15jurnal.docx
description
Transcript of 15jurnal.docx
![Page 1: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/1.jpg)
resume jurnal Wondo09111002027
Incorporating On-demand Stereo for Real Time Recognition
Tulisan ini dimaksudkan untuk membuat suatu metode dimana komputer dapat mengenali benda
benda yang bersentuhan langsung dengan tangan secara realtime. Tulisan ini merupakan pengembangan
dari beberapa penelitian yang berkaitan dengan Real Time Recognition dengan beberapa perubahan yang
bertujuan untuk ke efektivan dalam mengenali objek objek yang di pegang/sentuh oleh tangan.
- Inputan
Dalam penelitian ini inputan yang diberikan berupa gambar dari kamera video
- Metode
Dalam penelitiannya penulis menggunakan random forest algorithm digunakan untuk
menyeleksi dan menggabungkan seperangkat tampilan minimal, bentuk dan kedalaman fitur
untuk mencapai perbedaan kelas maksimum pada gambar yang diberikan. Terdapat juga
conventional stereo algorithm yang digunakan untuk mendeteksi berbagai pose tangan serta
disparity maps (peta kesenjangan).
Sebagai bahan pelatihan peneliti menggunakan 100 gambar yang dabagi menjadi dua
buah kelas yang terdiri dari kelas dengan tangan menyentuh suatu benda dan kelas dengan tangan
tidak menyentuh apa apa. Setiap gambar diberikan label tersendiri.
Langkah yang dilakukan adalah :
1. Foreground extraction, untuk mendapatkan segmentasi antara object yang diamati dengan
latar belakang.
2. Classification using random forest, untuk memilih dan menggabungkan berbagai isyarat
visual serta mencapai perbedaan kelas yang baik.
- Output
Output dari penelitian ini adalah Metode yang dapat mengenali pose serta benda yang
bersentuhan dengan tangan dengan media berupa komputer.
Tree-based Classifiers for Bilayer Video Segmentation
Dalam tulisan ini peneliti menyajikan suatu algoritma yang digunakan untuk segmentasi otomatis
antara background dan foreground berbasis klasifikasi pohon. Makalah ini berfokus pada skenario umum
video chat dimana pemisahan sekuler foreground pada video sekuler yang memiliki banyak gangguan
1
![Page 2: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/2.jpg)
resume jurnal Wondo09111002027
seperti gerakan orang pada bacground, kamera yang bergoyang atau perubahan iluminasi dapat
mempengaruhi kecepat transmisi selama streaming.
- Inputan
Dalam penelitian ini inputan yang diberikan berupa gambar dari kamera video
- Metode
Algoritma yang diusulkan dalam makalah ini memanfaatkan gerak dan konteks spasial
sebagai isyarat kuat untuk pemisahan lapisan. Tingkat yang benar kekakuan geometris secara
otomatis dipelajari dari data pelatihan yang diberikan. Manfaat yang diberikan oleh algoritma
penulis disebut “moton” yang berkaitan dengan motion modeling, object and material
recognition.
- Output
Output dari penelitian ini adalah Algoritma yang dapat melakukan segmentasi pada
foreground dari video.
Object Categorization by Learned Universal Visual Dictionary
Dalam tulisan ini peneliti menyajikan sebuah algoritma baru untuk pengenalan kelas objek dari
gambar secara otomatis. Metode yang sajikan sangat sederhana namun memiliki kecepatan sehingga
metode ini cocok diterapakan untuk berbagai aplikasi seperti pengambilan gambar sematik, pencarian di
web serta editing gambar secara interaktif. Pada dasarny metode ini mengklasifikasikan daerah sesuai
dengan proporsi dari kata-kata visual yang berbeda (cluster dalam ruang fitur). Kata-kata visual yang
spesifik dan proporsi unik pada setiap obyek yang dipelajari pada saat melakukan seperangkat pelatihan
tersegmentasi.
- Inputan
Inputan pada algoritma ini berupa sebuah image. Pada saat pelatihan penulis menggunakan
gambar yang terdiri dari:
a) Foto yang diakuisisi oleh penulis
b) gambar dari web
c) gambar dari dataset Pascal
- Metode
Algoritma ini dapat mengklasifikasikan objek-objek yang termasuk dalam kelas objek secara
otomatis, artinya user tidak lagi terkait secara langsung. Ini lah yang membedakan metode ini
2
![Page 3: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/3.jpg)
resume jurnal Wondo09111002027
dengan metode single click, dimana user harus terlebih dahulu mengklik suatu object baru
kemudian dilakukan pemroses untuk pengklasifikasianya.
Dalam proses untuk pengklasifikasian, hal yang sangat fundamentala adalah melakukan
pengompakan terhadap universal visual dictionary. Universal visual dictionary digunakan untuk
menemukan kata kata yang merepresentasikan dari gambar yang di inputkan. Untuk melakukan
pengompakan terlebih dahulu dilakukan pelatihan yang melibatkan berbagai macam foto. Foto
tersebut kemudian dibagi menjadi 9 kelas yang terdiri dari bangunan, rumput, pohon, sapi, langit,
pesawat, wajah, mobil dan sepeda.
- Output
Output dari penilitian ini adalah suatu algoritma yang dapat melakukan determinasi secara akurat
dan efisien dari pada obje-objek dari gambar yang menjadi inputan.
Epitomic Location Recognition
Pada tulisan ini disajikan sebuah metode baru untuk pengenalan lokasi dengan memanfaatkan
representasi epitomic untuk mencapai suatu pengenalan dengan tingkat efisiensi tinggi serta pemerataan
yang baik. Model visual kompak lokasi yang bisa dipelajari secara otomatis dari foto atau video tentang
lingkungan. Disini juga disajikan algoritma yang efisien untuk mengenali lokasi dengan bantuan kamera /
robot dalam ruang lingkup pembelajaran hanya dengan gambar yang di tangkap melalui kamera.
- Input
Inputan pada algoritma ini berupa sebuah/beberapa image.
- Metode
Dalam tulisan ini berkaitan langsung dengan efesiensi komputasi pengenalan. Pada
pendekatan coarse-to-fine representasi file yang terbalik digunakan untuk mempercepat
pencocokan gambar tes terhadap database gambar, disini diperlukan database yang besar untuk
melakukan penyimpanan gambar. Sebaliknya pada tulisan ini semua gambar pelatihan
digabungkan menjadi suatu model contoh compact and dense.
Dalam membangun suatu pengenalan perlu diambil serangkaian gambar dari suatu
tempat yang nantinya akan diuat representasi dari lokasi tersebut dengan efficient recognition.
Pada saat pengambilan gambar diasumsikan sebuah crop persegi panjang, semua gambar
pelatihan tersebut kemudian di wakili secara bersama dalam contoh lokasi tunggal yang
kemudian digunakan untuk pengenalan.
- Output
Output dari penelitian ini adala suatu metode yang efisien untuk pengenalan suatu tempat.
3
![Page 4: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/4.jpg)
resume jurnal Wondo09111002027
3D-aware Image Editing for Out of Bounds Photography
Dalam tulisan ini penulis mengusulkan suatu algoritma yang dapat memanipulasi sebuah
gambar 2 dimensi dengan cara yang konsisten dengan geometri 3 dimensi. Pada dasarny
algoritma ini dibuat dalam rangka menciptakan gambar yang menarik yang di hasilkan dari foto
konvensional 2 dimensi. Persepsi 3D yang dicapai pada akhir proses didapat dengan
memanfaatkan dua petunjuk yaitu oklusi dan bayangan. Untuk meningkatkan persepsi
kedalaman, sebuah realisticlooking bingkai 3D interaktif dimasukkan dalam foto antara
background dan foreground.
- Inputan
Inputan pada metode ini berupa sebuah image.
- Metode
Terdapat sedikitnya lima langkah kerja yang digunakan untuk memanipulasi gambar
inputan untuk menhghasilkan nuansa 3 dimensi. Yang pertama adalah penempatan frame.
Penempatan frame menjadi sangat penting karena menghasilkan okulasi baru antara objek
foreground dan frame itu sndiri sehingga frame tampak menonjol. Selanjutnya adalah melakukan
ekstarsi foreground pada tahap ini menggunakan grabcut untuk memilih daerah foreground yang
bertujuan untuk mempercepat eksekusi. Setelah ekstrasi foreground terdapat proses penggantian
backgroiund image. Ini didasarkan pada asumsi efek 3D yyang kuat dicapai dengan mengganti
background image dengan tampilan yyang sederhana. Hal ini juga membuat orang yang melihat
memfokuskan penglihatnya pada objek foreground . langkah terakhir adalah membangun
bayangan dan melakukan editing bayangan pada gambar. Pada proses ini menggunakan suatu
algoritma sederhana yang dapat melampaui fotografi OB, dengan teknik ini dapat menghasilkan
bayangan yang realistis dimana sangat penting untuk meyakinkan ilusi yang dihasilkan.
- Output
Output dari metode ini adalah suatu gambar 2D yang termanipulasi menjadi 3D.
Detection and Removal of Rain from Videos
Pada tulisan ini disajikan suatu algoritma yang dapat mendeteksi adanya hujan dari suatu video
dan menghapus hujan tersebut dengan konsep bluring. Efektivitas algoritma yang digunakan ditunjukan
menggunakan percobaan pada video yang kompleks dengan objek-objek yang bergerak dalam waktu
yang berbeda.
4
![Page 5: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/5.jpg)
resume jurnal Wondo09111002027
- Inputan
Inputan untuk metode ini adalah urutan frame gambar yang direkam dengan kamera video,
dengan terdapat objek hujan.
- Metode
Ada dua hal yang dijadikan fokus penelitian dalam tulisan ini, yang pertama adalah
mendeteksi adanya objek hujan dari gambar dan yang kedua adalah menghapus objek ujan
tersebut. Air hujan berpenampilan seperti sebuah lensa yang membiaskan lingkungan
disekitarnya. Tetesan air hujan juga didistribusi secara acak dengan rentang waktu yang dinamis.
Untuk mendeteksi adanya hujan pembiasan. Pembiasan secara acak pada bidang gambar inilah
yang mewakili dinamika hujan.
Untuk melakukan penghapusan pada daerah yang diidentifikasi positif hujan, dibuat
sebuah algoritma sederhana dengan mengganti intensitas pixel dengan perkiraan latar belakang.
Perkiraan latar belakang didapat dari pixel yang paling berdekatan dengan pixel positif hujan.
- Output
Hasil akhir dari metode ini adalah urut-urutan frame gambar dengan objek hujan yang telah
dihapus.
Manipulating Image Patcher For Compression
Pada tulisan ini peneliti membuat suatu metode baru yang bertujuan untuk melakukan kompresi
pada gambar. Tidak seperti metode kompresi lainya, pada metode ini sifat redudance gambar akan
diminimalisir. Bukan hanya itu pada kompresi biasa ukuran gambar akan mengalami penysutan setelah
dilakukan kompresi, namun pada metode yang diterapkan oleh penulis kompresi yang dilakukan tidak
akan mengubah ukuran gambar hanya daerah pasrial saja yang dihapus.
- Input
Input untuk metode ini adalah berupa image.
- Metode
Pada metode ini menerapkan metode intuitif yang memanafaatkan korelasi antara patch gambar.
Dalam kasus ini gambar asli masih menyimpan lokasi spasial dari patch sedangkan gambar yang
telah dikompresi akan kehilangan informasi tersebut. Kemudian untuk merekontruksi gambar
memerlukan peta fullresolusition yang menunjukan dimana patch dapat ditemukan dalam gambar
yang lebih kecil. Rekonstruksi hanya diperlukasn pada daerah yang dihapus saja. Dalam
melakukan rekonstruksi penulis mengadopsi inpainting dengan asisten informasi sebagai metode
rekosntruksi.
5
![Page 6: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/6.jpg)
resume jurnal Wondo09111002027
- Output
Output dari penelitian ini adalah metode yang dapat mengkompresi gambar.
Automated measurement of species and length of fish by computer vision
Pada penelitian ini dibahas suatu metode untuk mengidentifikasi dan mengukur berbagai jenis
ikan hasil tangkapan. Pemilahan ikan secara manula yang dilakukan kapal penangkap ikan komersial
dianggap tidak efisien karena membutuhkan waktu yang lama serta jumlah pegawai yang banyak. Sebuah
metode yang sama sebenrnya telah di kenalkan sejak tahun 1982 oleh Strachan dan 1987 oleh wagner
namun hasil yang didapatkan masih terbatas. \secara khusus tulisan ini menggambarkan sebuah metode
hitungan momen polygon yang diperoleh dari siluet ikan. Pengukuran panjang dapat dibuat dengan
kesalahan kurang dari 1 cm dan specie ikan ditentuukan berdasar warna dan bentuk.
- Input
Input untuk metode ini berupa image.
- Metode
Data akuisisi gambar ikan didapatkan pada saat penelitian dengan species yang biasa di
tangkap nelayan yaitu Dab Rough long (Hippoglossoides platessoides) , Sole (Solea vulgaris) ,
Lemon Sole (Microstomus kitt) , Plaice (Pleuronectes platessa) , Golden Redfish (Sebastes
marinus) , Deepwater Redfish (Sebastes mentella) dan Flounder (Platichthys flesus).
Untuk memulai pemilahan ikan diletakan pada conveyor dengan kecepatan 1,5m/s,
selanjutnya sebuah kamera di tugaskan untuk mengambil gambardengan ukuran 1024 x 480
pixel. Untuk mendeteksi gambar ikan dibuat sebua algoritma dengan mengecek pixel pixel pada
suatu wilayah dengan kriteria tertentu. Setelah gambar ikan telah terdeteksi dilakukan pengecekan
rotasi agar semua gambar ikan yang telah terdeteksi memiliki format yang sama.
Langkah selanjutnya yait menetukan bagian ikan secara umum yaitu bagian kepala,
punggung, perut dan ekor. Setelah ikan dibagi menjadi dua polygon yang mewakili atas dan
bawah, intensitas greyscale rata-rata dihitung untuk setiap area. Jika perbedaan antara rata rata
intensitas bagian atas dan bawah ikan lebih besar dari 15% ikan dikategorikan sebagai flatfish.
Data warna dan bentuk kemudian diproses untuk membedakan spesies ikan dengan
memanfaatkan analisis diskriminan kanonik. Untuk menguji pengukuran panjang sebuah
algoritma Greenland Halibut tunggal diukur 100 kali, dalam berbagai posisi dan rotasi. Untuk
mendapatkan panjang ikan digunakan CatchMeter yang memperkirakan panjang dengan
6
![Page 7: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/7.jpg)
resume jurnal Wondo09111002027
mendapatkan garis yang secara akurat menggambarkan panjang ikan dalam orientasi atau
deformasi.
- Output
Output dari penelitian ini adalah metode yang dapat memedakan 7 species ikan dengan berbagai
ukuran.
In-vivo fish sorting by computer vision
Penlitian ini bertujuan untuk melakukan sorting terhadap 3 species ikan yang diternakan dalam
satu tempat yaitu ikan common carp (Cyprinus carpio), St.Peter’s fish (Oreochromis sp.) and grey mullet
(Mugil cephalus). Pada sorting manual biasanya peternak akan menguras kolam ikan dengan mesin
hingga pada ketinggian air tertentu. Setelah itu baru kemudian ikan dipilih berdasarkan speciesnya. Cara
ini cenderung kurang efektif, selain biaya oprasional yang tinggi resiko stress pada ikan juga tinggi.
- Input
Input untuk metode ini berupa image.
- Metode
Gambar ikan diperoleh dari kamera video berwarna dengan resolusi warna 24-bit.
Kamera ditempatkan pada sebuah akuarium yang memiliki background dinding putih. Sebagai
sampel digunakan 10 ikan dari masing masing species. Ikan dibiarkan berenang bebas dalam
akuarium. Saat ikan mendekati kamera pada saat inilah kamera manangkap gambar ikan.
Terdapat 143 gambar yang diperoleh (47 mullet abu-abu, ikan 43 St Petrus dan 53 ikan mas)
dibagi menjadi dua set 20 mullet abu-abu, 20 ikan Santo Petrus dan 20 ikan mas. Untuk
mengidentifikasi 3 jenis ikan dilakukan citra binner yang dibangun dari citra greyscale dari
gambar. Sebagai dukungan identifikasi bentuk menggunakan momen-invariants. . Identifikasi
mullet abu-abu didasarkan pada MI dari seluruh ikan. Sedangkan identifikasi antara ikan mas dan
Santo Petrus didasarkan pada MI dari ekor. Untuk penerapanny pada kolam yang sesungguhya
perlu dilakukan pelatihan pada ikan. Hal ini ditunjukan untuk mendapatkan gambar ikan yang
akan diseleksi. Untuk pelatatihan dibutuhkan sebuah lorong kaca yang memiliki panjang tertentu,
lorong kaca ini difungsikan sebagai tempat untuk mengambil gambar ikan. Pada bagian ujung
lorong diberikan makanan ikan berupa pelet untuk menarik perhatian ikan agar mau melewati
lorong tersebut.
Identifikasi in-vivo spesies ikan terlepas dari ukuran dan orientasi dua dimensi berhasil
dilakukan dengan menggunakan analisis citra bentuk berdasarkan momen-invariants. Bentuk
7
![Page 8: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/8.jpg)
resume jurnal Wondo09111002027
khas mullet abu-abu adalah berbeda dengan ikan mas dan ikan Santo Petrus, sehingga
perhitungan seluruh tubuh saat-invariants dapat digunakan untuk mengidentifikasi mereka. Abu-
abu mullet, diidentifikasi 98% benar.
- Output
Output dari penelitian ini adalah metode yang dapat melakukan identifikasi terhadap 3 jenis ikan
yaitu common carp (Cyprinus carpio), St.Peter’s fish (Oreochromis sp.) and grey mullet (Mugil
cephalus)
Water Video Analysis
Penelitian ini bertujuan untuk menganalisa gelombang laut berdasarkan penglihatan dari
komputer. Metode yang di sajikan tidak terpengaruh dengan background yang dinamis dimana
banyak metode lain yang berhubungan dengan analisis gelombang laut masih terpaku pada
background yang statis. Yang menjadi fokusan penelitian ini adalah bangaimana menyajikan
scala gelombang, kecepatan angin dan keadaan laut dengan sumber informasi yang didapat dari
gambar.
- Inputan
Inputan untuk metode ini berupa video
- Metode
Untuk menganalisa penulis menggunakan hubungan antara sifat sifat air seperti hubungan
antara panjang gelombang dan periode gelombang, dan fitur tingkat rendah dari video, seperti
spektrum frekuensi spasial dan temporal, untuk mempelajari sifat tingkat yang lebih tinggi dari
lingkungan, seperti skala yang ada pada dunia nyata, tinggi gelombang, dan bahkan kecepatan
angin.
- Output
Output untuk metode ini berupa scala nyata keadaan laut baik tinggi gelombang laut maupun
kecepatan angin.
Leafsnap: A Computer Vision System for Automatic Plant Species Identification
8
![Page 9: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/9.jpg)
resume jurnal Wondo09111002027
Tulisan ini menyajikan penelitian yang berkenaan dengan suatu aplikasi pengenalan species
pohon dari daunya yang bernama leafsnap. Pembuatan aplikasi ini didasarkan pada sulitnya
mengidentifikasi species suatu pohon hanya dengan meilihat daunya saja. Aplikasi ini ditujukan pada
pengguna amatir maupun ilmuan dengan flatform apple yang menjalankan aplikasi ini.
- Input
Input dari metode ini berupa image
- Metode
Gambar daun diambil dengan menggunakan kamera digital. Gambar daun yang diambil
harus sesuai dengan yang ditetapkan oleh aplikasi. Jika tidak sesuai maka aplikasi akan meminta
pengguna untuk memfoto daun yang bersangkutan. Pendeteksian daun ini menggunakan binary
leaf/non-leaf classifier. Selanjutnya dilakukan segmentasi warna pada daun dengan menggunakan
metode Ekspektasi-Maksimalisasi, tujuan dari Ekspektasi-Maksimalisasi ini adalah untuk
mempermudah menghilangkan objek pada gambar yang bukan bagian dari daun. Langkah
selanjutnya menghapus bagian tangkai daun dengan rasio tertentu.
Proses klasifikasi menggunakan algoritma Nearest Neighbors dimana pada database
sistem terdapat sekitar 23.915 gambar daun yang diambil dengan menggunakan kamera resolusi
tinggi dengan sudut pandang yang berbeda beda. Data lainya ada sekitar 5.192 sampel yang
didapat dari kamera mobile.
- Output
Output dari penelitian ini adalah Sistem yang mampu mengklasifikasikan daun dari 184 species
pohon yang berada di Amerika bagian timur laut.
Fog Detection System Based on Computer Vision Techniques
Penelitian ini mengkaji suatu metode untuk mendeteksi adanya kabut. Tujuan dari sistem ini
adalah untuk mengembangkan sebuah sistem diagnostik otomatis berbasis visi untuk melakukan
switching on-off ADAS jika terdapat kondisi yang salah juga digunakan untuk mengaktikan fog beams
secara otomatis sehingga dapat mengurangi resiko kecelakaan. Penelitian serupa mengenai deteksi kabut
telah banyak diperbincangkan namun masih memiliki beberapa kendala. Terdapat tiga hal penting yang
harus dicapai dalam sistem ini yaitu sistem harus dapat mendeteksi semua keadaan berkabut dengan baik,
algoritma pendeteksian harus bekerja secara cepat karena nantinya sistem ini diintegrasikan pada sistem
yang lebih kompleks di kendaraan dan yang terakhir algoritma harus dapat mengelola skenario pada
keadaan cuaca cerah, berawan dan hujan.
9
![Page 10: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/10.jpg)
resume jurnal Wondo09111002027
- Input
Input dari sistem ini adalah berupa image yang ditangkap oleh kamera secara real-time.
- Metode
Sebuah kamera diletakan pada bagian depan mobil, kamera ini bertugas untuk menangkap
gambar lingkungan, gambar ang dihasilkan memiliki ukuran pixel 320 x 240. Selanjutnya Sobel
edge detector digunakan untuk membedakan gambar berawan/berkabut dan cerah. Jika pada
gambar terdapat kabut, sebah binarization optimal diterapkan pada gambar untuk meningkatkan
kejelasan tepi. Kemudian garis-garis tepi dihitung dengan Hough line detector untuk
memperkirakan garis tepi jalan.
Langkah selanjutnya melakukan segmentasi antara langit dan jalan dengan menggunakan
algoritma tertentu dan langkah terakhir melakukan pengukuran jarak visibilitas untuk menetukan
adanya kabut atau tidak.
- Output
Output dari penelitian ini berupa algoritma yang mampu mendeteksi terdapat kabut atau tidak
dengan tingkat kebenaran mencapai 87%.
Door-detection using computer vision and fuzzy logic
Pada tulisan ini disajikan suatu metode yang dapat mendetesksi adanya pintu di dalam ruangan..
dalam hal ini robot digunakan untuk mendapatkan foto dari suatu rangan kemudian dari foto tersebut
dianalisa dengan bantuan fuzzy logic untuk menentukan adanya pintu atau tidak. Tujuan dari penelitian
ini adalah utntuk memperbaiki sistem navigasi robot yang berada didalam suatu ruangan.
- Input
Input utntuk metode ini berupa gambar yang didapat dari kamera secara real time.
- Metode
Dalam tulisan metode yang digunakan berdasarkan abstraksi segmen gambar dengan
menerapkan beberapa konsep fuzzy logic. Segmen gambar dianalisis untuk mendeteksi gambar
bagian mana yang merupakan bingkai pintu. Dua konsep fuzzy logic Simple Frame (SF) and
double Frame (DF) didefinisikan untuk membedakan keadaan dimana bagian tepi bingkai pintu
dapat terlihat. Segmen seperti ukuran, arah atau jarak pintu diukur dan dianalisi menggunakan
fuzzy logic. Metode ini mampu mendeteksi pintu di dalam ruangan dengan kondisi pencahayaan
minim.
- Output
10
![Page 11: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/11.jpg)
resume jurnal Wondo09111002027
Penelitian ini menghasilkan suatu metode baru yang dapat mendeteksi pintu dalam rungan
dengan inputan berupa gambar dari kamera secara real time.
Tracking animal in wildlife videos using face detection
Tulisan ini menyajikan sebuah metode untuk mendeteksi dan melacak wajah hewan dalam video
satwa liar . Algoritma yang digunakan didasarkan pada metode deteksi wajah manusia dengan
memanfaatkan haar-like fitur dan pengklasifikasian AdoBoost. Pendeteksian ini dilaksanakan dengan
menggunakan Kanade-Lucas-Tomasi method.
- Input
Inputan untuk metode ini berupa video.
- Metode
Seperti yang telah dijelaskan sistem ini menggunakan pendekatan yang dimodifikasi dari
pendekatan untuk mendeteksi wajah manusia yang diperkenalkan oleh Viola dan Jones pada
tahun 2001. Metode ini menggunakan pool of Haar-like luminance features seperti ruangan input
primer. Haar-like feature merupakan karakteristik kontras lokal persegi panjang yan menguraikan
keberadaan tepi, garis, titik dll. Turunan dari AdaBoost digunakan untuk mengekstrak classifier
yang menggabungkan haar-like feature untuk membedakan positif atau negatif patch dari satu set
gambar pelatihan.
Setelah wajah terdeteksi, daerah wajah dilacak dengan menerapkan teknik Kanade-
Lucas-Tomasi serta membuat interest model yang di perbaharui setiap saat mengikuti posisi
wajah.
- Output
Output dari penelitian ini berupa metode baru untuk mendeteksi wajah hewan liar yang dalam
penelitian ini untuk mendeteksi wajah singa dengan inputan berupa video.
Automated classification of underwater multispectral imagery
for coral reef monitoring
Dalam tulisan ini disajikan suatu metode untuk mengklasifikasikan karang dibawah laut dengan
klasifikasi multi spectral. Penelitian ini didasari mahalnya proses pengklasifikasian karang dibawah laut.
Dengan menggunakan pengklasifikasian manual paling tidak dibutuhkan seorang peyelam untuk
11
![Page 12: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/12.jpg)
resume jurnal Wondo09111002027
mengidentifikasi organisme dengan mengambil fotonya di bawah laut dan seorang analis yang bertugas
mengidentifikasi citra organisme yang bersangkutan.
- Input
Input utuk metode ini berupa foto.
- Metode
Gambar diambil dengan menggunakan robot yang dikendalikan oleh komputer dengan
reolusi gambar 512 x 512. Gambar yang sudah diambil kemudian diperbaiki kualitasnya dan
dilakukan pemisahan antara ganggang, karang dan background. Pemisahan ini menggunakan
algoritma GLCM. Gambar yang telah dilakukan pemisahan tersebut kemudian di cek
keakuratanya dengan menggunakan software CPCe.
- Output
Output penelitian ini adalah suatu metode yang dapat mengklasifikasikan sebuah gambar
termasuk bagian dari karang, gangang atau background.
Computer Vision Based Fire Detection
Alat deteksi kebakaran yang sudah ada sebagian besar memanfaatkan asap untuk mendeteksi
kebakaran yang terjadi, hal ini hanya efektif jika kebakaran itu terjadi dalam ruang lingkup yang kecil,
misalnya rumah, kantor atau gedung lainya. Permasalahan yang terjadi adalah bagaimana jika kebakaran
itu terjadi dalam ruang lingkup yang lebih luas seperti halnya gedung pertemuan, stadion atau di luar
ruangan. Dalam kasus ini asap tidak akan terkosentrasi pada satu titik saja, hal ini membuat alat deteksi
kebakaran yang sudah ada akan sulit untuk medeteksi terjadinya kebakaran.
Dalam tulisan ini peneliti menggunakan combination tecnique untuk mendeteksi api dengan
inputan berupa data video. Dengan inputan berupa data dari camera video memungkinkan cakupan
wilayah yang dapat dideteksi lebih luas dibandingkan dengan alat yang inputanya berasarkan data sensor
panas atau sensor asap. Tidak hanya itu saja, deteksi kebakaran berbasis video juga berpotensi
ditempatkan pada platform mobile seperti pesawat atau robot.
- Input
gambar dari kamera real time
- Metode
12
![Page 13: 15jurnal.docx](https://reader035.fdokumen.com/reader035/viewer/2022080220/55cf9b00550346d033a45696/html5/thumbnails/13.jpg)
resume jurnal Wondo09111002027
Pada dasarnya api memiliki beberapa sifat dasar yang dapat dikenali, antara lain
warnanya, bentuknya, geraknya, pertumbuhan serta prilaku dari asap yang dihasilkan. Dalam
tulisan ini untuk mendapatkan gambaran kasar dari api, peneliti menggunakan gaussian dalam
ruang warna RGB untuk mengklasifikasikan pixel merupakan bagian warna api atau bukan.
Untuk dapat sampai mengklasifikasikan video yang diamati merupakan suatu kebakaran atau
bukan dibutuhkan sekitar 50-100 frame yang di olah dalam modul analisis dinamis.
1. Motion Detection
Bertujuan untuk melacak adanya gerakan dalam suatu pixel dalam video, ini dapat dilakukan
dengan membandingkan nilai intensitas citra dari pixel setiap frame.
2. Detecting Fire-Colored Pixels
Bertujuan untuk mendapatkan tingkatan kepastian warna dari api, hal ini disebabkan pada
gambar mungkin saja ada object object yang secara tampilan 2D warnanya mendekati warna
api.
3. Motion + Color
Dengan menggabungkan kedua deteksi di atas, memudahkan dalam pengecekan pixel yang di
mungkinkan berupa gambar dari api dan juga dapat menghemat waktu dalam pencarian
daerah yang dimungkinkan terdapat api.
4. Dynamic Textur Analysis
Digunakan untuk menganalisis textur dinamis dari setiap frame tersebut merupakan api atau
bukan.
Dalam penelitianya, peneliti menggunakan camera video Canon PowerShot A540 dengan
resolusi 320 x 240 dan 15fps dengan alasan karena camera CCTV yang terhubung pada jaringan
biasanya beresolusi rendah. Ini juga sebagai pembuktian bahwa metode yang diterapkan dapat
berjalan pada video dengan resolusi yang rendah.
- Output
Sistem ini mampu mendeteksi gambar api dengan persentasi ke benaran mencapai 97.5%.
yang menjadi kelebihan lainya dari sistem deteksi api ini adalah mampu ditempatkan pada tempat
yang luas. Hal ini di sebabkan tidak menggunakanya ssensor asap ataupun panas sehingga pada
saat api muncul sistem langsung dapat mendeteksi terjadinya kebakaran tanpa harus menunggu
api membesar.
13