Perpustakaan Digital ITB

Tujuan dari pelacakan objek adalah mengidentifikasi objek, menentukan posisi, serta memperbarui posisi objek (region of interest) secara terus menerus. Sistem pelacakan objek dapat diterapkan untuk berbagai macam hal, salah satu contoh penerapan adalah pada lokalisasi korban pasca-bencana. Berdasarkan hal tersebut, maka memiliki sistem pelacakan objek yang optimal merupakan sebuah kebutuhan. Salah satu bentuk sistem pelacakan objek yang optimal adalah sistem yang mampu mencapai titik konvergen ROI di tiap frame video dengan jumlah iterasi yang minimal, sehingga berdampak pada proses sistem dalam mengikuti pergerakan objek target menjadi cepat. Jumlah iterasi yang dihasilkan dalam mencapai titik konvergen ROI berbanding lurus dengan kemampuan sistem dalam mengikuti pergerakan objek. Semakin besar jumlah iterasi yang dihasilkan, maka semakin lambat sistem dalam mengikuti pergerakan objek. Sebaliknya semakin sedikit jumlah iterasi, maka semakin cepat sistem dalam mengikuti pergerakan objek. Oleh karena itu, memiliki sistem yang mampu mengikuti pergerakan objek dengan cepat, kaitannya dengan penerapan pada bidang lokalisasi korban pasca-bencana, sangat dibutuhkan. Untuk melakukan pelacakan objek pada penelitian ini menggunakan algoritma Mean-Shift. Teknik algoritma Mean-Shift dalam mencari titik konvergen ROI di tiap frame yaitu akan menggeser posisi titik sedikit demi sedikit hingga menemukan titik konvergen ROI. Hal tersebut berdampak pada jumlah iterasi yang dibutuhkan besar dan berdampak pada proses sistem dalam mengikuti pergerakan objek menjadi lebih lambat. Untuk mengatasi hal tersebut, algoritma optimasi digunakan dengan tujuan menemukan titik konvergen ROI lebih cepat sehingga berdampak pada jumlah iterasi yang dibutuhkan lebih sedikit dan berdampak pada proses sistem dalam mengikuti pergerakan objek menjadi lebih cepat. Algoritma optimasi Simulated Annealing dalam penerapannya untuk mencari titik konvergen ROI masih memiliki kekurangan dari teknik pencarian yang dimilikinya. Teknik yang dimiliki yaitu pada setiap iterasi titik acak baru akan dibangun dan dihitung nilai fungsi dari titik tersebut, sehingga besar kemungkinan titik optimum yang didapatkan saat ini merupakan titik optimum lokal. Hal tersebut terjadi karena Simulated Annealing tidak memiliki kemampuan untuk mencari posisi atau membangun titik acak baru didasarkan pada posisi titik optimum sebelumnya. Apabila titik yang dibangun acak, maka untuk menemukan titik optimum global akan memerlukan iterasi lebih yang berdampak pada waktu proses yang lebih lama. Penelitian ini memiliki tujuan menghasilkan sistem pelacakan objek dengan algoritma pelacakan objek yang memiliki kinerja waktu proses yang lebih cepat dibandingkan dengan algoritma Mean-Shift yang dioptimasi dengan Simulated Annealing. Perlakuan yang diusulkan adalah mengganti algoritma optimasi Simulated Annealing dengan algoritma Locust Search. Algoritma Locust Search dipilih karena teknik yang dimiliki, yaitu pada tiap iterasi akan membangun titik baru untuk mencari titik maksimal atau optimum dengan memperhatikan nilai posisi titik optimum sebelumnya. Hal tersebut memiliki keuntungan yaitu jumlah iterasi yang dibutuhkan menjadi jauh lebih sedikit dan berdampak pada proses mengikuti pergerakan objek target yang lebih cepat. Penelitian diimplementasikan pada Raspberry Pi 3 Model B+ dalam bentuk prototipe. Hasil evaluasi kinerja menggunakan data 500 frame gambar dari video dengan iterasi percobaan untuk tiap algoritma pelacakan sebesar 20 iterasi percobaan, sehingga total percobaan untuk keseluruhan 3 algoritma sebanyak 60 kali percobaan, menggunakan teknik pengujian one tail t-test dengan asumsi varian yang berbeda. Hasil yang didapatkan menunjukkan algoritma usulan memiliki ratarata kinerja lebih baik dibandingkan dengan algoritma Mean-Shift dan algoritma Mean-Shift yang dioptimasi dengan Simulated Annealing yaitu sebesar 151 milidetik.