Academic literature on the topic 'Deteksi objek'

Haar Like Feature (HLF) merupakan metode deteksi objek terbaru yang dapat menghasilkan kualitas visual yang lebih baik. Bila dibandingkan dengan metode deteksi objek lainnya, HLF cenderung lebih sering digunakan untuk mendeteksi wajah manusia, dan baru beberapa kali digunakan untuk deteksi objek bergerak. Objek pada permukaan sungai memiliki kecenderungan mengapung, bergerak, rata-rata berupa transportasi air maupun objek lainnya seperti sampah yang dapat mengganggu perairan sungai. Penelitian ini bertujuan menerapkan metode HLF untuk deteksi objek terapung pada permukaan sungai Martapura dengan menggunakan dua kamera yang memiliki kualitas hasil citra yang berbeda. Objek terapung yang terdeteksi dapat menjadi data yang berguna untuk menjaga keamanan perairan sungai. Citra pertama diambil menggunakan kamera smartphone, spesifikasi 16 Megapixel, sedangkan citra kedua menggunakan kamera mirrorless, spesifikasi 24 Megapixel. Hasil penelitian menunjukkan bahwa deteksi objek terapung dengan menggunakan kamera smartphone, memiliki persentase keberhasilan 0%. Deteksi objek dengan menggunakan kamera mirrorlesss memiliki keberhasilan 65,5%. Kualitas hasil pixel pada citra sangat berpengaruh terhadap tingkat keberhasilan metode HLF untuk deteksi objek terapung pada sungai Martapura.

Penelitian ini bertujuan untuk membandingkan performa dari dua buah algoritma deteksi objek, yaitu algoritma background subtraction dan algoritma frame difference. Performa yang dibandingkan dari kedua algoritma ini adalah hasil akurasi deteksi objek dan waktu pemrosesan. Data diambil dari hasil akuisisi video kamera pengawasan. Langkah penelitian diawali dengan melakukan akuisisi video kemudian memecah menjadi frame sequential dan selanjutnya dilakukan deteksi objek pergerakan kamera. Hasil dari deteksi objek berupa sebuah foreground mask untuk masing-masing frame sequential. Dari analisis pengujian didapatkan untuk performa berdasarkan akurasi deteksi objek dan waktu pemrosesan dari dataset yang diambil menunjukkan jika algoritma frame difference lebih unggul dibandingkan algoritma background subtraction.
 Kata Kunci— Deteksi Objek Bergerak, Algoritma Background Subtraction, Algoritma Frame Difference

Deteksi objek merupakan kemampuan sistem yang dapat mengenali objek tertentu yang berada dalam suatu gambar atau video. Dalam proses deteksi objek, sistem bisa memberikan hasil yang tidak sesuai atau tidak dapat mendeteksi suatu objek yang disebabkan oleh dataset yang tidak optimal. Penelitian ini bertujuan mengkaji proses pembuatan dataset dan bias yang muncul. Pencarian dan analisis dilakukan terhadap literatur yang berkaitan dengan dataset deteksi objek. Proses pencarian literatur dilakukan pada Google Scholar, Science Direct, dan DSpace Repository dengan memasukkan kata kunci utama “data centric”, “object detection dataset”, dan “dataset bias”. Hasil analisis literatur meliputi dataset dan bias dataset. Pada penelitian sebelumnya terdapat kekurangan seperti belum adanya peningkatan performa sistem deteksi objek melalui pengoptimalan dataset. Dari kajian literatur, pembuatan dataset yang baik dapat dilakukan dengan cara menyesuaikan kondisi pengambilan gambar saat pengumpulan data dan pengujian di lapangan. Selain itu, untuk dapat menambah kemampuan generalisasi sistem dengan cara menambahkan variasi gambar dalam dataset melalui teknik augmentasi. Selanjutnya, dalam proses pembuatan dataset pasti akan selalu ada bias dalam data sehingga mempengaruhi kemampuan deteksi objek. Oleh karena itu, dalam proses pembuatan sistem deteksi objek, data memiliki pengaruh yang cukup besar terhadap performa akurasi deteksi objek.

Deteksi objek merupakan salah satu komponen kunci dalam sistem visi komputer yang banyak digunakan pada berbagai aplikasi seperti pengawasan, otomasi, dan sistem berbasis Internet of Things (IoT). Namun, penerapan algoritma deteksi berbasis deep learning umumnya memerlukan sumber daya komputasi tinggi yang tidak sesuai untuk perangkat berbiaya rendah seperti ESP32-CAM. Penelitian ini bertujuan untuk menganalisis kinerja ESP32-CAM dalam mendeteksi objek menggunakan algoritma YOLOv3, serta mengkaji pengaruh berbagai kondisi lingkungan terhadap hasil deteksi. Studi ini menggunakan pendekatan eksperimental dengan lima skenario pengujian yang mencakup variabel pencahayaan (siang dan malam), gerakan kamera (bergerak dan tidak bergerak), resolusi gambar (800×600 dan 1280×1024 piksel), serta ukuran objek (kecil, sedang, dan besar). Evaluasi dilakukan dengan mengukur tingkat akurasi deteksi, waktu pemrosesan per frame, serta kejernihan citra pada masing-masing skenario. Hasil pengujian menunjukkan bahwa ESP32-CAM mampu mendeteksi objek dengan akurasi tertinggi sebesar 73% pada kondisi siang hari dengan pencahayaan optimal dan kamera statis. Akurasi menurun secara signifikan dalam kondisi gelap, saat kamera bergerak, serta ketika objek berukuran kecil. Penelitian ini menegaskan bahwa keberhasilan deteksi sangat dipengaruhi oleh pengaturan lingkungan dan karakteristik objek. Meskipun ESP32-CAM memiliki keterbatasan dalam daya komputasi dan memori, hasil penelitian ini membuktikan bahwa perangkat ini tetap layak digunakan untuk sistem deteksi objek sederhana dalam lingkungan terkendali. Penelitian ini memberikan kontribusi praktis dalam pengembangan sistem deteksi visual berbasis perangkat ringan, dan menawarkan rekomendasi teknis untuk meningkatkan performa melalui pengaturan lingkungan dan pemilihan parameter yang tepat.