DETEKSI API PADA URUTAN VIDEO DENGAN MENGGUNAKAN METODE SUPERPIXEL

Nandy Rizaldy Najib, Kazman Riyadi

Abstract


Di sebuah perusahaan ataupun perumahan saat ini sangat diperlukan adanya sebuah pengamanan secara dini dalam mengantisipasi bahaya kebakaran yang dapat memakan korban jiwa maupun material. Tujuan dari penelitian ini adalah membuat sistem deteksi api secara otomatis dengan kecepatan dan ketepatan yang dibutuhkan guna menghindari terjadinya kebakaran secara dini. Data yang digunakan adalah data hasil pengukuran untuk mendeteksi area bergerak menggunakan Algoritma Gaussian Mixture Model pada area latar belakang video. Data ini diteruskan menggunakan Metode Simple Linear Iterative Clustering untuk membedakan antara area api dan non-api dengan mengambil range warna RGB dan HSV api yang berbeda dibandingkan warna area disekitarnya pada video yang direkam melalui kamera secara real time. Hasil penelitian ini menunjukkan bahwa metode yang diusulkan merupakan solusi yang tepat melebihi algoritma deteksi kebakaran api lainnya, dimana tingkat sensitivitas dalam memperoleh hasil rata-rata deteksi pada siang hari 97,96% dan pada malam hari 98,65 % memberikan keandalan yang tinggi dan rendahnya tingkat kesalahan pada alarm yang berbunyi ketika api terdeteksi pada video secara real time.


Full Text:

PDF

References


Chen, T.H., Wu, P.H., Chiou, Y.C., 2004. An Early Fire-Detection Method based on Image Processing. In: IEEE. Int. Conf. on Image Processing, vol.3 ,pp.1707– 1710.

Celik, T., Demirel, H., 2009. Fire detection in video sequences using a generic color model. Fire Saf. J. 44, 147–158.

Jones, W.W., 2004. An Algorithm for Fast and Reliable Fire Detection. In:8th Fire Suppression and Detection Research Application Symposium,pp.1–3.

KaewTraKulPong, P., Bowden, R., 2002. An Improved Adaptive Background Mixture Model for Real-Time Tracking with Shadow Detection. In: Proc. 2nd European Workshop on Advanced Video-Based Surveillance System, AVBS01, pp. 135–144.

Permana A.S., Usman K., & Ary M.M. (2009). Deteksi Kebakaran Berbasis Kamera Secara Realtime Dengan Pengolahan Citra Digital. Bandung: Teknik Elektro Institut Teknologi Telkom.

Piccardi, M., 2004. Background Subtraction Techniques: A Review. In: IEEE. Int. Conf. on Systems. Manand Cybernetics, pp.3099–3104.

Pusdiklatkar. (2006). Modul Pelatihan: Perilaku Api. Jakarta: Pusdiklatkar.

Shidik G.F. (2013). Sistem Deteksi Dini Kebakaran Berbasis Camera Survillance dengan Metode Back Propagation Neural Network. Semarang: Teknik Informatika Universitas Dian Nuswantoro.

Stauffer, C., Grimson, W.E.L., 2000. Learning patterns of activity using real-time tracking. IEEE Trans. Pattern Anal. Machines Intel.22, 747–757.

Toreyin, B.U., Dedeoglu, Y., Gudukbay, U., Centin, A.E., 2006. Computer vision-based method for real-time fire and flame detection. Pattern Recog. Lett. 27, 49–58.

Zivkovic, Z., 2004, Improved Adaptive Gaussian Mixture Model for Background Subtraction, Proceedings International Conference in Pattern Recognition (ICPR), UK, Agustus 2004.




DOI: http://dx.doi.org/10.31963/elekterika.v17i2.2221

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Nandy Rizaldy Najib, Kazman Riyadi

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Publisher by:

Politeknik Negeri Ujung Pandang
Jurusan Teknik Elektro
Kampus 2 Moncongloe
Jalan Tamalanrea Raya (BTP)
Makassar 90245
E-mail: jurnal-elektrika@poliupg.ac.id

Member of :

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

ISSN 1412-8764

e-ISSN 2656-0143


free web stats Statistik Website