ESTIMASI KEPADATAN ORANG DENGAN MENGGUNAKAN MACHINE LEARNING

Penulis: M.Rosyidi sebagai anggota Tim  WBS.9  Machine Learning

Crowd Estimation merupakan salah satu teknik dalam menghitung atau mengestimasi jumlah orang dalam keramaian.  Salah satu komponen yang melekat dalam smart city adalah crowd management. Crowd Management tergantung pada perhitungan density dan estimasi jumlah dari objek / orang dalam batasan ruang tertentu. Beberapa negara pernah menggunakan mesin crowded untuk tujuan publik, seperti Irlandia yang mengunakan crowd engine dalam protes pada International Women Day di Dublin. Kanada dan Amerika juga pernah melakukan hal yang sama seperti Ireland. Crowd management juga sangat penting untuk melakukan estimasi orang dan berapa oksigen yang dihabiskan pada ruang tertentu. Pada skala yang lebih kecil banyak perusahaan yang menggunakan tools ini untuk memonitoring flow dan pergerakan dari orang sehingga bisa melakukan manajemen keruangan dan penghematan dalam hal penggunaan smart teknologi lainnya, misalnya saja penghematan listrik, smart AC, smart escalator dan masih banyak lagi. Manfaat melakukan estimasi orang ini akan diuraiakan menjadi.

  1. Kontrol Keselamatan ; video surveillance dipasang yang dipasang di stadium, pusat perbelanjaan, bandara dapat dijadikan validasi untuk memonitoring estimasi orang sehingga bisa melihat analisis pattern atau kebiasaan yang dilakukan, analisis kemacetan, dan analisis bila terjadi anomali atau kejadian yang tidak umum dalam keramaian tersebut.
  1. Manajemen Kecelakaan ; pengumpulan orang dalam keramaian seperti dalam konser musik atau kampanye dapat menyebabkan kecelakaan seperti terinjak, terdorong, dan terjatuh. Dari kejadian ini dapat timbul kecelakaan sampai kematian, maka diperlukan informasi estimasi deteksi keramaian lebih awal.
  1. Estimasi Keramaian di Publik Area ; pemantauan daerah keramaian seperti mall, stasiun, terminal, dan daerah lainnya yang dapat berdampak pada kesehatan manusia. Pengembangan paling dasar yang sudah pernah dilakukan adalah perhitungan kadar oksigen yang terserap oleh pengunjung atau penumpang, sehingga dapat disiapkan sirkulasi yang tepat untuk keruangan suatu wilayah.
  1. Penampakan Public ; melihat seberapa banyak massa dalam keramaian, untuk informasi dan tujuan publik lainnya.

 

[Gambar 1. Contoh gambar keramaian di area publik (stasiun) ]

A. Sistem Deteksi Keramaian

Penggunaan kamera dalam mengestimasi jumlah orang dalam keramain akan mengarah pada penggunaan image processing dalam melakukan estimasi. Bermula dari penelitian Chan, dkk (2008) tentang preserve privasi perhitungan jumlah orang dalam keramaian yang dipublish dalam jurnal CVPR hingga Scallin Attention dalam jaringan yang perhitungan keramaian (2020).  Estimasi keramaian merupakan salah satu sub-kasus world real problem dalam image processing. Pendekatan yang bisa dilakukan adalah dengan menggunakan machine learning. Langkah-langkah umum dalam mengestimasi keramaian dapat dilihat pada gambar di bawah ini (Chaudhari

, 2018) :

[Gambar 2. Struktur umum dari sistem pendeteksi keramaian]

 

Gambar 2 memperlihatkan langkah untuk mendeteksi atau mengestimasi keramaian, pola keramaian itu sendiri, atau kejadian yang tidak biasa dalam keramaian itu sendiri. Langkah umum yang dapat dijelaskan adalah input data berupa gambar maupun video. Dilanjutkan dengan pendekatan yang akan dilakukan dalam estimasi itu sendiri, selanjutnya adalah melakukan featuring degan banyak sekali algortima yang sudah dilakukan oleh penelitian-penelitian sebelumnya. Bagian terakhir adalah menentukan simpulan hasil estimasi atau informasi lain yang bisa didapatkan dari keseluruhan proses sebelumnya.

 

Deep learning merupakan pendekatan yang sangat populer pada penelitian mengenai estimasi keramaian ini, maka selanjutnya akan dicoba uraikan penjelasan mengenai penggunaan CNN dalam estimasi keramaian. Secara umum, penerapan CNN untuk mengestimasi density atau jumlah dari orang dalam keramaian dapat dilihat sebagai berikut (Ren, 2018):

 

[Gambar 3. Estimasi densitas dan jumlah orang dalam keramaian]

 

B. Gambaran Hasil Estimasi

 

Tulisan ini merupakan review dari penelitian sebelumnya, dan diharapkan nantinya dapat dikeluarkan satu sistem untuk estimasi orang dalam keramaian. Di area transportasi pada umumnya, estimasi dapat dilakukan di dalam kendaraan umum untuk mengetahui jumlah penumpang, kadar oksigen yang dibutuhkan, dan pola pergerakan orang jika diterapkan dalam bentuk multi-deteksi dalam satu area penelitian.

Berikut ini akan diperlihatkan contoh hasil estimasi keramaian yang dilakukan oleh Xiaowen, dkk (2020), pada open-datasheet Shanghaitech.


[Gambar 4. Gambaran estimasi keramaian open-datasheet ShanghaiTech]

 

Daftar Pustaka

Chan, A. B., & Liang, Z. J. (2008). Privacy Preserving Crowd Monitoring: Counting People without People Models or Tracking.

Chaudhari, M. D., & Ghotkar, A. S. (2018). A Study on Crowd Detection and Density Analysis for Safety Control. International Journal of Computer Sciences and Engineering, 6(4), 424428. https://doi.org/10.26438/ijcse/v6i4.424428

Ren, Weihong et al. Fusing Crowd Density Maps and Visual Object Trackers for People Tracking in Crowd Scenes. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (2018): 5353-5362.

Xiaowen Shi, Xin Li, Caili Wu, Shuchen Kong, Jing Yang, L. H. (n.d.). A Realtime Deep Network for Crowd Counting.

 

 

Add comment


Security code
Refresh