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.