Analisis Proses Pendeteksian Api Menggunakan Metode Wavelet Febryanti Sthevanie1, Tjokorda Agung Budi W.2 , Retno Novi D.2
1,2,3Fakultas Informatika Telkom University, Bandung 1sthevanie@yahoo.com, 2cok@ittelkom.ac.id , 3rvi@ittelkom.ac.id
Abstrak
Metode pendeteksian api yang saat ini sering digunakan adalah alat pendeteksi api berdasarkan asap atau suhu. Namun metode ini tidak dapat digunakan di ruangan yang luas dan luar ruangan (outdoor). Lalu dikembangkanlah metode pendeteksian api pada video memanfaatkan media kamera video, webcam, CCTV yang saat ini sudah banyak dipasang di gedung-gedung. Metode deteksi api dengan memanfaatkan media kamera video ini pada prinsipnya melakukan image
processing terhadap frame-frame di video hasil rekaman kamera, webcam, dan CCTV. Metode ini
memiliki beberapa kelebihan dibandingkan dengan alat pendeteksi api berdasarkan asap atau suhu, yaitu dapat digunakan di ruang yang lebih luas baik dalam atau luar ruangan. Kecepatan dalam mendeteksi api pun lebih cepat karena tidak perlu menunggu asap atau api menyentuh kamera. Ditambah saat ini banyak sekali gedung yang sudah memasang kamera pengawas atau CCTV sebagai kamera keamanan.
Oleh karena itu, pada ini, deteksi keberadaan objek api pada video off-line dilakukan dengan cara mendeteksi piksel yang memilki karateristik seperti api, yaitu melalui 4 tahap, pertama, pendeteksian piksel bergerak menggunakan metode three frame differencing, kedua, pendeteksian piksel berwarna seperti api menggunakan metode pencocokan piksel dengan database piksel warna api terkluster menggunakan K-Means, ketiga, pendeteksian frekuensi perubahan warna piksel untukmengetahui keberadaan lidah api menggunakan tranformasi
wavelet 1-D, keempat, pendeteksian variasi nilai piksel pada region yang dicurigai sebagai api
menggunakan transformasi wavelet 2-D. Dengan menggunakan transformasi wavelet, maka perubahan nilai piksel dapat dianalisis dari segi frekuensi perubahan maupun waktunya. Selain itu transformasi wavelet pun dapat menganalisis variasi warna pada api sehingga dengan menggunakan trasformasi wavelet, dapat dibedakan antara objek api danbukan api di dalam sebuah video.
Sehingga dengan menambahkan parameter lidah api dan variasi warna api menggunakan metode wavelet proses deteksi api lebih baik dibandingkan hanya menggunakan warna dan gerak saja. Akurasi sistem dengan metode ini mencapai 82,35%.
Kata kunci : video, deteksi api, k-means, transformasi wavelet, three frame differencing. Pendahuluan
Api adalah salah satu sumberdaya alam yang dianugrahkan Tuhan kepada manusia untuk kehidupan sehari-hari. Contohnya api untuk memasak, dan api untuk penerangan yaitu api lilin. Namun api akan menjadi sumber musibah jika api tersebut dapat menyebabkan kebakaran. Kebakaran adalah salah satu bencana alam yang sering terjadi dalam kehidupan sehari-hari. Kebakaran biasanya terjadi dikarenakan keterlambatan manusia dalam menyadari keberadaan api di tempat-tempat yang tidak semestinya, sehingga api menyebar dan menghanguskan barang-barang dan bangunan. Ciri-ciri api yang berbahaya adalah api yang bergerak-gerak, membesar, dan berada pada tempat yang tidak semestinya, contohnya api diatas meja kerja dalam ruang kerja.
Beberapa metode yang saat ini sering digunakan untuk mendeteksi api adalah metode barbasis partikel, temperature, dan kejernihan udara[1]. Salah satunya yang sering digunakan di bangunan saat adalah alat pendeteksi kebakaran yang ditaruh di plavon bangunan. Alat ini bekerja dengan mendeteksi keberadaan api melalui asap yang dihasilkan oleh api. Namun metode ini membutuhkan jarak yang cukup dekat antara api dan alat pendeteksi agar dapat mendeteksi keberadaan api [2], sehingga dibutuhkan waktu yang cukup lama agar asap api dapat tertangkap oleh alat jika ruangannya cukup besar, dan besar kemungkinan saat itu api sudah membesar dan menyebabkan kebakaran, dan metode ini tidak dapat digunakan untuk ruangan yang terbuka karena jika arah angin berlawanan arah dengan posisi alat pendeteksi, maka api tidak akan terdeteksi.
Oleh karena itu, salah satu alternatif adalah melakukan pendeteksian api berdasarkan visual. Metode ini menjadikan kamera video sebagai media dalam mendeteksi keberadaan api. Beberapa kelebihan dari penggunakan kamera video ini dibandingkan pendeteksi api berdasarkan keberadaan asap
adalah memiliki respons yang cepat karena tidak perlu menunggu api meyentuh alat pendeteksi, sehingga metode ini dapat menjangkau area yang lebih luas, dapat mendeteksi keberadaan api di dalam maupun luar ruangan [3]. Gambar-gambar yang tertangkap oleh kamera video ini akan menjadi input dalam proses pendeteksian oleh sistem. Dan jika ternyata sistem tersebut mendeteksi adanya api, maka secara otomatis sistem tersebut akan mengeluarkan peringatan kepada user tentang keberadaan api menggunakan bunyi alarm
Beberapa metode pendeteksian api pada video diantaranya [4] dan [2]. Pada Metode yang terdapat pada [4], hanya menjadikan warna api sebagai parameter pendeteksian api, sedangkan pada [2] hanya warna dan gerakan saja. Kedua metode tersebut dapat menghasilkan false alarm jika didalam video terdapat objek berwana api yang bergerak, misalnya orang menggunakan baju berwarna api yang lewat. Oleh karena itu untuk menghindari false alarm, pada ini ditambahkan proses lain untuk mendeteksi keberadaan api yaitu menganalisa gerakan objek serta variasi warna piksel pada objek menggunakan transformasi wavelet.
Api memilki gerakan yang tidak konstan dan bervariasi setiap waktu, gerakan api inilah yang disebut dengan lidah api yang memilki frekuensi sekitar 10 Hz [3]. Keberadaan lidah api ini dapat dideteksi dengan cara menganalisis perubahan nilai piksel dalam satuan waktu untuk membedakan antara objek dengan garakan statis dengan gerakan api yang bergolak. Gerakan api yang bergolak tidak hanya terjadi di bagian lidah api aja tapi juga di bagian dalam api [3], sehingga warna piksel pada bagian dalam bervariasi sedangkan objek yang bewarna seperti api contohnya baju merah yang memiliki warna yang cenderung monoton [3]
Pada ini, untuk menganalisi gerakan serta variasi warna piksel digunakanlah transformasi
wavelet 1-D (untuk analisis gerakan) dan transformasi wavelet 2-D (untk analisis varisi warna piksel),
karena transformasi wavelet adalah tools untuk menganalisi hubungan frekuensi dengan waktu [13], sehingga dengan menggunakan tranformasi wavelet dapat diketahui ada tidaknya frekuensi tinggi pada perubahan nilai piksel dalam waktu tertentu dan variasi nilai antar piksel.
Deteksi Gerak
Three Frame Differencing adalah salah satu metode dalam mendeteksi perubahan dalam video .
Metode ini dapat digunakan dalam mendeteksi adanya gerakan dalam video. Metode three frame
differencing ini membandingkan nilai intensitas piksel antara citra saat ini dengan dua citra frame
sebelumnya. Jika hasil selisih melebihi nilai Threshold (T1), maka piksel tersebut dianggap sebagai piksel bergerak [11].
|𝑰(𝒊, 𝒋)𝒏 – 𝑰(𝒊, 𝒋)𝒏 𝟏> 𝑇| 𝑎𝑛𝑑 |𝑰(𝒊, 𝒋)𝒏 – 𝑰(𝒊, 𝒋)𝒏 𝟐> 𝑇| (2.1
Deteksi Warna
Data clustering merupakan suatu metode Data mining yang bersifat unsupervised untuk
mengelempokan data yang memiliki karakteristik tertentu yang sama [12]. Terdapat banyak pendekatan dalam clustering, salah satunya adalah pendekatan k-means clustering.
K-means merupakan contoh dari metode data clustering yang berfungsi mengelompokkan data
menjadi beberapa cluster atau kelompok sehingga data yang mempunya ciri atau karakteristik yang sama dapat dikelompokkan dalam cluster atau kelompok yang sama[12]. huruf K yang ada pada K-means berarti kita mengasumsikan bahwa kita mengetahui jumlah kelompok yang akan dihasilkan.
Algoritma k-means clustering secara umum adalah 1. Tentukan nilai k atau jumlah kluster
2. Ambil data sampel sembarang sebanyak k data. Masing-masing data ini akan menjadi centroid awal (mean) setiap kluster.
3. Hitung jarak data lain (n-k) terhadap masing-masing centroid. Dimana jarak antara dua titik tersebut dihitung menggunakan Euclidean Distance dapat dilihat pada persamaan(2.2) :
(2.2) Dimana :
P = dimensi data.
4. Setiap data(n-k) tadi dimasukkan kedalam kluster yang memiliki jarak paling dekat dengan dengan
centroid kuster tersebut
6. Proses berhenti saat tidak ada lagi data yang berpindah kluster.
Menggunakan data piksel api yang penulis dapatkan, maka dilakukan pengklusteran menggunakan metode k-means dengan nilai k=6. Hasilnya adalaha seperti dibawah ini:
(a)
(b)
Gambar 3.1: Hasil kluster data piksel api menggunakan k-means
Dengan kata lain setiap piksel yang berada di salah satu kluster dianggap seagai piksel ergerak berwarna api dan akanmenjadi inputan unuk tahap selanjutnya.
Deteksi Lidah Api
Api tidak sekedar bergerak tetapi juga memilki golakan (turbulent) dalam hal ini dinamkan lidah api. Pergolakan api membuat nilai Red piksel pada setiap region api akan mengalami berkali-kali perubahan nilai antara piksel api menjadi piksel background dan sebaliknya.Objek biasa tidak memiliki frekuensi pergerakan secepat lidah api, oleh karena itu dengan menganalisis keberadaan lidah api dapat dibedakan antara objek biasa yang berwarna api dengan api.
Pada tahap ketiga, sistem melakukan deteksi keberadaan lidah api dengan cara mendeteksi frekuensi nilai Red piksel pada 60 frame sebelumnya. Penulis menggunakan Discreet Wavelet Transform (DWT) 1-D untuk menganalisis perubahan nilai Red piksel selama 60 frame.
Data nilai Red piksel dari frame ke-n sampai dengan frame ke-n+60 menjadi inputan pada proses transformasi wavelet 1-D ini. Discreet Wavelet Transform (DWT) 1-D dihasilkan dari filter bank 2 level (half-band high pass filter dan low pass filter ) dengan mother wavelet yang digunakan adalah Haar. Bentuk filter dapat dilihat pada gambar 4.1.
Gambar 4.1: Filter Bank 2 level
Filter bank diatas menghasilkan subband Cd1 dan Cd2, subband inilah yang dianalisis. Pada piksel
api, ditemukan beberapa kali puncak histogram baik , sedangkan piksel latar belakang hanya memiliki satu puncak histogram.
Perbandingan variasi nilai Red untuk 3 jenis piksel sebelum didekompisisi dapat dilihat pada gambar 3.7, setelah didekomposisi 1 level dapat dilihat pada gambar 3.8 dan setelah didekomposisi 2 level dapat dilihat pada gambar 3.9:
Gambar 4.2 Perbandingan nilai Red selama 60 frame (2 detik) pada 3 jenis piksel
Gambar 4.3 Perbandingan hasil DWT level-1 terhadap 3 jenis piksel
Gambar 4.5 Perbandingan hasil DWT level-2 terhadap 3 jenis piksel
Dari gambar 4.2, gambar 4.3, dan gambar 4.4 dapat terlihat perbedaan frekuensi antara piksel latar belakang, piksel bergerak statis dan piksel api. Piksel api memiliki beberapa spike dalam waktu 1detik dikarenakan dalam 1 detik piksel tersebut berkali-kali berubah dari piksel latarbelakang menjadi piksel api, dan inilah indikasi keberadaan lidah api, sedangkan piksel yang dilewati objek biasa hanya memiliki 1 sampai 3
spike. Dengan menghitung jumlah data koefisien yang melewati garis Nol, maka dapat dibedakan antara piksel
latarbelakang, piksel yang dilewati objek biasa, dan piksel api. Deteksi Variasi Warna Api
Pada tahap ke-4 adalah mendeteksi variasi nilai piksel pada region api. Parameter ini dibutuhkan untuk membedakan objek berwarna api yang bergerak dengan kecepatan perubahan nilai piksel mendekati kecepatan perubahan piksel api dengan api yang sebenarnya. Contohnya orang yang memakai jaket berwarna api melambai-lambai didepan kamera, maka beberapa bagian dari piksel jaket akan terdeteksi sebagai api karena kecepatan perubahan piksel latarbelakang menjadi piksel jaket dan sebaliknya mendekati kecepatan lidah api. Oleh karena itu karateristik api selanjutnya yang akan dijadikan parameter adalah variasi nilai piksel di dalam region api. Objek seperti jaket atau benda lainnya memiliki warna yang cenderung monoton atau tidak bervariasi, sedangkan api memiliki warna yang bervariasi dikarenakan pergolakan api.
Untuk mendeteksi variasi piksel dala region,maka digunakanlah Tranformasi Wavelet Diskrit (TWD) 2-D. Transformasi wavelet ini akan menghaslkan koefisien subimage LL (low low), HH (high high), HL (high low), dan HH (high-high). Koefisien HL, LH, dan HH yang akan digunakan untuk menghitung energi wavelet,
Pertama-tama lokasi piksel yang didapatkan pada tahap ke-3 dikelompokkan menggunakan
8-connected region. Lalu setiap region diperiksa variasi nilai pikselnya menggunakan Tranformasi Wavelet
Diskrit (TWD) 2-D. Lalu didapatkan koefisien-koefisien subimage lalu dihitung nilai energinya menggunakan persamaan 5.1
Rumus energi wavelet :
(5.1) Dimana
LH(i,j) : koefisien untuk subimage Low-High HL(i,j) : koefisien untuk subimage High-Low HH(i,j) : koefisien untuk subimage High-High
Dan M X N adalah ukuran region dalam satuan piksel
Jika energi wavelet dari region yang dijadikan inputan lebih dari threshold energi wavelet, maka region ini dideteksi sebagai api dan sistem mengeluarkan alarm peringatan
Perancangan Sistem
Gambar 5-1 : Flowchart umum sistem Implementasi dan Analisis Hasil Percobaan
Pengujian yang dilakukan menggunakan file video sebagai objek deteksi api. Skenario ini bertujuan untuk mendapatkan nilai parameter yang diperlukan dalam membangun sistem deteksi api seperti nilai T1, T2, T3, T4, T5, kecepatan, kepekaan dan ketepatan. Untuk mendapatkan nilai-nilai tersebut dilakukan beberapa skenario seperti berikut:
1. Skenario pertama adalah melakukan pengujian untuk mendapatkan nilai T1 (threshold deteksi piksel bergerak) dengan nilai T1 yang berbeda-beda.
2. Skenario kedua adalah melakukan pengujian untuk mendapatkan nilai threshold koefisien detail level 1 (T2), threshold koefisien detail level 2 (T3), threshold minimum frekuensi cd1 dan cd2 (T4) dengan kombinasi nilai T2, T3, dan T4 yang berbeda-beda.
3. Skenario ketiga adalah melakukan pengujian terhadap beberapa macam citra yang terdapat region api dan non api untuk menghitung T5 (threshold energi wavelet region api)
4. Skenario keempat adalah melakukan pangujian untuk mendapatkan parameter pendeteksian api dengan cara mendeteksi video yang terdapat api didalamnya lalu menambah satu persatu parameter pendeteksian. 5. Skenario kelima adalah melakukan validasi nilai-nilai yang didapatkan pada skenario ke-1 samapai ke-4
dengan file video yang berbeda. Nilai ini dikaitkan dengan nilai ketepatan sistem dalam mendeteksi api. 6. Skenario keenam adalah melakukan pengujian untuk mendapatkan kecepatan sistem dalam mendeteksi
api.
7. Skenario ketujuh adalah melakukan pengujian untuk meguji ketepatan sistem dalam mendeteksi api. Hasil pengujian skenario 1 dapat dilihat pada tabel 4-1
Tabel 0-1 : Hasil pengujian skenario 1
Hasil pengujian skenario 2 dapat dilihat pada tabel 4-2 berikut ini.
Hasil pengujian skenario 3 dapat dilihat pada table 4-3 Tabel 0-3:hasil enam pengujian TH3 pada skenario 3
Hasil pengujian skenario 4 dapat dilihat pada tabel 4-4 berikut ini. Tabel 0-4 : hasil pengujian skenario 4
Tabel 0-5 : hasil pengujian skenario 5
Tabel 0-7 : tabel pengujian skenario 7
Dari beberapa skenario di atas dapat diperoleh beberapa analisis, diantaranya adalah sebagai berikut. 1. Pada tahap pertama, sistem akan melakukan deteksi gerak. Penggunaan metode three frame differencing
untuk mendeteksi gerak sangat cocok untuk digunakan pada lingkungan indoor maupun outdoor. Hal ini dikarenakan metode three frame differencing membandingkan nilai piksel antara frame citra ke-n dengan
frame citra ke n-1 dan frame citra ke-n-2. Bukan dengan latarbelakang atau frame awal. Sehingga
walaupun terjdi perubahan cahaya, maka piksel yang berubah karena cahaya hanya akan terdeteksi di awal saja, selanjutnya tidak aka lagi terdeteksi karena frame ke-n-2 yang akan dijadikan pembanding dengan
frame yang saat ini di deteksi (frame ke-n) , sudah berubah menjadi frame ke-n-1 dan atu frame ke-n disaat
perubahan cahaya terjadi. Namun kekurangan dari metode ini adalah tidak seluruh region bergerak dapat terdetksi jika perpindahan region tersebut sangat kecil, sehingga akan dihasilkan hole
2. Nilai threshold T1 akan memperngaruhi jumlah kandidat piksel yang akan masuk ke tahap selanjutnya. Semakin kecil nilai T1, maka kandidat piksel yang lolos akan semakin banyak, namun akibatnya akan ada piksel-piksel noise masuk kedalam tahap 2, dan tentunya akan mempengaruhi kecepatan sistem. Sebaliknya, nilai T1 yang terlalu besar akan mengakibatkan piksel-piksel penting yang bergerak terblok dan tidak dijadikan inputan untuk tahap ke-2. Dan ini akan mngakibatkan informasi piksel api yang ada akan tereduksi. Terutama jika piksel latar belakang memiliki warna yang mirip dengan warna api dan ukuran ditambah saat pendeteksian gerakan api dan ukuran api belum signifikan, hal ini akan mengakibatkan kekurangpekaan sistem terhadap adanya api. Sehingga dari nilai T1 yang memungkinkan, yaitu 25 sampai 40 , dipilih nilai terkecil yaitu 25, hal ini dikarenakan untuk menghindari tidak terpilihnya piksel api pada
frame ke-n memiliki nilai piksel yang mirip pada frame ke n-1 dan n-2, karena piksel tersebut berada dalam
region api (bukan lidah api), hal ini terjadi pada video dengan objek api yang gerakannya tidak signifikan. 3. Nilai T2, T3, dan T4 berfungsi untuk pedeteksian keberadaan lidah api. T2 berpengaruh terhadap proses
pemilihan piksel-piksel yang memiliki perubahan nilai Red yang signifikan. Hal ini diperlukan untuk membedakan piksel api dengan piksel latar belakang dan piksel yang dilewati objek (statis). Semakin tinggi nilai T2 maka piksel-piksel yang memiliki selisih warna Red dari frame ke-n hingga frame ke n-30 yang akan lolos. Namun jika terlalu rendah, maka piksel-piksel yang tidak penting atau piksel yang perubahan nilai Red karena cahaya akan masuk sebagai kandidat piksel lidah api. Oleh karena itu nilai T2 yang optimum adalah tidak terlalu besar namun bisa mengeliminasi piksel noise. Begitu juga dengan T3, hanya saja nilai T3 harus lebih kecil dari T2 karena T2 menjadi threshold nilai koefisien detail dari hasil transformasi wavelet level-1, hasil level-1 ini akan dijadikan inputan transformasi wavelet level-2, sehingga koefisien detail hasil transformasi wavelet level-2 ini akan lebih kecil dari data aslinya dan data masukannya.
4. Nilai T4 akan berpengaruh dalam membedakan piksel lidah api atau bukan dari sisi kecepatan perubahan nilai Red. Data piksel yang telah lolos dari T2 dan T3 akan dihitung jumlahnya. Semakin banyak jumlah koefisien yang lolos T2 dan T3 , maka hal ini menandakan bahwa piksel tersebut memiliki frekuensi perubahan yang cepat dalam waktu satu detik. Berdasarkan skenario ke-4, perubahan minimum piksel dalam dua detik adalah 4 kali atau minimal 4 data koefisien yang melewati angka nol. Hal ini menandakan bahwa piksel api mengalami perubahan nilai Red yang siginifikan dari piksel api ke piksel latarbelakang lebih dari 4 kali dalam 2 detik. Piksel latarbelakang akan terblok di T2 dan T3 karena perubahan nilai Red
tidak signifikan, sedangkan jika ada objek yang lewat didepan kamera, maka piksel-piksel latar belakang yang dilewati akan memiliki perubahan nilai Red yang sedikit yaitu 1 sampai 3. Nilai T4 ini berhubungan dengan dengan nilai T2 dan T3. Jika nilai T2 dan T3 tinggi maka nilai T4 diturunkan, karena semakin tinggi nilai T2 dan T3 kana mengakibatakan jumlah data koefisien yang akan dihiutng dan difilter dengan T4 semakin sedikit.
5. T5 berpengaruh dalam membedakan region api dan region non api. Api memiliki nilai piksel yang bervariasi baik di bagian luar dan bagian dalam. Hal ini dikarenakan sifat api yang memiliki warna tergantung dari suhu, bahan bakar dan oksigen disekitarnya. Oleh karena itu akan ditemukan berbagai macam warna dalam satu api, terutama jika api tersebut bergerak dengan signifikan serta luas yang memungkinkan untuk dianalisis variasi warnanya. Region api biasanya tidak berbentuk atau acak, sehingga mengakibatkan region kotak akan terisi piksel api dan piksel latar belakang yang berbeda jauh nilainya. Hal ini akan mengakibatkan hasil transformasi wavelet 2-D menghasilkan koefisien detail yang tinggi nilaiya dan energi waveletnya pun lebih tinggi disbanding objek bukan api. Sedangkan region objek bukan api tapi berwarna api serta begerak-gerak yang mungkin tertangkap kamera biasanya memiliki variasi warna yang monoton. Contohnya orang berjaket merah yang goyang-goyang didepan kamera. Sehingga dipilihlah nilai 3 sebagai T5.
6. Kelemahan sistem ini adalah tidak dapat mendeteki keberadaaan api lilin yang diam atau sedikit sekali gerakannya. Hal ini dikarenakan api lilin akan terblok pada tahap ke-1 atau tahap ke-3. Namun dikarenakan api lilin adalah api yang tidak berbahaya selama tidak begerak-gerak, maka kelemahan ini dapat diabaikan. 7. Kelemahan sistem ini adalah dapat menghasilkan false alarm saat objek pada video terrsebut memiliki
warna api dan perubahan gerakan yang cepat, contohnya pada video all4.avi. Pada video ini terdapat beberapa kertas berwarna api yang digunting menyeruapi bantuk api dan di berikan angin sehingga kertas tersebut bergoyang-goyang layaknya gerakan api. Hal ini dikarenakan tiupan angin dari kipas menyebabkan kertas tersebut bergerak tidak beraturan dan cepat, sehingga menyerupai api. Benda-benda ini dapat ditemukan di kafe atau restaurant yang memiliki api tiruan sebagai penghias ruangan atau kebutuhan acara tertentu. Contoh frame video dapat dilihat pada lampiran.
8. Kelemahan sistem ini adalah dapat menghasilkan false alarm di saat ada objek berwarna api yang bergerak-gerak tapi dengan warna region yang tertangkap bervariasi dikarenakan objek tersebut memang memiliki warna yang bervariasi. Hal ini mengakibatkan nilai energi wavelet objek tersebut tinggi.
9. Waktu pendeteksian sistem terhadap api dipengaruhi oleh jumlah piksel yang lolos dari tahap-1, sampa tahap-3.Semakin banyak jumlah piksel yang masuk pada tahap-1 maka akan semakin lama proses pendeteksian warna pada tahap-2, begitupun jika jumlah piksel hasil tahap-2 banyak, maka proses pendeteksian tahap-3 akan semakin lama pula.
10. Jika dibadingkan dengan metode lain yang hanya menggunakan parameter warna dan piksel bergerak untuk mendeteksi api, maka sistem ini akan mengahsilkan pendeteksian api yang lebih baik. Hal ini dapat dilihat dari hasil pengujian skenario-4. Semakin banyak parameter yang digunakan untuk mendeteksi api maka akan dihasilkan hasil pendeteksian yang semakin valid.
11. Transformasi wavelet adalah metode yang dapat digunakan untuk menganalisis perubahan nilai piksel untuk membedakan piksel lidah api dengan objek yang bergerak cenderung statis. Serta menganalisis variasi nilai piksel pada region yang dicurigai sebagai api.
Kesimpulan
Dari hasil analisis yang dihasilkan dari pengujian, maka dapat dihasilkan beberapa kesimpulan sebagai berikut:
Metode pendeteksian api tidak hanya dapat dilakukan dengan penggunaan alat sensor berupa sensor asap dan suhu saja, namun dengan memanfaatkan kamera video maka keberadaan api pun dapat terdeteksi dengan melakukan image processing. Pada metode deteksi api melalui video ini, selain menjadikan warna dan gerak sebagai parameter, maka ditambahkan parameter lain yang merupakan karateristik api yang dapat dianalsisi menggunakan proses image processing.
Api memiliki karateristik lain yang dapat membedakannya dengan objek lain yaitu keberadaan lidah api dan variasi warna api. Dengan menambahkan parameter keberadaan lidah api dan variasi warna, maka dihasilkan suatu sistem pendeteksian api yang lebih baik dan handal jika dibandingkan dengan hanya menggunakan parameter warna dan gerak saja.
Untuk memanalisis keberadaan lidah api dan variasi api digunakan metode transformasi wavelet, hal ini dikarenakan wavelet dapat dijadikan alat untuk menaganalisis frekuensi gelombang tanpa kehilangan informasi waktu. Sehingga dapat digunakan untuk menganalisi perubahan nilai piksel. Transformasi wavelet pun berfungsi untuk menganalisi variasi nilai piksel pada citra melalui dekomposisi citra menjadi subband-subband yang mengidikasikan perbedaan antara piksel satu dengan piksel lainnya, sehingga transformasi wavelet pun digunakan untuk menganalisis variasi region yang dicurigai sebagai api.
Performansi sistem dilihat dari segi waktu adalah sekitar 3,5 detik/proses dan dari segi ketepatan, sistem dapat mendeteksi api pada video secara tepat sebesar sebesar 82,35%.
Daftar Pustaka:
[1] Davies, W., Notarianni, K.,1999. Nasa Fire Detection Study. US Dept. of Cemmerce, Technology Administration, National Institute of Standards and Technology,
<http://www.fire.nist.gov/bfrlpubs/fire96/PDF/f96001.pdf
[2] Phllips III, W., Shah, M., Lobo, N.V.,2002. Flame recognition in video. Pattern Recognition Letter. 23(1-3), 319-327.
[3] Y. Dedeoglu, B. U. Toreyin, U. Gudukbay, and A.E.Cetin, 2005. Computer vision based method for real-time fire and flame detection, Pattern Recognition Letters. 27: 49-58.
[4] Healey,N., Slater, D., Lin,T.,Drda,B., Goedeke, A.D.,1993. A sistem for real time fire detection. Proc. IEEE Computer Vision and Pattern Recognition Conference(CVPR’93),605-606
[5] Fastcom Technology SA.,2002. Method and Device for Detecting Fires Based on Citra Analysis.Boulevard de Grancy 19A, CH-1006 Lausanne, Swittzerland.
[6] Wikipedia. Api. http://id.wikipedia.org/wiki/Api. diakses pada tanggal 28 Januari 2010.
[7] Guruprivat. wana api yang berbeda-beda http://www.guruprivat.com/do_you_know/Warna-Api-Yang-Berbeda2.html?PHPSESSID=ab1f871fe46c183fc2972aa4934a9e67, diakses pada tanggal 28 Januari 2010.
[8] Web LIPI. Kenapa api padam jika diguyur air?
http://www.fisikanet.lipi.go.id/utama.cgi?fenomena&1147101081&1, diakses pada tanggal 28 Januari 2010.
[9] Web ITTekom. Citra Digital. http://www.ittelkom.ac.id/library/index.php?-
view=article&catid=15%3Apemrosesan-sinyal&id=344%3Acitra-digital&option=com_content&Itemid=15. diakses pada tanggal 28 Januari 2010
[10] Wikipedia. Video. http://en.wikipedia.org/wiki/Video, diakses pada tanggal 8 Februari 2010 [11] Collins,Robbert. Video Change Detection. CSE486. Pean State
[12] Hariman,’Fuzzy k-means’. http://harimansite.com/cetak.php?id=93, diakses pada tanggal 3 Desember 2009.
