mampu membaca target dan dan memberikan tanda marker. Gambar 8 hasil implementasi KFA pada CCTV 2 Pada gambar 8 diatas pengujian pada posis kamera, metode algoritma KFA mampu membaca traking objek dan penambahan marker tanda dengan menggunakan angka pada percobaan tersebut jumlah mahasis yang meliwati area tersebut mencapai 97 orang 5.Penutup Implementasi kamera kemanan dengan metode KFA pada CCTV bisa diaplikasikan dan bisa mengenali objek bergerak dan bisa dipergunakan untuk menghitung jumlah mahasiswa yang masuk. Saran untuk penelitian selajutnya adalah diperlukannya maintenance kamera CCTV karna jumlah kamera yang bertambah dan penambahan teknologi FLIR atau deteksi dimalam hari [1] S. Electric, "Creating Safe Campuses with Integrated Security Solutions," in Creating Safe Campuses with Integrated Security Solutions, P- COLLEGESECURITY- US.BU.N.EN.9.2006.0.00.CC, 2006. [2] Vivien Carli, "Assessing CCTV as an effective safety and management tool for crime-solving, prevention and reduction," International Centre for the Prevention of Crime, Montreal, 2008. [3] Ramsey Faragher, "Understanding the Basis of the Kalman Filter Via a Simple and Intuitive Derivation," in lecture NOTES, IEEE SIGNAL PROCESSING MAGAZINE, p. 132, 2012. [4] Greg Welch;Gary Bishop, "An Introduction to the Kalman Filter in," in An Introduction to the Kalman Filter in, Chapel Hill, University of North Carolina at Chapel Hill, 2001, p. 21. [5] Tony Lacey., "Tutorial: The Kalman Filter". [6] Sanjivani Shantaiya ;Kesari Verma ; Kamal Mehta, "Multiple Object Tracking using Kalman Filter and Optical Flow," European Journal of Advances in Engineering and Technology, vol. 2, pp. 34-39, 2015. [7] Ramsey Faragher, "Understanding the Basis of the Kalman Filter Via a Simple and Intuitive Derivation," in lecture NOTES, IEEE SIGNAL PROCESSING MAGAZINE, 2012, p. 132. [8] Greg Welch;Gary Bishop, "An Introduction to the Kalman Filter," in An Introduction to the Kalman Filter, Chapel Hill, University of North Carolina at Chapel Hill, 2001, p. 21. [9] Ian T. Young;Jan J. Gerbrands;Lucas J. van Vliet, Fundamentals of Image Processing, DEN HAAG: Printed in The Netherlands at the Delft University of Technology, 1998. [10] andri badski ; andrian kaebler, Computer Vision with Open CV library, Sebastopol: O'reailly, 2008. [11] Robert Laganière, OpenCV 2 Computer Vision Application Programming Cookbook, BIRMINGHAM - MUMBAI: PACKT, 2011. [12] Yannick Benezeth; Pierre-Marc Jodoin; Bruno Emile; Helene Laurent,Christophe Rosenberger, "Comparative Study of Background Subtraction Algorithms," Society of Photo-optical Instrumentation Engineers,, p. 19, 2010. [13] W. Hu; T. Tan; L. Wang; S. Maybank, "A survey on visual surveillance of object motion and behavior system," Systems, Man, and Cybernetics, Part C: Applications and Reviews, vol. 34, pp. 334-352, 2004. [14] D. Makris ; T. Ellis, "Path detection in video surveillance in Image and Vision Computing," 2002, pp. 895-903. 64
[15] D. Makris ; T. Ellis., "Learning semantic scene models from observing activity in visual surveillance.," in Transactions on Systems, Man and Cybernetics, Part B,, 2005., p. 397 408. [16] J.R Parker, Algorithms for Image proccesing And computer Vision, 2 ed., Indianapolis: Wiley Publishing, Inc.. [17] Siddharth S. Rautaray1;Anupam Agrawal2, "REAL TIME HAND GESTURE RECOGNITION SYSTEM FOR DYNAMIC APPLICATIONS," International Journal of UbiComp (IJU), vol. 3, p. 1, Januari 2012. 65
66