Sistem Deteksi Perhatian Operator Kamera Pengawas Terhadap Monitor Menggunakan Haar Cascade Classifier
Vol. 2, No. 12, Desember 2018, hlm. 6315-6321 http://j-ptiik.ub.ac.id
Sistem Deteksi Perhatian Operator Kamera Pengawas Terhadap Monitor
Menggunakan Haar Cascade Classifier
12
3 Devi Ayu Ratnasari , Hurriyatul Fitriah , Mochammad Hannats Hanafi IchsanProgram Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: devi8ayu8ratnasari95@gmail.com, hfitriyah@ub.ac.id, hanas.hanafi@ub.ac.id
Abstrak
Penerapan sistem keamanan untuk mengawasi keamanan suatu tempat menggunakan kamera pengawas adalah alternatif yang sering dipilih. Daripada menyewa jasa banyak petugas keamanan, menempatkan kamera pengawas di berbagai sudut tempat dengan seorang operator pengawas kamera lebih dipilih. Durasi kinerja operator kamera pengawas rata-rata selama 6 jam sampai 8 jam, selama periode itu operator diwajibkan mengawasi monitor dalam ruangan. Dengan periode kerja yang panjang, maka perhatian operator semakin menurun dan mengakibatkan tugas pengawasannya tidak maksimal. Karena tidak ada pengawas untuk kinerja operator, maka teknologi pengawas operator secara real-time dibuat. Dengan mendeteksi posisi duduk atau berdiri dan deteksi wajah beserta mata, maka arah perhatian operator dapat diketahui. Deteksi posisi duduk atau berdiri sistem ini menggunakan konversi warna HSV untuk menyeleksi piksel yang mengandung warna kulit sebagai nilai ambang. Setelah mendapat nilai ambang, dilakukan Thresholding citra, dan perhitungan jumlah piksel putih pada gambar bagian bawah dan atas. Untuk deteksi wajah dan mata digunakan Haar Cascade Classifier. Algoritma ini dapat mendeteksi wajah dan mata hingga sudut paling
15ᵒ. Hasil keluaran sistem yaitu bunyi buzzer yang menandakan bahwa operator dalam kondisi sedang tidak perhatian. Sistem dapat mendeteksi duduk atau berdiri dengan akurasi 100%, sedangkan deteksi wajah dan mata untuk menentukan kondisi tidak memperhatikan sebesar 98.33%.
Kata kunci: Deteksi perhatian, Operator Pengawas Kamera, Haar Cascade Classifier, Raspberry Pi
Abstract
Application of security systems to oversee the security of a location using cameras is an alternative that
is often chosen. Rather than hiring the services of many security officers, put the cameras in various
corners of the place are more economical with less security officer and a camera operator. Job duration
of camera operators on average for 6 hours to 8 hours, during this period the operators are required to
oversee the monitors in the room. With the long work duration, operator attention is decreased so that
the supervision task insufficient. There is no a supervisor for camera operator performance, so operator
supervisor technology in real-time is made. By detecting the position of sitting or standing and face
detection, then the attention of operators can be detected. Position detection of sitting or standing on
this system using HSV color conversion to selecting pixels containing skin color as a value threshold,
image Thresholding, and white pixel calculations from the top image and the bottom image. For human
face and eyes detection used Haar Cascade Classifier Algorithm. This algorithm can detect the tilt angleof each face up to 15ᵒ. The output of the system is the sound of the buzzer, indicates that the operator
under the conditions of being out of attention. The system can detect the sit or stand condition with
100% accuracy, for face and eyes detection to determine the condition of attention of 98.33% accuracy.
Keywords: Attention Detection, Camera supervisor, Haar Cascade Classifier, Raspberry Pi
ini lebih sering digunakan. Operator harus 1. mengawasi monitor dalam ruangan dengan
PENDAHULUAN
durasi kerja 6 jam sampai 8 jam. Riset yang Pengawasan sebuah tempat dengan dilakukan Dr. Donald (2015), untuk mencari tipe menerapkan sistem keamanan mengenakan operator kamera pengawas, subjek penelitian kamera pengawas dan operator pengawas saat
Fakultas Ilmu Komputer Universitas Brawijaya
6315 diwajibkan melakukan deteksi video dalam waktu 90 menit dengan beragam insiden dan tingkat kesulitan. Para peserta tidak diberi istirahat dalam periode ini. Pengujian efektifitas disaat subjek melihat monitor, dimana subjek harus melihat kamera pengawas secara terus- menerus hingga 90 menit. Dr. Donald menemukan bahwa subjek melakukan pengawasan dengan baik pada 30 menit awal percobaan selama 90 menit, sedangakan setengah dari seluruh responden bertahan pada 15 menit awal (Donald, 2015). Dengan durasi kinerja operator pengawas yang cukup lama, banyak operator pengawas mengalami penurunan perhatian terhadap monitor sehingga tugas pengawasannya kurang maksimal. Karena tidak ada pengawas perhatian operator terhadap monitor, maka teknologi real-time untuk mengawasi perhatian operator dibutuhkan.
Sebuah penelitian mengembangkan teknologi real-time dengan perilaku manusia sebagai input untuk monitoring. Di saat operator mulai stress, cara berpikir, pandangan dan pengambilan keputusan mereka melemah, yang membuat kesempatan kesalahpahaman peristiwa yang terjadi meningkat dan menambah kemungkinan kesalahan yang disebabkan operator. Algoritma yang digunakan adalah
Deteksi wajah operator pada sistem ini memanfaatkan kelemahan algoritma Haar
2.1 Perancangan Perangkat Keras
Tahapan yang dilakukan untuk penelitian ini berupa perancangan, implementasi, dan pengujian. Perancangan dan implementasi sistem dilakukan pada perangkat keras dan program. Perancangan program dibagi menjadi deteksi duduk atau berdiri dan deteksi wajah manusia. Perancangan program deteksi duduk atau berdiri menjelaskan proses sistem mendeteksi duduk atau berdiri menggunakan konversi ruang warna HSV dan binerisasi citra. Perancangan deteksi wajah dan mata manusia menjelaskan proses sistem dalam mengenali wajah dan mata manusia.
2. METODOLOGI PENELITIAN
selain menghadap lurus ke depan kamera juga dapat mendeteksi posisi wajah hingga rotasi wajah sebesar 15 ᵒ (Santoso & Harjoko, 2013).
Algoritma ini dapat mendeteksi posisi wajah
Cascade Classifier untuk mengklasifikasikan keadaan tidak memperhatikan monitor.
yang terkenal di kalangan pendekatan deteksi wajah dengan metode statistik. Metode ini diusulkan pada tahun 2001 oleh Paul Viola dan Michael Jones. Dimana metode ini memiliki hasil dengan tingkat keakuratan dan kecepatan yang cukup tinggi. Walaupun deteksi wajah secara real-time menggunakan komputer kecepatan tinggi, sumber daya sistem cenderung didominasi oleh proses deteksi wajah (Krishna & Srinivasulu, 2012).
Bidirectional Long Short Term Memory network
Haar Cascade merupakan salah satu metode
Metode pendeteksian objek menggunakan
Deteksi duduk dan berdiri, penelitian ini menggunakan konversi ruang warna RGB ke HSV dan thresholding citra. Ruang warna HSV lebih intuitif dalam menyiratkan warna menurut mata manusia dibandingkan ruang warna RGB (Kolkur, et al., 2016 ). Dengan konversi warna RGB ke HSV, maka akan dilakukan seleksi piksel yang mengendung warna kulit sebagai nilai ambang proses thresholding. Setelah melakukan Threshold, gambar akan dibagi menjadi 2 bagian yaitu atas dan bawah. Setiap gambar dihitung piksel putihnya untuk menentukan posisi duduk dan berdiri.
Sistem deteksi perhatian operator kamera pengawas mendapat input dari kamera, piranti pemrosesan sistem menggunakan Raspberry Pi, dan output sistem berupa buzzer. Sistem deteksi perhatian operator terhadap monitor mengawasi operator dengan mendeteksi posisi duduk atau berdiri dan deteksi wajah. Hasil dari deteksi duduk atau berdiri dan deteksi wajah akan menentukan operator pengawas kamera dalam keadaan memperhatikan monitor atau tidak.
data wajah, penelitian ini menghasilkan pengenalan pola emosi dari operator (Rybak, et al., 2017).
Convolutional Neural Network (DCNN) untuk
(BiD-LSTM) untuk memproses audio dan Deep
Diagram blok pada Gambar 1 menjelaskan perancangan desain sistem dari input, proses, dan output. Sebelum menghitung piksel putih untuk menentukan duduk atau berdiri manusia, gambar citra dibagi menjadi dua yaitu atas dan bawah. Manusia diklasifikasikan duduk bila jumlah piksel putih pada gambar bawah lebih banyak daripada gambar atas, dan sebaliknya untuk klasifikasi berdiri manusia.
Gambar 1. Diagram blok desain sistem
Berdasarkan Gambar 1, citra digital yang diolah sebagai masukan sistem didapat dari kamera. Pemroses citra yang digunakan adalah Raspberry Pi, keluaran sistem berupa bunyi buzzer.
Gambar 2. Skematik perancangan perangkat keras
Perancangan perangkat keras sistem pada Gambar 2 berupa kamera, Raspberry Pi, dan rangkaian buzzer.
2.2 Perancangan Deteksi Posisi Duduk dan Berdiri
Diagram alir pada Gambar 3 akan menjelaskan mengenai cara kerja sistem untuk mendeteksi duduk dan berdiri manusia.
Gambar 3. Diagram alir proses deteksi duduk dan
Berdasarkan Gambar 3, deteksi duduk dan
berdiri
berdiri mausia pada penelitian ini dilakukan dengan konversi warna dan binerisasi. Konversi Hasil keluaran dari proses deteksi duduk atau warna yang dilakukan yaitu merubah gambar berdiri berupa bunyi buzzer. Buzzer akan dengan format warna RGB menjadi format berbunyi jika hasil deteksinya adalah berdiri. warna HSV untuk mendapatkan warna sesungguhnya dari gambar. Gambar dengan format warna HSV diseleksi setiap pikselnya
2.3 Perancangan Deteksi Wajah dan Mata
untuk memilih piksel dengan warna kulit Deteksi wajah dan mata manusia pada manusia. Piksel dengan warna kulit manusia sistem ini dilakukan dengan algoritma Haar dibinerisasi dengan metode Threshold menjadi Cascade Classifier . Proses deteksi wajah dan piksel putih, sedangkan piksel yang tidak mata bermula dari konversi ruang warna RGB ke termasuk rentang warna kulit manusia akan
Gray , dilanjutkan dengan penentuan Haar-like
diubah menjadi hitam. Jika piksel gambar hanya feature dengan menghitung integral image, dan berwarna hitam dan putih (biner) maka akan membuat cascade classifier dengan algoritma mudah dilakukan perhitungan salah satu piksel. Adaboost. Hasil deteksi wajah dan mata akan menentukan kondisi perhatian atau tidak persamaan integral image. perhatian seseorang. Proses deteksi wajah dan
′ ′ ′ ′ (1) mata akan dijelaskan pada Gambar 4.
) ( , ) = ∑ ( , ≤ , ≤
Gambar 6. Contoh perhitungan integral image
Cara menghitung integral image pada Gambar 6 yaitu dengan melakukan penjumlahan nilai piksel dari kiri atas hingga ke kanan bawah. Setelah menghitung integral image, selanjutnya adalah membuat cascade classifier menggunakan metode . Metode
Adaboost adaboost melakukan penggabungan classifier
lemah untuk menciptakan classifier kuat. Dengan melakukan proses Haar-like masal maka dapat tercipta cascade classifier (Viola &
Jones, 2001) . Pada gambar 7 adalah contoh
pembuatan cascade classifier dengan metode adaboost .
Gambar 7. Proses pembuatan cascade classifier
Berdasarkan Gambar 7 klasifikasi di tingkat pertama setiap subgambar digolongkan memakai satu fitur, lalu menghasilkan nilai True jika gambar memenuhi fitur Haar dan False jika tidak. Klasifikasi pertama dapat mengurangi setengah beban klasifikasi di tahap dua. Hasil klasifikasi di tahap dua bernilai True jika gambar
Gambar 4. Diagram alir proses deteksi wajah
memenuhi proses integral image dan False jika tidak. Dengan bertambahnya tingkatan Proses deteksi wajah dan mata manusia klasifikasi, maka diperlukan syarat yang pada sistem ini dimulai dari konversi ruang warna RGB ke Grayscale. Setelah mendapatkan semakin terperinci dari sebelumnya dan fitur yang digunakan semakin banyak dan bervariasi. gambar grayscale dilakukan klasifikasi
Jumlah subgambar yang lulus dari klasifikasi berdasarkan fitur Haar like. Fitur yang digunakan berdasarkan penelitian Viola dan akan berkurang. Hasil klasifikasi di tingkat akhir adalah True jika gambar memenuhi proses Jones berada pada Gambar 5.
Adaboost dan False jika tidak (Putro, et al., 2012).
2.4 Perancangan Klasifikasi Perhatian dan Keluaran Sistem Gambar 5. Fitur Haar like
Klasifikasi perhatian pada penelitian ini Fitur yang ada dihitung jumlah nilainya dengan merupakan proses paling akhir yang dilakukan mengurangkan nilai piksel pada area putih untuk mendapat hasil keluaran sistem. Proses dengan nilai piksel pada area hitam. Proses klasifikasi sistem ini membutuhkan data hasil perhitungan nilai fitur dilakukan dengan metode dari deteksi duduk atau berdiri dan hasil deteksi
Integral Image . Pada Persamaan 1 adalah wajah dan mata. Data tersebut digunakan untuk mengklasifikasikan subjek kedalam kondisi memperhatikan monitor atau tidak. Subjek dinyatakan memperhatikan monitor jika subjek terdeteksi duduk, terdeteksi wajahnya, dan terdeteksi matanya. Sedangkan kondisi tidak memperhatikan monitor dinyatakan jika subjek terdeteksi berdiri atau wajah menghadap kearah
Gambar 8. Pengujian deteksi duduk
lain dan atau mata subjek terpejam. Pada Tabel Pada Gambar 8 adalah salah satu contoh deteksi 1 akan dijelaskan klasifikasi kondisi duduk subjek. Sistem ini dapat mendeteksi posisi memperhatikan monitor subjek. duduk sesuai dengan perancangan yang telah
Tabel 1. Ketentuan Kondisi Memperhatikan dilakukan.
Deteksi N Posisi wajah Kondisi Buzzer o dan mata
1 Tidak Berdir Berbuny
- memperhatika i i n monitor
2 Tidak Dudu Tidak Berbuny memperhatika k terdeteksi i n monitor Gambar 9. Pengujian deteksi berdiri
3 Tidak Dudu Terdeteks Memperhatika Berbuny k i n monitor
Pada Gambar 9 terlihat bahwa sistem dapat
i
mendeteksi dan menggolongkan posisi berdiri subjek. Pengujian deteksi duduk dan berdiri Hasil keluaran yang didapat dari sistem ini dilakukan pada 10 subjek yang berbeda. Berikut berdasarkan perancangan pada Tabel 1 adalah pada Tabel 2 adalah hasil pengujian deteksi kondisi memperhatikan monitor atau tidak yang duduk dan berdiri. ditunjukkan dengan bunyi dari buzzer. Jika subjek terdeteksi memperhatikan monitor, maka
Tabel 2. Hasil Pengujian Kesesuaian Deteksi Duduk
buzzer akan diam. Sebaliknya, jika subjek
Dan Berdiri
terdeteksi tidak memperhatikan monitor maka
Pengujian Duduk Berdiri buzzer akan berbunyi.
√ √
Subjek Kesatu
√ √
Subjek Kedua 3.
PENGUJIAN DAN HASIL
√ √
Subjek Ketiga
√ √
Pengujian sistem deteksi perhatian operator Subjek Keempat
√ √
pada monitor dibagi menjadi tiga, yaitu Subjek Kelima pengujian akurasi deteksi posisi duduk atau √ √ Subjek Keenam berdiri, akurasi deteksi wajah, dan kinerja sistem
√ √
Subjek Ketujuh secara keseluruhan.
√ √
Subjek Kedelapan
√ √
Subjek Kesembilan
√ √
3.1 Pengujian akurasi deteksi posisi duduk
Subjek Kesepuluh
atau berdiri
Keterangan: √: Sesuai Tujuan dari pengujian ini yaitu mengetahui akurasi sistem untuk mendeteksi posisi duduk
Pada Tabel 2 menjelaskan bahwa akurasi dan berdiri subjek dan mengetahui kesesuaian deteksi duduk dan berdiri yang diujikan pada 10 deteksi berdasarkan perancangan sistem. subjek mencapai 100%. Deteksi posisi duduk dan berdiri menggunakan konversi warna dan binerisasi citra. Cara ini cukup akurat jika kamera sistem diletakkan pada posisi yang tepat.
Pengaturan posisi kamera diperlukan sistem untuk mengenali posisi duduk dan berdiri karena sistem menggunakan perhitungan piksel putih yang terdapat pada gambar.
3.2 Subjek duduk dan Pengujian akurasi deteksi wajah dan mata
kepala menunduk ke Tujuan dari pengujian ini untuk mengetahui bawah ketepatan sistem dalam mendeteksi wajah dan mata. Selain itu pengujian ini dilakukan untuk mengetahui kesesuaian deteksi berdasarkan perancangan sistem yang dilakukan. Pengujian ini meliputi pengujian akurasi deteksi wajah dan mata berdasarkan kondisi memperhatikan
Subjek duduk, wajah monitor atau tidak. Pengujian deteksi wajah dan menghadap ke depan mata berdasarkan kondisi perhatian dan tidak kamera dan mata perhatian dilakukan pada sepuluh subjek terpejam berbeda.
Tabel 3 Contoh Hasil Pengujian Deteksi Perhatian
Pengujian Hasil Berdasarkan Tabel 3 terlihat bahwa sistem
Subjek duduk dan dapat mendeteksi wajah dengan baik jika wajah wajah menghadap ke menghadap depan dan mata tidak terpejam. Dari depan kamera pengujian ini sistem bekerja sesuai perancangan, dimana sistem tidak boleh mendeteksi wajah jika wajah menghadap kanan, kiri, atas, dan bawah ataupun mata terpejam. Hasil pengujian kesesuaian deteksi wajah dan mata untuk klasifikasi perhatian terhadap monitor yang
Subjek duduk dan dilakukan pada 10 subjek ditunjukkan pada wajah menghadap ke Tabel 4. kanan
Tabel 4. Hasil pengujian kesesuaian klasifikasi tidak memperhatikan monitor Posisi Arah Wajah Mata
Sub- Ata Bawa menutu jek Kanan Kiri p s h
1 √ √ √ √ √
Subjek duduk dan
2 √ √ √ √ √
wajah menghadap ke
3 √ √ √ √ √ 4 × √ √ √ √
kiri
5 √ √ √ √ √ 6 √ √ √ √ √ 7 √ √ √ √ √
8 √ √ √ √ √ 9 √ √ √ √ √
Subjek duduk dan
10 √ √ √ √ √ Perse 100
90
kepala mendongak ke
100% 100% 100% ntase % %
atas Keterangan: √: Sesuai
×: Tidak Sesuai
Dari Tabel 4 menunjukkan bahwa sistem bekerja sesuai dengan perancangan, dimana sistem akan menganggap subjek tidak memperhatikan monitor dan buzzer berbunyi apabila wajah dan mata subjek tidak terdeteksi. Persentase deteksi wajah dan mata untuk klasifikasi tidak perhatian sebesar 98.33%. Presentase deteksi terendah berada pada posisi wajah mendongak ke atas, hal ini disebabkan subjek tidak mendongak melebihi
CASCADE CLASSIFIER DAN 15ᵒ.
ALGORITMA ADABOOST UNTUK 4.
KESIMPULAN DETEKSI BANYAK WAJAH
DALAM RUANG KELAS. JURNAL Berdasarkan proses penelitian dan hasil TEKNOLOGI. yang diperoleh dari pengujian sistem, didapat
Viola, P. & Jones, M., 2001. Rapid Object bahwa untuk mendeteksi posisi duduk dan Detection using a Boosted Cascade of berdiri subjek dengan baik, maka penempatan Simple Features. IEEE. kamera cukup berpengaruh. Deteksi wajah menggunakan algoritma Haar Cascade Classifier cukup akurat dan cepat jika wajah menghadap depan. Algoritma ini memiliki kelemahan deteksi jika wajah menghadap ke lain arah sebesar ±15ᵒ. Kelemahan algoritma ini dapat digunakan sistem deteksi perhatian untuk melakukan klasifikasi tidak memperhatikan.
Pada pengujian deteksi duduk dan berdiri menggunakan konversi warna, thresholding citra dan perhitungan piksel putih menghasilkan persentase ketepatan sebesar 100% dengan pengaturan posisi kamera pada setiap subjek yang diuji. Dalam pengujian kesesuaian deteksi wajah dan mata untuk klasifikasi perhatian operator terhadap monitor didapat hasil akurasi sebesar 98.33
%. Untuk hasil deteksi wajah dan mata kurang akurat jika subjek tidak memalingkan wajah lebih dari ±15ᵒ.
5. DAFTAR PUSTAKA
Donald, D. C., 2015. How long can CCTV
operators concentrate for?. [Online]
Tersedia di: http://www.securitysa.com/8289a [Diakses 8 Januari 2018]. Kolkur, S. et al., 2016 . Human Skin Detection
Using RGB, HSV and YCbCr Color Models. ICCASP/ICMMD Advances in Intelligent Systems Research.
Krishna, M. & Srinivasulu, A., 2012. Face Detection System On AdaBoost Algorithm Using Haar Classifiers.
International Journal of Modern Engineering Research (IJMER).
Putro, M. D., Adji, T. B. & Winduratna, B., 2012. Sistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones.
SciETec Science, Engineering and Technology.
Rybak, N., Hassall, M., Parsa, K. & Angus, D.
J., 2017. New real-time methods for operator situational awareness retrieval and higher process safety in the control room. IEEE. Santoso, H. & Harjoko, A., 2013. HAAR