Pendeteksian Korban Bencana Menggunakan Thermal Imaging dengan Fitur HOG untuk Robot Search and Rescue

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.