- Penelitian
Sistem
ini yang dibuat dan dirakit berupa software Computer
Vision dan hardware yang terdiri dari tempat dan pencacah koin, kamera
webcam beserta penyangga yang dapat diatur jarak dan sudutnya, serta papan
tempat meletakkan obyek makanan/ minuman.
Software
CV yang dikembangkan akan mendeteksi keberadaan orang/pembeli, menghitung
perubahan jumlah obyek makanan/minuman, serta perubahan jumlah koin setiap kali
mendeteksi keberadaan orang/pembeli pada Kantin Kejujuran serta merekam pembeli
yang berlaku curang. Gambar 2 menunjukkan kerangka kerja dari software yang
akan dikembangkan.
Akuisisi
citra dilakukan dengan peralatan webcam yang dipasang tepat mengawasi area
tempat menjual aneka makanan. Hasil akuisisi berupa rangkaian matriks 3 dimensi
sebagai representasi frame-frame citra.
Perbaikan
citra dilakukan dengan operasi background subtraction sehingga diperoleh citra
obyek yang terpisah dengan citra latar. Deteksi binary large object (BLOB)
dilakukan dengan memeriksa citra BLOB untuk mencari setiap obyek
(makanan/minuman, dan nilai angka pada pencacah koin).
Object
counting dan tracking dilakukan untuk menghitung jumlah makanan atau minuman
yang terambil serta nilai uang yang terbayar oleh seorang pembeli. Pada Kantin
Kejujuran, posisi obyek makanan umumnya dalam formasi berjejer, saling
berhimpit ganda, triple, kuartet, hingga berhimpit 20. Untuk itu digunakan
pendekatan Artificial Neural Network (ANN) untuk pengenalan aneka formasi BLOB
dari obyek makanan yang akan dihitung. Pada tahap pelatihan ANN, Input adalah
fitur-fitur yang diperoleh dari BLOB beserta kondisi saat akuisisi citra yakni
tingkat intensitas cahaya dan posisi (jarak dan sudut) obyek terhadap kamera.
Sedangkan target dari ANN adalah jumlah item dalam BLOB. Untuk setiap jenis
obyek makanan yang akan dihitung, disiapkan masing-masing seperangkat ANN yang
dilatihkan supaya dapat mengenali aneka formasi BLOB. Penghitungan jumlah uang
dilakukan dengan alat pencacah koin yang dapat membedakan jenis koin Rp 1000
dan Rp 500 (kuningan maupun almunium).
Perekaman
pembeli yang (diduga kuat) berlaku curang dilakukan setelah menghitung nilai
uang yang baru saja bertambah dibandingkan dengan jumlah obyek makanan yang
berkurang. Jika nilai uang kurang dari yang seharusnya, maka beberapa frame
daricitra yang diperoleh dari webcam lain (dipasang dalam posisi menghadap wajah
pembeli) akan direkam.
- Hasil Dan Pembahasan
1.
Akuisisi Citra
Untuk
meningkatkan banyaknya jenis obyek yang dapat dikenali, dihitung, dan diawasi
maka telah dibuat fasilitas yang memungkinkan area masing-masing obyek dapat
dipartisi secara dinamis, dengn cara cropping untuk masing-masing obyek. Tampilan
form untuk partisi dinamis ini
dinyatakan
seperti gambar 3 berikut:
2. Perbaikan Citra dan Deteksi
BLOB
Terdapat
2 proses yang dilakukan dalam perbaikan citra, yakni: 1) Konversi dari citra
RGB menjadi citra biner kemudian 2) Operasi morfologi. Konversi menjadi citra
biner dilakukan untuk membedakan antara obyek dan latar. Operasi morfologi
dilakukan untuk menghilangkan bingkai serta noise berupa obyek berukuran
kecil.
Pada ini di atas terlihat adanya
bingkai di kanan atas dari citra biner, serta bintik-bintik kecil disekitar
obyek. Untuk itu dilakukan operasi morfologi penghilangan bingkai serta
penghapusan obyek berukuran luas kurang dari 81 pixel.
Tampilan
form untuk perbaikan citra dan deteksi BLOB dinyatakan seperti pada
gambar 5 berikut:
3. Data Dan Object
Counting
Untuk mengenali dan menghitung obyek berupa
makanan/minuman yang dijual pada Kantin Kejujuran maka telah dikumpulkan data
yang dideskripsikan dalam tabel 1 berikut:
v
Data
Objek 1
Obyek 1 adalah jenis makanan berupa
jajanan wafer merk “Ob1” yang terlihat pada gambar 6 berikut:
Citra pada gambar di atas diambil
pada jarak horizontal kamera-meja (Dx) 135 cm, jarak vertikal kamera-meja (Dy)
115 cm, sudut arah kamera terhadap garis vertikal (Sudut) 650, Intensitas
cahaya 400 Lux. Terdapat 8 BLOB pada citra sebelah kanan dari gambar 6. BLOB di
lajur kiri berisi jumlah item berturut-turut 1, 2, 3, dan 4. Sebagian data yang
diperoleh dari formasi obyek pada gambar 6 di atas dinyatakan dalam tabel 2
berikut:
Agar sistem dapat mengenali dan
menghitung jumlah obyek wafer merk “Ob1” maka diperlukan data-data
pelatihan berbagai formasi BLOB dan jumlahnya.
4. Object
Counting Dengan ANN
Pendekatan
ANN dipilih untuk pengenalan dan penghitungan jumlah obyek karena bersifat
adaptive serta tidak mensyaratkan asumsi-asumsi yang ketat (dibanding
pendekatan regresi). Arsitektur ANN yang digunakan adalah jaringan feedforward
dengan jumlah neuron pada hidden layer sebanyak 41
sebagaimana disajikan dalam gambar 10 berikut:
Pada gambar diatas, bagian input adalah
semua variabel (ada 17 variabel) selain item. ANN dilatih agar bagian output
sama dengan item (sebagai target). Pada tahap pelatihan, digunakan
berturut-turut 784 dan 297 data dari aneka formasi obyek 1 dan obyek 2.
Kesesuain output ANN terhadap target setelah pelatihan untuk obyek 1 disajikan
dalam gambar 11 berikut:
Nilai korelasi pada gambar 11 adalah
0,9999 atau R2 = 0,9998. Artinya setelah dilatih, ANN dapat
menjelaskan/mengenali aneka formasi BLOB dari citra Obyek 1 (yang
representasikan oleh input 17 variabel) sebesar 99,98 %.
Sedangkan hubungan antara target dan
output untuk obyek 2, disajikan dalam gambar 12 berikut:
Nilai korelasi pada gambar 12 adalah
0,99957 atau R2 = 0,9991. Artinya setelah dilatih, ANN dapat
menjelaskan/mengenali aneka formasi BLOB dari citra Obyek 2 (yang
representasikan oleh input 17 variabel) sebesar 99,91 %. Pendekatan ANN
yang digunakan dalam object counting terhadap obyek-obyek lainnya adalah
sama dengan yang telah dijabarkan seperti halnya pada obyek1 dan obyek 2 tadi.
0 komentar: