Ringkasan Portofolio
Sebagai peneliti di bidang computer vision dan applied informatics, saya berkontribusi dalam publikasi yang mengkaji bagaimana algoritma deteksi objek bekerja pada video dengan karakteristik yang beragam dan "menantang" seperti perubahan pencahayaan, guncangan gambar, dan rotasi.
Studi kasus kami menggunakan video dari cockpit simulator pesawat, dengan tujuan akhir untuk mendukung analisis perilaku pilot di masa depan.
Publikasi ini dipresentasikan di ACIIDS 2024 (Asian Conference on Intelligent Information and Database Systems) dan diterbitkan oleh Springer dalam seri Communications in Computer and Information Science (CCIS, vol. 2145).
Latar Belakang Riset
"Komputer perlu 'melihat' dengan akurat, bahkan dalam kondisi video yang tidak ideal."
Deteksi objek dalam video sudah banyak diterapkan, namun tantangan muncul ketika video memiliki:
- Variasi durasi, fps, dan jumlah frame
- Perubahan intensitas pencahayaan
- Guncangan gambar (image shifting) dan rotasi
Penelitian ini bertujuan untuk menemukan pendekatan yang cepat sekaligus akurat dalam kondisi tersebut.
Metode yang Digunakan
Deteksi area utama
- Teknik: YOLOv4 + Darknet framework
- Tujuan: Mengekstrak koordinat bounding box dari Primary Display Panel di kokpit simulator
Deteksi titik sudut
- Teknik: SIFT vs FAST + Manhattan distance
- Tujuan: Membandingkan jumlah keypoints dan akurasi (IoU) di dalam ROI
Mengapa YOLOv4?
YOLO (You Only Look Once) terkenal karena kecepatan dan akurasi yang seimbang, cocok untuk aplikasi real-time seperti analisis video simulator.
Kontribusi Saya dalam Publikasi Ini
Dalam proyek ini, kontribusi utama saya meliputi:
- Perancangan eksperimen komparatif antara algoritma SIFT dan FAST pada video dinamis.
- Analisis metrik kinerja: kecepatan deteksi, jumlah keypoints, dan rata-rata Intersection over Union (IoU).
- Preprocessing dataset video yang memiliki variasi pencahayaan dan guncangan.
- Dokumentasi dan interpretasi hasil untuk mendukung pengembangan sistem analisis perilaku pilot.
Temuan Utama
FAST
- Kelebihan Utama: Lebih cepat, mendeteksi lebih banyak keypoints
- Kekurangan Relatif: Akurasi IoU sedikit lebih rendah
SIFT
- Kelebihan Utama: Akurasi IoU lebih baik
- Kekurangan Relatif: Lebih lambat, lebih sedikit keypoints
Kesimpulan: Pilih FAST jika kecepatan prioritas utama. Pilih SIFT jika presisi lebih penting.
Dampak & Potensi
Penelitian ini adalah langkah awal menuju sistem yang lebih besar:
- Analisis perilaku pilot berbasis video
- Integrasi dengan pelacakan mata (eye tracking) untuk memahami area fokus pilot
- Pengembangan simulator pelatihan yang lebih adaptif dan intuitif
Link
- 🔗 Akses publikasi: Object Detection in Movies
- 📄 DOI: 10.1007/978-981-97-5934-7_1
Publikasi ini didukung oleh Department of Applied Informatics, Silesian University of Technology melalui proyek riset statuta (Rau7, 2023). Terima kasih kepada semua kolaborator dan mitra riset.