DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL

  

DETEKSI GERAK BANYAK OBJEK

MENGGUNAKAN BACKGROUND SUBSTRACTION

DAN DETEKSI TEPI SOBEL

_{1 2 1,2}

Muhammad Affandes* , Afdi Ramadani

  Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person :

  Muhammad Affandes, Afdi Ramadani _{1 2} affandes@uin-suska.ac.id* , afdi.ramadani@students.uin-suska.ac.id

  

Abstrak

Pengolahan citra digital (digital image processing) saat ini bukan hanya digunakan dalam

mengenali foto dan gambar diam, melainkan juga digunakan pada gambar bergerak (video). Sehingga

tantangan yang dihadapi bukan hanya tentang bagaimana mengenali sebuah objek di dalam foto,

melainkan mengenali objek di dalam video. Salah satu manfaat pengenalan objek pada video adalah

deteksi gerak (motion detection). Implementasinya dapat digunakan pada bidang keamanan berupa

kamera pengawas CCTV. Banyak jenis CCTV yang sudah dilengkapi dengan fitur deteksi gerak. Hanya

saja biaya CCTV cenderung sangat mahal. Penelitian ini menggunakan alternatif kamera web (webcam)

yang biasa dijual di pasaran dan cenderung murah. Namun, tantangan pada deteksi gerak menjadi

bertambah yaitu antara lain: bagaimana mengenali objek pada video dengan resolusi rendah.

Eksperimen yang dilakukan yaitu pengambilan frame, deteksi tepi, background substraction,

perbandingan frame, pemberian nilai threshold dan hitung jumlah total piksel. Deteksi tepi Sobel

digunakan untuk membantu dalam proses background substraction. Sedangkan background

substraction digunakan untuk menentukan objek tersebut bergerak atau tidak berdasarkan nilai

threshold yang ditentukan. Di dalam implementasinya, objek yang bergerak ditandai dengan garis kotak

berwarna merah yang mengelilingi objek tersebut. Dari pengujian diperoleh hasil akurasi dalam

mendeteksi gerak mencapai 88,3%. Nilai akurasi tersebut dipengaruhi oleh nilai threshold, cahaya dan

jarak objek dari kamera.

  Kata kunci: Background Subtraction, Deteksi Tepi Sobel, Motion Detection, Webcam.

  1. Pendahuluan

  Metode perubahan piksel ( Background Substraction) merupakan salah satu metode yang umum digunakan untuk mendeteksi gerak suatu gambar bergerak. Proses ini dilakukan dengan cara membandingkan setiap frame pada video dan melakukan kalkulasi tertentu untuk melihat gerakan dan arah gerakan. Namun, metode ini sangat sensitif dengan cahaya. Di dalam lingkungan statis metode ini dapat mendeteksi gerakan ataupun objek dengan baik. Namun, pada kondisi lingkungan yang lain metode ini sering mengalami kesalahan dalam mendeteksi gerakan, salah satunya adalah ketika terjadi perubahan cahaya, maka cahaya yang berubah dianggap sebagai suatu gerakan [1].

  Kesalahan yang terjadi dapat dihindari dengan menambahkan fungsi lainnya yaitu dengan deteksi tepi Sobel. Metode deteksi tepi Sobel digunakan untuk mendapatkan batas tepi dari objek yang bergerak sehingga piksel yang bergerak disegmentasi menjadi objek. Cara ini dapat meningkatkan akurasi deteksi gerak menggunakan Background Substraction.

  Deteksi tepi Sobel merupakan metode deteksi tepi yang memiliki kualitas deteksi yang lebih baik dibandingkan dengan metode deteksi tepi gradient pertama lainnya [2]. Algoritma ini termasuk algoritma pemograman yang berfungsi sebagai filter image. Filter ini mendeteksi keseluruhan edge yang ada. Dalam prosesnya filter ini menggunakan sebuah operator yang dinamakan operator Sobel.

  2. Metode Penelitian Motion detection (deteksi gerak) secara sederhana dapat dilakukan dengan mencari perubahan

  posisi antara dua buah citra yang berurutan yang diperoleh dari hasil pencarian dengan menggunakan perangkat monitoring seperti webcam. Metode operasi perhitungan yang digunakan untuk mendeteksi adanya gerakan yaitu operasi perubahan piksel putih (255). Untuk itu citra yang didapat harus diubah

  V - 1 ke dalam bentuk grayscale agar nilai yang ada pada citra tersebut lebih sedikit dan mudah untuk dihitung. Operasi perbandingan antara dua buah citra, dimana kedua buah citra tersebut memiliki objek yang sama (background objek tersebut sama) bila terdapat perubahan posisi piksel putih (255) maka dapat disimpulkan adanya suatu gerakan [3].

  Output dari Background Subtraction biasanya adalah inputan yang dapat diproses lebih lanjut.

  Kualitas Background Subtraction tergantung pada teknik pemodelan background yang digunakan untuk pengambilan background dasar. Tujuan dari Background Subtraction itu sendiri adalah untuk menghasilkan urutan frame dari kamera dan mendeteksi seluruh objek foreground. Suatu deskripsi pendekatan yang telah ada tentang Background Subtraction adalah mendeteksi objek dari foreground sebagai perbedaan frame sekarang dan gambar background [4]. Suatu piksel dikatakan foreground jika:

  | | > ℎ − ℎ (1)

  Metode ini sangat peka dengan nilai threshold karena nilai threshold akan berpengaruh penting pada hasil gambar yang nantinya akan dibandingkan dan dilihat apakah ada perubahan atau tidak. Untuk dapat mendeteksi gerak dari suatu objek maka jumlah piksel dari gambar harus dapat kita ketahui dengan cara [4]: Kamera mempunyai resolusi 320 x 240 sehingga untuk menghitung banyaknya piksel gambar tersebut adalah:

  Jumlah piksel total = panjang x lebar = 320 x240 = 76800 piksel

  Kamera akan mendeteksi gerakan apabila jumlah piksel yang ada lebih banyak dari pada 0,08% dari jumlah piksel sehingga webcam akan merekam apabila Jumlah piksel min > 0,008 x Jumlah piksel total Jumlah piksel min > 0,008 x 76800 Jumlah piksel min > 230,4 piksel Di bawah nilai tersebut dianggap tidak terjadi gerakan.

  Thersholding digunakan untuk mengelompokan citra dengan mengatur nilai intensitas semua

  piksel yang lebih besar dari nilai threshold T sebagai latar depan dan yang lebih kecil dari nilai threshold

  

T sebagai latar belakang. Biasanya pengaturan nilai threshold dilakukan berdasarkan histogram

grayscale. Karena ketika gambar ataupun citra tersebut sudah dalam bentuk grayscale barulah dapat

  dilakukan pemberian nilai antara objek dan background-nya. Lalu dibuat ketentuan antara objek dan background sesuai dengan threshold yang telah ditentukan [5].

  Deteksi Tepi Sobel

  Analisis citra bertujuan mengidentifikasi parameter-parameter yang diasosiasikan dengan ciri ( feature) dari objek di dalam citra. Analisis citra pada dasarnya terdiri dari tiga tahapan: ekstraksi (feature extraction), segmentasi, dan klasifikasi. Faktor kunci dalam mengekstraksi ciri adalah kemampuan mendeteksi keberadaan tepi ( edge) dari objek di dalam citra. Setelah tepi objek diketahui, langkah selanjutnya dalam analisis citra adalah segmentasi, yaitu mereduksi citra menjadi objek atau

  

region, misalnya memisahkan objek-objek yang ada dengan mengekstraksi batas-batas objek

  ( boundary). Langkah terakhir dari analisis citra adalah klasifikasi, yaitu memetakan segmen-segmen yang berbeda ke dalam kelas objek yang berbeda pula [2].

  Metode Sobel merupakan salah satu pengembangan dari teknik edge detection sebelumnya (Metode Robert) dengan menggunakan HPF ( High pas Filter) yang diberikan satu angka nol sebagai penyangga. Algoritma ini termasuk algoritma pemrograman yang berfungsi sebagai filter image. Filter ini mendeteksi keseluruhan edge yang ada. Dalam prosesnya filter ini menggunakan sebuah operator, yang dinamakan operator Sobel. Operator Sobel menggunakan matriks n x n dengan berordo 3 x 3, 5 x 5, 7 x 7. Matriks seperti ini digunakan untuk mendapatkan piksel tengah sehingga menjadi titik tengah matriks. Piksel tengah ini merupakan piksel yang akan diperiksa. Cara pemanfaatan matriks ini sama

  V - 2 SENTRA 2017 seperti pemakaian sebuah grid, yaitu dengan cara memasukan piksel-piksel di sekitar citra yang sedang diperiksa (piksel tengah) ke dalam matriks [6]. Operator sobel adalah magnitudo dari gradien yang dihitung dengan rumus:

  (2) Yang dalam hal ini turunan parsial dihitung dengan

  (3) Tinjau pengaturan pixel di sekitar pixel (x,y): _{x y}

  (4) Dengan konstanta c = 2, S dan S dapat dinyatakan sebagai berikut:

  (5) Arah tepi dihitung dengan persamaan

  (6) Berikut adalah contoh pendeteksian tepi dengan operator Sobel. Konvolusi pertama dilakukan terhadap piksel yang bernilai 1 (di titik pusat mask):

  (i) Citra semula (ii) hasil konvolusi Nilai 18 pada citra hasil konvolusi diperoleh dengan perhitungan berikut : _x

  S =(3)(-1) + (2)(-2) + (3)(-1) + (2)(1) +(6)(2) +(7)(1) = 11 _y S = ( 3)(1) +(4)(2) + (2)(2) + (3)(-1) + (5)(-2) + (7)(-1) = -7

  V - 3

3. Hasil Penelitian dan Pembahasan Sumber Data

  Dalam pengambilan video untuk masukan akan ditangkap menggunakan kamera webcam yang memiliki maksimal resolusi yang berbeda-beda mulai 640 x 480 hingga kamera webcam yang memiliki resolusi 640 x 720 . Pengambilan video dilakukan di dalam dan di luar ruangan, dan format video yang diambil dalam bentuk video (.avi). Video yang diambil kemudian diekstrak setiap frame-nya sehingga proses kalkulasi dilakukan pada masing-masing frame.

  Grayscale

  Setiap frame yang diambil dilakukan proses grayscale. Hal ini bertujuan untuk memudahkan dalam mendeteksi nilai-nilai piksel tepi yang ada pada frame tersebut. Jika masih dalam bentuk RGB maka penghitungan piksel-piksel tepi yang ada akan lebih banyak.

  

Gambar 1 Proses grayscale

Deteksi Tepi Sobel

Gambar 2 Proses Deteksi Tepi Sobel

Deteksi Gerak Dengan Background Substraction

  Pada proses ini sistem akan mengambil frame background dan last background untuk dibandingkan. Pada metode Background Subtraction citra yang masuk akan diubah dalam bentuk citra hitam-putih, hal tersebut berguna dalam menghitung jumlah piksel putih yang ada pada setiap frame.

  V - 4 SENTRA 2017

  V - 5

Gambar 3 Proses Background Substraction

  Berikut adalah citra hasil dari capture sistem pendeteksi gerak yang mnedeteksi adanya suatu gerakan:

  

Gambar 4 Hasil proses Background Substraction

Gambar 5 Hasil implementasi Motion Detection

4. Kesimpulan

  V - 6 SENTRA 2017

  Pada gambar tersebut dapat diperhatikan bahwa bagian yang ditandai dengan kotak-kotak merah merupakan bagian gambar yang dideteksi sebagai objek bergerak.

  Berikut kesimpulan dari hasil penelitian: 1. Persentase sistem dalam mendeteksi gerakan mencapai 88.3%.

  2. Nilai threshold di atas 30 tidak menganggap perubahan cahaya sebagai gerakan.

  3. Deteksi gerak terbaik berada pada nilai threshold antara 30-50.

  Referensi

  [1] D. Prihatmoko and K. A. Zyen, "Sistem Pendeteksi Gerak Berbasis Web Menggunakan Metode Background Substraction," Jurnal DISPROTEK, vol. 6, 2015. [2] R. Munir, Pengolahan Citra Digital Dengan Pendekatan Algoritmik, Bandung: Informatika, 2004. [3] N. Singh, P. Kumar, P. Akhoury, R. Kumar and M. Ramasubramanian, "Motion Detection

  Application Using Web Camera," International Journal of Modern Engineering Research, pp. 75- 77. [4] K. D. Irianto, G. Ariyanto and D. A. P, "Motion Detection Using Opencv With Background Subtraction and Frame Differencing Technique," Simposium Nasional RAPI VIII, 2009. [5] A. Y. Mustafa, "Penentuan Threshold Menggunakan Algoritma Fuzzy C-Means Untuk Segmentasi Region Pada Plat Motor Kendaraan," Jurnal Teknologi Informasi, vol. 10, 2014. [6] I. Munandar and B. E. Cahyono, "Implementasi Algoritma Deteksi Tepi Untuk Menentukan Kualitas

  Surface Pada Mutiara Laut Dengan Menggunakan Metode Sobel," in Seminar Hasil Teknik Informatika UMM, Malang, 2009.