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.