ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD...

25

BAB 3

PERANCANGAN SISTEM

3.1 Desain Sistem

Dalam menyelesaikan tugas akhir ini penulis menggunakan

sebuah metode tracking objek dengan mengikuti perubahan posisi

titik berat (centroid) objek yang terdapat pada setiap frame. Tahapan

– tahapan dari metode yang diusulkan ditunjukkan dalam gambar

3.1

Gambar 3.1 Tahapan Metode

File video adalah video yang telah digunakan untuk melakukan

penelitian ini. Video ini didapatkan dengan merekam larva nyamuk

dengan menggunakan webcam. Dari file video tersebut akan diolah,

sehingga harus diambil menjadi frame. Selanjutnya frame tersebut

dianalisa untuk membedakan tiap framenya.

Dari gambar 3.1 dapat diketahui bahwa dari file video yang telah

didapatkan akan melalui 2 tahapan, yaitu preprosesing dan

prosesing. Pada tahap preprosesing frame yang telah didapatkan

akan diolah sehingga akan didapatkan suatu citra biner, sedangkan

pada tahap prosesing citra biner yang telah didapatkan akan

26

digunakan untuk melakukan object tracking dengan memanfaatkan

nilai centroid dari objek.

3.2 Data Yang Digunakan

Video larva yang digunakan sebagai data masukan pada

penelitian adalah larva yang didapatkan dari lembaga yang meneliti

tentang nyamuk yaitu dari Institute Trophical Disease Universitas

Airlangga. Pada video tersebut terdapat dua ekor larva dari jenis

yang berbeda yang akan diamati pergerakan dan perpindahannya.

File video tersebut berformat *.avi dan jika sudah menjadi frame

harus berformat *.tiff.

Tabel 3.1 Video sumber Aedes Aegypti

No Sumber Jenis Larva Durasi(detik) Jumlah Frame

1 ITD Aedes A. 30 751

2 ITD Aedes A. 30 751 3 ITD Aedes A. 30 751 4 ITD Aedes A. 30 751 5 ITD Aedes A. 30 751 6 ITD Aedes A. 30 751 7 ITD Aedes A. 30 751 8 ITD Aedes A. 30 751 9 ITD Aedes A. 30 751

10 ITD Aedes A. 30 751 11 ITD Aedes A. 30 751

12 ITD Aedes A. 30 751 13 ITD Aedes A. 30 751 14 ITD Aedes A. 30 751 15 ITD Aedes A. 30 751 16 ITD Aedes A. 30 751 17 ITD Aedes A. 30 751 18 ITD Aedes A. 30 751 19 ITD Aedes A. 30 751 20 ITD Aedes A. 30 751 21 ITD Aedes A. 30 751

22 ITD Aedes A. 30 751 23 ITD Aedes A. 30 751

27


24 ITD Aedes A. 30 751 25 ITD Aedes A. 30 751 26 ITD Aedes A. 30 751 27 ITD Aedes A. 30 751 28 ITD Aedes A. 30 751 29 ITD Aedes A. 30 751 30 ITD Aedes A. 30 751 31 ITD Aedes A. 30 751

32 ITD Aedes A. 30 751 33 ITD Aedes A. 30 751 34 ITD Aedes A. 30 751 35 ITD Aedes A. 30 751 36 ITD Aedes A. 30 751 37 ITD Aedes A. 30 751 38 ITD Aedes A. 30 751 39 ITD Aedes A. 30 751 40 ITD Aedes A. 30 751 41 ITD Aedes A. 30 751

42 ITD Aedes A. 30 751 43 ITD Aedes A. 30 751 44 ITD Aedes A. 30 751 45 ITD Aedes A. 30 751 46 ITD Aedes A. 30 751 47 ITD Aedes A. 30 751 48 ITD Aedes A. 30 751 49 ITD Aedes A. 30 751 50 ITD Aedes A. 30 751

Tabel 3.2 Video sumber Cullex


1 ITD Cullex 30 751

2 ITD Cullex 30 751

3 ITD Cullex 30 751

4 ITD Cullex 30 751

5 ITD Cullex 30 751

28


6 ITD Cullex 30 751

7 ITD Cullex 30 751

8 ITD Cullex 30 751

9 ITD Cullex 30 751

10 ITD Cullex 30 751
































29











Pada tabel 3.1 dan tabel 3.2 dapat diketahui bahwa jumlah

larva yang digunakan pada tugas akhir ini adalah 50 buah larva jenis

Aedes Aegypti dan 50 buah larva jenis Cullex

3.3 Preprosesing

Gambar 3.2 Tahap Preprosesing

Tipe data gambar grayscale ialah gambar yang hanya memiliki

gradasi warna yang dimulai dari hitam sampai putih. Di dalam tipe

30

gambar grayscale, tidak terdapat pengaruh warna - warna yang lain

seperti merah ataupun hijau.

Untuk melakukan perubahan suatu gambar full color menjadi

suatu gambar grayscale atau skala keabuan, terdapat beberapa

metode yang umum digunakan. Metode yang paling sederhana [7]

yaitu dengan mengambil ketiga nilai unsur warna dasar, yang

kemudian dirata-ratakan. Metode ini dapat dilihat pada persamaan

berikut :

𝑅+𝐺+𝐵

3 ............................................................... (3.1)

Keterangan

R : Unsur warna merah pada basis warna RGB

G : Unsur warna hijau pada basis warna RGB

B : Unsur warna biru pada basis warna RGB

Dari hasil persamaan tersebut, akan didapatkan suatu nilai yang

kemudian di inputkan ke masing-masing unsur warna dasar.

Gambar 3.3 Contoh Hasil Perubahan Gambar Full Color ke

Grayscale

Thresholding adalah proses mengubah citra berderajat keabuan

menjadi citra biner atau hitam putih sehingga dapat diketahui daerah

mana yang termasuk obyek dan background dari citra secara

jelas [8]. Citra hasil thresholding biasanya digunakan lebih lanjut

untuk proses pengenalan obyek serta ekstraksi fitur.

31

Metode thresholding secara umum dibagi menjadi dua, yaitu :

1. Thresholding global

Thresholding dilakukan dengan mempartisi histogram dengan

menggunakan sebuahthreshold (batas ambang) global T, yang

berlaku untuk seluruh bagian pada citra.

2. Thresholding adaptif

Thesholding dilakukan dengan membagi citra menggunakan

beberapa sub citra. Lalu pada setiap sub citra, segmentasi

dilakukan dengan menggunakan threshold yang berbeda.

Thresholding dikatakan global jika nilai threshold T hanya

bergantung pada f(x,y), yang melambangkan tingkat keabuan pada

titik (x,y) dalam suatu citra. Berikut ini akan disajikan contoh partisi

histogram untuk memperoleh threshold dalam Gambar 3.4 .

Gambar 3.4 Contoh Partisi Histogram Untuk Memperoleh Nilai

threshold

Histogram yang berada pada sisi kiri gambar 3.4 mewakili citra

f(x,y) yang tersusun atas obyek terang di atas background gelap.

Piksel-piksel obyek dan background dikelompokkan menjadi dua

mode yang dominan. Cara untuk mengekstraks obyek dari

background adalah dengan memilih nilai threshold T yang

memisahkan dua mode tersebut. Kemudian untuk sembarang

titik (x,y) yang memenuhi f(x,y) > T disebut titik obyek, selain itu

32

disebut titik background. Kesuksesan metode ini bergantung pada

seberapa bagus teknik partisi histogram. Citra hasil thresholding

dapat didefinisikan sebagaimana persamaan 3.2.

𝑔(𝑥, 𝑦) = 1 𝑖𝑓 𝑓 𝑥, 𝑦 > 𝑇

0 𝑖𝑓 𝑓 𝑥, 𝑦 ≤ 𝑇 ................... (3.2)

Untuk memilih nilai ambang batas secara otomatis, Gonzalez

dan Woods [2][3] menggambarkan prosedur iterasi sebagai berikut :

1. Dipilih dahulu perkiraan awal untuk T.(disarankan estimasi awal

adalah titik tengah antara nilai-nilai intensitas minimum dan

maksimum citra).

2. Bagi citra menggunakan T. ini akan menghasilkan dua kelompok

piksel G1, yang terdiri dari semua piksel dengan nilai-nilai

intensitas ≥ T, dan G2 yang terdiri dari piksel dengan nilai-nilai

< T.

3. Menghitung nilai rata-rata intensitas µ1 dan µ2 untuk piksel di

daerah G1 dan G2.

4. Menghitung nilai ambang baru dengan persamaan 3.3

𝑇 =1

2 µ1 + µ2 .....................................................(3.3)

5. Ulangi langkah 2 hingga 4 sampai perbedaan T diiterasi berturut-

turut lebih kecil dari T parameter standar

Pada proses selanjutnya akan dilakukan proses binerisasi.

binerisasi yaitu mengubah citra dari grayscale menjadi citra biner.

Intensitas citra grayscale yang mempunyai nilai lebih besar dari T

akan diberi nilai 1 dan jika nilainya kurang dari T maka akan diberi

nilai 0. Selanjutnya citra ini harus di invers untuk mendapatkan

gambar objek yang berwarna putih dan latar belakang berwarna

hitam. Proses yang dilakukan adalah dengan menukar nilai pada

gambar tersebut. Yang mempunyai nilai 0 akan menjadi nilai 1 dan

sebaliknya

Binerisasi citra adalah salah satu proses penting yang biasanya

dilakukan dalam pemrosesan citra [9]. Namun nilai ambang batas

intensitas harus diketahui terlebih dahulu. Pada penelitian ini kami

mencari nilai ambang batas dengan membagi histogram citra gray

level kedalam dua daerah yang berbeda secara otomatis tanpa

membutuhkan bantuan user untuk memasukkan nilai ambang.

33

Pendekatan yang dilakukan adalah dengan melakukan analisis

diskriminan yaitu menentukan suatu variabel yang dapat

membedakan antara dua atau lebih kelompok yang muncul secara

alami. Analisis diskriminan akan memaksimumkan variable tersebut

agar dapat membagi objek latar depan (foreground) dan latar

belakang (background).

Pada citra biner ini juga terdapat suatu noise. Noise ini dapat

dihilangkan dengan menggunakan proses noise removal. Cara kerja

noise removal dapat dilihat pada gambar 3.5

1 0 0

0 0 0

0 1 0

1 1 1

0 1 0

0 0 0

0 1 0

(a) Citra

dengan

noise

Gambar 3.5 Proses Noise Removal

Pada gambar (a) merupakan suatu representasi citra dengan

beberapa noise. Setelah melalui proses noise removal maka noise

akan hilang dan akan didapatkan citra objek yang diinginkan (b).

0 0 0

0 0 0

0 1 0

1 1 1

0 1 0

0 0 0

0 0 0

(b) Citra

tanpa

noise

34

3.4 Pengolahan (Prosesing)

Gambar 3.6 Tahap Prosesing

Tahapan prosesing dapat dilihat pada gambar 3.6. Objek yang

telah didapatkan dari proses preprosesing akan di beri label

(labeling). Untuk melakukan proses labeling citra biner bisa dilihat

pada gambar 3.7

0 1 1 0 1 0

0 1 1 0 1 1

0 0 0 0 0 0

1 1 0 0 0 1

1 0 0 0 0 1

0 0 0 0 1 1

(a) Citra biner

35

0 2 2 0 3 0

0 2 2 0 3 3

0 0 0 0 0 0

1 1 0 0 0 4

1 0 0 0 0 4

0 0 0 0 4 4

(b) Citra Biner setelah proses labeling

Gambar 3.7 Proses Pemberian Label (Labeling)

Pada gambar 3.7 dapat diketahui bahwa citra biner tersebut

mempunyai 4 buah objek. Setelah diketahui jumlah objek dari citra

biner, maka langkah selanjutnya adalah mencari centroid (titik berat

objek)[2]. Centroid ini yang nantinya akan digunakan untuk men-

tracking gerakan objek dari frame ke frame. Untuk proses pencarian

centroid dapat dilihat pada gambar 3.8

0 0 0 0 0 0 0 0

0 1 0 0 3 3 3 0

1 1 1 0 3 3 0 0

0 1 0 0 0 0 0 0

0 0 0 0 0 4 4 0

0 0 2 0 0 4 4 0

0 0 2 2 0 0 0 0

0 0 2 0 0 0 0 0

Gambar 3.8 Citra Biner Dengan 4 Buah Objek

Untuk mencari koordinat centroid setiap objek dibutuhkan

koordinat (baris dan kolom) tiap piksel dari objek[2][3]. Setelah

koordinat dari setiap piksel diketahui, maka nilainya harus dirata-

rata. Nilai rata-rata dari baris akan menjadi nilai koordinat baris

centroid dan nilai rata-rata dari kolom akan menjadi koordinat

kolom centroid. Dari gambar 3.8 dapat diketahui koordinat centroid

dari tiap objek adalah sebagai berikut :

36

1) Objek 1

Tabel 3.3 Koordinat Objek 1

Piksel ke- Baris Kolom

1 3 1

2 2 2

3 3 2

4 4 2

5 3 3

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑏𝑎𝑟𝑖𝑠 =3 + 2 + 3 + 4 + 3

5= 3

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑘𝑜𝑙𝑜𝑚 =1 + 2 + 2 + 2 + 3

5= 2

Centroid = (rata-rata baris,rata-rata kolom) = (3,2)

2) Objek 2



1 6 3

2 7 3

3 8 3

4 7 4

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑏𝑎𝑟𝑖𝑠 =6 + 7 + 8 + 7

4= 7

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑘𝑜𝑙𝑜𝑚 =3 + 3 + 3 + 4

4= 3.25

Centroid = (rata-rata baris,rata-rata kolom) = (7,3.25)

37

3) Objek 3



1 2 5

2 3 5

3 2 6

4 3 6

5 2 7

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑏𝑎𝑟𝑖𝑠 =2 + 3 + 2 + 3 + 2

5= 2.4

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑘𝑜𝑙𝑜𝑚 =5 + 5 + 6 + 6 + 7

5= 5.8

Centroid = (rata-rata baris,rata-rata kolom) = (2.4,5.8)

4) Objek 4



1 5 6

2 6 6

3 5 7

4 6 7

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑏𝑎𝑟𝑖𝑠 =5 + 6 + 5 + 6

4= 5.5

𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑘𝑜𝑙𝑜𝑚 =6 + 6 + 7 + 7

4= 6.5

Centroid = (rata-rata baris,rata-rata kolom) = (5.5,6.5)

38

3.5 Perhitungan Jarak Antar Frame

Untuk menentukan jarak tempuh yang telah dicapai oleh objek

tertentu pada suatu frame yang digunakan sebagai acuan adalah

centroid pada frame yang berbeda dan objek yang sama. Untuk

mengetahui jaraknya dapat dihitung dengan persamaan 3.4

𝑟 = 𝑥2 − 𝑥1 2 + 𝑦2 − 𝑦1

2 ..................... (3.4)

r adalah jarak yang telah ditempuh oleh objek dan dalam satuan

piksel. Sedangkan 𝑥1 , 𝑦1 adalah posisi centroid objek pada frame

sekarang dan 𝑥2, 𝑦2 adalah posisi centroid objek pada frame

berikutnya.

3.6 Perhitungan Kecepatan Objek

Perhitungan kecepatan objek adalah kecepatan yang dilakukan

suatu objek untuk menempuh jarak tertentu dalam waktu yang

tertentu pula. Untuk mengetahui kecepatan objek ini digunakan

suatu persamaan

𝑉 =𝑠

𝑡 .................................................................. (3.5)

V adalah kecepatan objek dengan satuan piksel/detik.

s adalah jarak yang telah ditempuh objek dengan satuan piksel.

t adalah waktu yang dibutuhkan objek untuk berpindah dari frame

ke frame selanjutnya.

ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD...

Documents

Transcript of ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD ITD...