| dc.description.abstract | Pendeteksian dan pengenalan manusia adalah hal penting bagi robot search
and rescue untuk menemukan korban. Penelitian ini bertujuan mengembangkan
model klasifikasi korban bencana longsor menggunakan fitur Histogram of
Oriented Gradients (HOG) citra suhu untuk robot search and rescue berbasis EPUCK2,
yang ditambahkan kekuatan komputasinya menggunakan Raspberry Pi,
dan menggunakan kamera thermal imaging untuk menangkap citra suhu. Fitur
HOG dari citra diklasifikasikan dengan 3 metode klasifikasi yang berbeda untuk
dibandingkan, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (KNN),
dan random forest. Selain itu, hasil dari penggunaan ukuran sel fitur HOG 4×4 dan
5×5 piksfel juga dibandingkan. Penelitian menunjukkan, bahwa secara simulasi,
metode SVM kernel linear dengan menggunakan ukuran sel fitur HOG 5×5 piksel,
memiliki nilai akurasi yang cukup baik (81.818%) dan rata-rata waktu komputasi
yang paling rendah (0.526 detik per identifikasi gambar). Pengujian model ini pada
robot secara langsung menunjukkan bahwa model memiliki kemampuan
identifikasi yang cukup baik dengan rata-rata akurasi 72.433% dari total 12
percobaan. | id |
