HUMAN MOVEMENT DETECTION DENGAN ACCUMULATIVE DIFFERENCES IMAGE

Mohammad Faisal Kholid; Jian Budiarto; Ahmad Ashril Rizal; Gibran Satya Nugraha

doi:10.46764/teknimedia.v1i1.7

Mohammad Faisal Kholid Jurusan Ilmu Komputer Universitas Bumigora
Jian Budiarto Jurusan Ilmu Komputer Universitas Bumigora
Ahmad Ashril Rizal STMIK Syaikh Zainuddin NW Anjani
Gibran Satya Nugraha Program Studi Teknik Informatika Universitas Mataram

DOI: https://doi.org/10.46764/teknimedia.v1i1.7

Kata Kunci: Deteksi Gerak, ADI, Haar Casscade, Motion Detection, Accumulative differences image, Human Detection, Open Cv

Abstrak

Berdasarkan data kepolisian yang dikutip dari salah satu laman portal berita online terdapat 43.842 ribu aksi kejahatan yang ada di Ibu Kota Jakarta. Dari semua kasus kejahatan tersebut pembobolan rumah kosong termasuk dalam tiga besar aksi kriminalitas. Rumah yang ditinggal oleh pemiliknya seringkali dijadikan target operasi kejahatan dikarenakan pengawasan yang kurang ketat dan teknologi penunjang keamanan.
Tujuan dari penelitian ini adalah untuk mendeteksi gerak manusia yang nantinya bisa digunakan untuk mencegah terjadinya kejahatan berupa pencurian. Tujuan lain dari penelitian ini adalah untuk mengetahui bagaimana metode yang digunakan bekerja dalam mengidentifikasi perubahan citra dari beberapa frame yang berurutan. Penelitian ini mengembangkan sebuah sistem deteksi gerak pada manusia pada video menggunakan kamera Closed Circuit Television (CCTV) dimana dilakukan simulasi menggunakan video sampel. Proses pendeteksian gerak menggunakan metode Accumulative Differences Image (ADI) dan proses deteksi manusia mengguakan klasifikasi dari Opencv yaitu Haar Casscade Clasification. Yang dimana dengan metode tersebut membandingkan lebih dari dua frame yang berbeda dan parameter klasifikasi yang digunakan adalah full body, upper body dan face. Pengujian sistem dilakukan meggunakan beberapa video sampel yang diambil dengan jarak dan ketinggian kamera terhadap objek berbeda-beda. Hasil yang didapatkan dari pegujian menggunakan video sampel menunjukan tingkat akurasi 95.23%.

Referensi

Budiawan Sidik A. (litbang Kompas), “Ada celah rumah dibobol,” Kompas, 2018. [Online]. Available:

https://www.pressreader.com/indonesia/kompas/20180422/282321090605037.

A. Priadana and A. Harjoko, “Deteksi Perubahan

Citra Pada Video Menggunakan Illumination Invariant Change Detection,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 11, no. 1, p. 89, 2017.

M. Harry, B. Pratama, A. Hidayatno, and A. Zahra, “Menggunakan Metode Background Subtraction Dengan Algoritma Gaussian Mixture Model,” Transient, vol. 6, pp. 246–253, 2017.

R. N. Christianto and Y. D. Prabowo, “Aplikasi Perekam Citra Berdasarkan Pergerakan Objek Yang Nampak,” vol. 4, 2017.

T. W. A. Putra, K. Adi, and R. R. Isnanto, “Pengenalan Wajah Dengan Matriks Kookurensi Aras Keabuan Dan Jaringan Syaraf Tiruan Probabilistik,” J. Sist. Inf. Bisnis, vol. 02, pp. 1–53, 2013.

A. N. T. RD. Kusumanto, “PENGOLAHAN CITRA DIGITAL UNTUK MENDETEKSI OBYEK MENGGUNAKAN PENGOLAHAN WARNA MODEL NORMALISASI RGB,” Semin. Nas. Teknol. Inf. Komun. Terap. 2011 (Semantik 2011), pp. 329–332, 2011.

U. S. Utara, “BAB 2 LANDASAN TEORI 2.1 Pengolahan Citra Digital Citra digital dapat didefinisikan sebagai fungsi dua variabel,.”

M. Rohman, “Analisa Gerakan Manusia Pada Video Digital.”

R. T. Wahyuningrum, “SEGMENTASI OBYEK PADA CITRA DIGITAL MENGGUNAKAN,” vol. 13, no. 1, pp. 1–8, 2015.

A. Lazaro, J. L. Buliali, and B. Amaliah, “Deteksi Jenis Kendaraan di Jalan Menggunakan OpenCV,” vol. 6, no. 2, 2017.

A. Prahara, F. Mipa, and U. G. Mada, “Deteksi Kebakaran pada Video Berbasis Pengolahan Citra dengan Dukungan GPU,” pp. 6–11, 2015.