DOI 10.30865/mib.v4i4.2315
Pendeteksian Kendaraan dengan Menggunakan Metode Running Average Background Substraction dan Morfologi Citra
Rifki Kosasih1,*, Muhammad Arfiansyah2
1 Pusat Studi Komputasi Matematika (PSKM), Universitas Gunadarma, Depok, Indonesia
2 Fakultas Teknologi Industri, Teknik Informatika, Universitas Gunadarma, Depok, Indonesia Email: 1,*[email protected], 2[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Kondisi lalu lintas di jalan raya pada saat ini sudah mulai padat akibat banyaknya pengguna kendaraan yang melintasi suatu jalan tersebut. Untuk mengetahui apakah terjadi kemacetan atau tidak dapat dilihat dengan cara menghitung berapa banyak jumlah kendaraan yang melewati area tersebut. Akan tetapi, pihak keamanan tidak mungkin menghitung jumlah kendaraan secara manual. Untuk itu dibutuhkan suatu metode yang dapat mendeteksi dan menghitung banyaknya kendaraan. Dalam penelitian ini digunakan metode running average background substraction dan operasi morfologi untuk mendeteksi kendaraan serta menggunakan pusat objek (centroid) untuk menghitung banyaknya kendaraan. Sampel yang digunakan dalam penelitian ini adalah video lalu lintas di wilayah Bekasi. Dari hasil penelitian, terdapat 37 kendaraan terdeteksi di kondisi nyata dan dinyatakan sebagai kendaraan di aplikasi, terdapat 7 kendaraan terdeteksi di kondisi nyata tetapi tidak dinyatakan aplikasi. Tahapan selanjutnya adalah melakukan evaluasi dengan menghitung nilai presisi, recall dan akurasi. Pada penelitian ini nilai presisi yang diperoleh sebesar 84,09%, nilai recall sebesar 94,87% dan tingkat akurasi sebesar 80,43%.
Kata Kunci: Running Average, Background Substraction, Operasi Morfologi, Centroid, Lalu Lintas
Abstract−Traffic conditions on the highway at this time has started to be crowded. To find out if there is traffic jam or can not be seen by counting the number of vehicles passing through the area. However, it is impossible for security forces to count the number of vehicles manually. This requires a method that can be used and is calculated from the number of vehicles. In this study, the running average background substraction method and morphological operations were used to detect vehicles and use the center of the object (centroid) to calculate the number of vehicles. The sample used is a traffic video in the Bekasi area. From the research results, there were 37 vehicles detected in real conditions and stated as vehicles in the application and there were 7 vehicles detected in real conditions but not stated in the application. The next stage is an evaluation by calculating the value of precision, recall and accuracy. In this study, the precision value obtained was 84.09%, the recall value was 94.87% and the accuracy rate was 80.43%.
Keywords: Running Average, Background Substraction, Morphological Operations, Centroid, Traffic
1. PENDAHULUAN
Pengawasan lalu lintas merupakan hal yang sangat penting dilakukan untuk mengetahui apa yang sedang terjadi dijalan. Seperti jalanan di Kota Bekasi, volume kendaraan yang melintasi jalan Ahmad Yani hampir setiap hari tidak pernah sepi di lintasi kendaraan-kendaraan. Untuk mengetahui apakah terjadi kemacetan atau tidak dapat dilihat secara langsung banyaknya kendaraan yang melewati area tersebut. Akan tetapi, pihak keamanan tidak mungkin mengawasi lalu lintas sehari penuh. Oleh karena itu, dibutuhkan metode lain yang digunakan untuk mendeteksi kendaraan-kendaraan yang melewati area tersebut secara otomatis.
Oleh karena itu pada penelitian ini digunakan metode running average background substraction dan operasi morfologi untuk mendeteksi dan menghitung banyaknya jumlah kendaraan. Running average merupakan metode yang digunakan untuk mendapatkan background dari sebuah video dengan cara memperbarui citra background pada frame sebelumnya. Sebuah piksel diklasifikasikan sebagai background jika nilai piksel memiliki distribusi yang bersesuaian dengan model background [1]. Jika tidak bersesuaian maka rata-rata distribusi diperbarui. Model background dari setiap piksel diasumsikan sebagai Single Gaussian, dan parameternya dapat diperbarui secara rekursif dengan frame baru [2]. Setelah itu digunakan ambang batas (threshold) untuk mendapatkan background yang baru. Setelah mendapatkan background baru, selanjutnya dilakukan background substraction yaitu pengurangan antara frame sebenarnya dengan background yang telah diperbaharui untuk mendapatkan objek yang bergerak. Hasil dari background substraction adalah citra foreground. Akan tetapi citra foreground yang dihasilkan masih mengandung objek yang tidak diinginkan sehingga dalam penelitian ini diusulkan untuk menggunakan operasi morfologi untuk memperbaiki citra foreground.
Terdapat beberapa metode yang digunakan untuk mendapatkan background seperti mean filter [3] dan median filter [4], [5] akan tetapi metode tersebut membutuhkan memori yang sangat besar. Metode lain seperti eigen background dan Gaussian Mixture Model (GMM) juga dapat digunakan akan tetapi mempunyai perhitungan yang sangat kompleks [6]. Oleh karena itu pada penelitian ini digunakan metode running average background substraction karena metode tersebut tidak membutuhkan memori yang sangat besar dan perhitungannya tidak terlalu kompleks [1].
Beberapa penelitian telah dilakukan dibidang pendeteksian kendaraan seperti Rad menggunakan mean filter untuk mendapatkan background dan foreground dari video. Dalam penelitiannya menggunakan mean filter
diperoleh bahwa tingkat akurasi pendeteksian kendaraan sebesar 73,1333% [7]. Selanjutnya Qing Tian menggunakan Support Vector Machine (SVM) dan menggunakan Histograms of Oriented Gradiens (HOG) untuk mengekstrak background. Dalam penelitiannya Qing Tian mendeteksi kendaraan dalam kondisi lalu lintas yang tidak padat sehingga diperoleh tingkat akurasi sebesar 97,07% [8]. Sundoro menggunakan Gausian Mixture Model (GMM) untuk mendapatkan background dan foreground dari video. Pendeteksian kendaraan dilakukan ketika pagi hari ketika kondisi lalu lintas tidak padat dengan tingkat akurasi pendeteksian sebesar 75,69% [9].
Kosasih menggunakan Eigen Background yang dihasilkan dari Principle Component Analysis (PCA) untuk mendapatkan background. Dalam penelitiannya, pendeteksian dilakukan saat lalu lintas tidak padat sehingga diperoleh tingkat akurasi sebesar 95% [10]. Pada penelitian terdahulu, beberapa peneliti tersebut melakukan pendeteksian kendaraan dalam kondisi lalu lintas yang tidak padat, sehingga dalam penelitian ini dilakukan pendeteksian kendaraan ketika kondisi lalu lintas sedang padat dengan menggunakan metode running average backgrond substraction dan morfologi citra.
2. METODOLOGI PENELITIAN
Dalam bab ini dijelaskan metode penelitian dari pendeteksian kendaraan menggunakan running average background substraction yang dapat dilihat pada Gambar 1.
Gambar 1. Skema Penelitian
Pada Gambar 1, untuk melakukan pendeteksian kendaraan, tahapan pertama dalam penelitian ini adalah mengumpulan data video kendaraan. Video kendaraan diperoleh di wilayah Bekasi. Setelah video kendaraan diperoleh, tahapan selanjutnya adalah melakukan pendeteksian kendaraan dengan menggunakan running average background substraction.
2.1 Running Average Background Substraction
Background dari sebuah video merupakan frame yang tidak mengandung objek yang bergerak seperti kendaraan.
Untuk mendapatkan background dari video kendaaran, pada penelitian ini digunakan metode running average.
Running average merupakan suatu teknik yang digunakan untuk memperbarui citra background. Pada metode ini, ekstraksi background dilakukan dengan cara menghitung rata-rata pada urutan frame video. Setelah ekstraksi background dilakukan, background tiap frame dapat berubah selama pendeteksian kendaraan.
Penyebab utama perubahan background adalah adanya perubahan pencahayaan antar frame . Oleh karena itu, citra background harus diperbarui di setiap frame [11]. Dalam menjalankan metode running average, background diperbaharui seperti pada persamaan (1):
𝐵𝐺𝑖+1(𝑥, 𝑦) = { 𝐵𝐺𝑖(𝑥, 𝑦), 𝑗𝑖𝑘𝑎 |𝐼𝑖(𝑥, 𝑦) − 𝐵𝐺𝑖(𝑥, 𝑦)| > 𝑇
𝛼 ∗ 𝐼𝑖(𝑥, 𝑦) + (1 − 𝛼)𝐵𝐺𝑖(𝑥, 𝑦), 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 (1)
DOI 10.30865/mib.v4i4.2315
Pada persamaan (1), 𝐵𝐺𝑖+1(𝑥, 𝑦) merupakan citra background yang diperbaharui. Nilai 𝛼 berada di interval (0,1) [12] dan merupakan learning rate yang mengatur kecepatan pembelajaran dari background [2].
Niai 𝐼𝑖(𝑥, 𝑦) merupakan citra asli ke i, nilai 𝐵𝐺𝑖(𝑥, 𝑦) merupakan background ke i dan nilai T merupakan ambang batas (threshold).
Jika citra background diperoleh maka objek kendaraan yang bergerak dapat dideteksi menggunakan background substraction. Background substraction adalah selisih antara frame asli yang mengandung objek bergerak dengan citra background seperti yang dirumuskan pada persamaan (2). Jika selisih tersebut lebih besar dari ambang batas (threshold) yang telah ditentukan maka bernilai 1 (berwarna putih), sebaliknya yaitu jika selisihnya kurang dari ambang batas maka bernilai 0 (hitam) sehingga citra hasil selisih merupakan citra biner.
Citra hasil selisih antara frame asli dengan citra background disebut juga dengan citra foreground.
𝐹𝑖(𝑥, 𝑦) = { 1, 𝑗𝑖𝑘𝑎 |𝐼𝑖(𝑥, 𝑦) − 𝐵𝐺𝑖(𝑥, 𝑦)| > 𝑇
0, 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 (2)
dimana : 𝐹𝑖(𝑥, 𝑦) adalah nilai foreground ke i, 𝐼𝑖(𝑥, 𝑦) merupakan citra asli ke i, 𝐵𝐺𝑖(𝑥, 𝑦) merupakan background ke i, T merupakan ambang batas (threshold)
2.2 Operasi Morfologi
Operasi morfologi merupakan operasi yang umum digunakan pada citra biner untuk mengubah struktur bentuk objek yang tergantung dalam citra [13]. Beberapa contoh lain aplikasi morfologi adalah untuk menentukan letak objek citra, menghaluskan kontur dan menghilangkan lubang-lubang kecil. Inti dari morfologi adalah menggunakan dua larik piksel yaitu larik pertama berupa citra yang akan dikenai morfologi dan larik kedua dinamakan sebagai elemen penstruktur (kernel). Dua operasi morfologi yang sring dipakai dalam pemrosesan citra adalah operasi opening dan closing yang dibentuk melalui opersi erosi dan dilasi.
Operasi erosi digunakan untuk mendapatkan struktur citra yang minimum [14]. Operasi erosi didefinisikan pada persamaan (3)
AQ𝐵 = {𝑝 ∈ 𝑍2| (𝑎 + 𝑏) ∈ 𝐼, 𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑡𝑖𝑎𝑝 𝑏 ∈ 𝐵} (3)
Operasi dilasi digunakan untuk memperluas objek pada piksel yang bernilai 1. Operasi Dilasi didefinisikan pada persamaan (4) :
𝐴 Å 𝐵 = {𝑧|𝑧 = 𝑎 + 𝑏, dengan 𝑎 ∈ 𝐴 𝑑𝑎𝑛 𝑏 ∈ 𝐵} (4)
Operasi opening merupakan operasi yang diawali oleh operasi erosi dan diikuti dengan operasi dilasi menggunakan struktur elemen yang sama. Operasi ini berguna untuk menghaluskan countur dari objek dan menghilangkan area yang terlalu kecil. Operasi opening dapat dilihat pada persamaan (5)
𝐴 o 𝐵 = (𝐴 Q 𝐵) Å 𝐵 (5)
Setelah melakukan operasi morfologi, tahapan selanjutnya adalah membuat pusat objek (centroid) dan batas kotak (Bounding box).
2.3 Centroid dan Bounding Box
Pada tahapan ini, bounding box dibuat untuk mendeteksi kendaraan. Bounding box diperoleh berdasarkan citra foreground yang sudah diperbaiki dengan operasi morfologi. Citra foreground tersebut disegmentasi untuk mendapatkan contour berbentuk persegi panjang. Selanjutnya, titik pusat objek juga dibuat untuk menandai kendaraan yang ingin dideteksi sehingga banyaknya kendaraan dapat dihitung. titik pusat objek (centroid) merupakan titik kesetimbangan dari suatu benda. Pusat (centroid) suatu benda dapat ditentukan dengan rumus (6)
𝑥̅ =∑ 𝐴𝑖𝑥𝑖
𝑛𝑖=1
∑𝑛𝑖=1𝐴𝑖 dan 𝑦̅ =∑ 𝐴𝑖𝑦𝑖
𝑛𝑖=1
∑𝑛𝑖=1𝐴𝑖 (6)
dimana 𝐴𝑖 merupakan luas objek ke-i, 𝑥𝑖 dan 𝑦𝑖 merupakan koordinat pusat objek pada masing-masing bagian, 𝑥̅
dan 𝑦̅ merupakan koordinat pusat objek keseluruhan.
2.4 Membuat Garis Lurus pada Jalanan
Pembuatan garis dilakukan untuk menghitung berapa banyak centroid yang mewakili kendaraan melewati area yang diinginkan. Garis merupakan kumpulan titik titik yang tak berhingga. Jika terdapat dua titik yaitu (𝑥1, 𝑦1) dan (𝑥2, 𝑦2) maka dapat dilalui oleh sebuah garis. Persamaan garis ini dapat dilihat pada persamaan (7).
𝑦−𝑦1
𝑦2−𝑦1= 𝑥−𝑥1
𝑥2−𝑥1 (7)
3. HASIL DAN PEMBAHASAN
Berdasarkan tahapan peneitian yang telah dilakukan, data yang digunakan adalah data video kendaraan yang diperoleh di wilayah bekasi. Tahapan pertama adalah mencari background dari video tersebut. Untuk mencari background dari video digunakan metode running average. Running average merupakan metode yang digunakan untuk mendapatkan background dari sebuah video dengan cara memperbarui citra background pada frame sebelumnya. Setelah mendapatkan background, tahapan selanjutnya adalah melakukan background substraction yaitu mencari selisih antara frame asli dalam video dengan background yang sudah dicari sebelummya. Hasil dari background substraction merupakan citra foreground yang dapat dilihat pada Gambar 2.
Gambar 2. Citra Foreground
Pada Gambar 2, citra foreground masih terdapat objek yang tidak diinginkan sehingga dilakukan proses morfologi citra seperti operasi erosi dan dilasi. Operasi erosi dilakukan untuk mendapatkan struktur citra kendaraan yang minimum sehingga objek yang tidak diinginkan akan mengecil seperti pada Gambar 3a. Setelah itu dilakukan operasi dilasi untuk memperluas objek pada piksel yang bernilai 1 sehingga objek kendaraan semakin terlihat jelas seperti Gambar 3b.
(a) Erosi (b) Dilasi
Gambar 3. Contoh Frame Hasil Operasi Morfologi
Setelah mendapatkan objek kendaraan hasil morfologi, tahapan selanjutnya adalah membuat bounding box berdasarkan countur hasil operasi morfologi. Dalam tahapan ini dibuat juga centroid dari masing-masing objek yang bergerak yang digunakan untuk menghitung banyaknya kendaraan. Karena objek yang bergerak sangat banyak, maka dalam penelitian ini dibatasi dengan membuat garis lurus, sehingga kendaraan yang dideteksi hanya kendaraan yang melewati garis yang telah dibuat seperti pada Gambar 4.
Gambar 4. Contoh Hasil Bounding Box, Centroid dan Pembuatan Garis
Setelah semua tahapan dilakukan, tahapan selanjutnya adalah melakukan evaluasi hasil penelitian.
3.1 Evaluasi Hasil Penelitian
Pada penelitian ini, untuk mengevaluasi performa dari model digunakan indikator seperti presisi, recall dan akurasi yang dapat dilihat pada persamaan (8), (9) dan (10) [15].
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝑇𝑃
(𝑇𝑃+𝐹𝑃) 𝑥 100% (8)
𝑅𝑒𝑐𝑎𝑙𝑙 = (𝑇𝑃+𝐹𝑁)𝑇𝑃 𝑥 100% (9)
DOI 10.30865/mib.v4i4.2315 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = (𝑇𝑁+𝑇𝑃)
(𝑇𝑁+𝑇𝑃+𝐹𝑁+𝐹𝑃) 𝑥 100% (10)
Dimana: TP (True Positive) adalah sebuah kendaraan terdeteksi di kondisi nyata dan dinyatakan sebagai kendaraan di aplikasi, FP (False Positive) adalah tidak ada kendaraan terdeteksi dalam kondisi nyata namun dinyatakan kendaraan di aplikasi, FN (False Negative) adalah kendaraan terdeteksi di kondisi nyata tetapi tidak dinyatakan aplikasi dan TN (True Negative) adalah tidak ada kendaraan terdeteksi dalam kondisi nyata dan tidak dinyatakan aplikasi.
Pada Pengujian ini didalam video kendaraan, untuk TP yaitu sebuah kendaraan terdeteksi di kondisi nyata dan dinyatakan sebagai kendaraan di aplikasi (TP) diperoleh sebanyak 37 seperti pada Gambar 5.
(a) Mobil
(b) Motor
Gambar 5. Banyaknya Kendaraan yang Terdeteksi (TP)
Selanjutnya untuk (FN) kendaraan terdeteksi di kondisi nyata tetapi tidak dinyatakan aplikasi diperoleh sebanyak 7 seperti pada Gambar 6.
Gambar 6. Banyaknya False Negative (FN)
Untuk (FP) tidak ada kendaraan terdeteksi dalam kondisi nyata namun dinyatakan kendaraan di aplikasi diperoleh sebanyak 2 seperti pada Gambar 7.
Gambar 7. Banyaknya False Positive (FP)
Berdasarkan Gambar 5, Gambar 6 dan Gambar 7, diperoleh nilai TP, TN, FP dan FN seperti pada Tabel 1.
Tabel 1. Hasil Evaluasi
Indikator Hasil
True Positive (TP) 37
True Negative (TN) 0
Indikator Hasil False Positive (FP) 7 False Negative (FN) 2
Berdasarkan persamaan (8), (9) dan (10), diperoleh nilai presisi, recall dan akurasi sebagai berikut:
𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝑇𝑃
(𝑇𝑃 + 𝐹𝑃) 𝑥 100% = 37
(37 + 7) 𝑥 100% =37
46 𝑥 100% = 84,09%
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃
(𝑇𝑃 + 𝐹𝑁) 𝑥 100% = 37
(37 + 2) 𝑥 100% = 37
39 𝑥 100% = 94,87%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = (𝑇𝑁 + 𝑇𝑃)
(𝑇𝑁 + 𝑇𝑃 + 𝐹𝑁 + 𝐹𝑃) 𝑥 100% = (0 + 37)
(0 + 37 + 2 + 7) 𝑥 100% = (0 + 37)
(0 + 37 + 2 + 7) 𝑥 100%
= 80,43%
4. KESIMPULAN
Dalam melakukan pengawasan lalu lintas, pihak keamanan biasanya mengawasi langsung melalui CCTV atau langsung datang ke lokasi yang ingin diawasi. Pengawasan ini harus dilakukan untuk mengetahui apa yang sedang terjadi di jalan raya seperti berapa banyak kendaraan yang melewati area tersebut. Akan tetapi, pengawasan ini tidak mungkin dilakukan selama seharian penuh, sehingga dibutuhkan suatu metode pengawasan lalu lintas seperti mendeteksi kendaraan tanpa harus mengawasi sepenjang hari. Dalam penelitian ini digunakan metode running average background substraction untuk mendeteksi kendaraan. Data yang digunakan dalam penelitian ini merupakan data video lalu lintas di wilayah Bekasi. Setelah data video diperoleh, tahapan selanjutnya adalah mencari background tiap frame di video dengan menggunakan metode running average dan melakukan background substraction untuk mendapatkan citra objek yang bergerak (kendaraan), Citra hasil background substraction disebut juga dengan citra foreground. Tahapan selanjutnya adalah melakukan perbaikan citra foreground dengan menggunakan morfologi citra. Hasil citra morfologi digunakan untuk mendeteksi kendaraan dengan cara membuat kotak batas (bounding box) pada kendaraan. Dari hasil penelitian diperoleh bahwa 37 kendaraan terdeteksi dari 46 kendaraan yang melalui area tersebut, sehingga diperoleh tingkat akurasi sebesar 80,43%. Untuk penelitian selanjutnya data video diperbanyak dan digunakan metode lain sebagai pembanding seperti fuzzy running average, Gaussian Mixture Models (GMM) dan lain-lain.
REFERENCES
[1] J. Park, A. Tabb, and A. C. Kak, “Hierarchical Data Structure for Real-Time Background Subtraction,” in Proceedings - International Conference on Image Processing, ICIP, 2006, pp. 1849–1852, doi: 10.1109/ICIP.2006.312840.
[2] S. S. Babu, S. S. Babu, H. Khan, and M. K. Chowdary, “Implementation of Running Average Background Subtraction Algorithm in FPGA for Image Processing Applications,” Int. J. Comput. Appl., vol. 73, no. 21, pp. 41–46, 2013, doi:
10.5120/13022-0259.
[3] B. Sharma, V. K. Katiyar, A. K. Gupta, and A. Singh, “The Automated Vehicle Detection of Highway Traffic Images by Differential Morphological Profile,” J. Transp. Technol., vol. 04, no. 02, pp. 150–156, 2014, doi:
10.4236/jtts.2014.42015.
[4] M. Shehata, R. Abo-Al-Ez, F. Zaghlool, and M. Taha, “Vehicles Detection Based on Background Modeling,” Int. J.
Eng. Trends Technol., vol. 66, no. 2, pp. 92–95, 2018, doi: 10.14445/22315381/ijett-v66p216.
[5] A. V Meru and I. I. Mujawar, “Computer Vision Based Vehicles Detection and Traffic Control for Four Way Road,”
Tec. Res. Organ. India, vol. 2, no. 6, pp. 20–25, 2015.
[6] M. H. Sigari, N. Mozayani, and H. R. Pourreza, “Fuzzy Running Average and Fuzzy Background Subtraction:
Concepts and Application,” IJCSNS Int. J. Comput. Sci. Netw. Secur., vol. 8, no. 2, pp. 138–143, 2008.
[7] A. G. Rad, A. Dehghani, and M. R. Karim, “Vehicle Speed Detection in Video Image Sequences Using CVS Method,”
Int. J. Phys. Sci., vol. 5, no. 17, pp. 2555–2563, 2010.
[8] Q. Tian, L. Zhang, Y. Wei, W. Zhao, and W. Fei, “Vehicle Detection and Tracking at Night in Video Surveillance,”
Int. J. Online Eng., vol. 9, no. 6, pp. 60–64, 2013, doi: 10.3991/ijoe.v9iS6.2828.
[9] H. S. Sundoro and A. Harjoko, “Vehicle Counting and Vehicle Speed Measurement Based on Video Processing,” J.
Theor. Appl. Inf. Technol., vol. 84, no. 2, pp. 233–241, 2016.
[10] R. Kosasih, A. Fahrurozi, and I. Mardhiyah, “Vehicle Detection Using Principal Component Analysis,” J. Ilm.
Komputasi, vol. 19, no. 2, pp. 155–160, 2020.
[11] F. Y. Abdul Rahman, A. Hussain, W. M. D. Wan Zaki, H. Badioze Zaman, and N. Md Tahir, “Enhancement of Background Subtraction Techniques Using a Second Derivative in Gradient Direction Filter,” J. Electr. Comput. Eng., vol. 2013, pp. 1–12, 2013, doi: 10.1155/2013/598708.
[12] A. Miranto, S. R. Sulistiyanti, and F. X. Arinto Setyawan, “Adaptive Background Subtraction for Monitoring System,”
in 2019 International Conference on Information and Communications Technology, ICOIACT 2019, 2019, pp. 153–
156, doi: 10.1109/ICOIACT46704.2019.8938501.
[13] M. Goyal, “Morphological Image Processing,” Int. J. Comput. Sci. Technol., vol. 2, no. 4, pp. 161–165, 2011.
[14] R. Kosasih, “Automatic Segmentation of Abdominal Aortic Aneurism ( AAA ) By Using Active Contour Models,” Sci.
DOI 10.30865/mib.v4i4.2315
J. Informatics, vol. 7, no. 1, pp. 66–74, 2020.
[15] D. P. Lestari, R. Kosasih, T. Handhika, Murni, I. Sari, and A. Fahrurozi, “Fire Hotspots Detection System on CCTV Videos Using You only Look Once (YOLO) Method and Tiny YOLO Model for High Buildings Evacuation,” in Proceedings - 2019 2nd International Conference of Computer and Informatics Engineering: Artificial Intelligence Roles in Industrial Revolution 4.0, IC2IE 2019, 2019, pp. 87–92, doi: 10.1109/IC2IE47452.2019.8940842.
