Abdur Rabi’*)
, Nachrowie**)
Teknik Elektro, Universitas Merdeka Malang E-Mail: *[email protected], **[email protected]
Abstrak
Kantin Kejujuran adalah istilah untuk kantin makanan dan minuman ringan di area khusus tanpa penjaga manusia. Kantin Kejujuran umumnya diadakan di sekolah- sekolah, dengan maksud membiasakan kejujuran terhadap murid-murid sekolah. Kebiasaan jujur sejak dini ini diharapkan menjadi benih-benih anti korupsi kelak. Agar kantin kejujuran dapat tetap eksis bertahan, maka diperlukan upaya pengkondisian secara sosial maupun teknis. Penelitian ini hanya terfokus pada pengkondisian secara teknis, yakni dengan mengawal menggunakan Computer Vision (CV). Tujuan umum penelitian ini adalah mempelajari dan mengembangkan penggunaan CV pada bagian object counting (menghitung jumlah makanan yang terjual dan jumlah uang yang seharusnya terbayar) dan object tracking (melacak dan menandai pembeli yang berlaku curang). Sedangkan tujuan khusus penelitian ini adalah: (1) Memperbaiki dan mengembangkan penerapan CV dalam mengawal kantin kejujuran yang telah diteliti sebelumnya, (2) Memperkuat dan memperluas spektrum anti korupsi melalui bidang ilmu CV serta mengenalkan CV kepada masyarakat luas. Penelitian ini termasuk penelitian eksperimen yang meliputi penyusunan software CV dan sedikit perakitan/penyesuaian hardware. Variabel-variabel yang diteliti berupa intesitas cahaya, posisi kamera terhadap obyek, serta keragaman obyek berupa makanan dan minuman pada Kantin Kejujuran.
Kata kunci: Computer Vision, Kantin Kejujuran, Object Counting.
1.
PENDAHULUAN
Korupsi di Indonesia masih tergolong tinggi. Menurut laporan Transparency International tahun 2014, angka indeks persepsi korupsi (IPK) Indonesia berada pada urutan 107 dari 175 negara. Di kawasan Asean Indonesia hanya unggul dari Vietnam, Timor Leste, Laos, Kamboja, dan Myanmar. Karena itu perang terhadap korupsi perlu diperluas, termasuk mengupayakan pencegahannya. Salah satu upaya mencegah korupsi adalah dengan membiasakan kejujuran sejak dini pada anak-anak yang dilakukan melalui pengadaan Kantin Kejujuran. Agar Kantin Kejujuran dapat tetap eksis bertahan, maka diperlukan upaya pengkondisian baik secara sosial maupun teknis. Dalam penelitian ini hanya terfokus pada pengkondisian secara teknis, yakni dengan mengawal menggunakan CV.
2.
TINJAUAN PUSTAKA
CV merupakan proses otomasi yang mengintegrasikan sejumlah proses untuk persepsi visual seperti pengolahan citra, klasifikasi, recognition dan pengambilan keputusan. Penerapan CV umumnya berupa video surveilance, object counting, dan object tracking. Penelitian ini tergolong penerapan CV pada object counting sekaligus object tracking, yakni menghitung jumlah makanan yang terjual dan jumlah uang yang seharusnya terbayar serta melacak orang (pembeli) pada Kantin Kejujuran yang berbuat curang.
Object counting adalah proses meng- hitung obyek-obyek yang tertangkap kamera secara real time. Beberapa peneliti menggunakan analisis binary large object (BLOB) untuk menghitung jumlah orang yang datang/pergi dari suatu tempat atau luasan [1]. Sedangkan [2] menggunakan operasi-operasi morfologi untuk meng-hitung jumlah kendaraan keluar/masuk area parkir
30
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 Id paper: SM029terbuka. Peneliti lain menggunakan fitur ukuran obyek dan histogram warna untuk mendeteksi dan menghitung obyek [4].
Object tracking merupakan proses mengikuti posisi (melacak) suatu objek. Beberapa peneliti menggunakan paremeter histogram arah dan warna untuk mengunci obyek [5]. Peneliti lainnya menggunakan parameter warna untuk mengunci target yang akan dilacak [6].
Penerapan CV pada Kantin Kejujuran pernah diteliti oleh [3] dan [7]. Pada [3], obyek yang dihitung dalam formasi bertumpuk. Jumlah obyek ditaksir dari fitur- fitur tinggi tumpukan, luas, serta sudut arah titik berat terhadap bidang horizontal. Pada [7], obyek yang dihitung dalam formasi berserakan, bercampur, dan terpisah. Ciri pembeda pada [7] berupa fitur rasio panjang sumbu maksimum terhadap panjang sumbu minimum. Penelitian [3] dan [7] hanya menangani 3 jenis obyek serta belum membahas intensitas cahaya dan posisi benda/kamera.
3.
METODE PENELITIAN
Penelitian ini termasuk penelitian eksperimental dan dilaksanakan di Laboratorium Komputer Dan Informatika Jurusan Teknik Elektro Unmer Malang. Sistem yang dibuat dan dirakit berupa software CV dan hardware yang terdiri dari tempat dan pencacah koin, kamera webcam beserta penyangga yang dapat diatur jarak dan sudutnya, serta papan tempat meletakkan obyek makanan/ minuman (Gambar 1).
Gambar 1. Gambaran Umum Sistem Pengawalan Kantin Kejujuran Berbasis CV.
Software CV yang dikembangkan akan mendeteksi keberadaan orang/pembeli, menghitung perubahan jumlah obyek makanan/minuman, serta perubahan jumlah koin setiap kali mendeteksi keberadaan orang/pembeli pada Kantin Kejujuran serta
merekam pembeli yang berlaku curang. Gambar 2 menunjukkan kerangka kerja dari software yang akan dikembangkan.
Gambar 2. KerangkaKerja Software CV yang dikembangkan
Akuisisi citra dilakukan dengan peralatan webcam yang dipasang tepat mengawasi area tempat menjual aneka makanan. Hasil akuisisi berupa rangkaian matriks 3 dimensi sebagai representasi frame-frame citra.
Perbaikan citra dilakukan dengan operasi background subtraction [1] sehingga diperoleh citra obyek yang terpisah dengan citra latar. Deteksi binary large object (BLOB) dilakukan dengan memeriksa citra BLOB untuk mencari setiap obyek (makanan/minuman, dan nilai angka pada pencacah koin).
Object counting dan tracking dilakukan untuk menghitung jumlah makanan/ minuman yang terambil serta nilai uang yang terbayar oleh seorang pembeli. Pada Kantin Kejujuran, posisi obyek makanan umumnya dalam formasi berjejer, saling berhimpit ganda, triple, kuartet, hingga berhimpit 20. Untuk itu digunakan pendekatan Artificial Neural Network (ANN) untuk pengenalan aneka formasi BLOB dari obyek makanan yang akan dihitung. Pada tahap pelatihan ANN, Input adalah fitur-fitur yang diperoleh dari BLOB beserta kondisi saat akuisisi citra yakni tingkat intensitas cahaya dan posisi (jarak dan sudut) obyek terhadap kamera. Sedangkan target dari ANN adalah jumlah item dalam BLOB. Untuk setiap jenis obyek makanan yang akan dihitung, disiapkan masing-masing seperangkat ANN yang dilatihkan supaya dapat mengenali aneka formasi BLOB. Penghitungan jumlah uang dilakukan dengan alat pencacah koin yang dapat membedakan jenis koin Rp 1000 dan Rp 500 (kuningan maupun almunium).
Perekaman pembeli yang (diduga kuat) berlaku curang dilakukan setelah menghitung nilai uang yang baru saja bertambah dibandingkan dengan jumlah obyek makanan yang berkurang. Jika nilai uang kurang dari yang seharusnya, maka beberapa frame dari Akuisisi citra Perbaikan Citra Deteksi BLOB
Object Counting & Tracking Perekaman Pembeli
Yang Berlaku Curang
8 6 9 Tempat koin
citra yang diperoleh dari webcam lain (dipasang dalam posisi menghadap wajah pembeli) akan direkam.
4.
HASIL DAN PEMBAHASAN
4.1 Akuisisi Citra
Untuk meningkatkan banyaknya jenis obyek yang dapat dikenali, dihitung, dan diawasi maka telah dibuat fasilitas yang memungkinkan area masing-masing obyek dapat dipartisi secara dinamis, dengn cara cropping untuk masing-masing obyek.
Tampilan form untuk partisi dinamis ini dinyatakan seperti gambar 3 berikut:
Gambar 3.Form Tampilan Untuk Partisi Dinamis Masing-masing Obyek
4.2 Perbaikan Citra dan Deteksi BLOB
Terdapat 2 proses yang dilakukan dalam perbaikan citra, yakni: 1) Konversi dari citra RGB menjadi citra biner kemudian 2) Operasi morfologi. Konversi menjadi citra biner dilakukan untuk membedakan antara obyek dan latar. Operasi morfologi dilakukan untuk menghilangkan bingkai serta noise
berupa obyek berukuran kecil.
Gambar 4.Konversi menjadi citra biner Pada gambar 4, terlihat adanya bingkai di kanan atas dari citra biner, serta bintik- bintik kecil disekitar obyek. Untuk itu dilakukan operasi morfologi penghilangan bingkai serta penghapusan obyek berukuran luas kurang dari 81 pixel.
Tampilan form untuk perbaikan citra dan deteksi BLOB dinyatakan seperti pada gambar 5 berikut:
Gambar 5.Form Tampilan Perbaikan Citra Dan Deteksi BLOB
4.3 Data Dan Object Counting
Untuk mengenali dan menghitung obyek berupa makanan/minuman yang dijual pada Kantin Kejujuran maka telah dikumpulkan data yang dideskripsikan dalam tabel 1 berikut:
Tabel 1. Deskripsi Data Variabel Yang Digunakan
No Keterangan Satuan Notasi
1 Cara konversi menjadi citra biner (bersifat katagori)
- Bin 2 Jumlah item dalam suatu BLOB
(pengamatan mata langsung)
buah item 3 Jarak horizontal kamera-meja cm Dx 4 Jarak vertikal kamera-meja cm Dy 5 Sudut arah kamera terhadap garis
vertikal
derajat Sudut 6 Intensitas cahaya Lux Lux
7 Luas BLOB pixel Luas
8 Jarak titik pusat BLOB terhadap bingkai kiri
pixel Px 9 Jarak titik pusat BLOB terhadap
bingkai atas
pixel Py 10 Lebar bounding box yang
melingkupi BLOB
pixel KotX 11 Tinggi bounding box yang
melingkupi BLOB
pixel KotY 12 Panjang sumbu mayor BLOB pixel SMayor 13 Panjang sumbu minor BLOB pixel SMinor 14 Nilai eksentrisitas BLOB - Eksen 15 Sudut garis berat BLOB terhadap
garis horizontal
derajat Arah 16 Nilai soliditasitas BLOB - Solid 17 Nilai Ekstensitas BLOB - Exten 18 Keliling BLOB pixel Kll
Beberapa contoh hasil pengumpulan data untuk pelatihan object counting yang diperoleh dari citra tangkapan webcam antara lain seperti berikut:
4.3.1 Data Obyek 1.
Obyek 1 adalah jenis makanan berupa jajanan wafer merk “Ob1” yang terlihat pada gambar 6 berikut:
32
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 Id paper: SM029Gambar 6. Citra Wafermerk “Ob1” dalam FormasiLajurKiri 1-2-3-4 Kanan 1-2-3-4
Citra pada gambar 6 di atas diambil pada jarak horizontal kamera-meja (Dx) 135 cm, jarak vertikal kamera-meja (Dy) 115 cm, sudut arah kamera terhadap garis vertikal (Sudut) 650, Intensitas cahaya 400 Lux. Terdapat 8 BLOB pada citra sebelah kanan dari gambar 6. BLOB di lajur kiri berisi jumlah item berturut-turut 1, 2, 3, dan 4. Sebagian data yang diperoleh dari formasi obyek pada gambar 6 di atas dinyatakan dalam tabel 2 berikut:
Tabel 2. Sebagian Data (Variabel 1 hingga 9) Dari Citra Pada Gambar 6
Label item Dx Dy Sudut Lux Luas Px Py
1 1 135 115 65 400 1169 87 138 2 2 135 115 65 400 1732 99 111 3 3 135 115 65 400 2134 111 80 4 4 135 115 65 400 2444 127 45 5 1 135 115 65 400 1137 192 135 6 2 135 115 65 400 1791 196 113 7 3 135 115 65 400 2198 200 82 8 4 135 115 65 400 2489 208 46
Agar sistem dapat mengenali dan menghitung jumlah obyek wafermerk “Ob1”
maka diperlukan data-data pelatihan berbagai formasi BLOB dan jumlahnya.
(a) (b)
Gambar 7. Citra Wafer merk “Ob1” Dalam FormasiTunggal (a) dan Terpisah (b)
Kondisi sistem pada saat akuisisi citra untuk gambar 7 adalah sama dengan kondisi gambar 6, kecuali intensitas cahayanya hanya 150 Lux.
Tabel 3. Sebagian Data (Variabel 1, 2, 6 hingga 9, serta 15 dan 16) Dari Citra Pada
Gambar 7
Label item Lux Luas Px Py Arah Solid
1 1 150 1110 97 144 67,2 0,87 2 1 150 717 117 97 -33,7 0,89 3 1 150 902 126 62 -2,0 0,81 4 1 150 813 132 47 -1,4 0,87 5 1 150 1166 129 31 -1,8 0,91 6 1 150 948 140 149 69,6 0,82 7 1 150 919 177 95 -40,6 0,82 8 1 150 1019 166 96 -38,1 0,84 9 1 150 865 203 148 69,3 0,86 10 1 150 815 207 63 -1,4 0,91 11 1 150 798 209 47 0,1 0,86 12 1 150 1047 198 32 -1,1 0,86 13 1 150 880 220 148 76,8 0,83 14 1 150 1110 97 95 -42,0 0,84 4.3.2 Data Obyek 2.
Obyek 2 adalah jenis makanan merk “Ob2” yang terlihat pada gambar 8 berikut:
(a) (b)
Gambar 8. Citra Keju Stickmerk “Ob2”
FormasiBerjejer (a)Tunggal ; (b) Terpisah