<![CDATA[Abstrak Pelacakan objek merupakan salah satu bidang pada computer vision yang telah banyak diteliti dan semakin menunjukkan peningkatan yang semakin pesat dari tahun ke tahun, Dalam pengaplikasiannya pelacakan objek digunakan dalam melacak gerakan suatu benda maupun manusia hingga augmented reality. Meskipun sudah cukup canggih namun tetap saja akan mengalami kegagalan pelacakan, karena banyak faktor yang bisa menyebabkan gangguan pada objek dan dapat menyebabkan kegagalan dalam pelacakan. Sistem ini akan bekerja dengan mendeteksi objek dalam suatu video dari setiap framenya, dengan menginisialisasi objek pada frame pertama lalu pelacakan di mulai dari frame kedua hingga frame terakhir dengan mengambil representasi color histogram dari objek yang telah diinisialisasi pada frame pertama, metode yang digunakan saat pelacakan adalah mean-shift tracking. Dalam pengaplikasiannya akan menggunakan algoritma kernel based objek untuk membangkitkan mean-shift tracking. Parameter pengujian untuk analisis kegagalan pelacakan yang digunakan dalam penelitian ini adalah dengan bhattacharyya, kita akan mengetahui seberapa besar sistem dapat melacak objek dengan benar dan mengetahui penyebab dari kegagalan pelacakan itu sendiri. Hasil yang diperoleh dari penelitian ini adalah pengkoreksian kegagalan pelacakan dengan metode peningkatan performansi sistem. Parameter performansi pada tugas akhir ini menggunakan metode precision plot dan juga success plot dalam pengevaluasiannya dengan menggunakan groundtruth pada (OTB-50) sebagai dataset. Untuk threshold bhattacharyya menggunakan nilai 0,8 dan image Enhancement sebesar 1,4. Berdasarkan hasil percobaan yang dilakukan pada 5 buah sequences dari 50 sequences terpilih yaitu DragonBaby, Box, Basketball, CarDark, dan BlurFace. Didapatkan peningkatan performansi karena pengkoreksian terbesar sebesar 1,885 atau 1,88% pada sequence DragonBaby. Kata kunci : Pelacakan objek, mean-shift tracking, color histogram, tracking failure, bhattacharyya coefficient. Abstract Object tracking is one of the fields in computer vision that has been widely investigated and increasingly shows an increasingly rapid increase from year to year. In its application object tracking is used in tracking the movements of objects and humans to augmented reality. Even though it is quite sophisticated, it will still experience tracking failure, because there are many factors that can cause interference to the object and can cause tracking failure. This system will work by detecting objects in a video from each frame, by initializing the object in the first frame then tracking from the second frame to the last frame by taking a color histogram representation of the object initialized in the first frame, the method used when tracking is mean-shift tracking. In its application, it will use the kernel-based algorithm to generate mean-shift tracking. The test parameter for tracking failure analysis used in this study is with the Bhattachary, we will find out how much the system can track the object correctly and find out the cause of the tracking failure itself. The results obtained from this study are correction of tracking failure with a system performance improvement method. The performance parameters in this final project use the precision plot method and also the success plot in evaluating it using groundtruth from (OTB-50) as a dataset. For the bhattachary threshold, use the value 0.8 and image enhancement of 1.4. Based on the results of experiments conducted on 5 sequences of 50 selected sequences, namely DragonBaby, Box, Basketball, CarDark, and BlurFace. Performance improvement was achieved because the biggest correction was 1,885 or 1.88% in the DragonBaby sequence. ISSN : 2355-9365 e-Proceeding of Engineering : Vol.6, No.1 April 2019 | Page 867 Keywords: object tracking, mean-shift tracking, color histogram, tracking failure, bhattacharyya coefficient.]]>
