Pengembangan Aplikasi Computer Vision un

Pengembangan Aplikasi

Computer Vision

untuk Pengamanan Kantin

Kejujuran

Abdur Rabi’*)

, Nachrowie**)

Teknik Elektro, Universitas Merdeka Malang E-Mail: *arrabik@gmail.com, **rowie_delta@yahoo.com

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 softwa re 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.

terbuka. 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. Kerangka Kerja Software CV yang dikembangkan

Akuisisi citra dilakukan dengan peralatan webcam yangdipasang 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

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. Citra Wafermerk “Ob1” dalam Formasi Lajur Kiri 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 wa fer merk “Ob1”

maka diperlukan data-data pelatihan berbagai formasi BLOB dan jumlahnya.

(a) (b)

Gambar 7. Citra Wafer merk “Ob1” Dalam Formasi Tunggal (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”

Formasi Berjejer (a) Tunggal ; (b) Terpisah

Kondisi sistem pada saat akuisisi data

untuk gambar 8 adalah sama dengan

kondisi gambar 7, kecuali intensitas

cahayanya hanya 50 Lux. Sebagian data

disajikan dalam tabel 4 berikut:

Tabel 4. Sebagian Data (Variabel 1, 2, 6 hingga 9, serta 15 dan 18) Dari Citra Pada

Gambar 8

Gambar 9. Citra Keju Stickmerk “Ob2”

Dalam Formasi Berjejer kuartet Kondisi sistem pada saat akuisisi data untuk gambar 9 adalah sama dengan kondisi gambar 8. Sebagian data disajikan dalam tabel 5 berikut:

Tabel 5. Sebagian Data (Variabel 1, 2, 8, 9, 10, serta 16, 17, dan 18) Dari Citra Pada

Gambar 9

Label item Luas Px Py Solid Exten Kll 1 4 2850 290 114 0,91 0,84 267,3 2 4 2338 292 79 0,91 0,86 244,6 3 4 2161 295 47 0,92 0,87 228,8 4 4 2276 394 81 0,91 0,76 241,7 5 4 2020 391 49 0,91 0,82 226,8 Demikianlah data setiap jenis obyek makanan/ minuman yang akan dihitung dan diawasi diperoleh dari fitur-fitur yang terdapat dalam citra obyek tersebut, serta variabel-variabel fisik lain (tidak diperoleh dari citra) seperti variabel 1 hingga 6 dari data yang digunakan.

4.4

Object Counting

Dengan ANN

Pendekatan ANN dipilih untuk pengenalan dan penghitungan jumlah obyek karena bersifat adaptive serta tidak mensyaratkan asumsi-asumsi yang ketat (dibanding pendekatan regresi). Arsitektur ANN yang digunakan adalah jaringan feedforward dengan jumlah neuron pada hidden layer sebanyak 41 sebagaimana disajikan dalam gambar 10 berikut:

Gambar 10. Arsitektur ANN Yang Digunakan

Pada gambar 10, bagian input adalah semua variabel (ada 17 variabel) selain

item. ANN dilatih agar bagian output sama dengan item (sebagai target).

Pada tahap pelatihan, digunakan berturut-turut 784 dan 297 data dari aneka formasi obyek 1 dan obyek 2. Kesesuain output ANN terhadap target setelah pelatihan

untuk obyek 1 disajikan dalam gambar 11 berikut:

Gambar 11. Hubungan Antara Target Dan

Output Setelah Pelatihan ANN Untuk Obyek 1.

Nilai korelasi pada gambar 11 adalah 0,9999 atau R2 = 0,9998. Artinya setelah dilatih, ANN dapat menjelaskan/mengenali aneka formasi BLOB dari citra Obyek 1 (yang representasikan oleh input 17 variabel) sebesar 99,98 %.

Sedangkan hubungan antara target dan output untuk obyek 2, disajikan dalam gambar 12 berikut:

Gambar 12. Hubungan Antara Target Dan

Output Setelah Pelatihan ANN Untuk Obyek 2.

(yang representasikan oleh input 17 variabel) sebesar 99,91 %.

Pendekatan ANN yang digunakan dalam object counting terhadap obyek-obyek lainnya adalah sama dengan yang telah dijabarkan seperti halnya pada obyek1 dan obyek 2 tadi

.

5.

KESIMPULAN

Banyaknya jenis obyek makanan yang ditangani maupun jumlah masing-masing obyek telah dapat diatasi dengan menyediakan fasilitas cropping untuk penetapan area suatu jenis obyek secara dinamis.

Fitur-fitur yang terdapat dalam citra beserta variabel kondisi saat akuisisi citra

telah digunakan sebagai input dari

pendekatan ANN dalam object counting.

Dengan menggunakan arsitektur ANN

feedforward serta 41 neuron pada hidden layer, telah ditunjukkan bahwa output ANN adalah relatif sama dengan target ANN sebagaimana pada gambar 11 dan gambar 12. Akurasi dan kehandalan CV dalam mengawal Kantin Kejujuran memerlukan banyak data dari obyek aneka jenis makanan/minuman serta aneka formasi untuk pelatihan ANN agar sistem semakin mengenal berbagai kondisi saat melakukan

object counting.

6.

DAFTAR PUSTAKA

[1] Mezei Sergiu And Adrian Sergiu Darabant, A Computer Vision Approach To Object Tracking And Counting, STUDIA UNIV. BABES BOLYAI, INFORMATICA, Volume LV, Number 3, 2010.

[2] Rabi’ Abdur, Proptotype Sistem

Penghitung Jumlah Kendaraan Di Area Parkir Terbuka Dengan Operasi Morfologi Citra, Jurnal Penelitian Dan Pengabdian Masyarakat Edisi Ilmu-ilmu Eksakta, Vol. XXI No. 2, LPPM Unmer Malang, 2010.

[3] Rabi’, Abdur, Proptotype Pengawalan Kantin Kejujuran Berbasis Computer Vision, Jurnal Penelitian Dan Pengabdian Masyarakat Edisi Ilmu-ilmu Eksakta, Vol XXII No. 2, LPPM Unmer Malang, 2011.

[4] Yam Kin-Yi, Wan-Chi Siu1, Ngai-Fong Law, Chok-Ki Chan, Effective bi-directional people flow counting for real time surveillance system, IEEE International Conference on Consumer Electronic (ICCE), Chiang Mai, 2011. [5] Maggio, E, F. Smeraldi and A. Cavallaro,

Adaptive Multifeature Tracking in a Particle Filtering Framework, IEEE Transactions on Circuits and Systems for Video Technology, vol. 17, No. 10, pp. 1348-1359, October 2007.

[6] Kurnia, Rahmadi, Penjejak Target Benda Pada Gerakan Linier Berdasarkan Warna, Prosiding Seminar Nasional Aplikasi Teknologi Informasi (SNATI), Yogyakarta, 20 Juni 2009.