Judul : Reversible Video Steganografi Menggunakan Metode Improved
Reduced Difference Expansion dan Analisis Gray Level
Co-occurrence Matrix Jurnal : Jurnal Teknik Institut Teknologi Sepuluh Nopember Volume dan Halaman : Vol.5 No.2 271-276 Tahun : 2016 Penulis : Dicky Irwanto, Tohari Ahmad, dan Hudan Studiawan, Reviewer : Andri Iskandar Saputra (181041020042) Tanggal : 10 April 2021 Tujuan Penelitian : Untuk meningkatkan jumlah kapasitas pesan yang disisipkan serta meminimalkan jumlah frame yang digunakan pada proses encode. Subjek Penelitian : Berkas Video dengan ekstenti .avi Permasalahan : Metode steganografi yang memiliki kelemahan yaitu media yang media yang digunakan media penyisipan tidak dapat dikembalikan. Tidak hanya itu berkas gambar juga memiliki kelemahan terbatasnya jumlah pixel yang tersedia pada suatu citra. Metode Penelitian : Penelitian ini menggunakan metode Langkah Penelitian : IRDE (Improved Reduced Difference Expansion) yang dikombinasikan dengan metode analisis GLCM (Gray Level Co-occurrence Matrix) dan metode distribusi pesan secara intraframe dan interframe. Hasil Penelitian : a. Skenario Uji Coba 1 Skenario uji coba 1 merupakan proses pengujian perbandingan nilai batasan kandidat untuk proses pemilihan kandidat. Hasil uji coba pertama terlihat bahwa peningkatan batasan minimal payload berpengaruh dalam kapasitas jumlah payload. Semakin tingginya batasan yang digunakan maka semakin sedikitnya payload yang dapat disisipkan pada setiap kandidat. Penentuan batasan minimal payload berpengaruh pada lama eksekusi pada program. Hal ini berkaitan dengan semakin tingginya batasan minimal payload maka semakin banyaknya kandidat yang dibutuhkan. Dan semakin banyaknya kandidat yang digunakan maka berpengaruh pada lama eksekusi. b. Skenario Uji Coba 2 Skenario uji coba 2 merupakan proses perbandingan kapasitas encoding secara intraframe, interframe, dan kombinasinya. Hasilnya adalah jumlah payload yang dapat disisipkan pada metode distribusi kombinasi lebih besar dibandingkan dengan metode distribusi secara interframe dan intraframe. c. Skenario Uji Coba 3 Skenario uji coba 3 merupakan proses uji coba perbandingan nilai PSNR dengan menggunakan metode distribusi payload secara intraframe dan interframe Hasilnya adalah fitur yang paling terbaik dalam melakukan preprocessing adalah fitur penyisipan menggunakan metode pemilihan kandidat bedasarkan jumlah layer setiap kandidat pada jumlah payload ≤ 1034408 bit dan untuk jumlah payload > 1034408 fitur terbaik dalam pemilihan kandidat menggunakan preprocessing bedasarkan nilai Root Mean Square (Quadratic Means). Kekuatan Penelitian : Encode menggunakan skema distribusi secara interframe dan intraframe mengalami peningkatan jumlah kapasitas yang signifikan. Kekurangan Penelitian :- Kesimpulan : Bedasarkan hasil uji coba steganografi pada video dengan metode IRDE dan dikombinasikan dengan distribusi secara interframe dan intraframe dan pemilihan kandidat sesuai fitur didapatkan kesimpulan sebagai berikut: 1. Uji coba proses encode menggunakan skema distribusi secara interframe dan intraframe memperlihatkan peningkatan jumlah kapasitas yang signifikan. 2. Bedasarkan hasil uji coba, fitur pemilihan kandidat yang menghasilkan nilai PSNR dan jumlah payload terbaik pada distribusi payload secara kombinasi adalah fitur pemilihan kandidat bedasarkan jumlah layer pada jumlah payload 1034408 bit dengan nilai PSNR maksimal 82,0641 dB yang diujikan pada cover Bus dan fitur pemilihan kandidat bedasarkan nilai quadratic means perbedaan pixel pada jumlah payload > 1034408 bit dengan nilai PSNR maksimal 47,3986 dB yang diujikan pada cover Tennis. Judul : Deteksi Obyek Manusia Pada Basis Data Video Menggunakan Metode Background Subtraction Dan Operasi Morfologi Jurnal : Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi Volume dan Halaman : Volume 2 No.2 Halaman 97-101 Tahun : 2016 Penulis : Sultan Syarif Kasim Reviewer : Andri Iskandar Saputra (181041020042) Tanggal : 10 April 2021 Tujuan Penelitian : Mengukur dan menganalisa bagaimana penerapan metode background subtraction dan operasi morfologi terhadap pendeteksian obyek manusia hingga pada hasil penelitian didapatkan nilai keberhasilan berdasarkan pengukuran dalam pendeteksian obyek manusia pada sebuah database video. Subjek Penelitian : Manusia Pejalan Kaki Permasalahan : 10 pengujian video dalam pencahayaan terang, pengujian dalam ruangan dan kondisi gelap atau redup yang menghasilkan beberapa video yang tidak akurat. Metode Penelitian : Metode Background subtraction dapat mendeteksi subtstraksi pada background dengan mengubah citra menjadi citra biner dan menentukan tingkat kepekaan perubahan pixel background. Operasi morfologi digunakan untuk menghilangkan noise yang dapat mengganggu keberhasilan deteksi pada video. Langkah Penelitian : 1. Analisis Data 2. Analisis Kamera 3. Analisis Video 4. Analisis Deteksi Obyek Manusia 5. Proses Deteksi Obyek Manusia Hasil Penelitian : 1. Dari pengujian pada beberapa sample video, nilai rasio minimum thresholding terbaik yang digunakan pada penelitian ini adalah 0.5. 2. Dari pengujian pada beberapa sample video, nilai elemen penstruktur pada operasi opening yang digunakan pada penelitian ini adalah radius 3x3. 3. Dari pengujian pada beberapa sample video, nilai elemen penstruktur pada operasi closing yang digunakan pada penelitian ini adalah radius 18x18. 4. Dari 10 pengujian video pada pencahayaan terang, 8 video sesuai dengan perhitungan manual, 2 video tidak tepat. 5. Dari 10 pengujian video pada kondisi dalam 2 ruangan, 2 video sesuai dengan perhitungan manual, 8 video tidak tepat. 6. Dari 10 pengujian video pada kondisi gelap atau redup cahaya, 1 video sesuai dengan perhitungan manual, 9 video tidak tepat. Kekuatan Penelitian : Dapat mendeteksi dan menghitung obyek pejalan kaki dengan sangat baik ketika dalam kondisi pencahayaan yang baik. Kekurangan Penelitian : Sistem tidak dapat membedakan obyek yang bukan manusia meskipun obyek tersebut berukuran sama dengan obyek manusia. Kesimpulan : 1. Program yang dirancang mampu melakukan deteksi dan penghitungan jumlah obyek pejalan kaki secara otomatis. 2. Pada pengujian sistem dapat membedakan obyek kecil selain pejalan kaki seperti kucing, daun, dan lain-lain serta obyek besar seperti mobil dengan baik. 3. Pendeteksian obyek pada video dapat dihasilkan dengan baik dalam kondisi exposure value statis yang diset saat perekaman dengan kamera. 4. Berdasarkan hasil pengujian, program yang dirancang dapat mendeteksi dan menghitung obyek pejalan kaki dengan sangat baik ketika dalam kondisi pencahayaan yang baik.
Judul : Deteksi Perubahan Citra Pada Video Menggunakan Illumination
Invariant Change Detection Jurnal : Indonesian Journal of Computing and Cybernetics Systems Volume dan Halaman : Volume 11 No.1 Halaman 89-98 Tahun : 2017 Penulis : Adri Priadana dan Agus Harjoko Reviewer : Andri Iskandar Saputra (181041020042) Tanggal : 10 April 2021 Tujuan Penelitian : Untuk mengembangkan sebuah sistem deteksi perubahan citra pada video untuk mendeteksi aksi corat-coret pada dinding melalui sebuah kamera Closed Circuit Television (CCTV) Subjek Penelitian : Dinding-dinding bangunan yang dicoret Permasalahan : Kenakalan remaja dapat berupa perkelahian, balapan liar, perjudian, dan coret-coret di dinding tanpa izin. Salah satu upaya yang dilakukan saat ini adalah dengan melakukan patroli oleh petugas keamanan setiap waktu secara rutin pada tempat-tempat umum yang dirasa sangat riskan terjadi aksi corat-coret. Namun hal ini tentunya membutuhkan biaya dan sumber adaya manusia yang tidak sedikit. Metode Penelitian : Untuk mendeteksi perubahan citra pada video yang akan dilakukan pada penelitian ini meliputi dua subproses yaitu proses deteksi gerak denan metode ADI dan deteksi perubahan citra dengan metode Illumination Invariant Change Detection yang dikombinasikan dengan metode cropping citra untuk membatasi wilayah pengamatan. Langkah Penelitian : Penelitian ini meliputi dua subproses yaitu proses deteksi gerak dengan metode ADI dan deteksi perubahan citra dengan metode Illumination Invariant Change Detection yang dikombinasikan dengan metode cropping citra untuk membatasi wilayah pengamatan. Pada sistem ini terdapat dua proses deteksi gerak. Proses deteksi gerak yang pertama bertujuan untuk mendeteksi gerakan pada video. Proses deteksi gerak yang kedua adalah untuk mendeteksi bahwa gerakan sudah tidak ada lagi. Setelah itu akan dilakukan proses deteksi perubahan citra yang dikombinasikan dengan metode cropping citra diamana bertujuan untuk mendeteksi perubahan citra pada wilayah pengamatan yang telah ditentukan antara citra referensi dengan citra setelah ada gerakan. Hasil dari proses deteksi perubahan citra dan cropping citra tersebut akan menjadi dasar untuk menentukan terdeteksi atau tidaknya perubahan citra pada video yang akan dimasukkan pada sistem. Hasil Penelitian : Hasil perubahan citra yang dideteksi dengan benar oleh sistem yang menggunakan metode Illumination Invariant Change Detection, dapat dilakukan evaluasi pengujian dengan menggunakan perhitungan precision, recall, dan akurasi. Dengan evaluasi pengujian tersebut, didapatkan hasil perhitungan precision dan recall dari tahapan deteksi perubahan citra dengan metode Illumination Invariant Change Detection pada data video simulasi yang telah dilakukan didapatkan nilai precision sebesar 87,5% dan nilai recall 100%. Nilai akurasi yang didapat dari deteksi perubahan citra dengan metode Illumination Invariant Change Detection pada data video simulasi yang telah dilakukan adalah sebesar 92,86%. Kekuatan Penelitian : Hasil perhitungan precision dan recall dari tahapan deteksi gerak didapatkan nilai precision sebesar 88,24% dan nilai recall 100%. Nilai akurasi yang didapat dari deteksi gerak sebesar 95,12% Kekurangan Penelitian :- Kesimpulan : 1. Evaluasi sistem dalam mendeteksi gerak dengan metode Accumulative Difference Image (ADI) yang dilakukan pada data video simulasi didapatkan nilai precision sebesar 88.24%, dan nilai recall sebesar 100%, dengan akurasi 95.12%. 2. Evaluasi sistem dalam mendeteksi perubahan citra dengan metode Illumination Invariant Change Detection yang dikombinasikan dengan metode cropping citra untuk mengeliminasi bagian dari citra yang tidak termasuk bagian dari wilayah pengamatanyang dilakukan pada data video simulasi didapatkan nilai precision sebesar 87.5%, dan nilai recall sebesar 100%, dengan akurasi 92.86%. Judul : Aspek Penerapan Video Segmentasi Sebagai Sistem Pendeteksi Pelanggaran Lalu Lintas Jurnal : Jurnal Online Mahasiswa (JOM) Bidang Teknik dan Sains Volume dan Halaman : Volume 3 No.2 Halaman 1-7 Tahun : 2016 Penulis : Christian Desamta.S dan Indra Yasri Reviewer : Andri Iskandar Saputra (181041020042) Tanggal : 10 April 2021 Tujuan Penelitian : Untuk menghitung jumlah kendaraan, segmentasi video, ekstraksi ciri kendaraan, klarifikasi kendaraan, pelacakan objek dan mengeliminasi gerakan kecil pada objek bergerak yang dianggap noise. Subjek Penelitian : Pengendara yang melakukan pelanggaran lalu lintas Permasalahan : Maraknya pengendara melanggar pelanggaran lalu lintas Metode Penelitian : Terdapat 3 metode. Pertama adalah konversi warna yang dimana ada kalanya citra video mengalami kerusakan misalnya warna yang buram yang membuat citra video tidak jelas. Kedua adalah edge detection yang dimana untuk menandai bagian yang menjadi citra citra dan memperbaiki detail citra yang kabur. Ketiga adalah thresholding yang merupakan proses pembineran. Langkah Penelitian : Pertama dilakukan konversi warna, maka dari blok yang dapat memanggil video dari direktori kedalam matlab simulink dihubungkan ke blok konversi warna. Langkah selanjutnya untuk melakukan proses background subtraction maka pada matlab simulink di drag blok edge detection yang digunakan dalam proses segmentasinya tapi sebelum itu kita perlu melakukan deteksi gerakan maka sebelum blok edge detection di drag blok difference lalu dari blok konversi warna dihubungkan ke blok difference lalu dihubungkan ke blok edge detection. Dari blok edge detection, output nya berbentuk citra video hitam putih maka selanjutnya kita memerlukan blok blob analisis yang digunakan untuk memebuat kontur pada citra video dari edge detection. Setelah itu hubungkan blok edge detection dengan blok blob analisis. Hasil dari blob analisis ini adalah dalam bentuk citra hitam putih tetapi memiliki kontur yang nantinya dari kontur ini kita dapat membuat bentuk tracking yang akan mengikuti objek kemanapun objek pergi selama masih ditangkapdalam video. Dari hasil keluaran blob analisis kita dapat mendrag blok draw shape yang berfungsi dapat membuat bentuk tracking objek dari kontur yang telah dibuat sebelumnyaInput dari blok ini ada 2 yaitu hasil dari output blob analisis dan video asli yang digunakan. Hasil Penelitian : Hasil penelitiannya adalah dengan menggunakan metode konversi warna maka hasil segmentasi akan lebih baik karena salah satu keunggulan dari proses konversi warna adalah untuk memperbaiki nilai citra dari video tersebut. Edge detection juga dapat menghilangkan noise-noise seperti dengan membedakan latar depan dan latar belakangnya dengan baik dan dapat menghasilkan video segmentasi yang handal. Kekuatan Penelitian : 1. Dengan konversi warna hasil segmentasi warna menjadi lebih baik 2. Dapat membedakan latar depan dan latar belakang dengan baik Kekurangan Penelitian :- Kesimpulan : 1. Konversi warna memiliki fungsi memperbaiki nilai pixel pada citra video. 2. Blok difference memiliki fungsi yang hampir sama dengan blok edge detection. 3. Gambar-gambar hasil terbentuk karena pixel-pixel yang telah dianalisa dengan menggunakan metode-metode seperti konversi warna, motion detection dan edge detection 4. Hasilnya objek ditracking dengan bentuk tracking persegi empat.
Judul : Algoritma Ekstraksi Video Frame Berdasarkan Analisis
Histogram HCL Jurnal : Jurnal Ilmiah Komputasi Volume dan Halaman : Volume 15 No.2 Halaman 77-83 Tahun : 2016 Penulis : Ire Puspa Wardhani dan Sarifuddin Madenda Reviewer : Andri Iskandar Saputra (181041020042) Tanggal : 10 April 2021 Tujuan Penelitian : Untuk mengatasi permasalahan dalam mengenali frame yang dibutuhkan berbasis konten yang efektif dan efisiensi Subjek Penelitian : Video Digital Permasalahan : Permasalahan waktu yang dibutuhkan untuk proses membaca video dan memecahkan menjadi frame. Mengelompokkan frame, dan menemukan dan mengenali frame berdasarkan keyframe tertentu Metode Penelitian : Dalam penelitian ini menggunakan pendekatan histogram guna dalam ekstraksi frame menggunakan ruang warna untuk di analisi dan pemrosesan informasi warna dalam sebuah frame Langkah Penelitian : Mengekstraksi video dengan analisis fitur warna dengan menggunakan pendekatan histogram berdasarkan fitur warna HLC Algoritma digunakan untuk membuat prototype perangkat lunak System ekstraksi video berdasarkan konten dengan analisis fitur warna secara global dan local menggunakan program Matlab Hasil Penelitian : Hasil penelitian dilakukan kuantisasi warna dimana dilakukan dengan cara membagi setiap komponen warna dalam rentang jarak tertentu. Nilai presentase warna nantinya digunakan untuk menganalisis warna citra dan pencocokan kesamaan antara dua citra. Kekuatan Penelitian : Dapat mengolah ekstraksi video dengan proses pengolahan video dengan menggunakan analisis ruang warna dengan pendekatan Histogram warna Kekurangan Penelitian :- Kesimpulan : Dalam ekstraksi video diperlukan dalam pengolahan video. Pentingnya mengekstraksi frame dengan menggunakan analisis ruang warna dengan pendekatan Histogram warna. Judul : Analisis Perbandingan Algoritma Optical Flow dan Background Estimation untuk Pendeteksian Objek pada Video Jurnal : Jurnal Ilmiah Komputasi Volume dan Halaman : Volume 15 No.1 Halaman 15-21 Tahun : 2016 Penulis : Ety Sutanty dan Ari Rosemala Reviewer : Andri Iskandar Saputra (181041020042) Tanggal : 10 April 2021 Tujuan Penelitian : Untuk meminimalisirkan beberapa kendala dalam melakukan metode perhitungan kepadatan lalu lintas Subjek Penelitian : Lalu lintas yang jumlah kepadatan tinggi Permasalahan : Kurang akurat dalam melakukan metode perhitungan kepadatan lalu lintas dengan Algoritma Optical Flow dan Background Estimation Metode Penelitian : Penelitian ini untuk melakukan pendeteksian terhadap objek bergerak dalam video dilakukan dengan metode Optical Flow dan Background Estimation. Penelitian menggunakan video viptraffic .avi yang berdurasi 8 detik, dimana kedua algoritma mengekstraksi data berbentuk citra frame .png. Langkah Penelitian : Pendeteksian objek bergerak dengan Algoritma Optical Flow dilakukan dengan merepresentasikan gerakan kedalam aliran vektor, kemudian menghitung nilai koordinat centroid untuk menghitung kecepatan kendaraan yang bergerak. Pemilihan nilai densitas vektor dan selisih frame akan mempengaruhi citra frame yang dihasilkan. Metode background estimation dilakukan dengan merata-rata gabungan nilai piksel dari semua input yang berurutan, namun metode ini tidak dapat berjalan dengan baik jika diberi input yang memiliki banyak objek bergerak. Citraframe hasil ekstraksi mempunyai ruang warna RGB. Setiap citra frame akan masuk proses inisialisasi. Pada proses inisialisasi citra frame masukan diekstrak menjadi 3 bagian citra antara lain citra Red, Citra Green dan Citra Blue. Sebelum proses inisilaisasi dilakukan, harus ditentukan terlebih dahulu citra yang akan model background. Citra frame pertama akan digunakan sebagai model background awal. Tahap pra-proses ini dilakukan sebagai persiapan dalam pendeteksian foreground menggunakan Background Estimation. Hasil Penelitian : Hasil pendeteksian objek dengan algoritma Optical flow menghasilkan 113 citra frame Algoritma Background Estimation menggunakan Σ-∆ filter yang merupakan operator non linear rekursif, dimana operator ini memiliki kemampuan mengestimasi dua orde dari temporal statistik pada setiap piksel dalam suatu frame, Data keluarannya akan menghasilkan 198 citra frame yang mempunyai deteksi perubahan piksel dengan level yang efisien dan sederhana. Kekuatan Penelitian : Tingkat komputasi yang sederhana Kekurangan Penelitian : Kecepatan menangkap objek dengan algoritma background estimation sangat lambat dan untuk nemdapatkan hasil yang maksimal nilai parameter threshold tidak boleh terlalu tinggi atau terlalu rendah. Kesimpulan : Pada penelitian analisis dengan dua algoritma Optical Flow dan Background Estimation untuk pendeteksian objek pada viptraffic.avi untuk tingkat akurasi, Optical Flow memberikan hasil yang lebih baik, dimana algoritma dapat menghitung secara akurat ketika arus kendaraan dalam keadaan padat atau lancar sedangkan Background Estimation bekerja kurang akurat terutama pada saat sebuah kendaraan dengan bayangannya bergerak, maka piksel yang bukan termasuk dalam background dapat dikategorikan sebagai bagian dari kendaraan dan bayangannya, jika tidak maka bagian foreground tersebut dapat dikatakan salah. Proses menangkap objek bergerak lebih cepat dilakukan oleh Optical Flow dengan jumlah citra frame yang dihasilkan 14 Citra Frame/Detik sedangkan Background Estimation menghasilkan 25 Citra Frame/Detik. Semakin besar delay frame, bentuk kendaraan yang tersegmentasi memiliki gumpalan yang lebih tebal sesuai dengan besarnya frame sehingga hasil citra frame lebih bagus pada Optical Flow, sedangkan perubahaan pencahayaan kan mempengaruhi proses pendeteksian objek dengan metode Background Estimation Judul : Deteksi Gerak Pada Citra Objek Video Surveillance Dengan Menggunakan Metode Spektral Residual Jurnal : INTEGER- Journal of Information Technology Volume dan Halaman : Volume 3 No.1 Halaman 57-61 Tahun : 2018 Penulis : Lailia Rahmawati dan Hendro Nugroho Reviewer : Andri Iskandar Saputra (181041020042) Tanggal : 10 April 2021 Tujuan Penelitian : Menganalisa suatu gerakan objek pada video Surveillance. Subjek Penelitian : Gerak citra objek video Surveillance Permasalahan : Kebutuhan rasa aman pada lingkungan. Hal ini dikarenakan Video Surveillance adalah salah satu aplikasi yang sering dimanfaatkan pada sistem keamanan. Metode Penelitian : Metode pada penelitian ini adalah metode Spektral Residual dapat membantu mendeteksi objek yang bergerak. Data yang dikumpulkan untuk penelitian berupa video yang diambil dari berbagai tempat seperti di jalan, halaman, di dalam mall dengan melakukan perekaman video pada objek manusia maupun kendaraan. Langkah Penelitian : Langkap penelitian ini adalah input video dengan ukuran 176x144 piksel, proses segmentasi dengan menggunakan metode Threshold Otsu, Proses Saliency Detection yang menggunakan metode Spektrum Residu, Proses Tracking untuk menghasilkan hasil Output Objek deteksi gerak Hasil Penelitian : Dari 30 data yang tersedia, 27 data sesuai dalam pendeteksian. Terdapat 3 data yang tidak sesuai dalam pendeteksian. Kekuatan Penelitian : Proses Tracking untuk menghasilkan hasil Output Objek deteksi gerak dengan jumlah 30 video mencapai keberhasilannya sebesar 90%. Kekurangan Penelitian :- Kesimpulan : 1. Deteksi Gerak dengan menggunakan metode spektral residual dapat mendeteksi sesuai sebanyak 27 data dari 30 data yang tersedia. 2. Proses smoothing dengan menggunakan metode low pass filter dengan nilai 7x7 piksel sangat membantu menghaluskan citra dari noise untuk hasil proses deteksi Gerak yang lebih baik. Tetapi low pass filter dengan nilai 3x3 lebih cepat dalam penganalisaannya. 3. Boxing ganda dapat terjadi disaat warna objek lain sama dengan warna objek yang terdeteksi. 4. Pencahayaan pada lokasi pengambilan data sangat berpengaruh pada hasil deteksi Gerak. 5. Banyak ragam bentuk dan warna backgroud dapat mempengaruhi dalam deteksi Gerak.