DETEKSI API MENGGUNAKAN BACKGROUND SUBSTRACTION DAN ARTIFICIAL NEURAL NETWORK UNTUK REAL TIME MONITORING

http://research.pps.dinus.ac.id , 15

DETEKSI API MENGGUNAKAN BACKGROUND SUBSTRACTION DAN

ARTIFICIAL NEURAL NETWORK UNTUK REAL TIME MONITORING

Andi Kamaruddin1_{, Vincent Suhartono}2_{, Ricardus Anggi Pramunendar}3

123_{Pascasarjana Teknik Informatika Universitas Dian Nuswantoro}

ABSTRACT

The most important initial step in the detection and localization of the fire is to detect fire quickly and reliably. Video-based surveillance is one of the most promising solutions for automatic fire detection with the ability to monitor a large area and ease of reading an alarm to the operator through the monitor Supervision, unfortunately, the main drawback of video-based fire monitoring system that uses optic is a false alarm caused by an Error detection (Error detection), for it is then in this study using the feature extraction GLCM (Gray level Coocurance Matrix) as input spectral classification of Neural network to detect fire, the approach can reduce the Average Error detection with Error detection rate Average is 7% Keyword : Surveillance Systems, Applied to Fire and Flame Detection, wildfires, Classification, Feature Extraction, GLCM, ANN.

1. PENDAHULUAN

Api adalah sumber energi yang berpotensi dapat menyebabkan kerusakan baik ekonomis dan ekologis yang memakan korban. Berdasarkan data dari Pengawasan Bencana Nasional Indonesia setidaknya 55 insiden kebakaran terjadi di wilayah Jakarta Indonesia, pada tahun 2012 yang menyebabkan kerugian terbesar telah membakar 394 rumah dan 1.271 orang kehilangan rumah mereka [1]. Kebakaran hutan merupakan salah satu bencana alam paling berbahaya yang memiliki dampak ekologi, ekonomi dan sosial yang serius. Pencegahan kebakaran dapat dilakukan dengan pendekatan vision-based menggunakan metode terbaru [2], Selain dengan mencegah untuk menghindari kebakaran hutan, peringatan dini dan respon cepat untuk breakout api adalah satu-satunya cara untuk meminimalkan konsekuensinya[3].

Alarm hanya akan berbunyi jika partikel mencapai sensor untuk mengaktivasinya. Oleh karena itu, sensor tidak dapat digunakan di ruang terbuka dengan area jangkuan cukup luas. Sistem deteksi kebakaran berbasis video dapat berguna untuk mendeteksi api di auditorium besar, terowongan, atrium. Kekuatan menggunakan video dalam deteksi kebakaran memungkinkan untuk menangani ruang besar dan terbuka. Selain itu, televisi sirkuit tertutup (CCTV) sistem surveilans saat ini dipasang di berbagai tempat umum untuk pemantauan indoor maupun outdoor. Sistem tersebut dapat memiliki kemampuan deteksi kebakaran dini dengan penggunaan software deteksi kebakaran pengolahan output dari kamera CCTV secara real-time. [4].

Hasil dari deteksi api menggunakan metode Background Subtraction and Time frame selection, menunjukkan kinerja rata-rata kesalahan deteksi dari metode ini adalah sekitar 15,2% [1] hasil ini masih dibawahharapan peneliti tersebut, Metode saat ini dari deteksi kebakaran menggunakan visual yang eksklusif pada analisis spektral jarang digunakan dan peralatan spektroskopi biasanya mahal. Hal ini menyebabkan untuk mendeteksi kebakaran hanya buat orang yang mampu membayar dengan harga tinggi dari sensor mahal yang diperlukan untuk penerapan metode. Selain itu, tingkat Error rate yang relatif masih tinggi karena pendekatan ini masih rentan terhadap alarm palsu yang disebabkan oleh benda yang sama dengan warna api, terutama matahari [2]. walaupun banyak hasil penelitian yang tercantum dalam literatur, video deteksi api tetap menjadi masalah terbuka. Hal ini disebabkan oleh fakta bahwa banyak benda-benda alam memiliki warna yang sama seperti api (termasuk matahari, berbagai lampu buatan atau

16 http://research.pps.dinus.ac.id refleksi dari mereka pada berbagai permukaan) dan sering dapat keliru terdeteksi sebagai api [3], penelitian ini diharapkan dapat memberikan masukan dalam melakukan deteksi dini api dalam deteksi kebakaran hutan menggunakan kamera pengintai visual.selain itu mengusulkan integrasi/hybrid metode background substraction dan Neural network untuk mengurangi Error rate deteksi kebakaran tanpa menggunakan sensor, Penelitian ini diharapkan mampu memberikan sumbangan bagi pengembangan teori, yang berkaitan dengan pendeteksian kebakaran, khususnya metode pendeteksian kebakaran hutan.

2. TINJAUAN PUSTAKA 2.1. Penelitian yang Relevan

Model penelitian Guruh Fajar Shidik [1] melakukan penelitian fire detection dengan menggabungkan multi color feature, background substraction and time frame selection. Segmentasi dari multi-color feature dan background substraction berhasil mendeteksi bagian yang ada api, tetapi dalam beberapa data set masih ditemukan kesalahan deteksi untuk itu digunakanlah kombinasi morphology dan time frame selection, dapat mengurangi kesalahan deteksi hasilnya performance rata-rata Error detection dari metode ini adalah 15,2%

Gambar 1. Usulan Model dari [1] 2.2. Landasan Teori

Morfologi adalah satu set luas operasi pengolahan citra bahwa gambar proses berdasarkan bentuk, operasi yang paling dasar morfologi adalah pelebaran dan erosi. Pelebaran menambahkan piksel dengan batas-batas objek dalam foto sedangkan erosi menghilangkan piksel pada batas-batas-batas-batas objek.

Background subtraction adalah proses yang umum digunakan untuk menemukan objek dalam gambar. Konsep dari metode ini adalah untuk mengidentifikasi kondisi yang ditandai sebagai latar belakang untuk model, tahap deteksi foreground dapat dihitung dengan menggunakan rumus : R(x,y)=I(x,y)-B(x,y), dimana R adalah hasil dari background subtraction, I adalah gambar yang akan dieksplorasi untuk objek posisi atau kondisi berubah, B adalah gambar latar belakang, perbandingan yang mengeksekusi dalam posisi pixel yang sama (x,y).

Konsep Blob Analysis: Region: Semua bagian pixel gambar, Blob: Region yang saling terhubung Skenario dasar Blob analysis sebagai berikut:

a. Ekstraction = tahap initial satu image diterapkan tresholding yang diinginkan b. Refinement = hasil ekastraksi diperhalus dari berbagai nois yang mengganggu

http://research.pps.dinus.ac.id , 17 c. Analysis = pada tahap akhir region yang telah diperhalus diolah secara pengukuran dan perhitungan.

jika region/wilayah itu terdiri dari beberapa objek, maka akan dibagi menjadi masing-masing bagian blob individu yang diperiksa secara terpisah.

GLCM disebut juga Gray Tone Spatial Dependency Matrix adalah tabulasi mengenai frekuensi atau seberapa seringnya kombinasi nilai kecerahan piksel yang berbeda posisinya, dalam menentukan fitur tekstur diperlukan beberapa karakteristik distribusi dari tekstur GLCM yakni fitur Energy, Contrast, Homogenity dan Correlation. [5]:

a. Energy merupakan fitur tekstur untuk mengukur konsentrasi pasangan intensitas pada matriks co-occurance yaitu semakin tinggi intensitas suatu citra maka nilai energinya semakin besar, mempunyai fungsi mengukur konsentrasi pasangan level citra pada matriks co-occurance.

b. Contrast merupakan fitur tekstur untuk mengukur kekuatan perbedaan intensitas pada citra yaitu semakin jelas perbedaan intensitas suatu citra maka nilai kontrasnya semakin besar, mempunyai fungsi mengukur perbedaan lokal pada citra.

c. Homogenity merupakan fitur tekstur untuk mengukur variasi homogeny intensitas pada citra, berfungsi mengukur kehomogenan variasi grey level pada citra.

d. Correlation merupakan fitur tekstur untuk mengukur ketergantungan derajad linearitas keabuan citra, berfungsi sebagai petunjuk adanya struktur linear pada citra. Berikut ini persamaan untuk

keempat fitur tersebut sebagai berikut: ,

, ,

Backpropagation merupakan model saraf tiruan yang mempunyai banyak lapisan. Seperti halnya model jaringan saraf tiruan lainnya, Backpropagation melakukan pelatihan jaringan guna memperoleh keseimbangan antara mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk respon cepat dan yang benar terhadap pola masukan yang serupa (tetapi tidak sama) dengan pola yang dipakai selama pelatihan [6].

Model jaringan Backpropagation adalah jaringan saraf tiruan yang memiliki sifat supervised, yang memerlukan data training dalam penggunaannya, karena sifatnya banyak lapisan sehingga minimal terdapat satu lapisan input, lapisan hidden dan lapisan output.

18 http://research.pps.dinus.ac.id 2.3. Deteksi Api Menggunakan Background Substraction dan Artificial Neural Network untuk

Real Time Monitoring

Peringatan dini kebakaran merupakan hal penting dalam upaya pencegahan penyebaran api agar tidak meluas. Salah satunya dengan kamera surveilience yang diletakan pada menara pengawas. Namun banyak kendala saat pendeteksian api seperti kesalahan deteksi api (false positif) dan objek terdeteksi api yang seharusnya bukan (false negatif). Hal tersebut menarik beberapa peneliti untuk mengkaji bidang penelitian ini sebut saja Guruh Fajar Shidik [1] dengan penelitian “Multi color feature, Background Subtraction and Time frame selection for fire detection”, penelitian ini melakukan segmentasi dari multi color feature dan background substraction dan untuk mengurangi kesalahan deteksi api dengan cara menggabungkan dengan morphologi dan time frame selection pada data set video.

3. METODE PENELITIAN

Tahapan penelitian dilakukan dengan langkah-langkah sebagai berikut.

Gambar 3. Diagram Alir Metode

3.1. Pengumpulan Data

Data yang digunakan merupakan data primer publik yang berupa video konten Api dan yang menyerupai api kemudian disimpan dalam bentuk file image berjenis jpg agar bisa diproses sebagai data training yang akan dijadikan parameter masukan penelitian. Adapun kriteria pengambilan data video yang dibutuhkan adalah sebagai berikut ini :

a. Lokasi

Data public video adalah data base fire forest yang sedang diteliti pada alamat web site Bilkent EE Signal Processing group: http://signal.ee.bilkent.edu.tr/VisiFire/Demo/SampleClips.html dan Fire Research Laboratory's Fire Research Division di NIST: http://fire.nist.gov.

b. Standar format video data set

Standar video data set yang digunakan adalah AVI, FLV dan MPG, pixel 240 x 320. c. Skenario

Dalam adegan setiap video mengandung adegan kebakaran dengan menggunakan bahan bakar berlainan jenis dan jarak pengambilan gambar yang berlainan, selain itu terdapat juga adegan video berupa objek yang menyerupai api.

http://research.pps.dinus.ac.id , 19 3.2. Eksperimen

Eksperimen ini dilakukan dengan menggunakan tools matlab, data yang digunakan pada penelitian ini dibatasi pada klasifikasi objek api dan yang menyerupai api/ non api yang langkah-langkahnya seperti pada gambar berikut ini : Penggunaan tools matlab pada tahap awal ini yaitu dengan pembacaan file video berjenis avi yang akan diubah frame by frame menjadi file gambar berjenis jpg. Tahapan selanjutnya dilakukan persiapan data training secara manual yaitu mempersiapkan file-file yang ada apinya dan yang menyerupai api.

Gambar 4. Persiapan Data Training Secara Manual

Penggunaan Metode Gray-level Co-occurance Matrix (GLCM) sebagai fitur ekstraksi berfungsi untuk mengambil atau mengekstrak nilai Contrast, Correlation, Energy dan Homogenity dari suatu objek yang dapat membedakan dengan objek lainnya dalam hal ini untuk menentukan objek api, adapun tahapannya adalah sebagai berikut :

a. Melakukan pembacaan frame by frame format video avi

b. Merubah format frame spektral RGB menjadi terpisah masing masing spekrtal Red, Green dan Blue agar sesuai format Gray-level Co-occurance Matrix

c. Setelah itu mencari pola tekstur nilai grayscale dari pusatnya

d. Setelah didapatkan pola tekstur grayscale yang dibangun oleh tresholding maka nilai tersebut menjadi inputan untuk proses GLCM

e. Menentukan nilai coocurrency dengan menghitung nilai ketetanggaan matrix grayscale pada citra dengan jarak d=1 dan arah 0

f. Melakukan normalisasi matrix coocurrency yang sudah simetris, sehingga didapat nilai Contrast, Correlation, Energy dan Homogenity untuk digunakan sebagai klasifikasi.

Tahap selanjutnya untuk mengenali api berdasarkan data fitur ekstraksi yang telah diperoleh dengan melakukan training Neural network sebagai klasifikasi. Hasil dari training akan digunakan selanjutnya sebagai proses masukan pelatihan menggunakan Artificial Neural Network dalam menemukan pola inputan pasangan dengan pola output. Dalam proses training dimaksudkan untuk menyesuaikan bobot pada simpul lapisan input ke lapisan tersembunyi sampai ke lapisan output. Penyesuaian bobot dilakukan terus-menerus sampai didapatkan nilai Error yang paling minimum, data masukan berupa file video yang diekstrak menjadi image frame spektral RGB, dari data hasil proses fitur ekstraksi yang mana hasilnya dari klasifikasi adalah pengenalan objek api dan non api atau yang menyerupai api. Dalam proses tracking objek yakni dengan pemberian bounding box atau tanda boundary pada objek yang berhasil diidentifikasi yang diperoleh dari ekstraksi objek dari hasil yang telah dilakukan sebelumnya.

20 http://research.pps.dinus.ac.id Gambar 5. Neural Network Training

3.3. Evaluasi

Dalam melakukan evaluasi dari pendekatan yang diusulkan dalam hal ini Error detection Average yakni setelah metode dilakukan pengujian akan menghasilkan Confusion Matrix dengan membandingkan objek api yang berhasil dikenali dengan benar dengan total data. Selain itu Confusion Matrix digunakan juga untuk mendapatkan hasil pengukuran tingkat keakuratan .

Pada tahap pengujian akan menghasilkan beberapa hasil yang didapat dari presentasi dari table Confusion Matrix tersebut untuk memperoleh empat nilai : true positive, false negative, false positive dan true negative. True positive (TP) menyatakan citra teridentifikasi dengan benar sesuai kelasnya (positif). False positive (FP) citra yang seharusnya teridentifikasi dengan tepat pada kelasnya namun dalam proses klasifikasi salah mengidentifikasi. False negative (FN) menunjukkan citra yang seharusnya bukan anggota dari kelas tersebut teridentifikasi sebagai anggota kelas tersebut. True negative (TN) adalah citra yang bukan anggota kelas tersebut teridentifikasi tepat bukan anggota kelas tersebut (negatif). Pemetaan nilai masing-masing dapat dilihat pada tabel Confusion Matrix tabel berikut ini.

Tabel 1. Confusion Matrix 2 Kelas Predicted

Positif Negatif

Aktual

Positif TP FP

Negatif FN TN

Perhitungan akan dihitung rata-rata Error deteksinya dengan rumus :

Confusion matrix menghitung akurasi dengan menghitung kumulatif dari jumlah prediksi yang benar dibagi dengan jumlah prediksi yang benar ditambah dengan prediksi yang salah. Perhitungan akurasi akan dihitung dengan rumus sebagai berikut:

Proses perhitungan waktu proses deteksi api dilakukan dengan menggunakan fungsi matlab tic dan toc dalam proses tersebut menghasilkan lama waktu eksekusi seluruh perintah setelah pemanggilan fungsi tic hingga sampai pada pemanggilan fungsi toc, hasilnya disajikan dalam bentuk satuan waktu.

http://research.pps.dinus.ac.id , 21 4. HASIL PENELITIAN DAN PEMBAHASAN

4.1. Hasil Penelitian

Adapun data penelitian seperti telah dijelaskan pada metode penelitian sebelumnya adalah data 15 (lima belas) video public kebakaran hutan yang mengandung objek api dan non api atau yang menyerupai api. Video berformat avi dengan dimensi ukuran file video berukuran pixel 240 x 320 pixel tersebut kemudian akan di ekstrak bagian apinya dengan cara memisahkan dari video ke gambar, gambar-gambar yang telah didapatkan berukuran tinggi pixel 240 dan lebar pixel 320, yang kemudian diambil RGB spektral apinya/non api sebagai data training nantinya.

Dengan menggunakan tools matlab data frame-frame video dijadikan frame gambar-gambar dengan format gambar adalah JPG, banyaknya gambar tergantung dari jumlah frame yang tergantung durasi video. Adapun langkahnya adalah dengan pembacaan file video frame per frame dengan syntax : frame=step(videoFReader) selanjutnya tampilkan frame per frame dengan syntax : step(videoPlayer,frame) dilanjutkan dengan mengekstrak image frame ke gambar dengan syntax : imwrite(frame,namafile).

(a)

(b)

Gambar 6. Contoh Data Api dan non Api Atau yang Menyerupai Api. (A). Image yang Mengandung Objek Api, (B). Image yang Menyerupai Api/Bukan Api

Setelah gambar-gambar objek api dan non api didapatkan yang dilakukan selanjutnya adalah melakukan pemilihan gambar yang akan dijadikan inputan neural network dalam proses training, dalam proses ini dipilih image yang terdiri dari gambar-gambar yang memiliki wilayah api, non api atau yang menyerupai api.

Berdasarkan uji coba minimal 3 gambar yang terdiri dari objek yang memiliki wilayah api, non api atau yang menyerupai api dapat digunakan untuk proses ini. Dalam proses ini gambar utuh berukuran pixel 240 x 320 yang digunakan sebagai data training. Dalam penelitian ini data training yang digunakan adalah spektral RGB image gambar RGB yang telah diekstrak menjadi image frame. Dalam proses fitur ekstraksi matrix spektral RGB, dipisahkan menjadi 3 (tiga) spektral R (merah), G (hijau), B (biru), contoh sintaksnya sebagai berikut :

for spektral = 1:3

Grayflame = rgbFrame(:,:,spektral);

22 http://research.pps.dinus.ac.id Masing-masing dibuat ke Gray-level Co-occurance Matrix (GLCM) dengan menggunakan fungsi dalam matlab glcm=graycomatrix(I), Contoh sintaks perubahan image RGB ke Gray-level Co-occurance Matrix : Glcmflame=graycomatrix(Grayflame, 'offset', [0 1], 'Symmetric', true,

'NumLevel', 256);

Spektral RGB yang telah didapatkan selanjutnya akan dinormalisasi dengan fungsi dari matlab :

Statsflame = graycoprops(Glcmflame,'all'); memasukkan sebagai input Neural network

dari hasil feature ekstraksi GLCM untuk melakukan training net = newff(input,target,[20 3],{'logsig','logsig'},'trainlm'); Proses training berdasarkan data fitur ekstraksi yang telah diperoleh sebagai berikut : [net,tr] = train(net,input,target); Target berupa image dengan klasifikasi 1 = api, dan 2 = non api/menyerupai api.

Selanjutnya setelah model hasil training didapatkan maka dilanjutkan dengan menguji data testing, semua data set video yang diekstrak menjadi frame-frame image dengan kecepatan 24 sampai dengan 30 frame per second dijadikan input dengan sebelumnya mengambil fitur ekstraksi menggunakan GLCM, dalam proses training sengaja dipisahkan dengan proses testing guna ‘performa’ dalam deteksi real-time berikut ini potongan syntax tahapan pengambilan fitur :

rgbFrame = step(vidDevice); for spektral = 1:3

Grayflame = rgbFrame(:,:,spektral); %GLCM

Glcmflame=graycomatrix(Grayflame, 'offset', [0 1], 'Symmetric', true,'NumLevel',256); Statsflame = graycoprops(Glcmflame,'all');

%pengambilan Fitur

Contrast(spektral,1) = mean(Statsflame. Contrast); Correlation(spektral,1) = mean(Statsflame.Correlation); Energy(spektral,1) = mean(Statsflame.Energy);

Homogeneity(spektral,1) = mean(Statsflame.Homogeneity); %menyatukan fitur ke matrix

FlameFeature = [Contrast;Correlation;Energy;Homogeneity]; end

input = FlameFeature;

Tiap frame image yang telah didapatkan fitur GLCMnya selanjutnya menjadi inputan neural network dengan syntax :

%% Neural network classification

output = round(sim(net,input));

Dalam melakukan traking objek berupa api menggunakan metode fitur warna merah dan background substraction Perubahan pada pixel gambar yang sering berubah-ubah tiap elemennya menjadi dasar penentuannya. Contoh sintax pada matlab dalam tahapan background substraction objek : diffFrame = imsubtract(rgbFrame(:,:,1), rgb2gray(rgbFrame));

(a) (b) (c) (d)

Gambar 7. (a) Citra asli, (b) Citra frame different binary image bw, (c) Citra frame different Gray Scale, (d) Citra hasil

http://research.pps.dinus.ac.id , 23 Pengujian Error rata-rata dilakukan dengan menguji ke 15 (lima belas) video sebagai masukan testing neural network untuk mengklasifikasi sebagai objek api atau non api.

Pengujian dilakukan dengan menjumlahkan total hasil salah dibagi dengan total hasil benar, dari hasil pengujian menghasilkan Error rata-rata 7.0 %

.

Gambar 8. Hasil Pengujian Error Average

Berdasarkan hasil pengujian Error detection Average menunjukkan bahwa pendekatan yang diusulkan menghasilkan jumlah total deteksi error rata-rata 7.0% , perolehan tersebut lebih kecil dibandingkan dengan metode Multi color feature, Background Subtraction and Time frame selection [1] yang menunjukkan kinerja deteksi kesalahan rata-rata dari metode ini adalah sekitar 15,2%.

4.2. Pembahasan Hasil

Deteksi api dalam eksperimen ini diawali dengan pengumpulan data video objek api terdiri dari 15 (lima belas) file video berukuran pixel 240 x 320 dengan format video berjenis AVI, proses selanjutnya dengan melakukan feature ekstraksi yaitu merubah frame menjadi gambar berjenis JPG berukuran pixel 240 x 320 untuk mengekstrak fitur api menggunakan GLCM dengan jarak d = 1 dan arah = 0¬0 yang kemudian menjadi inputan klasifikasi Neural network data training, pemisahan proses data training dengan data testing dengan maksud peningkatan “perform” deteksi real-time, setelah dilakukan data training yang kemudian dilanjutkan dengan testing feature api dengan GLCM data video menjadi inputan klasifikasi Neural network data Testing.

Hasil dari klasifikasi tersebut kemudian dihitung dengan menggunakan confusion matriks untuk mendapatkan eror deteksi rata-rata, akurasi dan juga menghitung lama waktu proses yang dibutuhkan dalam proses testing pengenalan api, yang kemudian hasil deteksi eror rata-rata dibandingkan dengan metode sebelumnya dengan menggunakan metode Multi color feature, Background Subtraction and Time frame selection [1].

Dari hasil penelitian menunjukan kinerja deteksi kesalahan rata-rata dari metode ini dapat menurun dengan tingkat deteksi Error rata-rata yang lebih rendah, dengan tingkat deteksi Error rata-ratanya adalah 7,0 persen.

Akurasi dan lama waktu proses juga dibandingkan dengan penelitian sebelumnya dengan akurasi pada penelitian yang digunakan adalah sebesar rata-rata 93,9 persen hal tersebut dikarenakan keberhasilan dalam klasifikasi, sedangkan waktu proses pada penelitian yang digunakan sebesar 688,2sec.

24 http://research.pps.dinus.ac.id 5. KESIMPULAN DAN SARAN

Berdasarkan pengujian yang dilakukan pada hasil klasifikasi jaringan saraf tiruan menggunakan GLCM (Gray Level Coocurance Matrix) pada proses deteksi api, dapat disimpulkan pengenalan objek api berdasarkan klasifikasi NN dan GLCM memperoleh hasil akurasi yang baik sehingga dapat diterapkan untuk masukan dalam rekayasa pengenalan api secara real-time, Proses klasifikasi api dan menyerupai api/non api menggunakan NN dan GLCM memiliki Error rate rata-rata yang lebih rendah yaitu Error rate terendah 7% dan waktu proses yang lebih lama dibandingkan dengan metode MCF (Multi color feature) yakni sebesar rata-rata 688.2 detik. Peneliti menyarankan agar peneliti selanjutnya yang ingin meneliti pada topik yang sama dengan penelitian ini agar dapat menggunakan pendekatan lain untuk mengkombinasikan fitur ekstraksi dengan LBP (local binary patern). Pendekatan tersebut dapat digunakan dalam proses input jaringan saraf tiruan, Dalam proses identifikasi objek menggunakan warna saja tidak cukup, oleh karenanya selain penambahan jumlah dataset training untuk klasifikasi objek api, dalam proses segmentasi identifikasi objek pada frame, disarankan agar dapat menggunakan variasi optimasi temporal karena pertimbangan objek api memiliki sifat rentang nilai pixel yang sering berubah-ubah. PENUTUP

Alhamdulillah puji syukur penulis panjatkan kehadirat ALLAH SWT yang telah melimpahkan berkah dan rahmat serta karunia Nya, sehingga pada akhirnya penulis dapat menyelesaikan penelitian ini sesuai waktunya. Penelitian dengan judul “DETEKSI API MENGGUNAKAN BACKGROUND SUBSTRACTION DAN NEURAL NETWORK UNTUK REAL-TIME MONITORING” ini dapat penulis selesaikan sesuai waktunya tidak lepas dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan ucapan terima kasih kepada semua pihak yang telah membantu penulis.

.

PERNYATAAN ORIGINALITAS

“Saya menyatakan dan bertanggung jawab dengan sebenarnya bahwa penelitian ini adalah hasil karya saya sendiri kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya”.

[Andi Kamaruddin – P31.2012.01328]. DAFTAR PUSTAKA

[1] Guruh, F. S.; Fajrian, N. A.; Supriyanto, C.; Ricardus, A. P.; & Pulung, N. A. “Multi color feature, Background Subtraction and Time frame selection for fire detection”. Robotics, Biomimetics, and Intelligent Computational Systems (ROBIONETICS), IEEE International Conference, 2013, p.115-120.

[2] Phillips III, Walter; Shah, Mubarak; Da Vitoria Lobo, Niels. “Flame recognition in video”. Pattern recognition letters, 2002, 23.1: 319-327.

[3] Dimitropoulos, Kosmas; Tsalakanidou, Filareti; Grammalidis, Nikos. “Video based flame detection”, the European Community's Seventh Framework Programme (FP7-ENV-2009-1) under grant agreement no FP7-ENV-244088 ''FIRESENSE'', 2008

[4] Töreyin, B. Uğur, et al. “Computer vision based method for real-time fire and flame detection.” Pattern recognition letters, 2006, 27.1: 49-58.

[5] Cucun Very Angkoso, Ingrid Nurtanio dan I Ketut Eddy Purnama, “Analisa Tekstur Untuk Membedakan Kista Dan Tumor Pada Citra Panoramik Rahang Gigi Manusia”, Institut Teknologi Sepuluh November Surabaya, ISSN 2088-4796. 2011

[6] D. Oktaviani, “Neural network Implementation in Foreign Exchange Kurs Prediction”, Undergraduate Program, Faculty of Industrial Engineering, 2010.