PROSES DETEKSI ORANG BERENANG MENGGUNAKAN BACKGROUND SUBTRACTION DAN CONTOUR DETECTION
TUGAS AKHIR
Program Studi
S1 TEKNIK KOMPUTER
Oleh:
Shella Kartika Artha 17.41020.0045
FAKULTAS TEKNOLOGI DAN INFORMATIKA UNIVERSITAS DINAMIKA
2021
ii
PROSES DETEKSI ORANG BERENANG MENGGUNAKAN BACKGROUND SUBTRACTION DAN CONTOUR DETECTION
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk menyelesaikan Program Sarjana Teknik Komputer
Oleh:
Nama : Shella Kartika Artha
NIM : 17410200045
Program Studi : S1 Teknik Komputer
FAKULTAS TEKNOLOGI DAN INFORMATIKA UNIVERSITAS DINAMIKA
2021
iii
iv
"Satu tindakan kebaikan menebarkan akar ke segala arah, dan akar itu tumbuh dan membuat pohon baru."
v
Dipersembahkan untuk Bapak, Ibu dan Kakak yang selalu memberi dukungan tenaga, waktu dan doanya kepada saya sehingga dapat terus berusaha menjadi yang terbaik. Dan teruntuk semua teman dan orang orang di sekeliling saya yang
sudah banyak membantu perjuangan saya hingga bisa sampai di titik ini.
vi
vii ABSTRAK
Berenang kini menjadi aktivitas yang banyak diminati oleh banyak kalangan, mulai dari anak-anak hingga orang dewasa, Berenang memberikan banyak manfaat, mulai dari memperkuat otot, menjaga berat badan, hingga mencegah penyakit jantung oleh karena itu berenang dianggap menjadi aktivitas favorit yang menyenangkan sekaligus menyehatkan. Namun dibalik itu semua masih ada bebebrapa hal yang harus diperhatikan dalam berenang, karena menurut WHO dari survei 2016 menemukan bahwa 322.000 orang tenggelam setiap tahun di seluruh dunia.
Tenggelam sendiri adalah suatu proses kerusakan pernapasan akibat masuknya sebagian atau seluruhnya air ke dalam sistem pernapasan yang dapat menyebabkan masalah pernapasan dan bahkan kematian. Oleh karena itu dalam penelitian ini dibuatlah suatu sistem yang dapat mendeteksi orang berenang di kolam renang menggunakan metode background subtraction dan contour detection yang terintegrasi dalam metode haar cascades. Pada sistem ini background subtraction dan contour detetction bekerja untuk memisahkan antara perenang dan objek sekitar yang tidak diperlukan (noise) agar sistem dapat fokus pada pendeteksian objek di dalam air berupa perenang, yang kemudian dilanjutkan dengan pengaplikasian haar cascades classifier dimana hasil olah citra yang telah dilakukan sebelumnya dilakukan pendeteksian kembali untuk menentukan bagian tubuh perenang yang terlihat diatas air, mulai dari punggung hingga kepala, kepala bagian depan, samping dan belakang. Diharapkan area tersebut masih dapat terjangkau kamera pengawas yang mana nantinya data tersebut dapat diolah dan diproses untuk selanjutnya dilakukan tracking oleh sistem. Sehingga berdasarkan penelitian yang telah dilakukan, maka didapatkan hasil bahwa sistem Proses Deteksi Orang Berenang Menggunakan Background Subtraction dan Contour Detection ini menghasilkan rata rata keberhasilan mendeteksi objek berenang di kolam renang sebesar 2.8 detik.
Kata Kunci: Background subtraction, Contour Detection, Haar Cascade, Berenang, Python.
viii
KATA PENGANTAR
Penulis panjatkan Puji Syukur kepada Tuhan Yang Maha Esa yang telah menyertai, sehingga penulis dapat meyelesaikan Tugas Akhir ini dengan sebaik- baiknya. Penulis mengambil judul " Proses Deteksi Orang Berenang Menggunakan Background subtraction Dan Contour Detection " ini sebagai salah satu syarat dalam menyelesaikan Tugas Akhir di Universitas Dinamika. Pada kesempatan ini penulis ingin menyampaikan ucapan terima kasih kepada : 1. Keluarga penulis yang selalu memberikan dukungan penuh atas apa yang
penulis lakukan selama ini.
2. Bapak Prof. Dr. Budi Jatmiko, M.Pd., selaku Rektor Universitas Dinamika.
3. Bapak Pauladie Susanto, S.Kom., M.T., sebagai Kepala Program Studi Teknik Komputer yang telah memotivasi penulis untuk terus berkarya 4. Bapak Dr. Jusak selaku dosen pembahas yang banyak memberikan
masukan positive agar tugas akhir ini menjadi lebih baik.
5. Bapak Heri Pratikno, M.T., MTCNA., MTCRE. Selaku dosen pembimbing satu yang telah banyak menyempatkan waktu dan tenaganya dalam upaya membantu penulis menyelesaikan tugas akhir
6. Ibu Ira Puspasari, S.Si., M.T., selaku dosen pembimbing dua yang telah dengan sabar membimbing dan meluangkan banyak waktunya sehingga dapat menyelesaikan tugas akhir ini tepat waktu.
7. Seluruh dosen pengajar Program Studi S1 Teknik Komputer Universitas Dinamika yang telah mendidik dan memberikan motivasi kepada penulis sehingga dapat menyelesaikan Tugas Akhir dengan baik.
8. Rekan-rekan mahasiswa S1 Teknik Komputer Angkatan 2017 terutama teman - teman saya yang membantu saya dengan tulus, sehingga dapat menyelesaikan tugas akhir ini.
9. Serta Hafidh Sholahuddin Zain yang sudah sangat banyak memberikan waktu dan tenaganya dalam membantu penulis terutama dalam menyelesaikan tugas akhir ini
ix
Dalam Laporan Tugas Akhir ini jauh dari kata sempurna. Maka, penulis berharap masukan berupa kritik dan saran yang membangun dari semua pihak dengan harapan dapat memperbaiki penulisan ini kedepan-nya. Penulis memohon maaf jika terdapat sebuah atau banyak kalimat kata yang menyinggung pihak lain yang telah membaca Laporan Tugas Akhir ini. Akhir kata penulis ucapkan Terima Kasih kepada para pembaca, semoga tulisan ini dapat bermanfaat bagi para pembaca
Surabaya, 30 Juli 2021 Penulis
x DAFTAR ISI
Halaman
ABSTRAK ... vii
KATA PENGANTAR ... viii
DAFTAR ISI ... x
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiii
DAFTAR LAMPIRAN ... xiv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Batasan Masalah ... 2
1.4 Tujuan ... 3
1.5 Manfaat ... 3
BAB II LANDASAN TEORI ... 4
2.1 OpenCV (Open Source Computer Vision Library) ... 4
2.2 Phyton ... 4
2.3 Image Processing ... 5
2.4 Haar Cascade Classifier ... 5
2.5 Citra HSV... 6
2.6 Citra RGB ... 7
2.7 Contour Detection ... 8
2.8 Background subtraction ... 8
BAB III METODOLOGI PENELITIAN ... 9
3.1 Blok Diagram ... 9
3.2 Pengambilan Citra ... 9
xi
3.3 Pre Processing ... 10
3.3.1 Transformasi RGB ke HSV ... 10
3.3.2 Background subtraction ... 11
3.3.3 Contour Detection ... 11
3.4 Haar cascades Classifier ... 12
3.5 Pendeteksian Objek ... 13
3.6 Proses Terdeteksi ... 13
BAB IV HASIL DAN PEMBAHASAN ... 14
4.1 Pengujian Deteksi pada perenang... 14
4.1.1 Pengujian Background subtraction ... 14
4.1.2 Pengujian Contour Detection ... 15
4.1.3 Pengujian Haar cascades (Scale factor) ... 16
BAB V KESIMPULAN ... 25
5.1 Kesimpulan ... 25
5.2 Saran ... 25
DAFTAR PUSTAKA ... 26
LAMPIRAN ... 27
BIODATA PENULIS ... 35
xii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Open CV ... 4
Gambar 2.2 Image Processing ... 5
Gambar 2.3 Citra HSV ... 6
Gambar 2.4 Citra HSV ... 7
Gambar 3.1 Blok Diagram ... 9
Gambar 3.2 Syntax Pemanggilan Video ... 10
Gambar 3.3 Syntax pengubah RGB/BGR to HSV... 10
Gambar 3.4 Contoh pengaplikasian contour detection pada perenang ... 11
Gambar 3.5 Library Haar Cacades ... 12
Gambar 3.6 Contoh pengaplikasian haar cascades upperbody pada objek... 12
Gambar 3.7 Pendeteksian objek di dalam air ... 13
Gambar 4.1 Percobaan2 ... 20
Gambar 4.2 Percobaan1 ... 20
Gambar 4.3 Percobaan4 ... 20
Gambar 4.4 Percobaan3 ... 20
Gambar 4.5 Percobaan6 ... 21
Gambar 4.6 Percobaan5 ... 21
Gambar 4.8 Percobaan7 ... 21
Gambar 4.7 Percobaan8 ... 21
Gambar L2.1 Hasil Turnitin halaman 1 ... 30
Gambar L2.2 Hasil Turnitin halaman 3 ... 31
Gambar L2.3 Hasil Turnitin halaman 2 ... 32
Gambar L2.4 Hasil Turnitin halaman 4 ... 33
Gambar L2.5 Hasil Turnitin halaman 5 ... 34
xiii
DAFTAR TABEL
Halaman
Tabel 4.1 Pengujian Background subtraction ... 14
Tabel 4.2 Pengujian Contour Detection ... 15
Tabel 4.3 Pengujian Haar cascades ( Scale factor) ... 17
Tabel 4.4 Analisis Citra... 21
xiv
DAFTAR LAMPIRAN
Halaman Lampiran 1 Source Code Program ... 27 Lampiran 2 Hasil Turnitin ... 30
1
BAB I PENDAHULUAN
1.1 Latar Belakang
Berenang kini menjadi aktivitas atau olahraga yang banyak diminati oleh banyak orang, mulai dari anak-anak hingga orang dewasa. Berenang merupakan kegiatan yang aktif dan menyehatkan, namun hanya sedikit orang yang memperhatikan keselamatan saat mengikuti kegiatan tersebut. Meskipun sebagian besar kolam renang memiliki penjaga profesional, namun masih banyak juga kawasan yang tidak terjangkau oleh pengawasan dan mengakibatkan kecelakaan tenggelam saat berenang karena terlambatnya penyelamatan.
World Health Organization mendefinisikan tenggelam sebagai suatu proses kerusakan pernapasan akibat masuknya sebagian atau seluruhnya air ke dalam sistem pernapasan yang dapat menyebabkan masalah pernapasan dan bahkan kematian. Meskipun tenggelam itu sendiri merupakan ancaman besar bagi kehidupan manusia, tampaknya hal tersebut belum mendapat banyak perhatian.
Sejauh ini karena banyak negara tidak menyadari bahayanya. Menurut WHO, laporan terbaru dari survei 2016 menemukan bahwa 322.000 orang tenggelam setiap tahun di seluruh dunia. Dengan menggunakan angka-angka tersebut, jumlah kematian akibat tenggelam melebihi jumlah kematian akibat melahirkan dan HIV/AIDS, yang hampir sama dengan jumlah kematian akibat gizi buruk.
Pembuatan sistem keamanan pendeteksi orang berenang dirasa perlu dilakukan mengingat masih tingginya kasus tenggelam yang terjadi. Sistem yang akan dibuat pada penelitian kali ini bertujuan untuk dapat memberikan status kondisi pada objek atau orang yang sedang berenang dikolam renang.
Penggabungan antara metode background subtraction dan contour detection yang terintegrasi dalam metode haar cascades ini dirasa mampu untuk dapat memberikan hasil atau outputan yang memiliki akurasi yang tinggi dalam mendeteksi orang berenang di kolam renang. (Salehi, Keyvanara, & Monadjemmi, 2016)
Sistem ini mendeteksi bagian atas tubuh perenang, mulai dari punggung hingga kepala, diharapkan area tersebut masih dapat terjangkau kamera pengawas
2
yang mana nantinya data tersebut dapat diolah dan diproses untuk selanjutnya dilakukan tracking oleh sistem. Namun jika dalam beberapa waktu area tersebut tidak terlihat oleh kamera maka sistem merespon bahwa perenang tersebut mulai tidak terlihat dan indikator yang berupa alarm akan menyala sehingga diharapkan perenang dapat segera mendapat pertolongan
Sehingga berdasarkan latar belakang yang dijelaskan serta pemilihan metode penelitian yang dianggap tepat untuk diadakan penelitian, maka peneliti tertarik untuk melakukan penelitian tugas akhir dengan judul “Proses Deteksi Orang Berenang Menggunakan Metode Background subtraction dan Contour Detection”
yang bertujuan untuk dapat memberikan sistem monitoring pengawasan orang berenang di kolam renang..
1.2 Rumusan Masalah
Berdasarkan latar belakang sebagaimana tersebut di atas maka pada tugas akhir ini dengan rumusan permasalahan sebagai berikut :
1. Bagaimana proses mendeteksi orang berenang di kolam renang menggunakan metode background subtraction dan contour detection yang terintegrasi dalam metode haar cascades
2. Berapa besar tingkat akurasi sistem dalam mendeteksi orang berenang menggunakan metode background subtraction dan contour detection yang terintegrasi dalam metode haar cascades?
1.3 Batasan Masalah
Berdasarkan latar belakang yang telah diuraikan diatas maka penelitian hanya terbatas pada
1. Penelitian hanya terbatas pada satu kali pendeteksian 2. Objek pengamatan satu manusia dewasa
3. Kegiatan penelitian hanya terbatas pada suatu kolam renang.
4. Pencahayaan di dalam kolam renang dalam kondisi pencahayaan yang ideal pencahayaan merata.
3
1.4 Tujuan
Dengan adanya penelitian ini diharapkan dapat :
1. Memahami proses deteksi orang berenang di kolam renang menggunakan metode background subtraction contour detection yang terintegrasi dalam metode haar cascades
2. Memiliki tingkat akurasi yang tinggi dalam mendeteksi orang berenang dikolam renang
1.5 Manfaat
Adapun manfaat dari tugas akhir ini ialah dapat memberikan beberapa kegunaan, yaitu :
1. Dapat memberikan sistem keamanan yang lebih baik pada kolam renang dengan adanya notifikasi terdeteksi
2. Memastikan bahwa perenang dalam keadaan aman di kolam renang . 3. Memudahkan penjaga kolam renang dalam memantau kondisi perenang
yang berada di kolam renang
4 BAB II
LANDASAN TEORI
2.1 OpenCV (Open Source Computer Vision Library)
OpenCV adalah library yang digunakan untuk memproses gambar dan video.
Di OpenCV, kata Open dipahami sebagai open source gratis, tidak berbayar, dan siapa pun dapat mengunduhnya sedangkan kata CV sendiri merupakan singkatan dari Computer Vision yang artinya komputer digunakan untuk mengolah gambar (images) yang diambil oleh alat perekam (misalnya kamera atau webcam). Tujuan pengolahan image ini ada banyak, di antaranya untuk memperbaiki kualitas gambar atau untuk indentifikasi gambar.
2.2 Phyton
Python adalah bahasa pemrogrman populer di seluruh dunia yang digunakan untuk mengembangkan situs web dan algoritme serta menyederhanakan otomatisasi. Bahasa pemrograman python membuat program apapun lebih sederhana daripada bahasa pemrogrman yang lainnya .
Menurut survei yang diterbitkan dalam jurnal Developer Economics-State of the Developer Nation, 69% pengembang pembelajaran mesin dan ilmuwan data
Gambar 2.1 Open CV
5
Gambar 2.2 Image Processing
aktif menggunakan Python pada tahun 2018. Bahkan, laporan IEEE Spectrum 2019 menemukan bahwa bahasa pemrograman Python adalah bahasa pemrograman paling populer di dunia.
2.3 Image Processing
Image Processing atau Pengolahan citra adalah suatu bentuk pengolahan atau pemrosesan suatu sinyal yang mengambil gambar sebagai masukan (suatu gambar) dan mengubah gambar lain menjadi suatu keluaran dengan menggunakan teknik- teknik tertentu. Pemrosesan gambar dilakukan untuk memperbaiki kesalahan dalam data sinyal gambar yang disebabkan oleh pengiriman dan penerimaan sinyal, untuk meningkatkan kualitas gambar, dan untuk memungkinkan sistem visual manusia mendapatkan manfaat lebih dari hasil manipulasi dan analisis gambar.
2.4 Haar Cascade Classifier
Haar like feature atau yang dikenal sebagai Haar Cascade Classifier merupkan rectangular (persegi) feature, yang memberikan indikasi secara spesifik pada sebuah gambar atau image. Haar Cascade adalah metode untuk mendeteksi objek dalam gambar berdasarkan machine learning. Mengambil gambar sebagai input, Haar cascades yang telah terlatih menentukan apakah objek yang diinginkan ada di dalamnya, yaitu melakukan tugas klasifikasi dengan membagi data input ke dalam dua kelas (ada objek yang diinginkan, tidak ada objek yang diinginkan).
Metode ini memiliki kelebihan yaitu komputasi yang sangat cepat, karena hanya
6
tergantung pada jumlah piksel dalam persegi bukan setiap nilai piksel dari sebuah image.
2.5 Citra HSV
Citra HSV atau Hue, Saturation, dan Value adalah citra warna RGB yang berawal pada nilai warna yang direpresentasikan ulang ke dalam bentuk geometri HSV. Melalui model Gambar 2.3 diatas, dapat dilihat bahwa HSV memiliki 3 karakteristik pokok, yaitu Hue, Saturation dan Value, dimana :
- Hue : menyatakan warna sebenarnya, seperti merah, violet, dan kuning dan digunakan menentukan kemerahan (redness), kehijauan (greeness), dan sebagianya.
- Saturation : kadang disebut chroma, adalah kemurnian atau kekuatan warna.
- Value : kecerahan dari warna. Nilainya berkisar antara 0-100 %. Apabila nilainya 0 maka warnanya akan menjadi hitam, semakin besar nilai maka
Gambar 2.3 Citra HSV
7
semakin cerah dan muncul variasi-variasi baru dari warna tersebut.
Terjadinya proses konversi RGB ke dalam ruang warna HSV dapat dirumuskan sebagai berikut :
.. .. .. .. .. .. .. .. .. .. .. .. (1)
.. .. .. .. .. .. .. .. .. .. .. .. (2)
.. .. .. .. .. .. .. .. .. .. .. .. (3) Dimana : (1) adalah perhitungan Hue, (2) adalah perhitungan Saturation, dan (3) adalah perhitungan Value.
2.6 Citra RGB
Model warna RGB adalah model warna aditif di mana cahaya merah, hijau, dan biru ditambahkan bersama-sama dalam berbagai cara untuk mereproduksi berbagai warna. Nama model berasal dari inisial tiga warna primer yaitu merah, hijau, dan biru.
Gambar 2.4 Citra HSV
8
RGB adalah model warna yang bergantung pada perangkat, perangkat yang berbeda mendeteksi atau mereproduksi nilai RGB tertentu secara berbeda, karena elemen warna (seperti fosfor atau pewarna) dan responsnya terhadap tingkat R, G, dan B individu bervariasi dari produsen ke produsen, atau bahkan dalam perangkat yang sama dari waktu ke waktu. Dengan demikian nilai RGB tidak mendefinisikan warna yang sama di seluruh perangkat tanpa semacam manajemen warna.
2.7 Contour Detection
Contour Detection atau juga dikenal sebagai deteksi tepi, adalah metode matematika untuk mengidentifikasi titik dalam gambar digital yang menunjukkan fluktuasi signifikan atau diskontinuitas dalam kecerahan. Titik di mana kecerahan berubah secara tiba-tiba dapat dianggap sebagai garis atau kurva yang biasa disebut sebagai tepi. Deteksi tepi adalah alat dasar untuk pemrosesan gambar digital, visi mesin dan visi komputer, terutama di bidang deteksi dan ekstraksi fitur. Tujuan mendeteksi perubahan mendadak dalam kecerahan gambar adalah untuk menangkap peristiwa dan perubahan penting.
2.8 Background subtraction
Backgorund Subtraction adalah pendekatan yang banyak digunakan untuk mendeteksi objek bergerak dalam video dari kamera statis. Dasar pemikiran dalam pendekatan ini adalah mendeteksi objek bergerak dari perbedaan antara frame saat ini dan frame referensi, yang sering disebut "background image", atau "background model". Backgorund Subtraction sebagian besar dilakukan jika gambar yang dimaksud adalah bagian dari aliran video. Backgrund Subtraction memberikan petunjuk penting untuk berbagai aplikasi dalam penglihatan komputer, misalnya pelacakan pengawasan atau perkiraan pose manusia.
9
Gambar 3.1 Blok Diagram BAB III
METODOLOGI PENELITIAN
3.1 Blok Diagram
Blok Diagram di bawah ini merupakan fokus utama dalam proses pendeteksian objek atau perenang tentang kondisinya secara real-time.
Berikut urutan proses sistem dapat dilihat pada Gambar 3.1
Penjelasan secara detail pada blok diagram penelitian adalah sebagai berikut :
3.2 Pengambilan Citra
Pengambilan frame (gambar) oleh kamera yang terpasang di sekitar kolam renang ataupun beberapa video yang telah direkam sebelumnya merupakan proses awal yang dilakukan untuk membaca gambar yang terdapat dari dalam video sebagai inputan untuk dapat melakukan proses selanjutnya.
Untuk langkah awal pada pengambilan frame pada openCV diperlukan adanya proses deklarasi yang berguna sebagai wadah dari frame kamera yang
10
Gambar 3.2 Syntax Pemanggilan Video
Gambar 3.3 Syntax pengubah RGB/BGR to HSV
diaktifkan ataupun video yang telah disiapkan sebelumnya yaitu dengan perintah VideoCapture seperti tampak dibawah ini
Syntax pada Gambar 3.2 di atas adalah contoh pemanggilan perintah untuk mengolah video dengan nama “swim.mp4”.
3.3 Pre Processing
Pada Proses Preprocessing terjadi 3 tahapan yaitu, Transformasi RGB to HSV, pengolahan background subtraction dan yang terakhir contour detection.
3.3.1 Transformasi RGB ke HSV
Pada tahap ini, citra yang awalnya mempunyai format RGB, akan dikonversi terlebih dahulu menjadi format HSV. Hal ini dilakukan untuk proses segmentasi HSV. Mengingat informasi yang didapat di citra RGB belum mampu memisahkan antara ruang warna dan informasi kecerahan. Di HSV, saluran V berisi informasi luminansi dari gambar input, dan saluran H dan S memiliki informasi kromatisitas di dalamnya. Sifat-sifat ini menjadikan ruang warna ini sangat efektif dalam segmentasi objek sasaran yaitu perenang.
Syntax pada library openCv yang digunakan adalah sebagai berikut :
11
Gambar 3.4 Contoh pengaplikasian contour detection pada perenang
3.3.2 Background subtraction
Background subtraction adalah proses untuk mendeteksi objek manusia(perenang) dengan cara membandingkan gambar yang memiliki objek, dengan gambar latar belakang yang tidak memiliki objek. Gambar yang memiliki objek dan gambar yang tidak memiliki objek selanjutnya dikurangi agar mendapatkan objek utuh tanpa background. Akibatnya, citra biner akan menjadi citra hitam putih dengan latar belakang menjadi hitam dan latar depan (perenang) menjadi putih.
3.3.3 Contour Detection
Selanjutnya pengaplikasian contour detection. Contour dapat digunakan untuk mencari garis tepi suatu objek pada gambar dan secara efektif melacak target dalam sebuah video. Di algoritma pelacakan yang didasarkan pada contour file objek dilacak menggunakan garis tepinya sebagai batas. Contour terbatas pada objek atau tubuh perenang yang ditujukan agar dapat memfokuskan tracking terhadap perenang tersebut .Setelah frame input diubah menjadi citra biner, maka contour pada citra biner tersebut ditemukan. Dari semua contour yang ditemukan, contour dengan area terbesar dipilih dan dilacak dalam bingkai yang berurutan. Contour yang dihasilkan dari bingkai sebelumnya diambil sebagai inisialisasi di setiap bingkai.
12
3.4 Haar cascades Classifier
Penggunaan haar cascades setelah pengaplikasian background subtraction dan contour detetction bertujuan untuk dapat mendeteksi bagian objek yang terlihat atau disini disebut dengan bagian tubuh manusia yang berada di atas permukaan air. Bagian tubuh manusia saat berenang ataupun tidak dianggap sama saja, sehingga peneliti menggunakan haar cascades dengan harapan dapat mendeteksi secara optimal walaupun objek yang dideteksi berada di air. Haar cascades yang sebelumnya telah melalui proses training untuk tubuh manusia dianggap tetap mampu mendeteksi walau berbeda dengan kondisi pendeteksian(training), maka dari itu peneliti menyesuaikan library cascades apa saja yang digunakan dalam sistem kali ini, yaitu antara lain, face side (samping kepala), back face ( kepala bagian belakang), front face (kepala bagian depan), dan upperbody (tubuh bagian atas) .Pemilihan library - library tersebut telah disesuaikan dengan bagian tubuh perenang yang biasanya terlihat dan tampak sama dengan objek yang diluar kolam renang, sehingga diharapkan langkah ini dapat membantu kerja sistem dalam memberikan akurasi yang baik dalam mendeteksi orang yang berenang. Contoh syntax yang digunakan dalam penelitian ini adalah sebagai berikut
Gambar 3.5 Library Haar Cacades
Gambar 3.6 Contoh pengaplikasian haar cascades upperbody pada objek
13
Gambar 3.7 Pendeteksian objek di dalam air 3.5 Pendeteksian Objek
Setelah semua program dan syntax sebelumnya berjalan dengan baik, kemudian dilakukan pendeteksian pada objek berupa perenang. Hal ini dapat dilakukan dengan pengambilan gambar langsung melalui webcam ataupun video yang telah tersedia. Disini terdapat video orang berenang bernama “swim.mp4”
yang kemudian video tersebut dipanggil melalui perintah pada gambar 3.2 diatas dan diolah melalui library openCv ( Gambar3.5 ) menjadi sebagai berikut :
3.6 Proses Terdeteksi
Setelah Proses deteksi berjalan dengan baik , selanjutnya sistem akan menghitung lama waktu objek terdeteksi . Pada sistem ini menggunakan 4 library cascades ,sehingga ketika program mulai berjalan sistem akan melakukan pengecekan secara berulang ulang pada setiap frame . Sistem melakukan pengecekan terhadap setiap frame , apakah di frame tersebut terdapat object yang terdeteksi oleh 4 library cascades tersebut atau tidak? jika ada objek yg memenuhi kriteria dari salah satu atau lebih library cascades , maka sistem akan menganggap bahwa ada objek yang berhasil terdeteksi dan mengeluarkan notifikasi berupa kalimat "TERDETEKSI" , namun jika objek tidak memenuhi salah satu dari library cascades tersebut maka sistem hanya akan mengeluarkan nilai waktu lamanya frame tersebut diproses.
14 BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengujian Deteksi pada perenang
Pengujian deteksi pada perenang dilakukan untuk menyesuaikan hasil dari proses yang dilakukan sesuai dengan kebutuhan.
4.1.1 Pengujian Background subtraction
Pengujian ini dilakukan pada tahap pre processing, metode ini digunakan sebagai upaya agar sistem dapat mengenali objek berupa perenang di dalam air dengan baik, sehingga untuk sementara citra asli akan dirubah menjadi hitam putih dan dapat diproses ke tahap berikutnya.
Tabel 4.1 Pengujian Background subtraction
No Video Ke Sebelum Sesudah
1 Video1
2 Video1
3 Video2
15
4 Video2
5 Video3
6 Video3
4.1.2 Pengujian Contour Detection
Setelah selesai dilakukan pengujian background subtraction selanjutnya video diolah kembali menggunakan metode contour detection. Pada tahap ini objek berhasil difokuskan, ditandai dengan adanya blue line di sekeliling objek yang berarti bahwa objek berhasil terdeteksi dengan baik.
Tabel 4.1 Pengujian Contour Detection
No Video Ke Sebelum Sesudah
1 Video1
16
2 Video1
3 Video2
4 Video2
5 Video3
6 Video3
4.1.3 Pengujian Haar cascades (Scale factor)
Pengujian ini dilakukan untuk mengetahui pengaruh Haar cascades atau disini lebih tepatnya pengaturan perubahan Scale factor terhadap akurasi pendeteksian objek berupa perenang. Scale factor disini merupakan bagian dari
17
pemrograman Haar cascades secara umum. Beberapa objek mungkin lebih besar pada gambar karena posisinya yang mungkin berada lebih dekat ke kamera. Scale factor menentukan bagaimana ukuran gambar dimodifikasi pada setiap skala gambar, sehingga model memiliki ukuran tetap untuk data training.
Jika Scale factor kecil, deteksi menjadi lebih lambat karena lebih banyak objek yang bisa terdeteksi dan Jika Scale factor besar, deteksi bisa berfokus pada satu objek namun bisa juga melewatkan beberapa objek. Tanda centang disini mengindikasikan bahwa objek dapat terdeteksi dan tanda silang sebaliknya.
Tabel 4.2 Pengujian Haar cascades ( Scale factor)
No Data ke Scale
factor Gambar Hasil
1 Video1 1.01
2 Video1 1.03
3 Video1 1.05
4 Video1 1.3
18
5 Video1 1.5
6 Video2 1.01
7 Video2 1.03
8 Video2 1.05
9 Video2 1.3
10 Video2 1.5
19
11 Video3 1.01
12 Video3 1.03
13 Video3 1.05
14 Video3 1.3
15 Video3 1.5
Pada Tabel 4.3 di atas diketahui bahwa rata rata pendeteksian pada scale factor bernilai kecil atau dapat dilihat dengan nilai 1.01, dapat dengan baik mendeteksi adanya objek berupa perenang, namun sejatinya pada program ketika di jalankan, bukan hanya objek berupa perenang saja yang terdeteksi, ada banyak benda disekitar yang juga terdeteksi. Sedangkan pada Scale factor bernilai besar atau dengan nilai 1.5, banyak terjadi miss terhadap pendeteksian objek berupa
20
perenang. Sehingga setelah dilakukan beberapa percobaan dan pengamatan, nilai scale factor yang dirasa tepat dan cocok pada pendeteksian orang berenang menggunakan background subtraction dan contour detection adalah 1.3.
4.2 Analisis Citra
Analisis dibawah ini menunjukan hasil dari beberapa running video percobaan yang telah diambil dari olahan pribadi dan internet. Video yang diambil mewakili dari beberapa sampel gaya dalam berenang. Analisis citra ini dilakukan agar mendapatkan kesimpulan dari program yang telah dibuat.
Pengujian ini dilakukan dengan menggunakan 15 data video yang masing masing video tersebut ditunjukan dalam gambar 4.1 sd 4.8
Gambar 4.2 Percobaan1 Gambar 4.1 Percobaan2
Gambar 4.3 Percobaan3 Gambar 4.4 Percobaan4
21
Gambar 4.7 Percobaan8
Sehingga dari data Gambar 4.1 sampai dengan Gambar 4.8 diatas, dianalisis berdasarkan durasi total frame dan presentase keberhasilan terdeteksi disetiap framenya yang ditunjukan pada Tabel 4.4 dibawah ini
Tabel 3.4 Analisis Citra
No Percobaan
Ke Durasi Total Frame
Total Frame Terdeteksi
Waktu per Frame
Total Waktu Mendeteksi
Objek
1. Percobaan1 16s 916 435 0.02 8.7
Gambar 4.6 Percobaan5 Gambar 4.5 Percobaan6
Gambar 4.8 Percobaan7
22
2. Percobaan2 15s 435 71 0.03 2.13
3. Percobaan3 12s 876 157 0.01 1.57
4 Percobaan4 19s 1329 124 0.02 2.48
5 Percobaan5 21s 1423 106 0.02 2.12
6 Percobaan6 14s 506 70 0.03 2.1
7 Percobaan7 11s 542 190 0.02 3.8
8 Percobaan8 11 754 53 0.02 1.1
9 Percobaan9 10 590 320 0.02 6.4
10 Percobaan
10 10 424 170 0.02 3.4
11 Percobaan
11 10 327 28 0.03 0.84
23
12 Percobaan
12 10 397 72 0.02 1.44
13 Percobaan
13 9s 318 41 0.03 1.23
14 Percobaan
14 10s 475 155 0.02 3.26
15 Percobaan
15 13s 446 38 0.03 1.14
Sehingga dari hasil percobaan pada Tabel 4.4 di atas , menghasilkan rata rata keberhasilan mendeteksi objek berenang di kolam renang sebesar 2.8s
Berdasarkan Tabel 4.4 di atas, berikut merupakan kesimpulan dan penjelasan lebih detailnya :
1. Yang dimaksudkan dalam “Total Frame ” yaitu banyaknya frame yang diproses oleh sistem dalam satu kali pemrosesan video
2. Yang dimaksudkan dalam “Total Frame Terdeteksi” yaitu banyaknya notifikasi "TERDETEKSI" yang muncul dalam satu kali pemrosesan video 3. Nilai Waktu per Frame didapat dari perhitungan sebagai berikut :
𝑑𝑢𝑟𝑎𝑠𝑖
𝑡𝑜𝑡𝑎𝑙 𝑓𝑟𝑎𝑚𝑒= 𝑊𝑎𝑘𝑡𝑢 𝑝𝑒𝑟 𝑓𝑟𝑎𝑚𝑒
4. Nilai Total Waktu Mendeteksi Objek didapat dari perhitungan sebagai berikut
𝑡𝑜𝑡𝑎𝑙 𝑓𝑟𝑎𝑚𝑒 𝑡𝑒𝑟𝑑𝑒𝑡𝑒𝑘𝑠𝑖 × 𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑟 𝑓𝑟𝑎𝑚𝑒
= 𝑇𝑜𝑡𝑎𝑙 𝑊𝑎𝑘𝑡𝑢 𝑀𝑒𝑛𝑑𝑒𝑡𝑒𝑘𝑠𝑖 𝑂𝑏𝑗𝑒𝑘
24
5. Nilai rata rata keberhasilan mendeteksi objek didapat dari perhitungan sebagai berikut
𝑇𝑜𝑡𝑎𝑙 𝑤𝑎𝑘𝑡𝑢 𝑚𝑒𝑛𝑑𝑒𝑡𝑒𝑘𝑠𝑖 𝑜𝑏𝑗𝑒𝑘 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑝𝑒𝑟𝑐𝑜𝑏𝑎𝑎𝑛
= 𝑟𝑎𝑡𝑎 𝑟𝑎𝑡𝑎 𝑘𝑒𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙𝑎𝑛 𝑚𝑒𝑛𝑑𝑒𝑡𝑒𝑘𝑠𝑖 𝑜𝑏𝑗𝑒𝑘
6. Pada sistem ini menggunakan 4 library cascades ,sehingga ketika program mulai berjalan sistem akan melakukan pengecekan secara berulang ulang pada setiap frame. Sistem melakukan pengecekan terhadap setiap frame, apakah di frame tersebut terdapat objek yang terdeteksi oleh 4 library cascades tersebut atau tidak. jika ada objek yg memenuhi kriteria dari salah satu atau lebih library cascades, maka sistem akan menganggap bahwa ada objek yang berhasil terdeteksi dan mengeluarkan notifikasi berupa kalimat
"TERDETEKSI", namun jika objek tidak memenuhi salah satu dari library cascades tersebut maka sistem hanya akan mengeluarkan nilai waktu lamanya frame tersebut diproses
25 BAB V KESIMPULAN
5.1 Kesimpulan
Berdasarkan dari hasil pengujian diperoleh hasil sebagai berikut :
1. Cara mendeteksi orang berenang di kolam renang menggunakan metode background subtraction dan contour detection yang terintegrasi dalam metode haar cascades adalah dengan melakukan beberapa tahap pemrosesan yaitu,olah citra dengan background subtraction yang selanjutnya dilakukan contour detection agar objek dapat terdeteksi tanpa adanya noise benda sekitar,kemudian citra yang telah diolah tersebut dilanjutkan dengan melakukan pengaplikasian haar cascades agar sistem dapat membedakan bagian tubuh objek berada diatas atau dibawah permukaan air , sehingga dengan begitu sistem dapat mendeteksi bahwa objek masih berada dalam jangkauan dan pada posisi yang aman.
2. Nilai rata rata keberhasilan mendeteksi objek yang dihasilkan dalam pengujian sistem “Proses Deteksi Orang Berenang Menggunakan Background Subtraction Dan Contour Detection Yang Terintegrasi Dalam Metode Haar Cascades” mencapai angka 2.8 detik.
5.2 Saran
Adapun saran untuk pengembangan pada penilitian ini agar lebih baik, terdapat beberapa saran yaitu:
1. Sistem ini dapat dikembangkan menggunakan metode yang lain seperti YOLO dan SSD agar dapat mendapat nilai ke akurasian dalam pendeteksian objek di dalam air lebih tinggi.
2. Penempatan kamera sebaiknya dipasangkan di atas kolam renang yang mana dapat mencakup wilayah renang lebih luas dan merata.
3. Banyaknya library cascades yang digunakan dalam satu sistem tidak terlalu berpengaruh terhadap tingkat akurasi dalam mendeteksi orang berenang.
26
DAFTAR PUSTAKA
Kalaivani, P. & Vimala, D. S., 2015. Human Action Recognition Using Background Subtraction Method. International Research Journal of Engineering and Technology (IRJET), p. 1033.
Lutz, M., 2001. Programing Python. 2nd penyunt. United States Of America:
O'Reilly Media, Inc.
Pambuka, P. K., Pratama, R. P. & Agung, N. P., 2020. Kapasitas Vital Paru Berkorelasi Positif dengan Kemampuan Tahan Nafas pada Laki-Laki Usia 19-25 Tahun. JOSSAE (Journal Of Sport Science And Education), p. 28.
Putranda, M. A., 2017. KEGAWATDARURATAN PADA KASUS
TENGGELAM. MODUL PERTOLONGAN PERTAMA PADA
KEGAWATAN DAN, p. 3.
Rudinskaya, E. & Paringer, R., 2020. Face detection accuracy study based on race and gender factor using Haar cascades. Samara , Russia, s.n., p. 239.
Salehi, N., Keyvanara, M. & Monadjemmi, S. A., 2016. An Automatic Video-based Drowning Detection System for Swimming Pools Using Active Contours.
International Journal Image, Graphics and Signal Processing, pp. 1-8.
Sisco, J. et al., 2019. Pengembangan Deteksi Citra Mobil Untuk Mengetahui Jumlah Tempat Parkir Menggunakan Cuda Dan Modified Yolo. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), p. 415.