Pembangunan Sistem Kamera Pewangas Ruangan Dengan Implementasi Metode Histrograms Of Oriented Gradients di Lingkungan Kantor Wilayah Kementrian Hukum dan Ham Jawa Barat
(2)
(3)
(4)
BIODATA PENULIS
1. Data Pribadi
Nama : Alfira Sahma Maulida
Tempat/Tgl Lahir : Purwakarta, 27 Maret 1991 Jenis Kelamin : Perempuan
Kewarganegaraan : Indonesia Status Perkawinan : Belum Kawin
Agama : Islam
Alamat Sekarang : Jl. Walangi No.14 Rt.01/01 Cipaisan Purwakarta No. Handphone : +6289697714127
Email : [email protected]
2. Riwayat Pendidikan
1996-2002 : SDN AHMAD YANI 1 PURWAKARTA
2002-2005 : SMPN 4 PURWAKARTA
2005-2008 : SMAN 1 JATILUHUR PURWAKARTA
2008-2010 : UNIVERSITAS PURWAKARTA
2011-2016 : UNIVERSITAS KOMPUTER INDONESIA
Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan sadar dan tanpa paksaan.
Bandung,
(5)
PEMBANGUNAN SISTEM KAMERA PENGAWAS RUANGAN
DENGAN IMPLEMENTASI METODE HISTOGRAM OF
ORIENTED GRADIENTS DI LINGKUNGAN
KANTOR WILAYAH KEMENTRIAN HUKUM DAN HAM
JAWA BARAT
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
ALFIRA SAHMA MAULIDA
10111358
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
2016
(6)
iii
KATA PENGANTAR
Puji dan syukur kehadirat Allah SWT karena atas rahmat dan karunia-Nya,
penulis dapat menyelesaikan tugas akhir dengan judul “Sistem Kamera Pengawas
Ruangan dengan Implementasi Metode Histogram of Oriented Gradients di Lingkungan Kantor Wilayah Kementerian Hukum dan HAM Jawa Barat” sebagai syarat untuk menyelesaikan program studi Strata I Jurusan Teknik Informatika, Fakultas Teknik dan Ilmu Komputer pada Universitas Komputer Indonesia.
Punyusunan tugas akhir ini tidak akan terwujud tanpa mendapat dukungan, bantuan, dan masukan dari berbagai pihak. Untuk itu penulis menyampaikan terimakasih yang sebesar-besarnya kepada:
1. Orang tua tercinta bapak Cecep Wawan Riawan, S.H., M.H. dan Ibu Enur Nurhati yang senantiasa memberikan doa, biaya, motivasi dan kasih sayangnya kepada penulis.
2. Nenek Uptiah, Bi Ade Heni Nurhaeni, Pak Nur Firdaus, selaku keluarga yang selalu memberi motivasi.
3. Bapak Hanhan Maulana, S.Kom., M.Kom. selaku dosen pembimbing yang telah membimbing, memotivasi, mengispirasi, dan memberikan pengarahan selama penelitian tugas akhir ini sehingga tugas akhir ini dapat menjadi sebuah karya ilmiah yang bermanfaat.
4. Bapak Eko Budi Setiawan, S.Kom., M.T selaku reviewer seminar skripsi yang telah memberikan masukan dan arahan kepada penulis.
5. Ibu Kania Evita Dewi, S.Pd., M.Si. selaku dosen wali IF-8 angkatan 2011 yang senantiasa membantu penulis dengan ramah dan penuh rasa kekeluargaan.
6. Seluruh Staff dan Pegawai Kantor Wilayah Kementerian Hukum dan HAM Jawa Barat selaku tempat penulis dalam melakukan penelitian tugas akhir ini.
7. Lutfi Febriandita Basuki yang selalu mendampingi, membantu, memotivasi, dan menginspirasi selama kuliah sampai tugas akhir.
(7)
iv
8. Teman-teman IF-8 angkatan 2011, Purwanugraha, Hilman, Ipenk, Derian, Ilyas, Anggi, Taufikih, Fahrijal, Rizky, Mamet, dan teman-teman semua. 9. Sahabat tercinta Syennie R.T, Desi Fransiska, Alm. Erni Purwani, Agnes
Siti Sarah, Eka Nurfitriani, Dila Pardila, teman-teman kosan Gg. Karya Simpang 2, Pak De selaku pemilik kosan atas bantuan dan dukungan yang telah diberikan.
10.Seluruh pihak yang tidak dapat disebutkan satu persatu, yang telah banyak membantu selama ini.
Akhir kata penulis menyadari bahwa penyusunan skripsi masih jauh dari kata sempurna. Semoga skripsi ini dapat bermanfaat bagi para pembaca.
Bandung, Agustus 2016
(8)
v
DAFTAR ISI
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... x
DAFTAR TABEL ... xiii
DAFTAR SIMBOL ... xv
DAFTAR LAMPIRAN ... xxii
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Identifikasi Masalah ... 3
1.3 Maksud dan Tujuan ... 3
1.3.1 Maksud ... 3
1.3.2 Tujuan ... 3
1.4 Batasan Masalah ... 4
1.5 Metodologi Penelitian ... 4
1.5.1 Metode Pengumpulan Data ... 5
1.5.2 Metode Pembangunan Perangkat Lunak ... 5
1.6 Sistematika Penulisan ... 7
BAB 2 TINJAUAN PUSTAKA ... 9
2.1 Profil Instansi ... 9
2.1.1 Sejarah Instansi ... 9
2.1.2 Visi dan Misi Instansi ... 9
2.1.2.1 Visi ... 10
2.1.2.2 Misi ... 10
2.1.3 Logo Instansi ... 11
2.1.4 Struktur Organisasi ... 11
(9)
vi
2.2.1 Sistem Monitoring Ruangan ... 12
2.2.2 Pengolahan Citra ... 14
2.2.2.1 Metode Ubah Nilai RGB ke Grayscale ... 16
2.2.2.2 Histogram Citra ... 18
2.2.3 Pendeteksian Tepi ... 20
2.2.3.1 Pendeteksian Tepi Operator Gradien Selisih Terpusat ... 22
2.2.4 Histograms of Oriented Gradients ... 23
2.2.5 Android ... 25
2.2.5.1 Sejarah Android ... 26
2.2.5.2 Fitur Android ... 27
2.2.6 UML ... 27
2.2.6.1 Diagram UML ... 29
2.2.6.2 Use Case Diagram ... 30
2.2.6.3 Activity Diagram ... 30
2.2.6.4 Sequence Diagram ... 31
2.2.6.5 Class Diagram ... 31
2.2.7 EmguCV ... 32
2.2.8 Basis Data ... 33
2.2.8.1 Konsep Dasar Basis Data ... 33
2.2.8.2 Pengertian Basis Data ... 33
2.2.8.3 Tujuan Basis Data ... 34
2.2.8.4 Pengguna Basis Data ... 34
2.2.8.5 Database Management System (DBMS) ... 35
2.2.9 MySQL ... 35
2.2.10 Microsoft Visual Studio 2013 ... 36
BAB 3 ANALISIS DAN PERANCANGAN ... 37
3.1 Analisis Sistem ... 37
3.1.1 Analisis Masalah ... 37
3.1.2 Analisis Sistem yang Sedang Berjalan ... 37
3.1.3 Analisis Sistem yang Ditawarkan ... 38
(10)
vii
3.2.1 Metode Histograms of Oriented Gradients ... 41
3.3 Analisis Kebutuhan Non Fungsional ... 49
3.3.1 Analisis Kebutuhan Pengguna ... 50
3.3.2 Analisis Kebutuhan Perangkat Lunak ... 51
3.3.3 Analisis Kebutuhan Perangkat Keras ... 51
3.4 Analisis Kebutuhan Fungsional ... 54
3.4.1 Diagram Use Case ... 54
3.4.1.1 Diagram Use Case Desktop ... 54
3.4.1.2 Diagram Use Case Web ... 55
3.4.2 Skenario Use Case Desktop ... 55
3.4.2.1 Skenario Use Case Menyalakan Kamera ... 55
3.4.2.2 Skenario Use Case Menyalakan Deteksi ... 56
3.4.2.3 Skenario Use Case Mendeteksi Manusia ... 56
3.4.2.4 Skenario Use Case Meng-Capture Gambar ... 57
3.4.3 Skenario Use Case Web ... 58
3.4.3.1 Skenario Use Case Login ... 58
3.4.3.2 Skenario Use Case Mengelola Data Gambar ... 58
3.4.3.3 Skenario Use Case Mengelola Data Petugas ... 59
3.4.3.4 Skenario Use Case Tambah Data Petugas ... 60
3.4.3.5 Skenario Use Case Edit Data Petugas ... 60
3.4.3.6 Skenario Use Case Hapus Data Petugas ... 61
3.4.3.7 Skenario Use Case Menerima Notifikasi ... 62
3.4.3.8 Skenario Use Case Melihat Gambar ... 62
3.4.4 Diagram Kelas ... 63
3.4.4.1 Diagram Kelas Desktop ... 63
3.4.5 Diagram Aktifitas ... 64
3.4.5.1 Diagram Aktifitas Menyalakan Kamera ... 64
3.4.5.2 Diagram Aktifitas Menyalakan Deteksi ... 65
3.4.5.3 Diagram Aktifitas Mendeteksi Manusia ... 66
3.4.5.4 Diagram Aktifitas Meng-Capture Gambar ... 68
(11)
viii
3.4.5.6 Diagram Aktifitas Mengelola Data Gambar ... 69
3.4.5.7 Diagram Aktifitas Mengelola Data Petugas ... 71
3.4.5.8 Diagram Aktifitas Tambah Data Petugas ... 72
3.4.5.9 Diagram Aktifitas Edit Data Petugas ... 73
3.4.5.10 Diagram Aktifitas Hapus Data Petugas ... 74
3.4.5.11 Diagram Aktifitas Menerima Notifikasi ... 75
3.4.5.12 Diagram Aktifitas Melihat Gambar ... 76
3.4.6 Diagram Sequence ... 76
3.4.6.1 Diagram Sequence Menyalakan Kamera ... 77
3.4.6.2 Diagram Sequence Menyalakan Deteksi ... 77
3.4.6.3 Diagram Sequence Deteksi Manusia ... 78
3.4.6.4 Diagram Sequence Capture Gambar ... 79
3.4.6.5 Diagram Sequence Notifikasi ... 80
3.4.6.6 Diagram Sequence Login ... 81
3.4.6.7 Diagram Sequence Lihat Foto ... 82
3.4.6.8 Diagram Sequence Tambah Data Petugas ... 83
3.4.6.9 Diagram Sequence Edit Data petugas ... 83
3.4.6.10 Diagram Sequence Hapus Data petugas ... 84
3.5 Perancangan Sistem ... 85
3.5.1 Perancangan Arsitektur Perangkat Lunak ... 85
3.5.2 Perancangan Struktur Menu ... 86
3.5.2.1 Struktur Menu Aplikasi Android ... 86
3.5.3 Perancangan Antarmuka Perangkat Lunak ... 86
3.5.3.1 Perancangan Antarmuka Sistem ... 87
3.5.3.2 Perancangan Antarmuka Login Mobile ... 88
3.5.3.3 Perancangan Antarmuka Mobile ... 89
3.5.3.4 Perancangan Antarmuka Tampil Gambar Mobile ... 90
3.5.3.5 Perancangan Antarmuka Login Web ... 91
3.5.3.6 Perancangan Antarmuka Form Utama Web ... 92
3.5.3.7 Perancangan Antarmuka Daftar Gambar ... 93
(12)
ix
3.5.3.9 Perancangan Antarmuka Form Data Petugas... 95
3.5.3.10 Perancangan Antarmuka Tambah Data Petugas ... 96
3.5.4 Perancangan Pesan ... 96
3.5.4.1 Perancangan Pesan Tambah Data Petugas ... 97
3.5.4.2 Perancangan Pesan Data Tidak Valid ... 97
3.5.4.3 Perancangan Pesan Edit Data Petugas ... 98
3.5.4.4 Perancangan Pesan Hapus Data Petugas ... 98
3.5.5 Jaringan Semantik ... 99
3.5.5.2 Jaringan Semantik Petugas... 99
3.5.6 Skema Relasi ... 100
3.5.7 Struktur Tabel ... 100
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ... 103
4.1 Implementasi Sistem ... 103
4.1.1 Implementasi Perangkat Keras... 103
4.1.2 Impelementasi Perangkat Lunak ... 103
4.1.3 Implementasi Basis Data ... 104
4.1.4 Implementasi Antarmuka ... 106
4.1.4 Implementasi Antarmuka Website ... 106
4.1.5 Implementasi Antarmuka Desktop... 106
4.2 Pengujian Sistem ... 107
4.2.1 Pengujian Blackbox ... 107
4.2.1.1 Rencana Pengujian Aplikasi ... 107
4.2.1.2 Kasus dan Hasil Pengujian ... 108
4.2.2 Pengujian Beta ... 109
4.2.2.1 Wawancara Petugas Keamanan ... 109
4.2.2.2 Pengamatan Terhadap Petugas Keamanan ... 109
4.2.3 Kesimpulan Hasil Pengamatan dan Wawancara ... 113
BAB 5 KESIMPULAN DAN SARAN ... 115
5.1 Kesimpulan ... 115
5.2 Saran ... 115
(13)
117
DAFTAR PUSTAKA
[1] W. Indrawan, "RANCANG BANGUN PEMANTAU KEAMANAN
MENGGUNAKAN WEBCAM BERBASIS ANDROID," Sekolah Tinggi Manajemen Informatika dan Komputer Amikom, Yogyakarta, 2012. [2] A. Siswanto and R. Faldana, "SISTEM MONITORING RUMAH
BERBASIS TEKNOLOGI CLOUD COMPUTING," Seminar Nasional Sistem Informasi Indonesia, pp. 275-283, 2014.
[3] Harnyansyah and Y. Kristian, "DETEKSI DAN PENGHITUNGAN MANUSIA PADA VIDEO PENGUNJUNG INSTANSI PEMERINTAH DI TARAKAN MENGGUNAKAN METODE HISTOGRAM OF
ORIENTED GRADIENTS," Seminar Nasional “Inovasi dalam Desain dan Teknologi” - IDeaTech 2015, Vols. ISSN: 2089-1121, pp. 197-204, 2015. [4] M. Nazir, Metode Penelitian, Bogor: Ghalia Indonesia, 2005.
[5] R. S. Pressmann, Software Engineering, Yogykarta: Andi, 2010.
[6] www.emgucv.com, "Emgu CV : OpenCV in .NET," EmguCV, Juli 2015. [Online]. Sumber: http://www.emgu.com/wiki/index.php/Main_Page. [Diakses 1 Desember 2015].
[7] N. Dalal and B. Triggs, "Histograms of Oriented Gradients for Human
Detection," 2005. [Online]. Available:
http://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf. [Diakses 12 September 2015].
[8] Microsoft, "Microsoft Visual Studio Microsoft," Microsoft, 2015. [Online]. Available: https://www.visualstudio.com/. [Dikases 2 November 2015]. [9] Kasman, Kolaborasi Dahsyat Android, Yogyakarta: Lokomedia, 2013. [10] R. A.S and M. Shalahuddin, Rekayasa Perangkat Lunak Terstruktur dan
(14)
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Kantor Wilayah Kementerian Hukum dan HAM Jawa Barat (Kemenkumham) berlokasi di Jalan Jakarta No. 27 Bandung Kelurahan Kebonwaru Kecamatan Batununggal Kota Bandung. Untuk menjaga keamanan dan kelancaran kegiatan perkantoran, saat ini terdapat 6 orang petugas keamanan yang terbagi dalam 3 regu petugas yang secara bergantian bertugas setiap 24 jam sekali. Setiap 2 orang petugas akan berjaga bersama dari pukul 7 pagi hingga pukul 7 pagi keesokan harinya. Saat ini kantor telah dilengkapi dengan kamera pengawas dan sebuah monitor yang membantu petugas dalam melakukan pengawasan. Menurut keterangan staf dan petugas keamanan, keberadaan kamera pengawas sangat penting dan dapat membantu petugas dalam melakukan pengawasan keamanan kantor. Hasil rekaman kamera pengawas ini nantinya dapat digunakan untuk membantu mengungkap kasus kehilangan uang atau kehilangan komputer yang pernah terjadi di lingkungan kantor. Selain itu, perlu dilakukan pengembangan agar dapat membantu kinerja petugas keamanan dengan lebih maksimal. Dikarenakan jam kerja yang mengharuskan petugas berjaga 24 jam, ada kemungkinan faktor kelelahan seperti mengantuk dapat mengurangi fokus petugas dalam mengawasi monitor pengawas, terutama pada malam hari. Jika fokus petugas berkurang, kemudian ada seseorang melakukan tindakan yang tidak terpuji, misalnya pencurian di lingkungan kantor, maka fungsi kamera pengawas disini hanyalah sebagai barang bukti setelah tindakan tersebut terjadi.
Seiring dengan berkembangnya teknologi internet, saat ini telah banyak penelitian yang memanfaatkan teknologi kamera pengawas dengan kombinasi perangkat telepon genggam [1] dan jaringan internet [2], sehingga pengawasan dapat lebih mudah dilakukan dengan memanfaatkan koneksi internet. Selain itu, penelitian oleh Haryansyah dan Yosi telah berhasil memanfaatkan metode
(15)
2
Histogram of Oriented Gradients untuk pendeteksian manusia pada video dan mendapatkan hasil yang memuaskan [3]. Dengan memanfaatkan hasil penelitian yang sudah dilakukan sebelumnya, penelitian ini bermaksud menerapkan sebuah metode deteksi manusia pada kamera pengawas di kantor Kemenkumham. Sistem kamera pengawas ini diharapkan dapat mendeteksi keberadaan wujud manusia di layar monitor, kemudian sistem dapat meng-capture jika deteksi manusia menunjukkan hasil positif dan mengunggah hasil capture gambar ke database yang ada di internet. Jika terdapat gambar capture baru di dalam database, maka aplikasi pada telepon genggam akan memberikan peringatan / notifikasi secara otomatis kepada petugas yang sedang berjaga, yang kemudian petugas dapat melihat gambar tersebut melalui aplikasi di yang ada dalam telepon genggam petugas.
Sistem operasi android dipilih sebagai alat untuk menerima notifikasi karena petugas-petugas (satpam) di Kemenkumham menggunakan Android. Android adalah sistem operasi untuk telepon seluler yang berbasis Linux. Kelebihannya, android menyediakan platform terbuka bagi para pembuat dalam menciptakan aplikasi mereka sendiri untuk digunakan. Seorang pengembang aplikasi dapat membuat file installer untuk aplikasi yang dibuat dan dapat memasang aplikasi tersebut langsung pada telepon genggam miliknya tanpa harus mendaftarkan aplikasi tersebut di online store seperti Google Play terlebih dahulu. Saat ini pun sudah banyak aplikasi-aplikasi di Android yang menggunakan sistem notifikasi kepada penggunanya seperti BBM, Facebook, Line, dan lain-lain.
Dengan implementasi kecerdasan buatan pada kamera dan dengan memanfaatkan teknologi jaringan internet dan perangkat mobile, diharapkan penelitian ini dapat menghasilkan sebuah sistem kamera pengawas yang mampu mendeteksi manusia di lingkungan Kantor Wilayah Kementerian Hukum dan HAM Jawa Barat. Sistem kamera pengawas ini diharapkan dapat memberikan manfaat untuk mencegah terjadinya tindakan kriminal di lingkungan kantor khususnya pada malam hari, bukan hanya sebagai barang bukti tindak kejahatan setelah kejadian itu terjadi. Oleh karena itu penelitian ini akan mengambil judul “PEMBANGUNAN SISTEM KAMERA PENGAWAS RUANGAN DENGAN IMPLEMENTASI
(16)
3
METODE HISTOGRAM OF ORIENTED GRADIENTS DI LINGKUNGAN KANTOR WILAYAH KEMENTERIAN HUKUM DAN HAM JAWA BARAT”.
1.2 Identifikasi Masalah
Berdasarkan penjelasan pada latar belakang maka pada bagian identifikasi masalah dapat diuraikan sebagai berikut:
1. Kamera pengawas hanya berfungsi sebagai alat bukti apabila terjadi suatu tindak pidana seperti pencurian dan lain-lain.
2. Petugas tidak sepenuhnya mengawasi monitor selama 24 jam akibat faktor kelelahan seperti mengantuk dan kelalaian lainnya.
3. Pengambilan gambar dilakukan secara kontinu, sehingga sistem akan selalu merekam ruangan yang dipantau meskipun tidak ada aktifitas manusia. 4. Hasil monitoring tidak secara langsung dapat diakses oleh petugas.
1.3 Maksud dan Tujuan
Dibawah ini merupakan maksud dan tujuan dari penelitian ini dilakukan di Kemenkumham:
1.3.1 Maksud
Berdasarkan masalah yang akan diteliti, adapun maksud dilakukannya penelitian ini adalah membangun sistem kamera pengawas yang dapat mendeteksi manusia dengan implementasi metode HOG dan hasil capture sistem tersimpan di web.
1.3.2 Tujuan
Tujuan yang ingin dicapai melalui penelitian ini antara lain:
1. Menghasilkan suatu sistem kamera pengawas yang dapat secara realtime mendeteksi adanya manusia dalam ruangan.
2. Jika hasil deteksi terdapat sosok manusia, maka sistem akan meng-capture gambar dan menyimpannya di basis data sistem yang ada di web.
(17)
4
3. Pengguna dapat mengakses hasil gambar yang telah tersimpan melalui jaringan internet.
1.4 Batasan Masalah
Agar tujuan penelitian dapat tercapai, diberikan batasan masalah dalam penelitian sebagai berikut:
1. Penelitian dilakukan di Kantor Wilayah Kementerian Hukum dan HAM Jawa Barat yang beralamat di Jalan Jakarta No. 27 Bandung Kelurahan Kebonwaru Kecamatan Batununggal Kota Bandung.
2. Telepon genggam yang digunakan adalah smartphone dengan sistem operasi Android 2.3 keatas.
3. Model analisis dan pemodelan perangkat lunak object oriented dengan menggunakan UML (Unified Modelling Language).
4. Aplikasi yang dibuat ada 3 jenis, aplikasi kamera pegawas dengan deteksi manusia berbasis desktop, aplikasi web untuk simpan gambar dan pemberitahuan, dan aplikasi android untuk melihat detail pemberitahuan. 5. Aplikasi mobile yang dibuat memerlukan koneksi internet untuk
mengakses data server.
6. Metode deteksi manusia yang dipakai adalah Histograms of Oriented Gradients dan dibuat dengan library EmguCV.
7. Deteksi kamera pengawas menggunakan night vision camera pada ruang yang minim pencahayaan (remang-remang) dan diaktifkan pada malam hari.
8. Deteksi manusia fokus untuk mendeteksi sosok manusia yang terlihat dari kaki sampai kepala dan dalam posisi berdiri.
1.5 Metodologi Penelitian
Metodologi yang digunakan dalam penelitian ini adalah metode deskriptif, yaitu dengan cara mengumpulkan data, menganalisis data, membuat suatu pemecahan masalah dan kemudian disusun untuk ditarik kesimpulan mengenai masalah tersebut [4]. Metode yang digunakan antara lain:
(18)
5
1.5.1 Metode Pengumpulan Data
Pengumpulan data yang dilakukan dalam penelitian ini adalah: 1. Wawancara
Metode ini dilakukan dengan cara menyajikan sejumlah pertanyaan kepada ahli Information Technology (IT) dan staf keamanan dari Kantor Wilayah Kementerian Hukum dan HAM Jawa Barat untuk membantu evaluasi aplikasi.
2. Kuesioner
Metode ini dilakukan dengan cara membagikan kuesioner untuk mendapatkan informasi yang dapat membantu pengembangan aplikasi yang meliputi kuesioner kebutuhan pengguna dan kuesioner evaluasi aplikasi.
3. Studi Literatur
Metode ini dilakukan dengan cara mempelajari teori-teori dan penelitian sebelumnya serta meneliti berbagai literatur dari buku-buku, jurnal ilmiah, situs web internet, dan bacaan-bacaan dengan topic penelitian.
4. Analisis Aplikasi Sejenis
Metode ini dilakukan dengan cara melakukan analisa cara kerja dan fitur dari aplikasi sejenis sehingga dapat membantu pengembangan aplikasi dalam proses penelitian.
5. Observasi
Metode ini dilakukan dengan melakukan pengamatan langsung terhadap peralatan dan kegiatan pemeriksaan keamanan di kantor.
1.5.2 Metode Pembangunan Perangkat Lunak
Metode pembangunan aplikasi dalam penelitian ini adaah dengan menggunakan model prototyping [5].
(19)
6
Gambar 1.1 Metode Prototyping
Tahapan-tahapan metode prototyping adalah sebagai berikut:
1. Mendengarkan pelanggan. Pada tahap ini dilakukan pengumpulan kebutuhan dari sistem dengan cara mendengar keluhan dari pelanggan. Untuk membuat suatu sistem yang sesuai kebutuhan, maka harus diketahui terlebih dahulu bagaimana sistem yang sedang berjalan untuk kemudian mengetahui masalah yang terjadi.
2. Merancang dan Membuat Prototype. Pada tahap ini, dilakukan perancangan dan pembuatan prototype sistem. Prototype yang dibuat disesuaikan dengan kebutuhan sistem yang telah didefinisikan sebelumnya dari keluhan pelanggan atau pengguna.
3. Uji Coba. Pada tahap ini, prototype dari sistem di uji coba oleh pelanggan atau pengguna. Kemudian dilakukan evaluasi kekurangan-kekurangan dari kebutuhan pelanggan. Pengembangan kemudian kembali mendengarkan keluhan dari pelanggan untuk memperbaiki prototype yang ada.
(20)
7
1.6 Sistematika Penulisan
Sistematika penulisan tugas akhir ini disusun untuk memberikan gambaran secara umum tentang penelitian yang dijalankan. Sistematika peulisan tugas akhir ini adalah sebagai berikut:
BAB 1 PENDAHULUAN
Bab 1 membahas mengenai latar belakang masalah, identifikasi masalah, maksud dan tujuan, batasan masalah, metodologi penelitian yang digunakan, serta sistematika penulisan.
BAB 2 TINJAUAN PUSTAKA
Bab 2 membahas mengenai konsep dasar serta teori-teori yang berkaitan dengan topik penelitian dan hal-hal yang berguna dalam proses analisis permasalahan.
BAB 3 ANALISIS
Bab 3 menganalisis masalah dari model penelitian untuk memperlihatkan keterkaitan antar variabel yang diteliti serta model matematis untuk analisisnya.
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab 4 berisi hasil implementasi analisis algoritma yang dilakukan, serta hasil pengujian sistem untuk mengetahui ketepatan performansi algoritma.
BAB 5 KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan terhadap hasil penelitian yang dilakukan beserta saran-saran untuk pengembangan sistem kedepannya.
(21)
(22)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi...Volume..., Bulan 20..ISSN :2089-9033
PEMBANGUNAN SISTEM KAMERA PENGAWAS RUANGAN
DENGAN IMPLEMENTASI METODE HISTOGRAM OF
ORIENTED GRADIENTS DI LINGKUNGAN
KANTOR WILAYAH KEMENTRIAN HUKUM DAN HAM
JAWA BARAT
Alfira Sahma Maulida1 , Hanhan Maulana2
1,2 Teknik Informatika – Universitas Komputer Indonesia
Jl. Dipatiukur 112-114 Bandung
Email : [email protected] , [email protected]
ABSTRAK
Sistem kamera pengawas di
Kemenkumham hanya berfungsi sebagai alat bukti dari tindak pidana yang telah terjadi. Agar dapat mencegah tindak pidana, maka petugas harus mengawasi monitor selama 24 jam secara langsung.
Dengan implementasi metode Histogram of
Oriented Gradients di kamera pengawas ruangan, sistem dapat mengenali adanya aktifitas manusia yang terpantau kamera. Sistem akan menyimpan gambar apabila terdeteksi adanya sosok manusia di kamera dan menyimpan gambar tersebut dalam database yang ada di internet. Kemudian sistem akan mengirimkan notifikasi pada ponsel petugas jika terdeteksi adanya manusia. Petugas dapat melihat gambar hasil deteksi melalui web selama ada akses internet. Dengan demikian keadaan ruangan yang dipantau dapat terdeteksi lebih awal sekalipun petugas tidak sedang mengawasi monitor pemantau.
Dari hasil pengujian, diperoleh kesimpulan bahwa aplikasi dapat mendeteksi sosok manusia di area pantau kamera. Pengguna dapat melihat hasil deteksi melaui ponsel dan web. Namun proses
capture dan notifikasi ke pengguna masih menemui beberapa kendala.
Kata Kunci: Histogram of Oriented Gradients,
Deteksi Manusia, OpenCV
1. PENDAHULUAN
Kantor Wilayah Kementerian Hukum dan HAM Jawa Barat (Kemenkumham) berlokasi di Jalan Jakarta No. 27 Bandung Kelurahan Kebonwaru Kecamatan Batununggal Kota Bandung. Untuk
menjaga keamanan dan kelancaran kegiatan
perkantoran, saat ini terdapat 6 orang petugas keamanan yang terbagi dalam 3 regu petugas yang secara bergantian bertugas setiap 24 jam sekali. Setiap 2 orang petugas akan berjaga bersama dari
pukul 7 pagi hingga pukul 7 pagi keesokan harinya. Saat ini kantor telah dilengkapi dengan kamera pengawas dan sebuah monitor yang membantu petugas dalam melakukan pengawasan. Menurut keterangan staf dan petugas keamanan, keberadaan kamera pengawas sangat penting dan dapat membantu petugas dalam melakukan pengawasan keamanan kantor. Hasil rekaman kamera pengawas ini nantinya dapat digunakan untuk membantu mengungkap kasus kehilangan uang atau kehilangan komputer yang pernah terjadi di lingkungan kantor. Selain itu, perlu dilakukan pengembangan agar dapat membantu kinerja petugas keamanan dengan lebih
maksimal. Dikarenakan jam kerja yang
mengharuskan petugas berjaga 24 jam, ada kemungkinan faktor kelelahan seperti mengantuk dapat mengurangi fokus petugas dalam mengawasi monitor pengawas, terutama pada malam hari. Jika fokus petugas berkurang, kemudian ada seseorang melakukan tindakan yang tidak terpuji, misalnya pencurian di lingkungan kantor, maka fungsi kamera pengawas disini hanyalah sebagai barang bukti setelah tindakan tersebut terjadi.
Seiring dengan berkembangnya teknologi
internet, saat ini telah banyak penelitian yang memanfaatkan teknologi kamera pengawas dengan kombinasi perangkat telepon genggam [1] dan jaringan internet [2], sehingga pengawasan dapat lebih mudah dilakukan dengan memanfaatkan koneksi internet. Selain itu, penelitian oleh Haryansyah dan Yosi telah berhasil memanfaatkan metode Histogram of Oriented Gradients untuk pendeteksian manusia pada video dan mendapatkan hasil yang memuaskan [3]. Dengan memanfaatkan hasil penelitian yang sudah dilakukan sebelumnya, penelitian ini bermaksud menerapkan sebuah metode deteksi manusia pada kamera pengawas di kantor Kemenkumham. Sistem kamera pengawas ini diharapkan dapat mendeteksi keberadaan wujud manusia di layar monitor, kemudian sistem dapat meng-capture jika deteksi manusia menunjukkan hasil positif dan mengunggah hasil capture gambar ke database yang ada di internet. Jika terdapat gambar capture baru di dalam database, maka
(23)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi...Volume..., Bulan 20..ISSN :2089-9033
aplikasi pada telepon genggam akan memberikan peringatan / notifikasi secara otomatis kepada petugas yang sedang berjaga, yang kemudian petugas dapat melihat gambar tersebut melalui aplikasi di yang ada dalam telepon genggam petugas.
Sistem operasi android dipilih sebagai alat untuk
menerima notifikasi karena petugas-petugas
(satpam) di Kemenkumham menggunakan Android. Android adalah sistem operasi untuk telepon seluler yang berbasis Linux. Kelebihannya, android menyediakan platform terbuka bagi para pembuat dalam menciptakan aplikasi mereka sendiri untuk digunakan. Seorang pengembang aplikasi dapat membuat file installer untuk aplikasi yang dibuat dan dapat memasang aplikasi tersebut langsung pada telepon genggam miliknya tanpa harus mendaftarkan aplikasi tersebut di online store seperti Google Play terlebih dahulu. Saat ini pun sudah banyak aplikasi-aplikasi di Android yang menggunakan sistem notifikasi kepada penggunanya seperti BBM, Facebook, Line, dan lain-lain.
1.1 Sistem Monitoring Ruangan
Monitoring dapat diartikan sebagai kegiatan untuk mengikuti suatu program dan pelaksanaannya secara mantap, teratur dan terusmenerus dengan cara mendengar, melihat dan mengamati, serta mencatat keadaan serta perkembangan program tersebut. Jadi monitoring adalah kegiatan mengamati suatu objek untuk diambil sebuah informsi secara berkala.
Teknologi kamera yang banyak digunakan untuk implementasi sistem monitoring ruangan adalah kamera Closed Circuit Television (CCTV). Kamera tersebut dapat memantau berbagai sisi atau sudut ruangan yang diinginkan.
Kamera adalah perangkat perekam gambar video yang mampu menyimpan gambar digital dari mode gambar analog. Kamera Video termasuk salah satu produk teknologi digital, sehingga disebut pula salah satu perangkat digitizer yang memiliki kemampuan mengambil input data analog berupa frekuensi sinar dan mengubah ke mode digital elektronis.
CCTV atau dalam bahasa Indonesianya yaitu Telivisi dengan Sirkuit Tertutup adalah perangkat peralatan pengawas (surveillance) yang memonitor keadaan sekitar melalui kamera pengintai yang terdiri dari kamera dan system DVR (Digital Video
Recording). Kamera CCTV (Close Circuit
Television) adalah perangkat perekam gambar video yang mampu mengawasi dan mengintai objek tertentu.
Sistem televisi terdiri atas pemancar, jalur transmisi dan penerima. Pada pemancar, sumber informasi gambar dan suara diolah menjadi sinyal listrik untuk diumpankan ke jalur transmisi. Pada penerima, sinyal listrik yang diperoleh dari jalur transmisi diubah kembali menjadi informasi gambar dan suara seperti semula.
Bayangan cahaya suatu gambar dapat diubah menjadi sinyal video dengan menggunakan tabung kamera. Tabung kamera ini merupakan tabung sinar katoda (CRT) yang berisi sensor photo-elektrik dan penembak elektron. Kamera akan menghasilkan sinyal video yang berupa sinyal listrik yang berisi informasi gambar sesuai dengan intensitas cahaya yang diterima dari obyek.
Secara prinsip pemancar televisi sama seperti pemancar radio, pada pemancar televise sinyal informasi yang dipancarkan berupa sinyal gambar (video) dan suara (audio) mengunakan antena. Sedangkan pada pemancar radio sinyal informasi yang dipancarkan berupa sinyal suara (audio). Bagian antena pada penerima menangkap sinyal yang dikirim pemancar dalam bentuk sinyal Radio Frequency (RF) yang sudah dimodulasi dengan sinyal video dan audio. Sinyal dikuatkan dan kemudian dideteksi untuk mendapatkan kembali sinyal video dan audio. Sinyal video diumpankan ke tabung gambar untuk membentuk gambar dan sinyal audio diumpankan ke penyaring suara (loud-speaker).
Pada sistem CCTV, sinyal video yang berasal dari tabung kamera langsung dihubungkan ke berbagai monitor penerima dengan menggunakan kabel. Pemancar dalam CCTV bisa berupa kamera atau Video Tape Recorder (VTR). Jadi sinyal yang ditransmisikan ke penerima adalah sinyal video dan audio. Dalam hal ini tidak ada sinyal RF sebagai
gelombang pembawa seperti halnya dalam
broadcasting.
Untuk menerima atau memonitor siaran CCTV bisa digunakan pesawat penerima televisi biasa. Apabila ada lebih dari satu monitor yang digunakan, maka masing-masing monitor dihubungkan secara paralel ke pemancar (kamera). Karena sinyal video ditransmisikan melalui kabel, maka kerugian daya saluran transmisi akan cukup berarti apabila kabel yang digunakan makin panjang atau jumlah monitor makin banyak.
1.2 Pengolahan Citra
Pengolahan Citra (image processing) merupakan
bidang yang berhubungan dengan proses
transformasi citra atau gambar. Proses ini bertujuan untuk mendapatkan kualitas citra yang lebih baik. Untuk menangkap sebuah informasi agar dapat mendekati kemampuan manusia, teknologi computer vision harus terdiri dari banyak fungsi pendukung
yang bekerja secara penuh. Fungsi-fungsi
pendukung tersebut antara lain:
1. Proses penangkapan citra (image acquisition). Pada manusia penangkapan citra dimulai pada mata, kemudian informasi visual diterjemahkan ke dalam suatu format yang selanjutnya dapat dimanipulasi oleh otak. Seperti proses tersebut, computer vision membutuhkan sebuah mata untuk dapat menangkap sinyal visual. Pada umumnya kamera digunakan sebagai mata pada computer vision. Kamera akan
(24)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi...Volume..., Bulan 20..ISSN :2089-9033
menerjemahkan sebuah citra, lalu menghasilkan keluaran berupa sinyal, dimana frekuensi dan amplitudonya merepresentasikan detail ketajaman (brightness) pada tampilan citra. Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu, memindainya dan membaginya menjadi ratusan garis horizontal yang sama. Tiap-tiap garis menghasilkan sinyal analog dimana amplitudonya menjelaskan perubahan brightness sepanjang garis sinyal tersebut. Komputer tidak bekerja pada sinyal analog, maka dibutuhkan sebuah konverter analog-to-digital (ADC) untuk memproses semua sinyal tersebut oleh komputer. Konverter tersebut akan mengubah sinyal yang direpresentasikan dalam bentuk informasi sinyal tunggal ke dalam sebuah aliran (stream) sejumlah bilangan biner. Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan diproses.
2. Proses pengolahan citra (image processing). Pada proses ini computer vision akan melibatkan sejumlah manipulasi utama (initial manipulation) dari data biner yang dihasilkan pada proses image acquisition. Proses pengolahan citra membantu peningkatan dan perbaikan kualitas citra, sehingga dapat dianalisa dan diolah lebih jauh secara efisian. Image processing akan meningkatkan perbandingan sinyal terhadap noise (signal-to-noise-ratio = s/n). Sinyal-sinyal tersebut adalah informasi yang akan merepresentasikan obyek yang ada dalam citra. Noise adalah segala bentuk interferensi dan pengaburan yang terjadi pada sebuah obyek.
3. Analisa data citra (image analysis).
Pada tahap ini scene akan diekspolari ke dalam bentuk karakteristik utama dari obyek melalui suatu proses investigasi. Sebuah program computer akan mulai melihat melalui bilangan biner yang
merepresentasikan informasi visual untuk
mengidentifikasi fitur-fitur spesisfik dan
karakteristiknya. Program image analysis digunakan untuk mencari tepian batas-batas obyek dalam citra. Sebuah tepian (edge) terbentuk antara obyek dan latar belakangnya atau antara dua obyek yang spesifik. Tepian ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan salah satu batasnya.
4. Proses pemahaman data citra (image
understanding). Proses ini merupakan tahap terakhir dalam proses computer vision, dimana spesifik obyek dan hubungannya di identifikasi. Pada bagian ini akan melibatkan kajian tentang teknik-teknik kecerdasan buatan. Understanding berkaitan dengan template matching yang ada dalam sebuah scene. Metode ini menggunakan program pencarian (search program) dan teknik penyesuaian pola (pattern matching techniques).
1.3 Histogram of Oriented Gradients
HistogramsofOrientedGradients (HOG) adalah
pendeskripsi ciri (feature descriptor) yang
digunakan dalam computer vision dan image
processing untuk pendeteksian objek. Metode HOG diperkenalkan pertama kali oleh Dalal dan Triggs pada tahun 2005 [7]. Metode HOG dalam penelitian ini akan digunakan untuk menguji apakah dalam citra uji terdapat manusia atau tidak. Gambar 2.8 menunjukkan langkah kerja proses ekstraksi fitur dari metode HOG. Langkah-langkah dari HOG dapat dilihat pada gambar 1.
Gambar 1 Proses Ektraksi Fitur Metode HOG
1.4 EmguCV
EmguCV adalah suatu library open source lintas platform. EmguCV dapat memanggil fungsi-fungsi OpenCV library pada image processing. EmguCV kompatibel dengan banyak bahasa pemrograman seperti C++, C#, VB, IronPhyton dan lain-lain. EmguCV dapat dijalankan oleh berbagai OS seperti Windows, Linux, dan MacOS [6].
1. Lintas Platform
Tidak seperti wrapper lainnya yang ditulis dengan kode yang tidak aman. Penulisan EmguCV ditulis menggunakan bahasa C#.
2. Kompatibel dengan banyak bahasa pemrograman Dapat digunakan di banyak bahasa pemrograman seperti C++, C#, VB, dan IronPhyton.
3. Kompatibel dengan berbagai Operating System Dapat digunakan di berbagai macam OS seperti Windows, Linux, dan MacOS
4. Terdapat kelas gambar dengan warna generic dan memiliki kedalaman.
5. Dapat menggunakan fungsi-fungsi dari OpenCV.
2. ISI PENELITIAN 2.1 Analisis Masalah
Pada sistem yang telah ada di Kemenkumham, kamera pengawas hanya diawasi oleh 2 petugas satpam selama 24 jam. Satu orang mengawasi monitor cctv, dan yang satunya berpatroli di dalam kantor. Kamera pengawas yang ada, merekam segala sesuatu kegiatan pada setiap harinya selama 24 jam dan hasil rekaman tersebut disimpan dalam server kantor Kemenkumham. Dalam hal ini terdapat masalah dalam sistem yang sudah ada yaitu:
1. Hasil rekaman kamera pengawas hanya
berfungsi sebagai alat bukti apabila terjadi suatu tindak pidana seperti pencurian dan lain-lain. 2. Petugas tidak dapat mengawasi monitor selama 24 jam penuh karena berbagai faktor.
3. Kamera pengawas belum dapat mendeteksi manusia yang ada dalam gambar.
(25)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi...Volume..., Bulan 20..ISSN :2089-9033
4. Petugas belum dapat mengakses gambar hasil pengawasan kamera.
2.2 Analisis Sistem yang Sedang Berjalan
Dari hasil observasi dan wawancara yang telah dilakukan kepada pihak Kanwil Kemenkumham Jawa Barat didapati sistem kamera pengawas yang sedang berjalan di Kemenkumham pada saat ini yaitu:
1. Kamera menyala selama 24 jam dan merekam video pengawasan.
2. Hasil rekaman tersebut tersimpan di DVR CCTV.
3. Hasil rekaman di tampilkan di layar monitor yang berada di pos satpam.
4. Hasil rekaman tersebut akan dihapus oleh bagian
keamanan yaitu setiap sebulan sekali atau
memindahkan hasil rekaman yang penting ke komputer.
Berikut ini gambar alur sistem yaitu sebagai berikut:
Gambar 2 Diagram Aktifitas Sistem yang Sedang Berjalan
2.3 Analisis Sistem yang Ditawarkan
Untuk membantu kinerja petugas keamanan di
Kantor Kemenkumham Jawa Barat, maka
ditawarkan sebuah solusi yaitu dengan membangun suatu perangkat lunak yang dapat membantu monitoring ruang apabila terdapat manusia. Dengan memanfaatkan komputer, jaringan internet kantor dan telepon genggam petugas keamanan, diharapkan sistem yang dibangun dapat menunjang kinerja kamera pengawas yang saat ini ada di area kantor. Adapun keuntungan dari solusi yang ditawarkan adalah sebagai berikut:
1. Perangkat lunak yang dibangun diharapkan dapat membantu petugas dalam patroli di malam hari
2. Kamera pengawas di kemenkumham dapat
secara realtime mendeteksi manusia yang
seharusnya di ruangan tidak terdapat aktivitas. 3. Petugas Keamanan dapat segera mendapat informasi mengenai keberadaan manusia di area kantor.
4. Kamera pengawas dapat menjadi alat pencegah kejahatan daripada hanya sekedar barang bukti setelah kejahatan terjadi.
Berikut ini adalah gambar arsitektur sistem yang akan dibangun. Arsitektur sistem ini terdiri dari beberapa komponen yaitu sistem berbasis web, dan desktop.
Gambar 3 Arsitektur Sistem yang Dibangun
2.4 Analisis Metode
Aplikasi kamera pengawas deteksi manusia di
Kemenkumham ini, menggunakan metode
Histogram of Oriented Gradients (HOG). Metode HOG merupakan rangkaian dari beberapa tahap komputasi pada citra digital untuk mengekstrasi ciri fitur manusia pada citra.
(26)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi...Volume..., Bulan 20..ISSN :2089-9033
Gambar 4. Diagram Alur Deteksi Secara Umum Gambar 4 menunjukkan alur sistem pendeteksian kehadiran manusia dalam sebuah video dengan menggunakan metode HOG detection berbasis EmguCV. Tiap frame yang dihasilkan dari kamera di lapisan native akan diubah menjadi format bitmap agar dapat digambarkan representasi matriks-nya. Representasi citra sebagai matriks ini berguna untuk pemprosesan deteksi itu sendiri. Frame-frame gambar kemudian diproses oleh HOG detection sehingga diputuskan hasil pendeteksian apakah manusia atau bukan manusia. Hasil keputusan dari HOG detection jika manusia maka akan ditandai dengan bounding box berbentuk persegi (rectangle). Gambar yang tersusun dari frame-frame yang terdeteksi adanya kehadiran manusia tersebut akan disimpan di database. Hasil pendeteksian adanya kehadiran manusia tersebut disimpan dalam bentuk foto. Foto tersebut akan dikirimkan melalui notifikasi yang akan menghubungkan dengan web penyimpanan foto.
2.5 Metode Histogram of Oriented Gradients
Metode untuk deteksi manusia dalam penelitian ini adalah Histograms of Oriented Gradients. Gambar 5 menunjukkan alur proses dalam metode HOG.
Gambar 5 Proses Metode HOG
Terdapat 5 proses utama dalam metode HOG yang digunakan dalam penelitian ini. Proses-proses tersebut akan dijabarkan lebih lanjut sebagai berikut:
1. Konversi Citra RGB ke Citra Grayscale
Citra yang menjadi input sistem merupakan citra RGB (Red-Green-Blue) hasil pencacahan frame video menjadi citra format bitmap. Tahap ini bertujuan untuk mengubah nilai channel warna RGB pada setiap pixel citra menjadi nilai derajat keabuan. Tujuannya untuk mempermudah komputasi HOG. Dalam citra RGB, komputasi HOG akan menghitung pada 3 channel warna, sedangkan pada citra skala keabuan, komputasi hanya dilakukan sekali. Metode yang digunakan untuk mengkonversi nilai pixel dari citra RGB menjadi grayscale adalah metode Luminosity.
Misalkan pada gambar 3.5a pixel (1,1) terdapat nilai yaitu :
R = 255 G = 198 B = 213
Maka nilai grayscale akan dihitung dengan persamaan (2.4) sebagai berikut:
Grayscale = (0.299 * R) + (0.587 * G) + (0.114 * B) Grayscale = (0.299*255)+(0.587*198)+(0.114*213) Grayscale = (76.245+116.226+24.282) = 216.753 Jadi didapatkan nilai grayscale dari pixel (1,1) dari citra sebesar 217.
Proses perhitungan seperti pada contoh sebelumnya akan dilakukan pada citra RGB dari pixel dari posisi f(0,0) sampai f(n-1,n-1). Contoh hasil dari konversi citra RGB ke citra grayscale bisa dilihat pada gambar 6 berikut ini:
Gambar 6 (a) Citra Input RGB (b) Citra Grayscale Hasil Konversi
2. Hitung Gradien
Setelah citra dikonversi menjadi grayscale, langkah selanjutnya adalah menghitung nilai gradien citra. Metode yang digunakan adalah metode gradien selisih terpusat (center-difference). Secara spesifik metode ini melakukan filtering pada citra grayscale dengan filter kernels dari persamaan berikut:
(27)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi...Volume..., Bulan 20..ISSN :2089-9033
Dengan melambangkan citra grayscale hasil
konversi sebelumnya sebagai I kernel konvolusi sebagai , dan kernel konvolusi sebagai , kita akan menghitung nilai pixel hasil kovolusi pada sumbu x dan y menggunakan operasi konvolusi dengan persamaan berikut:
Misalkan matriks citra dengan ukuran 3x3 pixel sebagai berikut:
Sebagai contoh akan dihitung nilai konvolusi dari Ix (nilai I pada sumbu x) dan Iy (nilai I pada sumbu y) pada posisi p22 sebagai berikut:
Jadi nilai Ix pada pixel adalah 37.
Jadi nilai pada pixel adalah 37.
Maka didapatkan nilai gradient magnitude sebesar 52,3259.
Dengan didapatnya nilai Ix dan Iy pada koordinat maka dapat dihitung nilai gradient magnitude dan orientasi gradien melalui persamaan seperti dibawah ini:
Maka didapatkan nilai orientasi gradien sebesar 45. Dalam tahap ini, akan dihasilkan sebuah citra hasil perhitungan gradien seperti pada gambar berikut:
Gambar 7 Citra Konversi Grayscale
3. Menghitung Histogram dan Bin Orientasi
Cell Magnitude dan Orientasi gradien tiap pixel akan digunakan dalam tahap selanjutnya. Citra kemudian dibagi kedalam kelompok pixel yang disebut cell yang berukuran 8x8 pixel. Tahap kalkulasi berlanjut dengan membuat histogram pada tiap cell.
Tiap-tiap pixel dalam cell akan memberikan vote untuk orientasi histogram dalam cell. Vote dibagi dalam 9 bin (9 channel histogram) antara 0° - 180°. Jadi dalam sebuah cell kita akan mendapatkan 64 buah gradien.
4. Normalisasi Block
Cell yang dibentuk kemudian dikelompokkan lagi dalam block berupa persegi panjang (R-HOG). Satu buah block berukuran 2 x 2 cell. R-HOG diwakili oleh tiga parameter yaitu jumlah cell per block, jumlah pixel per cell, dan jumlah bin per histogram.
5. Detector Window
Langkah terakhir dalam metode HOG adalah
(28)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi...Volume..., Bulan 20..ISSN :2089-9033
gradients dalam detector window. Semua histogram untuk setiap block akan dikonkatenasi untuk menghasilkan sebuah feature vector.
2.6 Analisis Kebutuhan Perangkat Keras
Sistem kamera pengawas yang ada di Kanwil Kemenkumham Jawa Barat saat ini kurang lebih memiliki arsitektur perangkat keras sebagai berikut:
Gambar 8 Arsitektur Perangkat Keras Saat Ini
Sistem yang ditawarkan merupakan sistem
pendamping kamera pengawas yang sudah ada. Arsitektur sistem dapat dilihat pada gambar berikut:
Gambar 9 Arsitektur Perangkat Keras yang Dibangun
3. KESIMPULAN DAN SARAN 3.1 Kesimpulan
Setelah melewati pengujian aplikasi
monitoring di Kemenkumham dengan menggunakan metode deteksi manusia ini, maka dapat diambil kesimpulan sebagai berikut:
1. Sistem dapat mendeteksi manusia sesuai
dengan postur tubuh.
2. Jarak manusia sangat berpengaruh pada
hasil perhitungan.
3. Sistem dapat meng-capture otomatis
dengan output gambar manusia.
4. Gambar manusia yang di capture dberikan
tanda bounding box.
5. Gambar terkirim ke server dan disimpan di
server.
6. Sistem mengirimkan informasi berupa
notifikasi.
3.2 Saran
Terlepas dari kelebihan-kelebihan sebuah
perangkat lunak pasti memiliki
kekurangan-kekurangan yang sifatnya masih dapat
dikembangkan lagi di kemudian hari. Adapun saran-saran dalam pengembangan perangkat lunak sistem kamera pengawan deteksi mausia di Kemenkumham adalah sebagai berikut:
1. Penggunaan kamera untuk melakukan
deteksi.
2. Jarak manusia dengan kamera.
3. Untuk mendeteksi manusia tidak hanya
mengandalkan postur tubuh saja.
4. DAFTAR PUSTAKA
[1] W. Indrawan, "RANCANG BANGUN
PEMANTAU KEAMANAN MENGGUNAKAN
WEBCAM BERBASIS ANDROID," Sekolah
Tinggi Manajemen Informatika dan Komputer Amikom, Yogyakarta, 2012.
[2] A. Siswanto and R. Faldana, "SISTEM
MONITORING RUMAH BERBASIS
TEKNOLOGI CLOUD COMPUTING," Seminar Nasional Sistem Informasi Indonesia, pp. 275-283, 2014.
[3] Harnyansyah and Y. Kristian, "DETEKSI
DAN PENGHITUNGAN MANUSIA PADA
VIDEO PENGUNJUNG INSTANSI
PEMERINTAH DI TARAKAN MENGGUNAKAN
METODE HISTOGRAM OF ORIENTED
GRADIENTS," Seminar Nasional “Inovasi dalam Desain dan Teknologi” - IDeaTech 2015, Vols. ISSN: 2089-1121, pp. 197-204, 2015.
[4] M. Nazir, Metode Penelitian, Bogor: Ghalia
Indonesia, 2005.
[5] R. S. Pressmann, Software Engineering,
Yogykarta: Andi, 2010.
[6] www.emgucv.com, "Emgu CV : OpenCV in
.NET," EmguCV, Juli 2015. [Online]. Sumber: http://www.emgu.com/wiki/index.php/Main_Page. [Diakses 1 Desember 2015].
[7] N. Dalal and B. Triggs, "Histograms of
Oriented Gradients for Human Detection," 2005.
[Online]. Available:
http://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf. [Diakses 12 September 2015].
[8] Microsoft, "Microsoft Visual Studio
Microsoft," Microsoft, 2015. [Online]. Available:
https://www.visualstudio.com/. [Dikases 2
November 2015].
[9] Kasman, Kolaborasi Dahsyat Android,
(29)
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA)
Edisi...Volume..., Bulan 20..ISSN :2089-9033
[10] R. A.S and M. Shalahuddin, Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek, Bandung: Informatika, 2014.
(1)
menerjemahkan sebuah citra, lalu menghasilkan keluaran berupa sinyal, dimana frekuensi dan amplitudonya merepresentasikan detail ketajaman (brightness) pada tampilan citra. Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu, memindainya dan membaginya menjadi ratusan garis horizontal yang sama. Tiap-tiap garis menghasilkan sinyal analog dimana amplitudonya menjelaskan perubahan brightness sepanjang garis sinyal tersebut. Komputer tidak bekerja pada sinyal analog, maka dibutuhkan sebuah konverter analog-to-digital (ADC) untuk memproses semua sinyal tersebut oleh komputer. Konverter tersebut akan mengubah sinyal yang direpresentasikan dalam bentuk informasi sinyal tunggal ke dalam sebuah aliran (stream) sejumlah bilangan biner. Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan diproses.
2. Proses pengolahan citra (image processing). Pada proses ini computer vision akan melibatkan sejumlah manipulasi utama (initial manipulation) dari data biner yang dihasilkan pada proses image acquisition. Proses pengolahan citra membantu peningkatan dan perbaikan kualitas citra, sehingga dapat dianalisa dan diolah lebih jauh secara efisian. Image processing akan meningkatkan perbandingan sinyal terhadap noise (signal-to-noise-ratio = s/n). Sinyal-sinyal tersebut adalah informasi yang akan merepresentasikan obyek yang ada dalam citra. Noise adalah segala bentuk interferensi dan pengaburan yang terjadi pada sebuah obyek.
3. Analisa data citra (image analysis).
Pada tahap ini scene akan diekspolari ke dalam bentuk karakteristik utama dari obyek melalui suatu proses investigasi. Sebuah program computer akan mulai melihat melalui bilangan biner yang merepresentasikan informasi visual untuk mengidentifikasi fitur-fitur spesisfik dan karakteristiknya. Program image analysis digunakan untuk mencari tepian batas-batas obyek dalam citra. Sebuah tepian (edge) terbentuk antara obyek dan latar belakangnya atau antara dua obyek yang spesifik. Tepian ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan salah satu batasnya.
4. Proses pemahaman data citra (image understanding). Proses ini merupakan tahap terakhir dalam proses computer vision, dimana spesifik obyek dan hubungannya di identifikasi. Pada bagian ini akan melibatkan kajian tentang teknik-teknik kecerdasan buatan. Understanding berkaitan dengan template matching yang ada dalam sebuah scene. Metode ini menggunakan program pencarian (search program) dan teknik penyesuaian pola (pattern matching techniques).
1.3 Histogram of Oriented Gradients
HistogramsofOrientedGradients (HOG) adalah pendeskripsi ciri (feature descriptor) yang digunakan dalam computer vision dan image
processing untuk pendeteksian objek. Metode HOG diperkenalkan pertama kali oleh Dalal dan Triggs pada tahun 2005 [7]. Metode HOG dalam penelitian ini akan digunakan untuk menguji apakah dalam citra uji terdapat manusia atau tidak. Gambar 2.8 menunjukkan langkah kerja proses ekstraksi fitur dari metode HOG. Langkah-langkah dari HOG dapat dilihat pada gambar 1.
Gambar 1 Proses Ektraksi Fitur Metode HOG 1.4 EmguCV
EmguCV adalah suatu library open source lintas platform. EmguCV dapat memanggil fungsi-fungsi OpenCV library pada image processing. EmguCV kompatibel dengan banyak bahasa pemrograman seperti C++, C#, VB, IronPhyton dan lain-lain. EmguCV dapat dijalankan oleh berbagai OS seperti Windows, Linux, dan MacOS [6].
1. Lintas Platform
Tidak seperti wrapper lainnya yang ditulis dengan kode yang tidak aman. Penulisan EmguCV ditulis menggunakan bahasa C#.
2. Kompatibel dengan banyak bahasa pemrograman Dapat digunakan di banyak bahasa pemrograman seperti C++, C#, VB, dan IronPhyton.
3. Kompatibel dengan berbagai Operating System Dapat digunakan di berbagai macam OS seperti Windows, Linux, dan MacOS
4. Terdapat kelas gambar dengan warna generic dan memiliki kedalaman.
5. Dapat menggunakan fungsi-fungsi dari OpenCV. 2. ISI PENELITIAN
2.1 Analisis Masalah
Pada sistem yang telah ada di Kemenkumham, kamera pengawas hanya diawasi oleh 2 petugas satpam selama 24 jam. Satu orang mengawasi monitor cctv, dan yang satunya berpatroli di dalam kantor. Kamera pengawas yang ada, merekam segala sesuatu kegiatan pada setiap harinya selama 24 jam dan hasil rekaman tersebut disimpan dalam server kantor Kemenkumham. Dalam hal ini terdapat masalah dalam sistem yang sudah ada yaitu:
1. Hasil rekaman kamera pengawas hanya berfungsi sebagai alat bukti apabila terjadi suatu tindak pidana seperti pencurian dan lain-lain. 2. Petugas tidak dapat mengawasi monitor selama 24 jam penuh karena berbagai faktor.
3. Kamera pengawas belum dapat mendeteksi manusia yang ada dalam gambar.
(2)
4. Petugas belum dapat mengakses gambar hasil pengawasan kamera.
2.2 Analisis Sistem yang Sedang Berjalan
Dari hasil observasi dan wawancara yang telah dilakukan kepada pihak Kanwil Kemenkumham Jawa Barat didapati sistem kamera pengawas yang sedang berjalan di Kemenkumham pada saat ini yaitu:
1. Kamera menyala selama 24 jam dan merekam video pengawasan.
2. Hasil rekaman tersebut tersimpan di DVR CCTV.
3. Hasil rekaman di tampilkan di layar monitor yang berada di pos satpam.
4. Hasil rekaman tersebut akan dihapus oleh bagian keamanan yaitu setiap sebulan sekali atau memindahkan hasil rekaman yang penting ke komputer.
Berikut ini gambar alur sistem yaitu sebagai berikut:
Gambar 2 Diagram Aktifitas Sistem yang Sedang Berjalan
2.3 Analisis Sistem yang Ditawarkan
Untuk membantu kinerja petugas keamanan di Kantor Kemenkumham Jawa Barat, maka ditawarkan sebuah solusi yaitu dengan membangun suatu perangkat lunak yang dapat membantu monitoring ruang apabila terdapat manusia. Dengan memanfaatkan komputer, jaringan internet kantor dan telepon genggam petugas keamanan, diharapkan sistem yang dibangun dapat menunjang kinerja kamera pengawas yang saat ini ada di area kantor. Adapun keuntungan dari solusi yang ditawarkan adalah sebagai berikut:
1. Perangkat lunak yang dibangun diharapkan dapat membantu petugas dalam patroli di malam hari
2. Kamera pengawas di kemenkumham dapat secara realtime mendeteksi manusia yang seharusnya di ruangan tidak terdapat aktivitas. 3. Petugas Keamanan dapat segera mendapat informasi mengenai keberadaan manusia di area kantor.
4. Kamera pengawas dapat menjadi alat pencegah kejahatan daripada hanya sekedar barang bukti setelah kejahatan terjadi.
Berikut ini adalah gambar arsitektur sistem yang akan dibangun. Arsitektur sistem ini terdiri dari beberapa komponen yaitu sistem berbasis web, dan desktop.
Gambar 3 Arsitektur Sistem yang Dibangun 2.4 Analisis Metode
Aplikasi kamera pengawas deteksi manusia di Kemenkumham ini, menggunakan metode Histogram of Oriented Gradients (HOG). Metode HOG merupakan rangkaian dari beberapa tahap komputasi pada citra digital untuk mengekstrasi ciri fitur manusia pada citra.
(3)
Gambar 4. Diagram Alur Deteksi Secara Umum Gambar 4 menunjukkan alur sistem pendeteksian kehadiran manusia dalam sebuah video dengan menggunakan metode HOG detection berbasis EmguCV. Tiap frame yang dihasilkan dari kamera di lapisan native akan diubah menjadi format bitmap agar dapat digambarkan representasi matriks-nya. Representasi citra sebagai matriks ini berguna untuk pemprosesan deteksi itu sendiri. Frame-frame gambar kemudian diproses oleh HOG detection sehingga diputuskan hasil pendeteksian apakah manusia atau bukan manusia. Hasil keputusan dari HOG detection jika manusia maka akan ditandai dengan bounding box berbentuk persegi (rectangle). Gambar yang tersusun dari frame-frame yang terdeteksi adanya kehadiran manusia tersebut akan disimpan di database. Hasil pendeteksian adanya kehadiran manusia tersebut disimpan dalam bentuk foto. Foto tersebut akan dikirimkan melalui notifikasi yang akan menghubungkan dengan web penyimpanan foto.
2.5 Metode Histogram of Oriented Gradients Metode untuk deteksi manusia dalam penelitian ini adalah Histograms of Oriented Gradients. Gambar 5 menunjukkan alur proses dalam metode HOG.
Gambar 5 Proses Metode HOG
Terdapat 5 proses utama dalam metode HOG yang digunakan dalam penelitian ini. Proses-proses tersebut akan dijabarkan lebih lanjut sebagai berikut: 1. Konversi Citra RGB ke Citra Grayscale Citra yang menjadi input sistem merupakan citra RGB (Red-Green-Blue) hasil pencacahan frame video menjadi citra format bitmap. Tahap ini bertujuan untuk mengubah nilai channel warna RGB pada setiap pixel citra menjadi nilai derajat keabuan. Tujuannya untuk mempermudah komputasi HOG. Dalam citra RGB, komputasi HOG akan menghitung pada 3 channel warna, sedangkan pada citra skala keabuan, komputasi hanya dilakukan sekali. Metode yang digunakan untuk mengkonversi nilai pixel dari citra RGB menjadi grayscale adalah metode Luminosity.
Misalkan pada gambar 3.5a pixel (1,1) terdapat nilai yaitu :
R = 255 G = 198 B = 213
Maka nilai grayscale akan dihitung dengan persamaan (2.4) sebagai berikut:
Grayscale = (0.299 * R) + (0.587 * G) + (0.114 * B) Grayscale = (0.299*255)+(0.587*198)+(0.114*213) Grayscale = (76.245+116.226+24.282) = 216.753 Jadi didapatkan nilai grayscale dari pixel (1,1) dari citra sebesar 217.
Proses perhitungan seperti pada contoh sebelumnya akan dilakukan pada citra RGB dari pixel dari posisi f(0,0) sampai f(n-1,n-1). Contoh hasil dari konversi citra RGB ke citra grayscale bisa dilihat pada gambar 6 berikut ini:
Gambar 6 (a) Citra Input RGB (b) Citra Grayscale Hasil Konversi
2. Hitung Gradien
Setelah citra dikonversi menjadi grayscale, langkah selanjutnya adalah menghitung nilai gradien citra. Metode yang digunakan adalah metode gradien selisih terpusat (center-difference). Secara spesifik metode ini melakukan filtering pada citra grayscale dengan filter kernels dari persamaan berikut:
(4)
Dengan melambangkan citra grayscale hasil konversi sebelumnya sebagai I kernel konvolusi sebagai , dan kernel konvolusi sebagai , kita akan menghitung nilai pixel hasil kovolusi pada sumbu x dan y menggunakan operasi konvolusi dengan persamaan berikut:
Misalkan matriks citra dengan ukuran 3x3 pixel sebagai berikut:
Sebagai contoh akan dihitung nilai konvolusi dari Ix (nilai I pada sumbu x) dan Iy (nilai I pada sumbu y) pada posisi p22 sebagai berikut:
Jadi nilai Ix pada pixel adalah 37.
Jadi nilai pada pixel adalah 37.
Maka didapatkan nilai gradient magnitude sebesar 52,3259.
Dengan didapatnya nilai Ix dan Iy pada koordinat maka dapat dihitung nilai gradient magnitude dan orientasi gradien melalui persamaan seperti dibawah ini:
Maka didapatkan nilai orientasi gradien sebesar 45. Dalam tahap ini, akan dihasilkan sebuah citra hasil perhitungan gradien seperti pada gambar berikut:
Gambar 7 Citra Konversi Grayscale
3. Menghitung Histogram dan Bin Orientasi Cell Magnitude dan Orientasi gradien tiap pixel akan digunakan dalam tahap selanjutnya. Citra kemudian dibagi kedalam kelompok pixel yang disebut cell yang berukuran 8x8 pixel. Tahap kalkulasi berlanjut dengan membuat histogram pada tiap cell.
Tiap-tiap pixel dalam cell akan memberikan vote untuk orientasi histogram dalam cell. Vote dibagi dalam 9 bin (9 channel histogram) antara 0° - 180°. Jadi dalam sebuah cell kita akan mendapatkan 64 buah gradien.
4. Normalisasi Block
Cell yang dibentuk kemudian dikelompokkan lagi dalam block berupa persegi panjang (R-HOG). Satu buah block berukuran 2 x 2 cell. R-HOG diwakili oleh tiga parameter yaitu jumlah cell per block, jumlah pixel per cell, dan jumlah bin per histogram. 5. Detector Window
Langkah terakhir dalam metode HOG adalah mengumpulkan nilai histograms of oriented
(5)
gradients dalam detector window. Semua histogram untuk setiap block akan dikonkatenasi untuk menghasilkan sebuah feature vector.
2.6 Analisis Kebutuhan Perangkat Keras
Sistem kamera pengawas yang ada di Kanwil Kemenkumham Jawa Barat saat ini kurang lebih memiliki arsitektur perangkat keras sebagai berikut:
Gambar 8 Arsitektur Perangkat Keras Saat Ini Sistem yang ditawarkan merupakan sistem pendamping kamera pengawas yang sudah ada. Arsitektur sistem dapat dilihat pada gambar berikut:
Gambar 9 Arsitektur Perangkat Keras yang Dibangun
3. KESIMPULAN DAN SARAN 3.1 Kesimpulan
Setelah melewati pengujian aplikasi monitoring di Kemenkumham dengan menggunakan metode deteksi manusia ini, maka dapat diambil kesimpulan sebagai berikut:
1. Sistem dapat mendeteksi manusia sesuai dengan postur tubuh.
2. Jarak manusia sangat berpengaruh pada hasil perhitungan.
3. Sistem dapat meng-capture otomatis dengan output gambar manusia.
4. Gambar manusia yang di capture dberikan tanda bounding box.
5. Gambar terkirim ke server dan disimpan di server.
6. Sistem mengirimkan informasi berupa notifikasi.
3.2 Saran
Terlepas dari kelebihan-kelebihan sebuah perangkat lunak pasti memiliki kekurangan-kekurangan yang sifatnya masih dapat dikembangkan lagi di kemudian hari. Adapun saran-saran dalam pengembangan perangkat lunak sistem kamera pengawan deteksi mausia di Kemenkumham adalah sebagai berikut:
1. Penggunaan kamera untuk melakukan deteksi.
2. Jarak manusia dengan kamera.
3. Untuk mendeteksi manusia tidak hanya mengandalkan postur tubuh saja.
4. DAFTAR PUSTAKA
[1] W. Indrawan, "RANCANG BANGUN PEMANTAU KEAMANAN MENGGUNAKAN WEBCAM BERBASIS ANDROID," Sekolah Tinggi Manajemen Informatika dan Komputer Amikom, Yogyakarta, 2012.
[2] A. Siswanto and R. Faldana, "SISTEM
MONITORING RUMAH BERBASIS
TEKNOLOGI CLOUD COMPUTING," Seminar Nasional Sistem Informasi Indonesia, pp. 275-283, 2014.
[3] Harnyansyah and Y. Kristian, "DETEKSI DAN PENGHITUNGAN MANUSIA PADA
VIDEO PENGUNJUNG INSTANSI
PEMERINTAH DI TARAKAN MENGGUNAKAN METODE HISTOGRAM OF ORIENTED GRADIENTS," Seminar Nasional “Inovasi dalam
Desain dan Teknologi” - IDeaTech 2015, Vols.
ISSN: 2089-1121, pp. 197-204, 2015.
[4] M. Nazir, Metode Penelitian, Bogor: Ghalia Indonesia, 2005.
[5] R. S. Pressmann, Software Engineering, Yogykarta: Andi, 2010.
[6] www.emgucv.com, "Emgu CV : OpenCV in .NET," EmguCV, Juli 2015. [Online]. Sumber: http://www.emgu.com/wiki/index.php/Main_Page. [Diakses 1 Desember 2015].
[7] N. Dalal and B. Triggs, "Histograms of Oriented Gradients for Human Detection," 2005.
[Online]. Available:
http://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf. [Diakses 12 September 2015].
[8] Microsoft, "Microsoft Visual Studio Microsoft," Microsoft, 2015. [Online]. Available: https://www.visualstudio.com/. [Dikases 2 November 2015].
[9] Kasman, Kolaborasi Dahsyat Android, Yogyakarta: Lokomedia, 2013.
(6)
[10] R. A.S and M. Shalahuddin, Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek, Bandung: Informatika, 2014.