laporan tahunan penelitian unggulan perguruan tinggi€¦ · laporan . november 2016. tahunan...

LAPORAN TAHUNAN

PENELITIAN UNGGULAN PERGURUAN TINGGI

RANCANG BANGUN SISTEM DETEKSI OTOMATIS BERBASISKAN VIDEO

DAN WEB UNTUK MENGHITUNG DAN MENGKLASIFIKASIKAN KENDARAAN

PADA JALAN BEBAS HAMBATAN

TAHUN KE-1 DARI RENCANA 2 TAHUN

Ketua : Dr. Mohammad Iqbal NIDN. 0331127506 Anggota : Dr. Rudi Trisno Yuwono SKom, MM NIDN. 0322066703

Sigit Widiyanto, ST, MMSI, MSc NIDN. 0310019001 Hadyan Mardhi Fadlillah ST.MMSI.MSc NIDN. 0301019001

Dibiayai oleh :

Kopertis Wilayah III Direktorat Jenderal Pendidikan Tinggi

Kementrian Pendidikan dan Kebudayaan Sesuai dengan Surat Perjanjian Pelaksanaan Penugasan Program Penelitian

Nomor : 790/K3/KM/SPK.LT/2016 Tanggal 14 Juni 2016

UNIVERSITAS GUNADARMA NOVEMBER 2016

Copyright(c): Ditlitabmas 2012, updated 2016

HALAMAN PENGESAHAN.Judul : Rancang Bangun Sistem Deteksi Otomatis berbasiskan

Video dan Web untuk Menghitung danMengklasifikasikan kendaraan pada jalan Bebas Hambatan

Peneliti/PelaksanaNama Lengkap : Dr. MOHAMMAD IQBAL S.Kom., MMSIPerguruan Tinggi : Universitas GunadarmaNIDN : 0331127506Jabatan Fungsional : LektorProgram Studi : Sistem KomputerNomor HP : 08129950814Alamat surel (e-mail) : [email protected] (1)Nama Lengkap : Dr. RUDI TRISNO YUWONO S.Kom., MM.NIDN : 0322066703Perguruan Tinggi : Universitas GunadarmaAnggota (2)Nama Lengkap : HADYAN MARDHI FADLILLAHNIDN : 0301019001Perguruan Tinggi : Universitas GunadarmaAnggota (3)Nama Lengkap : SIGIT WIDIYANTO ST., MMSINIDN : 0310019001Perguruan Tinggi : Universitas GunadarmaInstitusi Mitra (jika ada)Nama Institusi Mitra : -Alamat : -Penanggung Jawab : -Tahun Pelaksanaan : Tahun ke 1 dari rencana 2 tahunBiaya Tahun Berjalan : Rp 80.000.000,00 Biaya Keseluruhan : Rp 186.260.000,00..

Mengetahui,Dekan FIKTI

Depok, 29 - 11 - 2016Ketua,

.

.

.

.(Prof. Dr. Achmad Benny Mutiara)

NIP/NIK 910155(Dr. MOHAMMAD IQBAL S.Kom., MMSI)

NIP/NIK 001200:

Menyetujui,Ketua Lembaga Penelitian

.

.

.

.(Dr. Hotniar Siringoringo, MSc.)

NIP/NIK 910177

3

RINGKASAN

Karakter jalan tol sebagai jalan bebas hambatan perlu dilandasi dengan regulasi

serta pengaturan penggunaan yang ketat, karena kendaraan yang melewatinya selalu

bergerak dalam kecepatan tinggi, sehingga memperbesar kemungkinan terjadinya

kecelakaan. Selain itu, aspek pemantauan jalan tol yang ditunjang oleh peralatan

teknologi yang memadai, sangat penting dilakukan dapat dimulai dari pintu gerbang

masuk jalan tol, di area tertentu jalan tol dan di pintu keluar jalan tol.

Tujuan penelitian ini adalah untuk merancang suatu sistem terpadu pencatatan

kendaraan yang masuk dan keluar di jalan tol yang handal di segala kondisi (siang atau

malam, cerah atau berkabut), dengan mekanisme analisis data citra berbasiskan data

video yang diinstalasi di pintu masuk / pintu keluar jalan toll serta pengelolaan

informasi dalam sistem jaringan komputer privat berbasiskan web yang terhubung pada

setiap pintu toll dan kantor utama pengelola jalan toll. Fitur-fitur yang akan dibangun

meliputi sistem kamera yang tahan keadaan cuaca, sistem deteksi jenis / golongan

kendaraan, dan deteksi plat nomor kendaraan, sistem video analisis yang meliputi

perhitungan penggolongan kendaraan, perhitungan kecepatan rata-rata suatu kendaraan

sampai pintu keluar Toll tertentu dan sistem basis data untuk pencatatan data-data

tersebut sebagai pelaporan. Penelitian ini dimulai dengan mendeteksi kebutuhan dan

instalasi perangkat keras, perancangan dan pembuatan modul program sistem deteksi

visual dan video analisis untuk tahun pertama, kemudian pada tahun kedua, melakukan

perancangan dan pembuatan infrastruktur komunikasi jaringan privat serta modul basis

data pengelolaan informasi berbasiskan web beserta program antarmuka sistem

pelaporan dan pengintegrasian seluruh komponen sistem. Pada bagian akhir penelitian

akan melakukan pengujian kinerja sebelum digunakan untuk pengambilan data video

dalam keadaan yang sesungguhnya.

Sistem yang dihasilkan dalam penelitian ini diharapkan dapat membantu

pencatatan otomatis pengelola jalan tol terhadap intensitas kendaraan, jenis kendaraan

berikut nomor platnya dan kecepatan rata-rata setiap kendaraan yang masuk atau keluar

di area jalan tol. Untuk jangka panjang, hasil dari penelitian ini diharapkan dapat

dijadikan sebagai pengembangan berkelanjutan model ETC (electronic Toll Collection)

untuk mekanisme pembayaran dan sekaligus menjadi model sistem basis data berbasis

web untuk monitoring trafik berbasiskan video di jalan tol, yang bukan saja untuk

melakukan pencatatan di pintu Toll tetapi juga monitoring kecelakaan atau kepadatan

jalan tol. Lebih jauh lagi, sistem ini juga bisa diterapkan untuk monitoring kendaraan

untuk di luar jalan tol.

Kata kunci : monitoring trafik berbasiskan video, pencatatan

kendaraan di toll, computer vision

4

PRAKATA

Puji dan syukur Penulis panjatkan kepada Allah SWT yang telah memberikan

nikmat serta karuniaNya sehingga kami dapat menyelesaikan penelitian tahun pertama

yang berjudul “Rancang Bangun Sistem Deteksi Otomatis berbasiskan Video dan Web

untuk Menghitung dan Mengklasifikasikan kendaraan pada jalan Bebas Hambatan” ini

dengan baik dan sesuai jadwal yang ditentukan.

Banyak fakta yang menarik ditemukan ketika melakukan survey keadaan di

lapangan yang kemudian hasilnya dikompilasikan menjadi faktor-faktor desain

perangkat modul-modul deteksi berbasiskan visual, untuk itulah pada kesempatan ini,

kami menyampaikan terima kasih yang sebesar-besarnya kepada semua pihak yang

telah membantu Tim peneliti dalam menyelesaikan tahap pertama dari rangkaian

penelitian ini, terutama kepada :

1. Direktorat Jenderal Pendidikan Tinggi, Kementerian Pendidikan dan Kebudayaan

atas skema pembiayaan penelitian ini.

2. Rektor Universitas Gunadarma, Prof. Dr. E.S. Margianti, SE, MM.

3. Ketua Lembaga Penelitian Universitas Gunadarma, Dr. Ir. Hotniar Siringoringo

MSc.

4. Para vendor penyelenggara jalan Tol yang datanya dikumpulkan secara sekunder

dari situs-situs internet masing-masing perusahaan.

5. Rekan-rekan yang telah ikut menyumbangkan ide, gagasan dan motivasi kepada

tim peneliti selama proses penelitian dilakukan, yang tidak bisa disebutkan satu per

satu.

Kami menyadari sepenuhnya bahwa masih dapat ditemui beberapa kekurangan

dalam laporan tahunan ini. Oleh karena itu, kami mengharapkan kritik dan saran yang

bersifat membangun untuk lebih menyempurnakan hal-hal yang terkait dengan

penelitian kami di tahun ke-1 ini, yang dapat diperbaiki di tahun ke-2 Penelitian nanti.

Depok, 30 November 2016

5

DAFTAR ISI

LEMBAR PENGESAHAN USULAN PENELITIAN UNGGULAN

PERGURUAN TINGGI

2

RINGKASAN

PRAKATA

3

4

DAFTAR ISI

DAFTAR GAMBAR

DAFTAR TABEL

5

6

7

BAB 1 PENDAHULUAN 8

BAB 2 TINJAUAN PUSTAKA

2.1. State Of The Art Penelitian Sejenis

2.2. Peta Jalan Penelitian

11

13

BAB 3 TUJUAN DAN MANFAAT PENELITIAN

3.1 Tujuan Penelitian

3.2 Urgensi penelitian

15

16

BAB 4 METODE PENELITIAN

4.1 Tahun Pertama (2016) 18

4.2 Tahun Kedua (2017) 20

BAB 5 HASIL YANG DICAPAI

5.1. Tahapan Penelitian yang telah dicapai 21

5.2. Perancangan modul aplikasi deteksi fitur berbasiskan video 27

BAB 6 RENCANA TAHAPAN BERIKUTNYA 39

BAB 7 KESIMPULAN DAN SARAN

40

DAFTAR PUSTAKA 41

LAMPIRAN

Lampiran 1. Tampilan Luaran Modul

Lampiran 2. Personalia tenaga peneliti

Lampiran 3. Publikasi dan HKI

44

49

62

6

DAFTAR GAMBAR

Gambar 2.1 Peta jalan penelitian

13

Gambar 3.1 Blok diagram metode penelitian

17

Gambar 5.1 Tampilan modul pendeteksi dan penghitung jumlah kendaraan

28

Gambar 5.2 Teknik pendefenisian titik awal dan akhir dari area yang dihitung

(atas), Hasil Uji coba modul pendeteksi kecepatan (bawah)

30

Gambar 5.3 Evaluasi modul pendeteksi plat nomor kendaraan

31

Gambar 5.4 Citra yang ditangkap webcam (kiri), Representasi citra disimpan

dalam bentuk teks (kanan)

31

Gambar 5.5 Kondisi Kecelakaan Siang Hari (atas) dan malam hari (bawah)

33

Gambar 5.6 Modul pendeteksi kabut/asap

34

Gambar 5.7 Modul Variabel Dinamis led matrix, tampak depan dan belakang

(atas) dan pengujian sensor ping untuk memberi informasi macet atau tidak

36

7

DAFTAR TABEL

Tabel 3.1. Tabel alat dan bahan yang dibutuhkan dalam penelitian

19

Tabel 5.1. Rencana dan Realisasi Jadwal Penelitian

26

Tabel 5.2 Hasil pengujian pendeteksi kabut

34

Tabel 5.3 Ilustrasi Pendeteksi Kemacetan dan kelancaran lalu lintas lewat sensor

visual

38

8

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Sistem pemantauan dan analisis trafik jalan raya adalah suatu sistem yang

memiliki fungsi utama untuk mengumpulkan data statistik kendaraan dan menyajikan

hasil kajian statistik status penggunaan jalan raya. Sistem ini sangat bermanfaat dalam

memberikan informasi dengan cepat dan akurat status di jalan raya yang dapat

digunakan untuk mengambil keputusan terkait efisiensi dalam penggunaan jalan raya

tersebut. Implementasi sistem ini pada jalan bebas hambatan (jalan tol) selain untuk

melakukan pengawasan secara cerdas pada situasi lalu lintas di jalan Tol, sekaligus

dapat dimanfaatkan pula untuk mendukung mekanisme pembayaran tol.

Salah satu komponen utama dalam sistem ini adalah sistem deteksi dan

klasifikasi otomatis kendaraan-kendaraan yang masuk jalan Tol, yang terdiri dari

sensor-sensor yang dapat mendeteksi jenis kendaraan dan mekanisme penyimpanan

data-data tersebut secara real-time. Di antara berbagai sensor yang tersedia untuk

mendeteksi kendaraan seperti yang disebutkan dalam penelitian Yuxin Liu dan Xu Jia

(2012), sensor visual (kamera) merupakan sensor yang paling banyak digunakan karena

memiliki komponen biaya yang efisien dan memiliki kemampuan deteksi dengan

akurasi tinggi (Kristian Kovacic, Edouard Ivanjko and Hrvoje Gold (2013)). Setelah

penangkapan citra, terdapat serangkaian tahap pra-pemrosesan citra untuk menyiapkan

citra agar sesuai dengan spesifikasi yang dikehendaki lalu setelah itu baru dapat masuk

ke tahap pengolahan citra untuk mendeteksi adanya kendaraan dalam suatu citra. Sistem

ini diakhiri dengan mekanisme pencatatan dan pengolahan data yang pada ujungnya

akan memberikan luaran berupa analisis statistik even-even yang terjadi di jalan raya

tersebut. Penelitian ini berfokus kepada perancangan perangkat lunak sebagai

purwarupa sistem pemantauan, klasifikasi kendaraan dan analisis trafik jalan raya

berbasis video dan pengolahan citra. Teknik yang akan digunakan akan dipilih yang

sesuai dengan keadaan lingkungan tropis antara lain teknik klasifikasi scale-invariant

9

feature transform (SIFT) technique, deteksi tepi Canny, Haar-like, dan teknik stereo

vision matching.

10

Permasalahan yang akan diteliti dan diuraikan dalam penelitian ini adalah:

Bagaimana membangkitkan fitur-fitur yang mencirikan kendaraan (bentuk, rasio

panjang dan lebar kendaraan, warna, plat nomor, kecepatan rata-rata selama

berada jalan Toll) ?

Bagaimana memilih algoritma deteksi yang terbaik yang handal sesuai dengan

keadaan alam tropis di Indonesia ?

Bagaimana instalasi sensor visual yang paling handal untuk dapat mendeteksi

dengan baik sekaligus resisten terhadap keadaan cuaca maupun keadaan siang dan

malam.

Bagaimana mengintegrasikan sistem deteksi berbasis visual ini dengan sistem

basis data pencatatan dalam jaringan privat berbasiskan web antar setiap perangkat

deteksi dan kantor pusat kendalinya ?

11

BAB 2

TINJAUAN PUSTAKA

2.1. State Of The Art Penelitian Sejenis

Berbagai detektor yang dapat mendeteksi jenis kendaraan di jalan raya, sekarang

sudah menjadi komponen penting dari perangkat pengumpulan informasi lalu lintas

jalan raya. Jika dilihat dari teknik mendeteksi, maka detektor jenis kendaraan terbagi

menjadi beberapa jenis, yaitu detektor yang menggunakan coil, detektor berbasiskan

video, microwave, laser, sinar inframerah, ultrasonik, magnetik dan sebagainya. Pada

tren sekarang ini detektor yang menggunakan coil, video dan microwave menjadi

detektor yang paling umum digunakan di jalan raya hampir di seluruh dunia. Penelitian

(Yuxin Liu dan Xu Jia, 2012) dengan sangat komprehensif memperkenalkan komposisi,

prinsip operasi, standar instalasi, keuntungan dan kekurangan detektor-detektor tersebut.

Penggunaan detektor berbasis visual yaitu kamera pun semakin meluas dan semakin

cerdas.

Tantangan utama pengolahan gambar video untuk mendeteksi kendaraan ada 2

hal yaitu adanya variasi yang amat banyak dari jenis kendaraan yang ada dan adanya

berbagai variasi tampilan fisik lingkungan (seperti ukuran kendaraan dan bentuk, warna,

pancaran matahari, salju, hujan, debu, kabut, dan lain sebagainya). Sedang tantangan

lainnya biasanya muncul dari kebutuhan sistem yang handal dan sistem yang mampu

menangani pengolahan cepat (M. Bertozzi dkk,1999). Kebanyakan algoritma untuk

mendeteksi jenis kendaraan berbasiskan sistem visi komputer terdiri dari dua tahap

pekerjaan : (i) Menemukan semua kandidat fitur kendaraan dalam sebuah gambar; dan

(ii) Melakukan tes untuk memverifikasi keberadaan kendaraan. Tahap pertama

dilakukan dengan menggunakan tiga jenis metode: (i) metode berbasis pengetahuan; (ii)

metode stereo-vision; dan (iii) metode berbasis gerak (motion-based).

Metode berbasis pengetahuan bekerja pada asumsi bahwa sistem telah

mengetahui parameter yang dimiliki oleh objek (kendaraan) yang terdeteksi (misalnya

parameter posisi kendaraan, bentuk, warna, tekstur, bayangan, pencahayaan, dan lain-

lain). Metode membandingkan kemiripan dapat digunakan untuk mengenali spesifikasi

kendaraan yang dicari. Algoritma deteksi kendaraan seperti ini akan memberikan nilai

12

positif untuk setiap kendaraan yang memiliki kesamaan yang paling banyak dilihat dari

posisi depan dan belakang. Selain metode membandingkan kemiripan, metode

pengenalan warna jalan atau jalur (lane) juga dapat digunakan untuk mendeteksi

kendaraan. Dengan menggunakan pengenalan warna (D. Guo dkk, 2000), benda

bergerak (kendaraan) dapat dipisahkan dari latar belakang (jalan). Metode berbasis

pengetahuan lainnya ditemukan juga dengan menggunakan bayangan kendaraan (C.

Tzomakas and W. Seelen, 1998), sudut (bentuk persegi panjang kendaraan) (M.

Bertozzi dkk, 1997), tepi vertikal / horisontal (N. Matthews, 1996), tekstur (T. Kalinke

dkk, 1998), lampu kendaraan (R. Cucchiara and M. Piccardi, 1999), dan lain-lain.

Metode stereo-vision bekerja didasarkan pada peta disparitas atau pemetaan

perspektif terbalik (J. Hancock, 1997). Pada peta disparitas, dilakukan perbandingan

posisi piksel pada kedua kamera yang merepresentasikan objek yang sama. Komponen

ketiga vektor dari piksel (z koordinat) dapat dihitung dengan membandingkan

perubahan posisi piksel yang dibandingkan tersebut. Sedangkan pada metode pemetaan

perspektif terbalik, didasarkan pada mentransformasikan citra dan menghapus efek

perspektif dari citra tersebut. Dalam sistem stereovision ini pada umumnya

menggunakan dua kamera meskipun sistem dengan lebih dari dua kamera akan

membuat hasil yang lebih akurat, tetapi menyebabkan komputasi yang lebih mahal pula.

Dalam penelitian (T. Williamson dan C. Thorpe, 1999.), membahas tentang sistem visi

komputer dengan tiga kamera. Sistem ini dapat mendeteksi benda dengan ukuran 9cm

sampai jarak 110mm. Sistem ini memiliki tingkat akurasi yang tinggi bila dibandingkan

dengan sistem dengan dua kamera.

Metode berbasis gerak pada umumnya menggunakan fenomena aliran optik

(optical flow) untuk pengolahan citra (A. Giachetti dkk, 1998). Aliran optik dalam visi

komputer merepresentasikan pola pergerakan yang terlihat dari suatu obyek, permukaan

dan tepi di dalam bidang pandang kamera (camera field of view). Algoritma metode ini

akan membagi gambar menjadi bagian-bagian yang lebih kecil. Bagian gambar yang

lebih kecil dianalisis dengan gambar sebelumnya yang sudah disimpan untuk

menghitung arah dan kecepatan relatifnya. Dengan metode ini maka bagian gambar

statis dan dinamis dapat dipisahkan dan dapat diproses lebih lanjut (M. Bertozzi

dkk,1999). Setelah aliran optik sub-citra berhasil dihitung, kandidat obyek bergerak

(kendaraan) dapat dikenali. Setelah itu terdapat metode verifikasi yang memutuskan

13

kandidat yang dikenali sebagai obyek nyata. Verifikasi dilakukan dengan mengkalibrasi

ambang kecepatan pada nilai yang paling efisien. Dengan penyaringan ini, deteksi yang

salah dapat berkurang. Untuk verifikasi lebih lanjut, metode ini yang juga digunakan

dalam metode pendeteksian kendaraan berbasis pengetahuan (yaitu melalui tampilan

dan berbasis template). Metode seperti ini dapat mengenali fitur-fitur kendaraan seperti

tepi, tekstur, bayangan, dan lain sebagainya

2.2. Peta Jalan Penelitian

Universitas Gunadarma sebagai universitas yang memiliki ciri berbasis

Teknologi Informasi Komunikasi (TIK), amat padat menyisipkan muatan TIK dalam

setiap mata kuliah pada program studi yang ada di dalamnya. Demikian pula pada

penelitian-penelitian yang dilakukan, oleh dosen, mahasiswa maupun kolaborasi dosen-

mahasiswa. Gambar 2.1 berikut ini menunjukkan peta jalan dari penelitian yang akan

dilakukan. Dalam sub-bab ini, disajikan beberapa penelitian yang telah dilakukan

sebelumnya terkait dengan dua bidang keilmuan yaitu visi komputer dan sistem basis

data berbasiskan web yang dapat menunjang penelitian yang diusulkan ini.

Gambar 2.1 Peta jalan penelitian

14

Penelitian ini didukung oleh anggota peneliti yang memiliki kompetensi di

bidang TIK (meliputi sub bidang visi komputer dan aplikasi berbasis web) dan memiliki

rekam jejak penelitian yang baik serta pernah menerima hibah penelitian sebelumnya.

15

BAB 3

TUJUAN DAN MANFAAT PENELITIAN

3.1 Tujuan Penelitian

Tujuan utama penelitian ini adalah memberikan kontribusi bagi ilmu pengetahuan

yang berkaitan dengan sistem pemantauan dan penginderaan lalu lintas jalan bebas

hambatan untuk membantu pencatatan statistika keadaan lalu lintas. Tujuan secara lebih

detil dari penelitian ini adalah merancang dan menghasilkan sistem terpadu pencatatan

kendaraan yang masuk/keluar di jalan Toll dengan analisis berbasiskan data video dan

terintegrasi dalam suatu sistem basis data berbasiskan web privat antar setiap titik

kamera yang digunakan.

Adapun tujuan penelitian ini berdasarkan tahun penelitian dapat diuraikan sebagai

berikut :

Tujuan pada tahun Pertama penelitian, meliputi :

1. Merancang skema instalasi sistem kamera untuk mengambil citra kendaraan di pintu

toll.

2. Pembuatan model aplikasi deteksi fitur kendaraan berbasis video yang meliputi

deteksi jenis/golongan kendaraan, deteksi plat nomor kendaraan, aplikasi

perhitungan kecepatan rata-rata kendaraan setelah menempuh jarak antara pintu toll

tempat masuk dan pintu toll tempat keluar.

Tujuan tahun kedua penelitian, meliputi :

1. Perancangan kerangka kerja jaringan komunikasi data privat antar pintu toll dan

pusat data di kantor pengelola Toll.

2. Pembuatan modul basis data dan aplikasi pencatatan dan analisis data

berbasiskan web.

3. Integrasi aplikasi deteksi fitur berbasis video dengan aplikasi pencatatan dan

analisis data berbasiskan web.

4. Melakukan pengujian sistem yang dirancang secara keseluruhan untuk

membuktikan kehandalan dan reliabilitas sistem tersebut.

16

3.2 Urgensi penelitian

Keutamaan penelitian ini adalah sebagai salah satu upaya untuk menghasilkan

sistem yang dapat menjadi solusi untuk melakukan deteksi jenis kendaraan secara

akurat dan cepat pada pintu masuk dan pintu keluar jalan bebas hambatan. Keutamaan

penelitian ini berhubungan dengan tema strategis Teknologi Informasi dan Komunikasi

yang terkait dengan isu green technology yaitu pemanfaatan TIK untuk tercapainya

solusi yang ramah lingkungan dan sekaligus menyiapkan infrastruktur TIK pada bidang

transportasi pengelolaan jalan raya. Selain itu, sistem ini juga diharapkan dapat

digunakan sebagai temuan yang dapat membantu mengetahui dan mengatasi

permasalahan pada jalan raya secara keseluruhan, terkait dengan efisiensi penggunaan

lajur dan pemantauan situasi jalan yang efektif dan efisien termasuk untuk

pengintegrasian dengan sistem Electronic Toll Collection (ETC).

Luasnya lingkup implementasi sistem ini membuat sistem yang dirancang dapat

pula diterapkan pada pengelolaan lapangan parkir kendaraan, tempat penimbangan

kendaraan, tempat keluar masuk kendaraan di pelabuhan mau pun lapangan terbang dan

tempat-tempat umum lainnya yang memiliki intensitas kendaraan yang cukup besar.

Mekanisme penerapannya bisa dikembangkan untuk tidak hanya melakukan

perhitungan statistik yang terkait waktu, tetapi juga untuk mendeteksi even-even yang

tidak biasa seperti tabrakan atau even-even lain yang berpotensi menyebabkan

terjadinya insiden di jalan raya.

Manfaat penelitian ini antara lain dapat dijadikan sebagai (1) model deteksi

fitur-fitur kendaraan yang handal terhadap keadaan lingkungan (siang-malam, cerah-

hujan, dan lain-lain) (2) alternatif model komunikasi data antar perangkat kamera yang

tersebar di pintu-pintu toll yang memanfaatkan teknologi web (private cloud untuk

sistem transportasi) (3) media pembelajaran pola-pola lalu lintas dan pengambilan

keputusan bagi para pengelola jalan Toll pada khususnya, atau aparat penegak hukum

dan aparat departemen perhubungan melalui hasil analisis statistik kondisi lalu lintas

yang ditampilkan.

17

BAB 4

METODE PENELITIAN

Kegiatan penelitian ini akan dilaksanakan selama 2 tahun yaitu tahun 2016 dan 2017.

Setiap tahun akan berdurasi selama 10 bulan (diperkirakan berjalan dari bulan Februari

hingga November). Penelitian dilakukan di laboratorium jurusan Sistem Komputer

Universitas Gunadarma untuk kegiatan perakitan model sistem kamera, pembuatan

program dan integrasi sistem pemantauan kendaraan. Selain itu penelitian juga

dilakukan di beberapa ruas pintu jalan toll di wilayah Depok, Jakarta dan Bogor untuk

mengamati dan menganalisis secara langsung kendaraan yang lewat di sana.

Tahapan dan kegiatan penelitian, luaran yang dihasilkan dan indikator capaian

dapat dilihat pada blok diagram berikut ini:

Gambar 3.1. Blok diagram metode penelitian

18

4.1. Tahun Pertama (2016)

Tujuan penelitian tahun pertama adalah merancang skema instalasi sistem

kamera untuk mengambil citra kendaraan di pintu toll dan melakukan

pembuatan aplikasi deteksi fitur kendaraan berbasis video yang meliputi deteksi

jenis/golongan kendaraan, deteksi plat nomor kendaraan dan aplikasi

perhitungan kecepatan rata-rata kendaraan setelah menempuh jarak antara

pintu toll tempat masuk dan pintu toll tempat keluar. Untuk mencapai tujuan

tersebut beberapa tahapan kegiatan dilakukan, yaitu :

Tahap Persiapan

Tahap ini bertujuan menginventarisir dan mempersiapkan berbagai hal yang

dibutuhkan dalam pelaksanaan penelitian. Kegiatan ini akan dilaksanakan selama satu

bulan. Tahapan yang dilakukan meliputi :

1. Perencanaan operasional penelitian (dalam bentuk work breakdown structure),

yaitu detil rincian kerja dan aktivitas penelitian yang disusun dalam jadwal

penelitian yang didistribusikan ke seluruh personal penelitian sesuai

kompetensinya.

2. Penelusuran pustaka, yaitu aktivitas pencarian informasi yang terkait dengan

penelitian yang dilakukan melalui buku teks atau pun jurnal, prosiding dan

artikel ilmiah lainnya. Informasi tersebut diperoleh dari perpustakaan di instansi

pendidikan dan instansi kedinasan (Dinas Perhubungan, pengelola jalan Toll),

atau melalui internet.

3. Konsultasi dengan pengelola jalan toll, yaitu pertemuan dan diskusi dengan para

stackholder terkait dengan pengelolaan jalan Toll.

Tahap Analisis, Perancangan dan Pembuatan Aplikasi

Tahap ini bertujuan untuk menganalisis dan mengamati kebutuhan perancangan

untuk selanjutnya dituangkan dalam suatu rancangan yang menjadi dasar untuk

membangun aplikasi deteksi berbasiskan video. Kegiatan ini akan berlangsung selama

tiga bulan. Tahapan yang dilakukan meliputi :

1. Pemilihan model kamera outdoor yang handal. Kegiatan ini dilakukan dengan

melakukan survey di internet dan memverifikasi pada vendor-vendor penjual

kamera.

19

2. Instalasi kamera dan pengambilan data citra di lapangan. Dalam kegiatan ini

dilakukan beberapa skema instalasi kamera dan skenario pengambilan gambar

pada berbagai situasi (saat lalu lintas padat/longgar, saat siang/malam, saat

cuaca cerah/cuaca hujan).

3. Analisis data hasil pengamatan awal, yaitu aktivitas menganalisis hasil

pengamatan dari berbagai skema instalasi dan scenario pengambilan gambar.

4. Pemilihan alat dan bahan penelitian yang meliputi model-model Deteksi fitur

berbasiskan video. Hasil pengamatan awal menjadi dasar untuk menentukan

model algoritma yang dibutuhkan untuk membangun sistem deteksi berbasiskan

video ini berikut perangkat keras yang dibutuhkan dalam penelitian ini. seperti

tampak pada tabel 3.1.

Tabel 3.1 Tabel alat dan bahan yang dibutuhkan dalam penelitian

Peralatan Spesifikasi Peruntukan

Kamera Outdoor

Resolusi tinggi, wide area

ranges

Sebagai sistem akuisisi citra

Housing camera

Tahan kondisi cuaca Sebagai pelindung kamera

outdoor

Tripod, monopod

Untuk kebutuhan pendukung

instalasi kamera

Algoritma deteksi

fitur berbasiskan

video

1. Detector

2. tracking

3. segmenting

4. Klasifikasi

Diuji untuk dipilih yang terbaik

Personal Komputer /

Laptop Processor: Core i7

Memory: 8GB

VGA Card: VGA ATI

Radeon

Pengolahan data, perancangan

dan pembuatan perangkat lunak,

dan pembuatan laporan

Printer dan Scanner Canon MP 237 Pencetakan dan proses scan

dokumen

Koneksi internet Penelusuran pustaka, kebutuhan

data, korespondensi dengan

pakar

Perangkat Lunak OpenCV, Bahasa

pemrograman, driver camera

Pengolahan data dan pembuatan

program

Bahan habis pakai Tinta printer, DVD Pendukung berlangsungnya

kegiatan penelitian

ATK dan kertas Untuk kebutuhan administrasi

dan pencatatan.

20

Pengadaan alat atau bahan penelitian dilakukan melalui penyewaan atau

pembelian.

5. Perancangan modul aplikasi deteksi fitur berbasiskan video. Dengan adanya

bahan peralatan yang telah disiapkan, selanjutnya dilakukan perancangan modul

aplikasi deteksi fitur yang meliputi : Pembuatan modul aplikasi deteksi jenis /

golongan kendaraan, pembuatan modul aplikasi deteksi plat nomor kendaraan,

pembuatan modul aplikasi perhitungan kecepatan rata-rata kendaraan antara dua

pintu tol masuk dan keluar dan integrasi modul-modul aplikasi untuk fungsi

perhitungan analisis statistic laporan.

4.2. Tahun Kedua (2017)

Tahap Pengembangan dan Implementasi

Pada tahun kedua fokus penelitian adalah pada terbentuknya kerangka

kerja jaringan komunikasi data privat antar pintu toll dan pusat data di kantor

pengelola Toll, terbentuknya modul basis data dan aplikasi pencatatan dan

analisis data berbasiskan web, integrasi aplikasi ketiga hal tersebut, serta

melakukan pengujian terhadap sistem yang sudah diintegrasikan. Kegiatan-

kegiatan tersebut akan dilaksanakan selama lima bulan. Tahapan yang

dilakukan meliputi :

1. Pembuatan kerangka kerja jaringan komunikasi data privat antar pintu toll dan

pusat data di kantor pengelola Toll.


berbasiskan web



4. Pengujian sistem yang dirancang secara keseluruhan untuk membuktikan

kehandalan dan reliabilitas sistem tersebut.

21

BAB 5

HASIL YANG DICAPAI

Hasil yang ditargetkan dalam penelitian ini di tahun pertama adalah :

1. Tahap Persiapan - Luaran dan indikator capaian dari kegiatan pada tahap ini

adalah :

• Bahan studi analisis kebutuhan teknologi jalan Tol

• Rekomendasi dari instansi pengelola jalan Tol

2. Tahap Analisis Perancangan dan pembuatan aplikasi - Luaran dan indikator

capaian dari kegiatan pada tahap ini adalah :

- Hasil analisis jenis kamera dan skema instalasi yang dipilih.

- Rancangan kerangka kerja aplikasi deteksi fitur berbasiskan video.

- Aplikasi deteksi fitur berbasiskan video.

- Publikasi penelitian yang meliputi :

1. Seminar nasional – bulan ke-7 penelitian.

2. Konferensi internasional – bulan ke-10 penelitian.

3. HKI program computer – pengurusan dimulai di bulan ke-9

penelitian.

Namun, secara jadwal, hal ini tidak bisa dilaksanakan secara berurutan seperti

yang telah dinyatakan pada proposal, sehubungan dengan adanya beberapa kendala

administrasi dan aktivitas pertengahan tahun 2016 yang terpotong dengan liburan hari

raya Idul fitri. Oleh karena itulah skedul penelitian yang telah tersusun kemudian

dimodifikasi sedemikian rupa, seperti yang dijabarkan di bawah ini.

5.1. Tahapan Penelitian yang telah dicapai

Pada bagian ini dideskripsikan hasil-hasil yang sudah dicapai pada tahun

pertama, yaitu pada tahapan persiapan dan koordinasi, survey lapangan tahap dan

Perancangan Sistem ITS.

22

1. TAHAP PERSIAPAN DAN KOORDINASI (Bulan April – Juni 2016)

a. Konsolidasi internal dan penyamaan persepsi, dengan diadakannya pertemuan

untuk diskusi seluruh tim peneliti, yang dilaksanakan pada :

7 April 2016 ruang PSMA Online di E129 Kampus E kelapa Dua :

Pembagian Teknis tugas dan komitmen - Penentuan target-target 2

bulanan, dihadiri oleh Ketua dan anggota peneliti.

28 April 2016 di ruang PSMA Online di E129 Kampus E Kelapa Dua :

membicarakan teknis pengembangan rancangan fungsi dan fitur program

Intelligence Transportation system untuk jalan toll, dihadiri oleh Ketua

Tim, anggota Tim peneliti.

19 Mei 2016 di ruang ruang PSMA Online di E129 Kampus E kelapa

Dua : Rapat Koordinasi Analis Sistem dan Programmer : - Penjelasan

lingkup pengembangan sistem – penentuan target-target perancangan,

pengembangan dan implementasi modul-modul sistem ITS untuk jalan

toll, dihadiri oleh Ketua dan anggota peneliti dan tim pengembang

perangkat Lunak.

b. Persiapan sarana dan prasarana kerja dan penyelesaian kelengkapan administrasi

2 Juni 2016 - Pembelian ATK, kertas, pembelian peralatan penunjang

dan bahan habis Pakai.

c. Koordinasi dengan pihak-pihak terkait setiap 1 minggu :

Tim peneliti dan tim pengembang, konsolidasi aspek otomatisasi visual,

algoritma yang digunakan dan kode-kode pemrograman yang disusun.

2. TAHAP SURVEY LAPANG (Bulan Juni – Agustus 2016)

a. Pengumpulan data sekunder dari situs vendor jalan toll dan hasil-hasil

penelitian terdahulu terkait dengan intelligence transportation System (ITS)

berbasiskan kamera yang berada di jalan Toll – pengumpulan data melalui

internet dan jurnal-jurnal.

b. Survey teknologi kamera dan konfigurasi pendukung sistem.

c. Koordinasi dalam Pertemuan rutin per minggu dan Penyusunan laporan

kemajuan Penelitian

23

3. TAHAP PERANCANGAN (Bulan Juli - September 2016)

Pada tahap ini, yang dilakukan adalah :

a. Analisis dan perancangan fungsi dan desain aplikasi

b. Pembuatan aplikasi

c. Uji prototipe (model)

Pada tahap ini juga diadakan pertemuan konsolidasi internal dan diskusi tim peneliti

beserta tim pengembang perangkat lunak secara rutin setiap 1 minggu sekali, yang

dilaksanakan pada :

9 Juni 2016 di ruang PSMA Online di E129 Kampus E Kelapa Dua :

Membicarakan algoritma dan modul aplikasi deteksi jenis / golongan kendaraan,

dihadiri oleh Ketua Tim peneliti, anggota tim peneliti, dan tim pengembang

perangkat Lunak.


Membicarakan metode dan pembuatan modul deteksi kecepatan kendaraan dan

modul aplikasi deteksi plat nomor kendaraan , dihadiri oleh Ketua Tim peneliti,

dan tim pengembang perangkat Lunak.


membicarakan teknis modul deteksi kecelakaan, dihadiri oleh ketua tim, anggota

tim peneliti, dan tim pengembang perangkat Lunak.

28 Juli 2016 di ruang PSMA Online di E129 Kampus E Kelapa Dua :

Membicarakan teknis pembuatan modul deteksi kabut / keadaan cuaca yang

merupakan bagian dari fungsi stasiun cuaca, dan pembuatan modul desain

variabel dinamis led matrix sign, dihadiri oleh Ketua Tim peneliti, dan tim

pengembang perangkat Lunak.

Tahap pengembangan rancangan perangkat lunak yang sudah dilaksanakan adalah

meliputi :

a. Penyediaan kamera dan sistem pendukungnya berdasarkan hasil analisis melalui

pembelian / penyewaan peralatan

b. Instalasi kamera dan pengambilan data citra di laboratorium dan menganalisis data

hasil pengamatan tersebut.

24

c. Integrasi modul-modul aplikasi untuk fungsi perhitungan analisis laporan statistik.

4. TAHAP PUBLIKASI DAN PELAPORAN (September - Desember

2016)

Hal-hal yang sudah dilakukan adalah :

a. Pembuatan dan pengiriman artikel untuk Seminar nasional, yaitu pada :

The 4th National Conference on Industrial Electrical and

Electronics (NCIEE) – 12-14 October 2016 dengan tema : "Inovasi

dan Hilirisasi Hasil Penelitian dan Pengabdian Kepada Masyarakat

melalui Peningkatan Technology Readiness Level (TRL)" di Jurusan

Teknik Elektro Fakultas Teknik Universitas Sultan Ageng Tirtayasa, Jl.

Jendral Sudirman KM. 3 Kota Cilegon, Banten.

Judul Artikel : Purwarupa Deteksi Otomatis Situasi Darurat di Jalan

Bebas Hambatan berbasiskan Raspberry Pi, penulis : Dr. Mohammad

Iqbal, Dr. Rudi Trisno Yuwono, STATUS : Terbit di Proceeding

Seminar Nasional

b. Konferensi internasional / jurnal internasional

2016 2nd International Conference on Engineering Management and

Industrial Technology (ICEMIT), 24 – 25 November 2016, Parapat,

North Sumatra, Indonesia, by DEL INSTITUTE OF TECHNOLOGY

and MALTESAS CONFERENCE SERIES, ALL ACCEPTED PAPERS

WILL BE INCLUDED IN ADVANCED SCIENCE LETTERS

JOURNAL, ISSN: 1936-6612 (Print): EISSN: 1936-7317 (Online).

Judul Artikel ke-1: Human Body Motion Similarity Analysis Using

Markerless Motion Capture System, penulis : Mohammad Iqbal, Yulia

Chalri, Robby Candra, STATUS : sudah dipresentasikan dalam

konferensi internasional dan dalam proses penerbitan di jurnal

Internasional

Judul Artikel ke-2: Realtime Stereo Vision for Vehicle Detection,

Classification and Counting Using Raspberry Pi, Dr. Mohammad Iqbal,

Dr. Rudi Trisno Yuwono, Hadyan Mardhi Fadlillah, Sigit Widiyanto.

25

STATUS : sudah dipresentasikan dalam konferensi internasional dan

dalam proses penerbitan di jurnal Internasional

c. Pembuatan buku ajar : E-book “Pengetahuan Dasar Kamera untuk

Pengawasan”, merupakan buku elektronik yang berisi dokumentasi hasil telusur

pengetahuan terkait dengan teknologi kamera untuk pengawasan atau

pemantauan. Buku ini bisa dijadikan pedoman untuk memahami cara kerja,

memilih teknologi kamera komersial dan panduan langkah demi langkah dalam

mendesain sistem Pengawasan berbasis visual.

d. Pengajuan hak cipta program komputer pengurusan (30 November 2016):

DEBAR – Deteksi & Sebar, adalah Program aplikasi berbasiskan sistem

Perangkat keras Raspberry Pi yang didesain untuk menunjang kecepatan

penyampaian berita kecelakaan ke fasilitas tim penolong / pusat

pemantauan lalu lintas dengan adanya sistem pendeteksi kecelakaan

berbasis visual. Luarannya adalah citra kecelakaan dan peringatan serta

informasi untuk berhati-hati untuk pengendari lain pada variable

message sign.

e. Pembuatan laporan Tahunan (26 November 2016).

f. Diseminasi / presentasi laporan akhir (Desember 2016).

Hal-hal terkait dengan rencana penelitian, realisasi tahapan penelitian yang sudah

dikerjakan dalam penelitian ini dapat dilihat pada tabel 5.1 di bawah ini

26

Tabel 5.1 Rencana dan Realisasi Jadwal Penelitian

No Jenis Kegiatan Tahun I (Maret - Des 2016)

1 2 3 4 5 6 7 8 9 10

1 Perencanaan : penyusunan jadwal kegiatan

2 Penelusuran pustaka

3 Konsultasi dengan pengelola jalan Toll A

4 Pemilihan model kamera outdoor dan skema

instalasi

B

5 Instalasi kamera dan pengambilan data citra di

laboratorium

6 Analisis data hasil pengamatan awal

7 penyediaan kebutuhan alat dan bahan penelitian

berdasarkan hasil analisis

8 Pembelian / penyewaan peralatan

9 Perancangan modul aplikasi deteksi fitur

berbasiskan video

10 Pembuatan modul aplikasi deteksi jenis /

golongan kendaraan, deteksi kecepatan

11 Pembuatan modul aplikasi deteksi plat nomor

kendaraan, deteksi kecelakaan, deteksi kabut, dan

desain led matrix sign

12 Integrasi modul-modul aplikasi untuk fungsi

perhitungan analisis laporan statistik.

13 Publikasi nasional, internasional dan HAKI

14 Pelaporan (Laporan Kemajuan & Lap Tahunan)

Keterangan Tabel :

A Dilakukan dengan mengambil data sekunder melalui situs web salah satu

operator jalan toll

B Melakukan survey ke situs web vendor penyedia network kamera dan CCTV

RencanaPenelitian

Realisasi Rencana Penelitian

27

5.2. Perancangan modul aplikasi deteksi fitur berbasiskan video

Perancangan ini dilakukan dengan memperhatikan hasil survey pada penyedia

layanan Intelligence transportation system yang menyebutkan fitur-fitur teknologi

pendukung yang harus ada dalam jalan tol, [http://www.traffic-tech.com/] yaitu meliputi

:

Freeway Management Systems

Toll Collection Systems

Tunnel Management Systems

Traffic Data Collection Stations

Traveler Information Systems

Adaptive Traffic Signal Systems

Weigh-In-Motion (WIM) Stations

Over-height Vehicle Detection Systems

Incident Detection Systems

Mobile ITS System for Work Zones

Parking Management & Guidance Systems

Public Transport Management Systems

Variable / Dynamic Message Signs

CCTV Systems & Automatic Number Plate Recognition (ANPR)

Weather Stations

Karena luasnya fitur yang Intelligence transportation system (ITS), maka dalam riset ini

dilakukan pembatasan modul aplikasi yang dibuat, dengan hanya memilih aplikasi

dengan sistem pencitraan video yang dapat diterapkan dalam jalan toll di Indonesia

adalah :

1. Modul aplikasi deteksi jenis / golongan kendaraan,

2. Modul deteksi kecepatan kendaraan

3. Modul aplikasi deteksi plat nomor kendaraan

4. Modul deteksi kecelakaan

5. Modul deteksi kabut / keadaan cuaca (bagian dari stasiun cuaca)

6. Modul desain variabel dinamis led matrix sign

28

Hampir semua modul-modul ini dibuat dengan menggunakan perangkat mini PC

Raspberry PI yang dikoneksikan ke kamera sebagai alat masukan, kemudian data visual

tersebut di analisis dengan metode-metode komputer vision. Pemilihan perangkat mini

PC dimaksudkan agar bisa mendapatkan environment programming yang mirip dengan

perangkat kamera yang akan digunakan sebagai perangkat utama penelitian yang masih

dalam proses pemilihan kualitas dari vendor-vendor kamera CCTV.

1. Modul aplikasi deteksi jenis / golongan kendaraan

Modul ini berbasiskan RaspberryPI yang mengambil masukan citra objek dari

USB Camera. Algoritma akan menentukan area deteksi citra, lalu fitur citra diambil

dengan menggunakan algoritma Haar Cascade classifier dengan me - load data xml

hasil training classifier dari citra objek. Setelah berhasil memilih objek , kemudian

proses berlanjut dengan menentukan titik tengah dari objek yang nanti akan dijadikan

acuan untuk melakukan proses tracking menggunakan kalman tracking. Ketika titik

tengah objek telah di temukan dan melewati lokasi tracking kalman maka citra objek

akan di bedakan sesuai jenis kendaraan dan pada proses ini juga akan melakukan proses

perhitungan untuk objek kendaraan. Hasil output keseluruhan akan di tampilkan oleh

display monitor.

Gambar 5.1 Tampilan modul pendeteksi dan penghitung jumlah kendaraan

29

Gambar 5.1 menunjukkan tampilan hasil ujicoba modul klasifikasi dan penghitungan

sesuai jenis kendaraan . Perhitungan jumlah kendaraan berada di area di antara 2 buah

garis, hasil perhitungan kendaraan ada di sisi kanan atas untuk melihat jumlah

kendaraan yang terdeteksi sesuai jenis kendaraan yaitu , mobil , truk kecil, truk besar

atau bus. Percobaan di dilakukan pada kondisi sore hari dengan kondisi padat merayap,

beberapa objek kendaraan terdeteksi baik.

2. Modul Pendeteksi kecepatan kendaraan

Modul ini berbasiskan RaspberryPI menggunakan kamera standard

RaspberryPI ; Picamera. Kamera diarahkan secara horisontal kepada jalan tempat

kendaraan lewat. Program utamanya adalah fungsi yang dapat menghasilkan nilai

kecepatan berdasarkan jumlah piksel yang berubah dalam waktu tertentu. Langkah

awalnya adalah mendefinisikan area yang akan dipantau dari citra yang ditangkap oleh

kamera, kemudian menghitung lebar dari frame dan menentukan kecepatan objek dalam

satuan meter per pixel. Agar modul ini dapat berulang kali meng-capture frame dan

memprosesnya, maka variabel PiCamera diset untuk tidak melalui proses inisialisasi

kembali ketika meng-capture satu frame pada satu waktu. frame dipotong dan diproses

hanya area yang ditentukan pengguna untuk memantau. Selanjutnya adalah modul ini

menunggu adanya gerakan berupa perubahan jumlah pixel antara frame satu dengan

frame yang lainnya yang sedang dicapture. Jika ada gerakan yang terdeteksi, maka

status yang ditampilkan pada frame akan berubah dari WAITING menjadi TRACKING,

dan modul mulai melakukan proses perhitungan kecepatan objek yang terekam oleh

kamera, dan jika modul sudah tidak mendeteksi adanya gerakan, maka status akan

berubah kembali menjadi WAITING. Ketika status TRACKING, modul ini mulai

melakukan perhitungan kecepatan dari objek yang terdeteksi. Ada fungsi yang berfungsi

untuk mencetak hasil dari proses perhitungan kedalam frame yang akan disimpan.

Fungsi ini kemudian mencetak tanggal, hari, dan waktu serta kecepatan dari kendaraan

yang terdeteksi kedalam sebuah gambar dan sekaligus menyimpannya dalam file teks.

Hasil ujicoba modul ini dapat dilihat pada gambar 5.2.

30

Deteksi kecepatan Mobil Deteksi kecepatan Motor

Gambar 5.2. Teknik pendefenisian titik awal dan akhir dari area yang dihitung (atas),

Hasil Uji coba modul pendeteksi kecepatan (bawah)

3. Modul Pendeteksi plat nomor kendaraan

Modul ini berbasiskan RaspberryPI menggunakan kamera USB sebagai alat

inputnya. Untuk keperluan deteksi plat nomor kendaraan menggunakan fungsi

OpenALPR (Automatic License Plate Recognition) library yang bekerja berbasiskan

algoritma LBP (Local Binary Pattern) cascade. Sedangkan untuk aplikasi video secara

realtime menggunakan alat bantu MJPG-Streamer. Hasil identifikasi dari OpenALPR

berupa representasi teks dari plate nomor yang disimpan dalam bentuk file .csv pada

media penyimpanan yaitu sd card. Selain itu juga frame-frame gambar yang terdapat

plate nomor juga akan tersimpan ke dalam media penyimpanan.

31

Masukan Keluaran Hasil

Keseluruhan Sampel Gambar Hasil tertulis dan persentase kecocokan

91.241873 %

90.839298 %

88.450683 %

91.902832 %

Gambar 5.3. Evaluasi modul pendeteksi plat nomor kendaraan

Gambar 5.4. Citra yang ditangkap webcam (kiri), Representasi citra disimpan dalam

bentuk teks (kanan)

32

4. Modul Pendeteksi kecelakaan

Modul ini berbasiskan RaspberryPI menggunakan kamera USB sebagai alat

inputnya. Deteksi kecelakaan menggunakan metode Thresholding dan Segmentasi.

Thresholding adalah metode paling sederhana dari segmentasi citra. Ini adalah operasi

non-linear yang mengubah citra skala abu-abu menjadi gambar biner dimana dua

tingkat ditugaskan untuk piksel yang berada di bawah atau di atas nilai ambang batas

yang ditentukan. Dengan kata lain, jika nilai pixel lebih besar dari nilai ambang batas,

itu dikategorikan satu nilai (mungkin putih), yang lain itu dikategorikan nilai (mungkin

hitam). Dalam penelitian ini metode thresholding dimodifikasi menjadi HFG

(Histogram Of Flow Gradient) yaitu modifikasi dari HOG (Histogram Of Oriented

Gradients) ini digunakan untuk mengekstraksi fitur pada obyek citra bergerak.

Langkahnya pada proses awal adalah mengkonversi citra RGB (Red, Green, Blue)

menjadi grayscale, yang kemudian dilanjutkan dengan menghitung nilai gradien setiap

piksel. Setelah mendapatkan nilai gradien, maka proses selanjutnya yaitu menentukan

jumlah orientasi yang akan digunakan dalam pembuatan histogram.

Modul pendeteksi kecelakaan ini diuji dalam dua keadaan, yaitu siang hari dan

malam hari. Kecelakaan pada siang hari terdeteksi dengan adanya objek tidak wajar

seperti munculya objek asap atau debu yang memiliki ukuran lebih besar dari objek

yang telah disesuaikan dengan pendeteksi kecelakaan pada metode tresholding yaitu

pada angka (83, 255). Sedangkan deteksi kecelakaan pada malam hari terdeteksi

dengan adanya objek tidak wajar seperti munculya objek percikan api atau asap yang

memiliki ukuran lebih besar dari objek yang telah disesuaikan dengan pendeteksi

kecelakaan pada metode tresholding yaitu pada angka (100, 255). Hasil pengujian

dapat dilihat pada gambar 5.5.

33

Gambar 5.5 Kondisi Kecelakaan Siang Hari (atas) dan malam hari (bawah) -

Lanjutan

5. Modul deteksi kabut

Modul pendeteksi kabut ini tidak menggunakan RaspiberryPI dan teknik

visualnya, tetapi memanfaatkan Arduino dengan menggunakan sensor LDR yang

cukup sensitif dan cepat untuk mengetahui kondisi kabut/asap jalan raya dan dalam

modul ini, jika terdeteksi kabut akan menyalakan lampu kabut secara otomatis. Unit

deteksi kabut pada gambar 5.6.

34

Gambar 5.6 Modul pendeteksi kabut/asap

Unit sensor cahaya LDR dapat dimodifikasi penggunaannya, dengan

memanfaatkan kemampuan LDR menangkap intensitas cahaya. Semakin tebal

kabut/asap yang melewati LDR maka intensitas cahaya yang ditangkap LDR akan

berkurang. Intensitas cahaya yang ditangkap LDR sebanding dengan tegangan yang

dihasilkan, sehingga semakin sedikit intensitas cahaya yang tertangkap LDR maka nilai

tegangan yang dihasilkan pun akan semakin kecil, sebaliknya semakin banyak intensitas

cahaya yang tertangkap LDR maka nilai tegangan yang dihasilkan pun akan semakin

besar. Kontroler Arduino uno ATMega328 kemudian akan memproses semua masukan

yang diterimanya dari inputan yang diberikan oleh sensor LDR berupa gelombang

elektromagnetik yang ditranslasikan menjadi sebuah bit data lalu diteruskan ke

mikrokontroler melalui port, kemudian program akan menjalankan perintah menyalakan

lampu kabut sekaligus menampilkan hasil bacaan sensor ke LCD. Ada 3 kondisi kabut

yang terbaca yaitu “PEKAT”, “SEDANG” dan “NORMAL”.

Tabel 5.2 Hasil pengujian pendeteksi kabut

Kondisi

Sensor

Keadaan fisik dan hasil bacaan

tegangan pada Arduino

Status pada LCD

Tanpa Asap

/ kabut

Tegangan masuk yang terbaca oleh

pin Analog Arduino adalah lebih dari

700 (tegangan dalam bentuk data

digital), jika dalam bentuk Analog

35

adalah lebih dari 3,4 volt. Kabut Tipis


pin Analog Arduino adalah kurang

dari 700 (tegangan dalam bentuk data


adalah kurang dari 3,4 volt.

Kabut

Sedang






36

Tabel 5.2. Hasil pengujian pendeteksi kabut (lanjutan)

Kondisi

Sensor

Keadaan fisik dan hasil bacaan

tegangan pada Arduino

Status pada LCD

Kabut Tebal






6. Modul desain variabel dinamis led matrix sign

Modul ini adalah modul untuk menginformasikan kepada pengguna jalan

mengenai keadaan jalan yang berada beberapa kilometer di depannya agar dapat

menganjurkan pengendara untuk segera mengendalikan kecepatannya. Modul yang

dibuat memiliki dua fungsi, yaitu fungsi pengaturan tulisan di di led matrix yang bisa

dikirim via perangkat mobile dan fungsi otomatis mengubah informasi sesuai dengan

yang dibaca oleh sensor ping. Modul ini dibuat berbasiskan Arduino.

Fungsi pengendalian informasi dengan perangkat mobile memanfaatkan akses

bluetooth untuk dapat mengirimkan kode numerik. Masing-masing kode numerik akan

menghasilkan tulisan pesan yang berbeda pada led matrix. Sedangkan fungsi otomatis

menggunakan sensor ping, akan memberikan informasi situasi jalan disekitar ruas jalan

yang berada dalam area sensor, apakah terjadi kemacetan atau tidak. Data diambil dari

sensor 1 dan sensor 2 yang aktif bila terhalang benda didepan sensor dengan jarak 2-3

meter didepan sensor.

37

Gambar 5.7 Modul Variabel Dinamis led matrix, tampak depan dan belakang (atas)

dan pengujian sensor ping untuk memberi informasi macet atau tidak

5. Modul deteksi Kemacetan

Modul pendeteksi kemacetan ini berbasiskan RaspberryPI dengan kamera USB.

Algoritma pendeteksi kemacetan yang digunakan adalah menghitung berapa jumlah

kendaraan di antara dua batas area virtual pada citra, jika kendaraan tersebut jumlahnya

banyak (dilihat dari obyek yang berada di antara dua batas area virtual) dan tidak

bergerak (dilihat dari variabel waktu tracking terhadap obyek kendaraan yang sangat

lambat), maka terdeteksilah kemacetan

38

Tabel 5.3 Ilustrasi Pendeteksi Kemacetan dan kelancaran lalu lintas lewat sensor

visual

Semua modul yang dibuat ini dikerjakan oleh 7 mahasiswa sebagai tim

pengembang dari penelitian ini yang disupervisi langsung oleh tim peneliti. Hasilnya

disusun dalam 7 artikel ilmiah yang terdiri dari 1 tugas Akhir skripsi dan 6 penulisan

ilmiah yang diujikan dalam rentang bulan Agustus dan September 2016 (abstraksi dapat

dilihat pada lampiran).

Objek Kendaraan

terhitung

Keterangan

2 mobil Mobil kesatu dan

kedua melewati garis

hijau dan terhitung

program counter.

Status : lancar

39

BAB 6

RENCANA TAHAPAN BERIKUTNYA

6.1. TAHAP PENGEMBANGAN DAN IMPLEMENTASI

Pada tahun kedua fokus penelitian adalah pada terbentuknya kerangka kerja jaringan

komunikasi data privat antar pintu toll dan pusat data di kantor pengelola Toll,

terbentuknya modul basis data dan aplikasi pencatatan dan analisis data berbasiskan

web, integrasi aplikasi ketiga hal tersebut, serta melakukan pengujian terhadap sistem

yang sudah diintegrasikan. Kegiatan-kegiatan tersebut akan dilaksanakan selama

sepuluh bulan dengan tahapan yang dilakukan meliputi :

1. Pembuatan infrastruktur kerangka kerja jaringan komunikasi data privat antar

pintu tol dan pusat data di kantor pengelola Tol.


berbasiskan web



4. Pengujian sistem yang dirancang secara keseluruhan untuk membuktikan

kehandalan dan reliabilitas sistem tersebut.

Luaran dan indikator capaian dari kegiatan pada tahap ini adalah :

- Terbangunnya integrasi modul basis data dan aplikasi pencatatan berbasis web

dengan system deteksi fitur kendaraan berbasis video.

- Hasil analisa kehandalan aplikasi terpadu tersebut

- Publikasi hasil penelitian melalui :

o Seminar internasional – pada sekitar bulan ke-8

o Jurnal intenasional dengan periode penerbitan sekitar bulan ke-10.

- HKI produk teknologi

40

BAB 7

KESIMPULAN DAN SARAN

7.1. Kesimpulan

Teknologi Intelligence transportation System berbasiskan visual yang diadopsi

pada jalan tol ini dilakukan untuk mendapatkan informasi status serta situasi yang

terkait dengan para pengguna tol, agar keadaan jalan tol dapat diketahui secara cepat

dan terdokumentasi dengan baik, sehingga dapat dipergunakan semaksimal mungkin

untuk menghindari kemacetan bahkan kecelakaan, dan meningkatkan keamanan

penggunaan jalan tol.

Penelitian tahun pertama ini meletakkan dasar-dasar modul cerdas Intelligence

transportation System berbasiskan visual. Secara parsial, modul-modul sistem

pendeteksi dan pengklasifikasi berbasis video yang telah dibuat telah dapat berjalan

sesuai dengan yang diinginkan.

7.2. Saran

Langkah selanjutnya dari penelitian ini adalah menyatukan modul-modul sub-

sistem tersebut dalam satu modul terintegrasi, menjadi masukan sebagai sistem sensor

yang data-datanya dapat dikumpulkan dengan menggunakan sistem jaringan komputer

terpadu privat dalam suatu sistem basis data yang aman dan punya reliabilitas tinggi,

sebagai bagian dari Sistem manajemen tol terpadu berbasiskan web.

41

DAFTAR PUSTAKA

A. Giachetti, M. Campani, and V. Torre, “The use of optical flow for road

navigation,” IEEE transactions on robotics and automation, vol. 14, no.1,

pp. 34–48, 1998.

C. Tzomakas and W. Seelen, “Vehicle detection in traffic scenes using

shadows,” Tech. Rep. 98-06, Institut fur neuroinformatik, Ruht-universitat,

Bochum, Germany, 1998.

D. Guo, T. Fraichard, M. Xie, and C. Laugier, “Color modeling by spherical

influence field in sensing driving environment,” IEEE Intelligent Vehicle

Symposium, pp. 249–254, 2000.

J. Hancock, “High-speed obstacle detection for automated highway

applications,” Tech. Rep. RI-TR-97-17, Carnegie Mellon University, 1997.

Kristian Kovacic, Edouard Ivanjko and Hrvoje Gold, Computer Vision Systems

in Road Vehicles: A Review, Proceedings of the Croatian Computer

Vision Workshop, 2013

M. Bertozzi, A. Broggi, A. Fascioli, and R. Fascioli, “Stereo inverse perspective

mapping: Theory and applications,” Image and Vision Computing Journal,

vol. 8, pp. 585–590, 1998.

M. Bertozzi, A. Broggi, and S. Castelluccio, “A real-time oriented system for

vehicle detection,” Journal Of Systems Architecture, pp. 317–325, 1997.

N. Matthews, P. An, D. Charnley, and C. Harris, “Vehicle detection and

recognition in greyscale imagery,” Control Engineering Practice, vol. 4,

pp. 473–479, 1996.

R. Cucchiara and M. Piccardi, “Vehicle detection under day and night

illumination,” International ICSC Symposium on Intelligent Industrial

Automation, 1999.

T. Kalinke, C. Tzomakas und W. v. Seelen, “A texture-based object detection

and an adaptive model-based classification,” IEEE International

Conference on Intelligent Vehicles, pp. 143–148, 1998.

42

T. Williamson and C. Thorpe, “A trinocular stereo system for highway obstacle

detection,” in 1999 International Conference on Robotics and Automation

(ICRA ’99), 1999.

Yuxin Liu dan Xu Jia, Common Vehicle Detectors of Highway Performance

Comparison and Development Trend Analysis, 2nd International

Conference on Materials, Mechatronics and Automation Lecture Notes in

Information Technology, Vol.15, 2012

Z. Sun, G. Bebis, and R. Miller, “On-road vehicle detection: A

review,”Transactions on Pattern Analysis and Machine Intelligence, vol.

28, no. 5, pp. 694–711, May 2006.

43

LAMPIRAN

44

LAMPIRAN 1.

Tampilan Luaran Modul-modul yang di buat

Modul pendeteksi dan penghitung jumlah kendaraan :

Modul pendeteksi kecepatan kendaraan :

45

Modul pendeteksi plat nomor kendaraan :

Modul pendeteksi Kecelakaan

Siang Hari :

46

Malam Hari :

Modul pendeteksi Kabut / Asap

47

Modul Variabel Dinamis LED Matrix

Perintah lewat mobile phone (kiri atas) dan Perintah otomatis Sensor ping (kanan atas),

tampilan pada mobile phone (kiri bawah) dan tampilan fisik LED Matrix (kanan bawah)

Modul Pendeteksi Kemacetan

48

LAMPIRAN 2. PERSONALIA TENAGA PELAKSANA

BIODATA KETUA TIM PENELITI

A. IDENTITAS DIRI

1 Nama Lengkap (dengan

gelar)

Dr. Mohammad Iqbal, SKom., MMSI (L)

2 Jabatan Fungsional Lektor

3 NIP/NIDN/No. KTP 001200/0331127506/32.7106.311275.0004

4 Tempat dan Tanggal Lahir Bogor, 31 Desember 1975

5 Alamat Rumah Jl. Kranji V-17 Budi Agung Bogor 16165.

6 Nomor Telepon (0251) 8332160

7 Nomor HP 0812-9950814

8 Alamat Kantor Universitas Gunadarma, Kampus E Kelapa Dua,

Jl. Akses UI, Kelapa Dua, Cimanggis, Depok ,

16951. PSMA Online.

9 Nomor Telepon/Faks (021) 8727538, 8727541 ext. 118

10 Alamat e-mail [email protected]

[email protected]

11 Lulusan yg telah dihasilkan -

12 Mata Kuliah yg diampu 1. Keamanan Komputer

2. Rekayasa Perangkat lunak

3. Pengantar Robotika

4. Grafik Komputer & Pengolahan Citra

B. RIWAYAT PENDIDIKAN

2.1 Program S1 S2 S3

2.2 Nama PT Universitas

Gunadarma,

Indonesia

Universitas Gunadarma,

Indonesia

Université de

Bourgogne,

Perancis

2.3 Bidang Ilmu Teknik

Komputer

Sistem Informasi Computer vision

dan Pengolahan

citra

2.4 Tahun

Masuk

1993 1998 2008

2.5 Tahun Lulus 1998 2001 2011

2.6 Judul

Skripsi/

Tesis/Diserta

si

Sistem

Kendali

Robot

melalui

Radio control

Analisis dan Perancangan Sistem

Pengolahan data terpadu Zakat

Infaq Sedekah “Muamalah

Network” dengan memanfaatkan

Teknologi Virtual Private

Network

Polarization

Stereoscopic

Imaging

Prototype

2.7 Nama

Pembimbing

Dr.

Sarifuddin

Madenda

Dr. Achmad Benny Mutiara Prof Dr. Fabrice

Mériaudeau

mailto:[email protected]


49

C. PENGALAMAN PENELITIAN

No. Tahun Judul Penelitian Sumber

Pendanaan

Jumlah

(Juta Rp)

1. 2002 -

2003

Teaching Grant untuk Mata

Kuliah Analisa Kinerja Sistem

ADB – TPSDP

Jurusan Sistem

Komputer

Universitas

Gunadarma

Rp

20.000.000,-

2. 2004 -

2005

Teaching Grant untuk Mata

Kuliah PENGANTAR

ROBOTIKA

ADB – TPSDP

Jurusan Sistem

Komputer

Universitas

Gunadarma

Rp

20.000.000,-

3. 2005 –

2006

Research Grant : “MODEL

SISTEM AUDITORI UNTUK

TRANSKRIPSI MUSIK HIDUP

DAN MUSIK REKAMAN”

Sebagai anggota peneliti

ADB – TPSDP

Jurusan Sistem

Komputer

Universitas

Gunadarma

Rp

30.000.000,-

2013-

2014

Aplikasi Sistem Pakar Penuntun

Pengambilan Keputusan Usaha

Kecil Berbasis web Interaktif

Untuk Meningkatkan

Kompetensi Pelaku Usaha Kecil

Pemula di Provinsi Jawa Barat

dan Banten

Sebagai Ketua Peneliti

Hibah Unggulan

Perguruan tinggi

– Desentralisasi

DIKTI

Rp

143.000.000

D. PENGALAMAN PENGABDIAN KEPADA MASYARAKAT

No. Tahun Judul Pengabdian Kepada

Masyarakat

Sumber

Pendanaan

Jumlah (Juta

Rp)

1. 2004 Pelatihan pemeriksaan

Jaringan Komputer dan

Komunikasi Data

Bank Indonesia -

2005 Implementasi Program

Indonesia Goes Open Source

(IGOS)

Kementrian

Riset dan

Teknologi

-

2013 Pelatihan Sains dan TIK bagi

pemuda putus sekolah, kerjasama

dengan Yayasan Karang Widya

Mandiri -

2014 Pelatihan Sains dan TIK bagi

pemuda putus sekolah, kerjasama

dengan Yayasan Karang Widya

Mandiri -

50

E. PUBLIKASI ARTIKEL ILMIAH DALAM JURNAL

No. Tahun Judul Artikel Ilmiah Volume/

Nomer

Nama Jurnal

1. 2003 Implementasi

Forensik Sistem

Komputer ;

Pekerjaan Rumah

bagi Kepolisian

Indonesia

No.2 Jilid

7

Jurnal Ilmiah Informatika

dan Komputer

ISSN : 0853-8638

2. 2011 Polarization

Stereoscopic

Imaging Prototype

International

vol. 4 no.

3 Journal SERSC IJSIP

(International Journal of

Signal Processing, Image

Processing and Pattern

Recognition)

3. 2014 PAKAR-UKM -

Expert system for

SMEs using

dynamic knowledge

base

Vol. 9,

No. 12,

December

2014

ARPN Journal of

Engineering and Applied

Sciences

E. PEMAKALAH SEMINAR ILMIAH

No. Nama Pertemuan

ilmiah

Judul Artikel Ilmiah Waktu dan

Tempat

1. Seminar Nasional

KNSI 2014

Sistem Pemantauan Ladang

Jamur Tiram Berbasiskan Web

Ujung Pandang,

27 Feb - 1 Mar

2014

2. Seminar Nasional

BKSTI 2014,

Pengembangan Sistem Pakar

UKM : Sistem Penunjang

Keputusan Usaha Mikro Kecil

Menengah dengan

memanfaatkan Metode

Klasifikasi dan Web-crawling

sebagai Penggali Data

Bukit Tinggi, 2-

4 September

2014

3. Seminar Nasional

SMART-

TEKNOSIM UGM

PAKAR UKM ; Sistem Pakar

untuk membantu Pengembangan

Bisnis Usaha Mikro Kecil

Menengah (UMKM)

Yogyakarta, 3

Desember 2013

F. PENGALAMAN PENULISAN BUKU

No. Tahun Judul Buku Jumlah

Halaman

Penerbit

1 2010 Analisis Kinerja Sistem :

Pendekatan teori dan Praktek

201

halaman

Universitas

Gunadarma

51

G. PENGALAMAN PEROLEHAN HKI

No. Tahun Judul / Tema HKI Jenis Nomor P/ID 1 2006 Computer Assisted Instruction

(CAI) untuk perkuliahan

Pengantar Robotika

Program

komputer

c00200702309

2 2014 Program Komputer Pakar-UKM Program

komputer

C00201304844

tanggal 25

Februari 2014

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat

dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai

ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya.

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu

persyaratan dalam pengajuan Hibah Penelitian Unggulan Perguruan Tinggi.


Pengusul

( Dr. Mohammad Iqbal)

BIODATA ANGGOTA PENELITI 1

A. IDENTITAS DIRI

1.1 Nama Lengkap (dengan gelar) Dr. Rudi Trisno Yuwono, SKom, MM

1.2 Jabatan Fungsional Asisten Ahli

Jabatan Struktural Penanggung Jawab PSA-Online

1.3 NIP/NIK/Identitas lainnya 929366

1.4 NIDN 0322066703

1.5 Tempat dan Tanggal Lahir Jakarta, 22-06-1967

1.6 Alamat Rumah Jl.Kembang Lio No.10 Rt.01/Rw.03 Beji Depok

16421, INDONESIA

1.7 Nomor Telepon/Faks/HP 021 - 77204518

1.8 Alamat Kantor Jl. Margonda Raya No. 100 Pondok Cina –

Depok

1.9. Nomor Telepon/Faks 021 - 78881112 ext 472

1.10 Alamat E-mail [email protected]

[email protected]

1.11 Lulusan yang telah dihasilkan S1= 5 orang ; S2 = 3 orang

1.12 Mata Kuliah yang diampu 1. Konsep Sistem Informasi Lanjutan

2. Komunikasi Data dan Jaringan Komputer

3. Analisis Kinerja SistemProgramming

Algorithm

4. Pengelolaan Proyek Sistem Informasi

5. Rekayasa Perangkat Lunak

6. Pemrograman Generasi Keempat

7. Sistem Berbasis Pengetahuan

8. Sistem Terdistribusi


S1 S2 S3

Nama Perguruan

Tinggi

STMIK Gunadarma Universitas

Gunadarma

Universitas Gunadarma

Bidang Ilmu Sistem Informasi Sistem Informasi Teknologi Informasi

Tahun Masuk-

Lulus

1987 – 1994 1995 – 1997 2003 - 2010

Judul

Skripsi/Tesis/

Disertasi

Variabel Deviasi

Dalam Pemrograman

Goal Mengendalikan

Nilai Ruas Kiri Suatu

Kendala Agar Sama

Dengan Nilai Ruas

Kanannya

Analisa Tingkat

Suku Bunga dan

Inflasi Terhadap

Pertumbuhan

Ekonomi Indonesia

Evaluasi Kinerja

Algoritma Pencocokan

Pola Sidik Jari

(Fingerprint Matching)

Menggunakan

Sekelompok Titik-titik

Minutiae Terdekat

Nama

Pembimbing /

Promotor

Prof. Suryadi

Harmanto, SSi., MMSi

E.Wiseto Baroto,

Ir.,MM

Prof. Dr. Sarifuddin

Madenda



53


No Tahun Judul Penelitian Pendanaan

Sumber Jml (Juta Rp)

1 2006 Penanganan Toleransi Kesalahan

(Fault Tolerance) Pada Sistem

Pembayaran Elektronis Menggunakan

Mesin ATM Dengan Jaringan

Komputer Berbasis TCP/IP

Research

Grant TPSDP

(ADB-Loan

No.1792)

30.000.000


No. Tahun Judul Pengabdian

Kepada Masyarakat

Sumber

Pendanaan

Jumlah (Juta Rp)

1 2014 Pelatihan Sains dan

TIK bagi pemuda

putus sekolah,

kerjasama dengan

Yayasan Karang

Widya

Mandiri -

E. PENGALAMAN PENULISAN ARTIKEL ILMIAH DALAM JURNAL

No Judul Artikel Ilmiah Volume/Nomor/Tahun Judul Jurnal

1 Adaptable Fingerprint Minutiae

Extraction Algorithm based-on

Crossing Number Method for

Hardware Implementation using

FPGA Device

Vol.2 / Number 3,

June 2012

IJCSEIT Journal



Halaman

Penerbit

1 - - - -


No

.

Tahun Judul / Tema HKI Jenis Nomor

P/ID

1 -

- - -



ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya,

54

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu persyaratan

dalam pengajuan Hibah Penelitian Unggulan Perguruan Tinggi.


Pengusul,

(Dr. Rudi Trisno Yuwono SKom, MM)

55


A. IDENTITAS DIRI

1.1 Nama Lengkap (dengan

gelar)

Sigit Widiyanto, ST, MMSI, MSc

1.2 Jabatan Fungsional Asisten Ahli

1.3 NIP/NIDN/No. KTP 120949/0310019001/

1.4 Tempat dan Tanggal Lahir Karang Anyar, 10 Januari 1990

1.5 Alamat Rumah JL. Raya RTM No. 106B. RT.07/RW.11

Kelapa Dua, Cimanggis, Depok

1.6 Nomor Telepon -

1.7 Nomor HP 0896 350 00886

1.8 Alamat Kantor Universitas Gunadarma, Kampus E Kelapa

Dua, Jl. Akses UI, Kelapa Dua, Cimanggis,

Depok , 16951. PSMA Online.

1.9. Nomor Telepon/Faks (021) 8727538, 8727541 ext. 118

1.10 Alamat e-mail [email protected]

[email protected]

1.11 Lulusan yg telah dihasilkan -

1.12 Mata Kuliah yg diampu 1.Pengolahan Citra

2.Data Mining

3.Teknik Kompilasi

4.Pemrograman Multimedia




Gunadarma

Universitas

Gunadarma

University of

Burgundi,

France

2.3 Bidang Ilmu Teknik Informatika Manajemen Sistem

Informasi

Computer

Vision and

Robotic

2.4 Tahun Masuk 2007 2010 2011

2.5 Tahun Lulus 2010 2011 2012

2.6 Judul Skripsi/

Tesis/Disertasi

Image

Classification

Based on Color

Scale-invariant

Features Transform

and Spatial

Pyramid Matching

Methods

Texture and Shape

Feature Extraction

on Digital Dental

Caries Image

Development of

Vision Based

System to

Estimate Fat

Content in

Slices of Dry

Cured Ham

2.7 Nama

Pembimbing

Dr. Asep Juarna Dr. Aviarini Dr. Xavier Cufi,

Dr. Robert

Marti, Dr. Israel

Munoz

56



Pendanaan

Jumlah (Juta

Rp)

1. 2011

Projek Industri, “Development of

Based System to Estimate Fat

Content in slices of Dry Cured

Ham.” Institut Research of

Tecnology and Agriculture, Girona,

Spain.

IRTA, Girona € 4.000

(Kurs

12.000)

=

Rp

48.000.000

2. 2012 Asian Research, “Widespread

Impact of exponential growth digital

media technology in the structure of

Society 21st century, Southeast

Asia, Indonesia.”

Research

Grant POSCO

TJ Park

Foundation

$ 8.000

(Kurs

9.000)

=

Rp

72.000.000



Masyarakat

Sumber

Pendanaan

Jumlah

(Juta Rp)

1. 2014 Testing Aplikasi RTGS BI-

NG, SKN BI-NG, dan KPJU

Bank Indonesia

Bank Indonesia Rp.

100.000.000


No

.

Tahun Judul Artikel Ilmiah Volume/

Nomer

Nama Jurnal

1. 2014 Morphology and Watershed

Segmentation for Extracting the

Cancer Nodule in Lung CT Scan

Image.

Vol. 6, 1–5 Advanced Science,

Engineering and

Medicine. Vol. 6, 1–5,

2014. American

Scientific Publishers.

2. 2014 Reconstruction 4d Of Blood

Flow MR Imaging On

Abdominal Aortic Aneurysms

With Thrombus Signal.

Vol. 63

No.1.

Journal of Theoretical

and Applied

Information

Technology 10th May

2014. Vol. 63 No.1.

2005 - 2014 JATIT &

LLS. ISSN: 1992-8645.

3. 2014 Pengembangan Sistem Pakar-

UKM: Sistem Penunjang

Keputusan Usaha Mikro Kecil

Menengah Dengan

Memanfaatkan Metode

Klasifikasi dan Web Crawling

Sebagai Penggali Data.

Volume: 2 Seminar Nasional

Teknik Industri BKSTI

2014, Bukit Tinggi.

57

No

.

Tahun Judul Artikel Ilmiah Volume/

Nomer

Nama Jurnal

4. 2014 PAKAR-UKM - Expert

System for SMEs Using

Dynamic Knowledge Base.

Vol. 5 ICESTI 2014, Bali.

5. 2013 Automatic Intra Muscular Fat

Analysis on Dry-Cured Ham

Slices. Page: 873-880

Volume:

7887

Computer Science

Jurnal in Pattern

Recognition and Image

Analysis, ISBN: 978-3-

42-38627-5

6. 2011 The Use of Java Swing’s

Components to Develop a

Widget. Page 95-114

Volume: 1,

Issue: 4

International Journal of

Human Computer

Interaction



Halaman

Penerbit

1 2013 Manajemen Pemasaran 109 Universitas

Gunadarma

2 2013 Data Mining: Metode Klasifikasi 48 Universitas

Gunadarma


No

.

Tahun Judul / Tema HKI Jenis Nomor

P/ID

1 2014 Kategori Trombus Dan Rekonstruksi Aliran Darah Pada Aneurisma Aorta Abdominal Dari Citra Magnetic Resonance Imaging.

Program

Komputer

C00201304

845





persyaratan dalam pengajuan Hibah Penelitian Kompetensi.


Pengusul

( Sigit Widiyanto, ST., MMSI., MSc)

58


A. IDENTITAS DIRI

1.1 Nama Lengkap (dengan

gelar)

Hadyan Mardhi Fadlillah ST.MMSI.MSc

1.2 Jabatan Fungsional

1.3 NIP/NIDN/No. KTP 001200/0301019001/3276020101900009

1.4 Tempat dan Tanggal Lahir Jakarta, 1 Januari 1990

1.5 Alamat Rumah KP Sidamukti, Sukmajaya, Depok 16412

1.6 Nomor Telepon -

1.7 Nomor HP 089619149464

1.8 Alamat Kantor Universitas Gunadarma, Kampus E Kelapa

Dua, Jl. Akses UI, Kelapa Dua, Cimanggis,

Depok , 16951. PSMA Online.

1.9. Nomor Telepon/Faks (021) 8727538, 8727541 ext. 118

1.10 Alamat e-mail [email protected]

[email protected]

1.11 Lulusan yg telah dihasilkan -

1.12 Mata Kuliah yg diampu 1. Sistem Basis Data

2. Pemrograman Berbasis Web

3. Organisasi Arsitektur Komputer

4. Pengantar Teknologi Informasi




Gunadarma,

Indonesia

Universitas

Gunadarma,

Indonesia

Université de

Bourgogne, Perancis

2.3 Bidang Ilmu Teknik

Informatika

Sistem

Informasi

Computer vision dan

Pengolahan citra

2.4 Tahun Masuk 2007 2010 2011

2.5 Tahun Lulus 2010 2011 2012

2.6 Judul Skripsi/

Tesis/Disertasi

Enhance Web

User Interface

and Remote

Running of

Expert System

Development

Tool

Defects

Identification of

Ceramic Tiles

Using

Morphological

Technique for

Quality

Classification

Implementation and

Performance

Evaluation for Several

Semiautomatic and

Automatic

Segmentation

Methods for

Breast Ultrasound

Images

2.7 Nama

Pembimbing

Prof. Dr. I

Wayan Simri W.

Dr. Bertalya Dr. Joan Marti

Bonmati



59



Pendanaan

Jumlah (Juta

Rp)

2013-

2014

Aplikasi Sistem Pakar Penuntun

Pengambilan Keputusan Usaha

Kecil Berbasis web Interaktif

Untuk Meningkatkan Kompetensi

Pelaku Usaha Kecil Pemula di

Provinsi Jawa Barat dan Banten

Sebagai Anggota Peneliti

Hibah

Unggulan

Perguruan

tinggi –

Desentralisasi

DIKTI

Rp

143.000.000



Masyarakat

Sumber

Pendanaan

Jumlah

(Juta Rp)

- - - - -


No. Tahun Judul Artikel Ilmiah Volume/ Nomer Nama Jurnal

1. 2014 PAKAR-UKM - Expert system

for SMEs using dynamic

knowledge base

Vol. 9, No. 12,

December 2014

(surat LoA

tanggal 18

September

2014)

ARPN

Journal of

Engineering

and Applied

Sciences



Halaman

Penerbit

- - - - -


No. Tahun Judul / Tema HKI Jenis Nomor P/ID

- - - - -

60





persyaratan dalam pengajuan Hibah Penelitian Kompetensi.


Pengusul

( Hadyan Mardhi Fadlillah ST.MMSI.MSc)

61

LAMPIRAN 3.

Publikasi dan HKI

The 4th National Conference on Industrial Electrical and Electronics (NCIEE) 2016

1

Purwarupa Deteksi Otomatis Situasi Darurat di

Jalan Bebas Hambatan berbasiskan Raspberry Pi Dr. Mohammad Iqbal, Dr. Rudi Trisno Yuwono

Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma

Jl. Margonda Raya No. 100, 16424, Depok, Indonesia

Email: {mohiqbal},{rudity} @staff.gunadarma.ac.id

Abstract – A System monitoring and analysis of the

highway traffic is the important system to collect statistical

data of vehicles and present the status of highway. This

system is very useful implemented in toll route that have

the high intensity of vehicle usage, because it can provide

information quickly and accurately for road management

system, as well as can inform directly to users in the road

so it can be more careful control of the vehicle and will

eventually be able to suppress the occurrence of accidents.

In this study, we built the prototype of monitoring and

analysis traffic system, that consists of algorithms accident

detection, congestion detection due to the accident, a

mechanism for storing and sending data to the control

center traffic manajemen system, and the mechanism of

automatic updates of information to traffic sign system to

alert other people in the road. Internal interoperability

methods for each module has been tested and can run with

the desired functions, but if applied in a real situation of

road requires some adjustments, especially in the use of

hardware interfaces that are more reliable and weather

proof, both the camera and the traffic sign board.

Keywords: Intelligent Transportation system, computer

vision, traffic accident detection

I. PENDAHULUAN

Tingginya tingkat kecelakaan lalu lintas di jalan

bebas hambatan yang menimbulkan banyak korban

jiwa dan kerugian materi yang cukup besar harus

segera dikaji dan dicarikan jalan keluarnya dari

berbagai pendekatan. Hal ini perlu dilakukan karena

penyebab kecelakaan lalu lintas itu amat bervariasi

sebagaimana disampaikan pada Undang-undang

Republik Indonesia Nomor 22 tahun 2009 tentang

Lalu-lintas dan Angkutan Jalan, yaitu : Kelalaian

pengguna jalan, ketidaklaikan kendaraan, dan

ketidaklaikan jalan dan/atau lingkungan.

Dalam beberapa penelitian telah dapat ditemukan

beberapa solusi untuk mengurangi penyebab

kecelakaan di atas, dimulai dari usaha-usaha

penangkalan kecelakaan yang diarahkan untuk

mengeliminir dampak-dampak negatif yang mungkin

akan timbul di jalan raya, melakukan pencegahan

kecelakaan yang diarahkan untuk mengamankan

kondisi yang potensial terhadap terjadinya kecelakaan,

dan cara-cara represif berupa penindakan terhadap

setiap bentuk pelanggaran kasus kecelakaan lalu-lintas.

Tiga hal ini lebih kepada pendekatan preventif agar

tidak terjadi kecelakaan.

Namun, ada satu pendekatan lagi yang harus

dilakukan ketika kecelakaan lalu lintas di jalan bebas

hambatan terjadi, yaitu penanggulangan kecelakaan.

Menurut Sutomo (2007) [5], terdapat tiga langkah

dalam penanganan kedaruratan kecelakaan, yaitu :

Kecepatan berita kecelakaan ke fasilitas pertolongan

pertama, kecepatan tanggap unit pertolongan pertama

untuk segera mencapai lokasi dan kualitas penanganan

korban.

Penelitian ini menitikberatkan kepada teknologi

yang dapat menunjang kecepatan penyampaian berita

kecelakaan ke fasilitas tim penolong dengan adanya

sistem pendeteksi kecelakaan berbasis visual. Dalam

dunia Intelligent transportation system (ITS) dikenal

dengan istilah automatic incident Detection (AID).

Penelitian ini merancang purwarupa berbasis mini PC

raspberry pi dengan kamera modul sebagai input video,

serta menggunakan fungsi-fungsi OpenCV sebagai

aplikasi untuk mendeteksi obyek kecelakaan mobil

dan kemacetan yang diakibatkannya. Luaran sistem ini

berupa tangkapan tampilan video real time dan

peringatan kecelakaan. Ketika terjadi kecelakaan, citra

akan diambil kemudian dikirim ke pusat kontrol

sebagai peringatan kepada petugas. Status kecelakaan

akan memicu sistem pendeteksi kemacetan yang

umumnya segera terjadi setelah insiden tersebut.

Selain itu juga, status kecelakaan atau kemacetan akan

dikirim ke sistem tampilan LED matrix (variable

message sign) sebagai informasi untuk pengguna jalan

yang lain untuk segera lebih berhati-hati untuk

mengurangi kecepatan.

II. KAJIAN LITERATUR

Mekanisme yang dibutuhkan dalam merancang

sistem tersebut, antara lain diperlukan komponen

pendukung seperti sensor yang dapat mendeteksi jenis

kendaraan dan penyimpanan data secara real-time. Di

antara berbagai sensor yang tersedia untuk mendeteksi

kendaraan yang dijabarkan pada penelitian Yuxin Liu

dan Xu Jia (2012) [7], sensor visual (kamera)

merupakan sensor yang paling banyak digunakan

karena memiliki komponen biaya yang efisien dan

memiliki kemampuan deteksi dengan akurasi tinggi

(penelitian Kristian Kovacic, Edouard Ivanjko and


2

Hrvoje Gold, (2013)) [1]. Kebanyakan algoritma

berbasiskan sistem visi komputer terdiri dari

serangkaian tahap pra-pemrosesan citra untuk

menyiapkan citra agar sesuai dengan spesifikasi yang

dikehendaki lalu setelah itu baru dapat masuk ke tahap

pengolahan citra untuk mendeteksi fitur-fitur yang

diinginkan dalam suatu citra (seperti kendaraan,

kemacetan, kecelakaan). Sistem ini diakhiri dengan

mekanisme pencatatan dan pengolahan data yang pada

ujungnya akan memberikan luaran berupa analisis

statistik even-even yang terjadi di jalan raya tersebut.

Tantangan utama pengolahan gambar video untuk

mendeteksi kendaraan ada 2 hal yaitu adanya variasi

yang amat banyak dari jenis kendaraan yang ada dan

adanya berbagai variasi tampilan fisik lingkungan

(seperti ukuran kendaraan dan bentuk, warna,

pancaran matahari, salju, hujan, debu, kabut, dan lain

sebagainya). Sedang tantangan lainnya biasanya

muncul dari kebutuhan sistem yang handal dan sistem

yang mampu menangani pengolahan cepat (M.

Bertozzi dkk,1999) [2].

III. METODE PENELITIAN

Metode penelitian yang dilakukan adalah metode

eksperimental untuk membangun purwarupa sistem

penunjang transportasi cerdas. Dalam penelitian ini

ada beberapa variabel yang dimanipulasi dan diteliti

akibat-akibatnya, yaitu penggunan algoritma untuk

mendeteksi kecelakaan, mendeteksi kemacetan akibat

kecelakaan tersebut, mekanisme penyimpanan dan

pengiriman data kepada pusat kendali lalu lintas dan

mekanisme otomatis alat peraga informasi lalu lintas

(traffic sign) untuk memberi tahu pengendara lain.

Ilustrasi sistem yang dirancang secara keseluruhan

dapat dilihat pada gambar 1.

Metode ini diawali dengan kegiatan studi pustaka,

dengan pengambilan data dari berbagai sumber,

seperti dari buku laporan lalu lintas di jalan tol yang

diambil dari situs web pengelola jalan tol, serta

beberapa kajian penelitian terdahulu untuk dijadikan

pedoman atau referensi dan acuan penelitian ini.

Setelah itu melakukan metode observasi, yaitu

melakukan pengamatan fungsionalitas dan

penggunaan alat/piranti yang berkaitan dengan sistem

guna membantu menentukan alat pendukung yang

akan digunakan pada sistem yang akan dibuat,

sekaligus melakukan perancangan alat beserta

program dengan berpedoman kepada sumber referensi.

Kemudian selanjutnya adalah pembuatan purwarupa

berdasarkan rancangan yang telah dibuat dan pada

bagian akhir penelitian adalah melakukan pengujian /

evaluasi terhadap alat yang dibuat.

Purwarupa alat pendeteksi kecelakaan ini dibuat

dengan menggunakan mini PC RaspberryPI sebagai

pusat pengolahan data video, dan kamera modulnya

sebagai alat input. Beberapa algoritma visi komputer

dirangkai dari fungsi-fungsi yang ada pada library

OpenCV dengan menggunakan metode berbasiskan

metode segmentasi berdasarkan thresholding sebagai

metode paling sederhana sehingga cepat dalam waktu

eksekusi, namun efektif sebagai metode deteksi

anomali-anomali fitur dalam citra untuk kemudian

diidentifikasi.

A. Perangkat Keras

Raspberry Pi merupakan sebuah Single Board

Computer (SBC) yang memiliki ukuran sebesar kartu

kredit sehingga dapat diinstalasikan bersamaan dengan

perangkat lain seperti kamera di alam terbuka dan

hanya memerlukan kebutuhan listrik yang tidak besar.

Pada awalnya Raspberry Pi ini dikembangkan untuk

mendukung proses pengajaran ilmu komputer dasar di

sekolah-sekolah dengan biaya yang minim. Namun

tingkat portabilitasnya membuat Raspberry Pi

merambah bidang IoT (internet of things).

Gambar 1. Gambaran Sistem Keseluruhan

Raspberry Pi versi 3 yang digunakan ini sudah

dilengkapi dengan prosesor 1.2GHz 64-bit quad-core

ARMv8, RAM sebesar 1GB dan juga sebuah GPU

Video Core IV. Dan untuk penyimpanan data,

Raspberry Pi dapat menggunakan SD Card, baik itu

untuk sistem operasi, aplikasi, program ataupun data-

data untuk penyimpanan data jangka panjang. Selain

mendukung koneksi jaringan melalui ethernet,

Raspberry Pi juga mendukung koneksi 802.11n

Wireless LAN, Bluetooth 4.1 dan Bluetooth Low

Energy (BLE).

Gambar 2. Raspberry Pi dan kamera Modul Raspberry Pi

Alat input sistem menggunakan modul Kamera

Raspberry Pi. Kamera yang dirancang khusus untuk

Raspberry Pi ini terkoneksi via kabel ribbon 15cm

melalui port CSI (Camera Serial Interface) pada

Raspberry Pi. CSI bus ini mampu bekerja dengan

kecepatan data yang sangat tinggi, dan secara

eksklusif membawa data pixel. Ukuran kamera itu


3

sendiri kecil, sekitar 25mm x 20mm x 9mm. dan

beratnya hanya 3gram, sehingga cocok untuk aplikasi

mobile atau lainnya. Sensor kameranya memiliki

resolusi native 5 megapixel, dan memiliki lensa fokus

onboard. Pada saat keadaan diam, kamera ini mampu

menangkap 2592 x 1944 pixel gambar statis, dan juga

mendukung 1080p30, 720p60 dan 640x480p60 / 90

pada mode video. Ilustrasi Raspberry Pi dan modul

kameranya dapat dilihat pada gambar 2.

Media penyimpanan pada purwarupa yang dibuat

ini memanfaatkan micro SD yang dipasang pada

Raspberry Pi. Sedangkan fungsi sistem untuk

melakukan koneksi ke jaringan komputer yang

digunakan dalam purwarupa ini adalah memanfaatkan

modul WIFI. Koneksi dilakukan antara 4 sub-sistem

yaitu pendeteksi kecelakaan, sistem pendeteksi

kemacetan, informasi pemantauan berbasis web dan

dengan alat peraga informasi lalu lintas LED matrik.

B. Perangkat Lunak

OpenCV (Open Source Computer Vision Library)

adalah sebuah pustaka perangkat lunak yang ditujukan

untuk pengolahan citra dinamis secara realtime, yang

dibuat oleh Intel, dan sekarang didukung oleh Willow

Garage dan Itseez. Kumpulan pustaka program ini

bebas digunakan dan bersifat open source dari lisensi

BSD. Pustaka ini merupakan pustaka lintas platform

sistem operasi dan didedikasikan sebagaian besar

fungsi-fungsinya untuk pengolahan citra pada

pengolahan visi komputer secara real-time. Fungsi

visual komputer yang ada pada OpenCV itu sendiri

adalah salah satu cabang dari Bidang Ilmu Pengolahan

Citra (Image Processing) yang memungkinkan

komputer dapat melihat dan memahami secara visual

apa yang tertangkap pada kamera. Dengan vision

tersebut komputer dapat mengambil keputusan,

melakukan aksi, dan mengenali terhadap suatu objek.

Dengan menggabungkan fitur dari semua komponen

tersebut dapat dihasilkan sebuah sistem yang dapat

membantu memonitor volume kendaraan serta

mengklasifikasikannya berdasarkan jenis kendaraan

pada jalan tol.

IV. HASIL DAN PEMBAHASAN

Terdapat empat tahapan penyusunan purwarupa

deteksi otomatis situasi darurat di jalan tol, yaitu

telaah algoritma deteksi kecelakaan dan algoritma

deteksi kemacetan, teknik pengiriman dan

penyimpanan data ke pusat kendali lalu lintas dan

mekanisme penyampaian informasi pada alat peraga

lalu lintas

A. Metode Adaptif Thresholding untuk Deteksi

Kecelakaan

Metode thresholding untuk mendeteksi suatu fitur

tertentu dari suatu citra adalah metode paling

sederhana dan tentu saja cepat dari segmentasi citra.

Metode ini adalah operasi non-linear yang mengubah

citra skala abu-abu menjadi gambar biner dimana

terdapat dua tingkat nilai piksel sebagai batas atas dan

batas bawah dari nilai ambang batas yang ditentukan.

Dua kondisi ambang ini yang disesuaikan dengan

keadaan situasi lalu lintas yang berbeda terutama

kondisi terang (siang hari atau cuaca cerah) dan gelap

(pada malam hari atau cuaca buruk). Dalam

penggunaannya, ada dua macam pendekatan

thresholding, yaitu global dan lokal. Thresholding

global adalah metode yang mengambil seluruh piksel

pada citra kemudian dikonversi menjadi hitam dan

putih dengan satu nilai threshold. Namun ini tidak

cukup mampu mendeteksi citra yang memiliki

perbedaan di kondisi pencahayaan di area yang

berbeda. Oleh karena itu dibutuhkan metode adaptif

thresholding yang merupakan pendekatan

thresholding lokal, dimana algoritma akan

menghitung threshold di wilayah kecil dari citra

sehingga akan didapatkan perbedaan threshold di

lokasi yang berbeda dalam citra yang sama sehingga

mendapatkan hasil yang lebih baik untuk citra yang

memiliki variasi iluminasi cahaya. Adaptif histogram

yang diterapkan dalam penelitian ini berasal dari

penelitian Yasira Beevi and Dr. S. Natarajan (2009)

[6], karena amat responsif untuk digunakan pada data

video real-time. Tahapan deteksi kecelakaan berbasis

threshold adalah, melalui 3 jenis mode :

1- Mode baseline : situasi dimana kamera tidak

menangkap ada perubahan cahaya dan bayangan.

prinsip kerjanya adalah mendeteksi perubahan

dan meregistrasi citra background. pengamatan

dilakukan dengan melihat perbedaan frame pada

frame yang tercatat pada buffer kamera kemudian

dihitung threshold-nya. langkah selanjutnya

adalah melakukan registrasi citra latar

(background) yaitu mengekstrak informasi

background dari urutan video, lalu perbedaan

background yg ditemukan di tandai (mask) untuk

memisahkannya dengan obyek yang dideteksi

(dalam hal ini kendaraan yang bergerak), hasil

deteksi di proses dengan cara mengeliminasi

noise dan menghaluskan batas-batas obyek.

2- Mode pemisahan area bayangan. Metode ini

dibutuhkan karena bayangan akan dapat

mengakibatkan kegagalan segmentasi obyek.

Caranya adalah melakukan filterisasi pada

gradien yang terjadi pada citra dengan teknik

erosi, lalu mempertebal batas-batas obyeknya.

3- Mode adaptif threshold yang digunakan adalah

menghitung threshold setiap blok citra

berdasarkan sebaran daerah yang mengalami

perubahan (Region of change-ROC) dan merata-

ratakannya dengan seluruh threshold di blok

tersebut untuk mendapatkan nilai threshold global.

Output Dn dari deteksi perubahan mode baseline

dalam waktu n dibagi menjadi blok berukuran sama K.

lalu algoritma estimasi pencaran ROC diterapkan,

ketika setiap blok citra Wk, dimana k={1,2,..,K}

ditandai sebagai blok yang mengandung ROC yaitu

atau blok yg tidak mengandung ROC yaity .


4

Threshold dari dihitung menggunakan

algoritma tes statistik noise. sedangkan threshold

dari dihitung menggunakan metode threshold

noise-robust. Maka threshold Tk dari Wk dalam Dn

didefenisikan sebagai persamaan 1.

(1)

Sedangkan threshold global Tn dari output

perbedaaan citra Dn dapat dijabarkan dalam

persamaan 2.

(2)

Ketika ukuran dan kecepatan obyek, noise dan

perubahan lokal dalam video akan berakibat pada

histogram Wk, momen pertama histogram yang

didapatkan akan digunakan untuk mengestimasikan

pencaran ROC sebagai fungsi estimasi yang adaptif

pada karakteristik tersebut.

ROC di Dn secara umum berpencaran melalui

blok citra K. Ketika i adalah piksel di Dn yang

bervariasi dari 0-255, i akan tinggi jika ROC berubah

cepat seperti pergerakan mobil yg sangat cepat

sehingga ada perubahan iluminasi yang signifikan.

Selain itu i akan rendah ketika terjadi perubahan amat

kecil seperti yang diakibatkan noise dan perubahan

iluminasi yg sangat kecil.

Momen pertama mk dari histogram tiap blok Wk

dijadikan sebagai pengukuran jika blok citra tersebut

mengandung ROC. Jika mk dari Wk lebih besar dari

threshold Tm, blok citra mengandung ROC, dan ditulis

sebagai , selain itu ditulis sebagai

sebagaimana dijabarkan dalam persamaan 3.

(3)

Adaptasi yang dilakukan dalam algoritma ini adalah

pengaturan tingkat ambang threshold global untuk

pengamatan kecelakaan pada siang dan malam hari.

Untuk mendeteksi kecelakaan pada siang hari yaitu

dengan menandai objek tidak wajar seperti munculnya

objek asap atau debu yang memiliki ukuran lebih

besar dari objek kendaraan. Dari hasil pengamatan

dari beberapa video kecelakaan, nilai ambang

threshold pada siang hari ada pada pada angka batas

bawah dan atas (83, 255). Sedangkan untuk

mendeteksi kecelakaan pada malam hari, maka

ambang threshold ada pada angka (100, 255). Ilustrasi

hasil pengujian situasi aman dan kecelakaan pada

siang hari dapat dilihat pada gambar 3 dan 4,

sedangkan untuk kejadian pada malam hari dapat

dilihat pada gambar 5 dan 6.

Gambar 3. Kondisi Aman Siang Hari

Gambar 4. Kondisi Kecelakaan Siang Hari

Gambar 5. Kondisi Aman Malam Hari

Gambar 6. Kondisi Kecelakaan Malam Hari

B. Metode berbasis Area untuk deteksi kemacetan

Algoritma mendeteksi kemacetan berbasiskan visi

komputer cukup banyak ditemukan dari penelitian-

penelitian yang sudah dipublikasi, ada deteksi

menggunakan neural network, fuzzy, dan morfologi

deteksi tepi, dan ada juga yang membandingkan dua

citra, yang satu sebagai referensi berisi citra dengan

tanpa adanya kendaraan atau sangat sedikit kendaraan.

Ada juga algoritma berbasis deteksi jalur (lane) dan

menghitung jumlah kendaraan dalam jalur dengan

alokasi waktu tertentu.

Pada umumnya, langkah-langkah mendeteksi

kemacetan dapat dijabarkan sebagai berikut :


5

1. Menentukan Region of Interest (ROI) dan

memilih area tersebut sebagai fokus

pengamatan.

2. Melakukan binerisasi dari fitur citra yang

tertangkap pada area yang sudah ditentukan,

dan memberi tanda fitur-fitur yang dipilih.

3. Melakukan perhitungan (counting) fitur

tersebut dari batas awal sampai batas akhi r area

yang dipilih.

4. Jika ditemukan banyak kendaraan yang berada

dalam suatu area dan tidak berubah dalam

waktu beberapa saat yang ditentukan, maka

bisa diindikasikan telah terjadi kemacetan.

Langkah 1 di atas sudah dilakukan menggunakan

mode baseline yang sudah dijabarkan di bagian awal.

Sedangkan algoritma deteksi kemacetan yang

digunakan dalam penelitian ini, mengadaptasi

algoritma yang dilakukan Naeem Abbas, Muhammad

Tayyab, dan M.Tahir Qadr (2013) [3]. Karena dapat

bekerja efektif mendeteksi kemacetan dengan baik dan

relatif cepat. Ilustrasi pengujian algoritma pendeteksi

kemacetan ini dapat dilihat pada gambar 7.

Gambar 7. Percobaan deteksi pada dua area jalur (lane) berbeda

yang bisa di atur (atas), deteksi Kondisi Kemacetan (tengah) dan

kondisi lancar (bawah) pada scene lalu lintas yang berbeda

C. Konektifitas sistem visual sensor dengan alat

peraga lalu lintas(traffic Sign) berbasiskan Led

matrix

Traffic Sign merupakan alat yang digunakan

sebagai penanda atau petunjuk lalu lintas. Alat ini

umumnya dibuat menggunakan plat bergambar

menggunakan LED matrix. Dalam penelitian ini,

dibuat suatu LED Matrix yang dapat dikendalikan

otomatis berdasarkan status dari sensor visual

pendeteksi kemacetan dan sekaligus dapat pula

dikendalikan secara manual oleh para pengelola jalan

tol. Sistem ini dibuat untuk dapat segera

menginformasikan kepada para pengendara lalu lintas

untuk berhati-hati karena telah terjadi kemacetan atau

kedaruratan di depan mereka. Purwarupa sistem ini

dibuat menggunakan Arduino board untuk mengatur

tampilan pada LED matrix, dan input menggunakan

Bluetooth Modul HC-05 sebagai media transmisi

manual, dan untuk menyambungkan Raspberry Pi ke

Arduino board menggunakan kabel USB. Ilustrasi

sistem keseluruhan dapat lihat pada gambar 8.

Gambar 8. Koneksi Raspberry Pi dan Arduino untuk aplikasi

pada Traffic Sign

D. Konektifitas dengan Ruang Pemantauan jalan Tol

Konektifitas antar sub-sistem pada purwarupa ini

memanfaatkan infrastruktur jaringan komputer

intranet menggunakan wireless LAN. Masing-masing

node kamera pemantau Raspberry Pi akan membagi

data stream melalui server web dan dipancarkan

melalui access point, kemudian modem router akan

mengatur dan melanjutkan data sampai dapat diakses

di ruang pemantauan. Data-data tersebut diakses

menggunakan browser web melalui link yang

disediakan. Ilustrasi konektifitas jaringan komputer

dapat dilihat pada gambar 9.

Gambar 9. Koneksi Raspberry Pi dengan ruang pemantauan lalu

lintas jalan tol

V. KESIMPULAN DAN SARAN

Pada purwarupa sistem deteksi kecelakaan, secara

visual, insiden yang tertangkap oleh kamera dapat

terdeteksi sebagai insiden dengan menggunakan

metode adaptif tresholding dengan cara mengenali


6

objek gambar berupa asap, debu, dan api. Hal ini

dapat diterapkan baik pada siang hari maupun pada

malam hari.

Purwarupa sistem pendeteksi kemacetan yang

dibuat dengan sistem menghitung jumlah kendaraan

pada jalur tertentu di jalan, objek berupa kendaraan

bermotor dengan mudah dapat diidentifikasi secara

realtime. Selanjutnya koordinat obyek tersebut dapat

ditandai dengan persegi empat untuk mengenali

kendaraan bermotor atau bukan. Ketika objek

tersebut melewati garis pembatas pertama, akan

membuat objek terhitung. Dari total objek yang

terhitung akan menjadikan data untuk menentukan

status kepadatan pada jalan tersebut.

Purwarupa display Led Matrix yang digunakan

masih terbatas untuk jumlah data yang tidak lebih dari

200 karakter. Hal itu disebabkan keterbatasan memori

pada mikrokontroller Arduino Uno yang hanya dapat

menampung sekitar 32kb data. Oleh sebab itulah

untuk situasi yang lebih besar, memperhatikan jumlah

memori yang tersedia amat penting untuk dapat

menampilkan informasi yang cukup bagi pengguna

jalan.

Untuk dapat diterapkan dalam dunia nyata,

pendekatan implementasi Purwarupa hasil Penelitian

ini dapat dijabarkan sebagai berikut :

1. Langkah awal untuk penerapan sistem yang

dirancang ini adalah dengan melakukan kajian

daerah rawan kecelakaan di jalan bebas

hambatan. Kajian seperti yang pernah dilakukan

Priyo Dwiyogo (2006) [4] yang mengidentifikasi

daerah yang mempunyai angka kecelakaan

tinggi, resiko dan potensi kecelakaan yang tinggi

pada suatu ruas jalan, misalnya geometrik jalan

yang tidak memenuhi syarat, seperti tikungan

ganda dengan jarak pandang terbatas, lebar jalan

yang terlalu sempit dan tidak mempunyai bahu

jalan atau dalam jalan bebas hambatan jalan

lurus panjang. Kajian daerah rawan kecelakaan

ini dibutuhkan untuk menentukan penempatan

kamera, sehingga dapat efektif melingkupi area-

area yang perlu selalu harus dipantau.

2. Langkah selanjutnya adalah memilih dan

menginstalasi sistem kamera CCTV yang sesuai

dengan situasi dan alam tropis, dapat beroperasi

pada siang hari dan malam serta dalam kondisi

cerah dan hujan. Spesifikasi kamera yang dipilih

adalah perangkat kamera yang dapat diakses

melalui jaringan komputer. Hal ini akan lebih

memudahkan untuk melakukan interkoneksi

dengan sistem yang dirancang ini. Begitu juga

Tingkat ketinggian, dan lokasi tempat kamera

yang dipasang harus aman dari cuaca maupun

dari vandalisme. Hal ini berlaku pula untuk

menentukan area pemasangan traffic sign.

3. Interkoneksi antar sub-sistem agar dapat

menjangkau jarak yang jauh dapat

memanfaatkan koneksi selular atau access point

high power outdoor system yang dapat

mencapai puluhan kilometer dengan

penambahan antena yang berdaya jangkau luas.

4. Media penyimpanan untuk perekaman real time

jika dibutuhkan bisa memanfaatkan sistem DVR

(digital video recorder) menggunakan

interkonesi jarak jauh, karena perekaman video

ke lokal micro SD pada raspberry pi sangat

terbatas kapasitasnya.

5. Langkah terakhir adalah melakukan penyesuaian

perangkat lunak dengan sistem kamera,

membuat antarmuka yang komunikatif dengan

user di pusat pemantauan lalu lintas dan

melakukan pemantauan terhadap sistem yang

sudah berjalan sesuai dengan kaidah sistem

monitoring Trafik jalan raya.

VI. UCAPAN TERIMA KASIH

Penelitian ini dibiayai oleh kemenristek DIKTI

dalam skema penelitian Desentralisasi Unggulan

Perguruan Tinggi Universitas Gunadarma, periode

tahun 2016. Ucapan terimakasih Bagian Penelitian

Universitas Gunadarma dan kepada seluruh tim yang

terlibat dalam penelitian, yaitu : Akbar, Rachmat

Sampurna, Rendi Nurcahyo dan Yogi Setiawan.

DAFTAR PUSTAKA

[1] Kristian Kovacic, Edouard Ivanjko and Hrvoje Gold, Computer Vision Systems in Road Vehicles: A Review,

Proceedings of the Croatian Computer Vision Workshop,

2013 [2] M. Bertozzi, A. Broggi, and S. Castelluccio, “A real-time

oriented system for vehicle detection,” Journal Of Systems

Architecture, pp. 317–325, 1999 [3] Naeem Abbas, Muhammad Tayyab, M.Tahir Qadr, Real

Time Traffic Density Count using Image Processing,

International Journal of Computer Applications (0975 – 8887) Volume 83 – No 9, December 2013

[4] Priyo Dwiyogo, Radityo Heru Prabowo, Studi Identifikasi

Daerah Rawan Kecelakaan (BLACK SPOT dan BLACKSITE)

Pada Jalam TOL Jagorawi, Skripsi Universitas Diponegoro,

2006

[5] Sutomo, Heru. Dkk., 1-2-3 Langkah : Menempatkan Kembali Keselamatan Menuju Transportasi yang

Bermartabat, Artikel Masyarakat Transportasi Indonesia,.

Jakarta, 2007 [6] Yasira Beevi and Dr. S. Natarajan, An efficient Video

Segmentation Algorithm with Real time Adaptive Threshold

Technique, International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 2, No.4, December

2009

[7] Yuxin Liu dan Xu Jia, Common Vehicle Detectors of Highway Performance Comparison and Development Trend

Analysis, 2nd International Conference on Materials,

Mechatronics and Automation Lecture Notes in Information Technology, Vol.15, 2012

RESEARCH ARTICLE XXXXXXXXXXXXXXXXX

1

Copyright © XXXX American Scientific Publishers Advanced Science

Letters

All rights reserved Vol. XXXXXXXXX

Printed in the United States of America

Human Body Motion Similarity Analysis Using

Markerless Motion Capture System

Mohammad Iqbal, Yulia Chalri, Robby Candra 1

1Faculty of Computer Science and Information Technology

Department of Informatics Engineering Gunadarma University, Depok, Indonesia

The similarity analysis system of the human body motion is needed at modern sport (e.g martial art, aerobic) or dancing

school. It can be uses as evaluation tools for instructor, to measure a similarity the student movement with the reference

movements that are taught by the instructor. In many computer vision research, this system work with multiple camera and

need a lot of series sensor attached in human body. This motion capture system requires a careful and precision of camera

calibration, also make the actors uncomfortable with many sensors mounted on the whole body. For that reason, in this study,

we used a technology that be able to support the evaluation process of human’s movement, without any sensor attached in

human body (markerless). One of the available technology is the microsoft Kinect camera. It has a markerless motion capture

technology which can record the human’s movement without any wearable sensors or equipment during the motions so the

model can move conveniently. The evaluation of the similarity motion was done by calculating the joint angle and

angular velocity of the motions which is showed from the graphics of every joint with cosine similarity methods by

calculating the cosinus angle from two compared variables. Result of motion angle’s measurement in aerobic, the average

similarity value reached 81.12%, and velocity measurement value reached 86.19%.

Keywords: Human body motion capture, microsoft kinect, Similarity analysis system, cosine similarity.

1. INTRODUCTION

Motion capture is the recording process of motion from object or people. Capturing the motion will generate animation motion similar as actor or object motion. Currently, motion capture has become the most effective techniques for making animation in order to simplify and accelerate the process of making 3D animation object that has a shape like human. Motion capture can be applied to various aspect such as military, entertainment, sport, medical applications, and for validation in computer vision and robotics field.

Markerless motion capture system has long been investigated in the field of computer vision, with most studies focusing on using multiple cameras to capture user motions or appearances. Lately, Microsoft has released a product Kinect [4], inexpensive real time capture systems have drawn attention.

*Email Address: [email protected]

Kinect sensor is a technology created by Microsoft that can detect human gestures for various purposes, such as a controller using body motion, education, games, and also rehabilitation. The sensor is able to detect human motion based skeleton tracking and detecting the shape of the human body using depth sensor and camera RGB (Red Green Blue). By utilizing capabilities this sensor, we can build a system in which the actors can rate motion and position by comparing with role model data that already saved. This will increase the equivalence position performed by the actors. Our research conducted by making a motion capture system that is implemented to analyze human body motion through comparison with a reference motion. Motion performed from the actor was captured with a motion capture system for analysis rhythm of motion that includes angle, velocity and acceleration of the motion then evaluated similarity with cosine similarity method. The result of the similarity can be analyzed whether the actor motion in accordance or not with the reference motion. [9]

Adv. Sci. Lett. X, XXX–XXX, 201X RESEARCH ARTICLE

2

The scope of this research is to get the BVH (Bio Vision Hirarchy) data [8] in real time motion using Kinect SDK 1.8. Motion data obtained from Kinect with 2 meters distance between the actor and the camera. The obtained data processed in system then transformed becoming stickman motion model using OpenGL. The motion similarity assessment of the position and rotation skeleton between the reference and the actor is the final result.

2. MOTION CAPTURE SYSTEM

Most of research utilizing motion capture technology

is focused on the purpose of the motion analysis. One of

the study about human body motion analysis is used to

dance training research [2]. Dancers can practice using

visualization of the movement who was captured by

optical motion capture system using these system. Layout

of the 3D viewer and the actual movement of the dancers

can be seen on Figure 1.

Figure 1. Dance Training, left: Layout from 3D viewer

Right: Actual movement from dancer. [2]

Noiumkar, et.al. (2013) [6] conducted the research of

optical motion capture in sports science to analyze the

movement in golf sport. The research describes the

techniques of swinging golf club. However, in this

research there was no analysis of the angle and velocity.

Other research is done by Ajicahyadi (2014) [1], who

conducted the research of markerless motion capture

using Kinect Xbox 360. This study succeeded in capture

skeleton position and calculate the angle difference

between actor and reference from karate models. In this

research, the application can capture the angle or position

of the bones as much as one and could not capture the

motion.

2.1. The Applied System

The process of evaluating the motion in sport,

dancing, martial arts activities etc. has been conducted by

the instructor in direct way. It means the instructor

examine and evaluate every motion which has been done

by the students at the same time they see each other. It is

done regularly everytime the students have a practice

together. The motion evaluation can be done in an easier

way by utilizing the motion capture technology, where the

students not to perform any motion in front of the

instructor but in front of the certain camera. The system

which will be created can be seen on figure 2.

Figure 2. Applied System

In figure 2, we can see the stage in this research. The

similarity analysis system production is done by develop

a computer application so the actor’s movement and the

reference’s motion can be visually displayed on the

screen. The evaluation of the motion is done by

quantitatively calculating the value from the angle and the

velocity, also from the angle’s acceleration to obtain the

similarity levels of the examined motions.

2.2. Systematical Requirement Analysis

In the motion’s evaluation process, the instructor

distributes his knowledges and experiences during his

teaching of any particular motions to their students by

giving advices. The simple illustration of the evaluation

process is ; the instructor ask directly to their students to

make a certain motion. If the motion is thought to be

incorrect then he will show the right motion as correction.

This process can be accelerated by adding the one or

more teachers or instructors therefore the required time in

correcting the students wrong motion can be shorter. By

additional helps the practice will be more efficient.

However not all institutions are able to add more

instructors to support the teaching activity. In order to

solve that problem we can use motion similarity

application which can be independently conducted by the

students without any helps from the instructor, however it

isn’t meant to replace the instructor positions as the main

educational source.

The Kinect camera sensor can read the human’s

motion by detecting any visible joints as shown in Figure

3 thirteen (13) main joints in human’s body will be used

as comparison data, including wrists, elbows, shoulders,

hips, knees, ankles left and right, and neck. For three

other spots or points rather than those joints such as

shoulder center point, spine point and hip center point

although they’re readable by the Kinect sensor, they are

not used in the evaluation process.


3

Figure 3. The Skeleton Tracking on Human’s Anatomy

[4]

The application requirements which are needed to be

prepared such as hardwares for output, data processing

and human’s detector position sensor. Hardware for

output application can be using monitor or projector, and

for the data processing we need a computer which will

transform the data to be the information needed, and the

last thing is the Kinect sensor to capture the human’s

position and transform it to be a digital data.

This application will create information in form of a

punctual motion value and the evaluating value. These

values are obtained by averaging the balance of every

joint’s angles. The recording process is begun when the

teacher is ready to perform certain motion in front of

Kinect sensor. Afterwards, the students take turn to do the

desired motion. The data will be saved automatically in

the computer and then the system will be able to do the

motion similarity evaluation process by taking the saved

data. From now on the students will be called as Actor

and the instructor as Reference, and on the other hand the

user is one who operates the application. As described

before, it can be concluded that the application system

which will be built has some required specifications such

as:

1. The application should be integrated with the Kinect

sensor and should be able to read the records of

Kinect sensor.

2. The application should be able to compare the

records between the reference model and the actor

model.

3. The application should be able to perform the

information to the user.

3. SIMILARITY ANALYSIS METHOD

The motions may vary based on the requirement,

where motions of every body parts produce different

angles. Due to this reason, the parameter used in this

research is limitation at the angle from body parts, angle’s

velocity and the angle’s acceleration.

3.1. The Parameter of Motion Angle

The angle which is used is the one between

skeleton and other skeleton beforehand. The measurement

of motion angle is used by measuring the relative angle

which is by measuring two closely placed skeletons. The

illustration of measured relative joint’s angle (such as on

elbow, thigh and knee joints) can be seen on Figure 4 left

side.

Figure 4. The measurement of relative joint’s angle (left)

and 3D coordinate (right)

The obtained data from BVH [9] is only in form of initial

distance and rotation of each skeleton, so calculation to

determine the location of every joints is needed, based on

the rotation in each axis. The angle from the motion can

be presented in 3D coordinate. The rotation matrix is

using the right-hand system. The positive angle is on

same direction as finger’s fold way when the right hand is

directed to positive coordinate. The rotation angles by

rotate axis axis-x, axis-y and axis-z are symbolized

continuously by ω, φ, and ҡ. Figure 4 right side shows the

coordinates used to calculate angles.

The rotation process follows below sequences:

1. Rotation towards axis-X (ω),

2. Rotation towards axis-Y (φ),

3. Rotation towards axis-Z (ҡ)

After conducting the skeleton’s rotation based on

each axises, then we will obtain the coordinate of every

joints. To calculate the angle between two skeletons

requires three points of joints which is located on both

skeletons.

3.2 Locate the Position in the Coordinate Axis

The coordinate position of skeletons is needed to

calculate the angles formed by the two skeletons. There is

no skeleton’s coordinate in the BVH file, however the

existing data expressed as the skeleton’s hierarchy. The

offset of each skeletons based on hierarchy, amount of

frames and the channel contains the skeleton’s rotation

data towards x, y and z axises. Method to locate the

position in the coordinate axis is can be seen at Guerra F.

G., (2005) [3].


4

The obtained position of skeleton in coordinate

will be used for angle’s calculation. To calculate the angle

among the skeletons needs the the coordinates of the

joints, the parent’s joints and the child’s joints is by using

cos θ. Algorithm in obtaining the angle can be described

at [3].

3.4 The Parameter of Motion Velocity

After calculating the angle, then we need to

calculate the angle velocity. It is defined as the angle’s

change per time unit, and as vector unit which is also the

rotation velocity of an object. The vector direction of

perpendicular angle towards rotation field in direction is

determined by right hand rule. If ω is angle velocity, and

θ is angle, then the angle velocity is:

with dθ is angle change and dt is time change.

3.5 The Parameter of Motion Acceleration

Angle’s acceleration is defined as change rate of

an angle’s velocity. It indicates how fast an angle’s

velocity changes per a time unit. If α is angle’s

acceleration, and ω is angle’s velocity, then angle’s

acceleration is

3.6 Motion Similarity Calculation

Figure 5. Reference movement for T-pose (upper left),

marching (upper right), bicep curl (lower left) and lunges

(lower right)

The motion similarity calculation used is cosine

similarity [5]. It is used to see the relationship between

two curves or graphs. Each curve will be divided into

some parts based on x axis, and each part will be vector.

The obtained vectors will be compared with the other

vectors whose same x coordinate. To calculate the value

of cosθ, for each vector pairs using

Then calculating the average of cosine similarity. The

result will produce value between -1 until 1. If it’s 1 then

both vectors are same or going in same way. It will be 0 if

both vectors form the 90 degree angle, and will be -1 if

both vectors are in contrast way.

4 EXPERIMENTAL RESULT

The motion capturing is conducted to get the BVH file which will be compared similarity [7]. First, the reference model stands in the T-pose before starting any motion as shown on Figure 5 upper left. Motions to be performed in this research is a basic aerobic. The movement is marching (or walking in place), bicep curl (a bending movement on elbow joint and straighten), and the lunges (pushing foot motion alternately left and right as the body direction), the screenshot can be seen on figure 5. The motion is begun when the user gives instruction or the model can see it himself the system readiness to record.

The skeleton on figure 5 shows that the motion capturing from the reference model is appropriate with the stickman position which had been recorded on BVH file. Next step is the recording motion of the actor model as shown on and Figure 6. The screenshots were taken on the same frame as on the reference model.

Figure 6. Actor movement for T-pose (upper left),

marching (upper right), bicep curl (lower left) and lunges

(lower right)

Similarity analysis of the motion can be done by visually

observing and obtaining the calculation result from the

angle’s average and from angle’s velocity of each joints.

Figures 7 show the visualization example of motion on

the system that had been made using the feature to display

the data of motion angle on the left side. The visualization

model from the left side is the motion data from reference

model and on the right side is the motion data from the

actor model.


5

Figure 7. Compare Result BVH for marching (upper

left), bicep curl (upper right) and lunges (lower center)

Besides showing the movement in form of stickman and

angle’s calculation result of every joints, the end result of

similarity also can be showing the angle’s similarity and

velocity from both models. Figure 8 ilustrating the

similarity display between both motions.

5. CONCLUSIONS

The markerless motion capture system and similarity analysis of the human’s body motion has been develop in this research as computer application. This application can be implemented to any fields in which needs the coaching persons to evaluate the students motion such as martial arts, aerobics and dancing. It doesn’t mean to replace the intructor/coach position for evaluation task, but this application can be used to help reducing the work of a teacher with many students.

Figure 8. Similarity result for bicep curl

The aquired data is presented in BVH (BioVision

Hierarchy) format. This BVH file is compared between the instructor’s and student’s files to obtain similarity. The similarity measured is the motion angles and velocity angles of each joints and its average. Evaluation result in this research using the cosine similarity method showed that the analyzed motions had high similarity level. The parameter of motion angle’s measurement, the average similarity value reached 81.12%, and for the parameter of velocity measurement, the average similarity value reached 86.19%.

The motion capture system in this research still has several flaws such as it can not record the high speed motions and it can not evaluate the crossed-positioned

skeletons precisely.

5. FUTURE WORK

The suggestion for the next development, is using

two or more calibrated Kinect sensors to create one joint

point. So, the BVH position will be more accurate. In the

other side, for visualization of similarity analysis can be

developed by 3D model therefore the visualization will

become clearer. This system is also can be implemented

widely in other fields such as Intelligent Transportation

System (ITS). Using depth information ability in kinect

system, seemed to be a very promising novel approach

in real-time application. For instance, in ITS field, Kinect

sensor system can be uses as vehicle tracking, pedestarian

detection, obstacle detection on the road, road event

detection (congestion, accident), or as Assistive driving

tools, such as driver distraction detection or navigation.

ACKNOWLEDGMENTS

This work was supported by Gunadarma University

and Ministry of Research, Technology and Higher

Education of the Republic of Indonesia in Research

schema “Penelitian Unggulan Perguruan Tinggi”. Thanks

for all researchers and student for the hard work in this

research, specially to Ega Hegarini and Otto.

REFERENCES

1. Aji Cahyadi, “Rancang Bangun Aplikasi Penilaian Posisi

Karate Menggunakan Teknologi Sensor Kinect”

Undergraduate Thesis, Dept. Information Management and

Technology, STIKOM, Surabaya, 2014

2. Chan. J. C. P, Leung. H, Tang. J. K. T, and Komura, T “A

Virtual Reality Dance Training System Using Motion

Capture Technology” IEEE Transaction on Learning

Technologies, vol.4 no.2, pp. 187-195, 2011

3. Guerra F. G., “Optical Motion Capture: Theory and

Implementation,” Journal of Theoretical and Applied

Informatics, vol. 12, no. 2 , p61-89, 2005

4. Microsoft, Kinect for Windows Sensor Components and

Specifications, [Online]. Available:

http://msdn.microsoft.com/en-us/library/jj131033.aspx

[Accessed 24 December 2015].

5. Nogueira Pedro, Motion Capture Fundamentals (A Critical

and Comparative Analysis on Real-World Applications),

Porto University, Portuguese, 2011

6. Noiumkar. S, and Tirakoat. S, “Use Optical Motion Capture

in Sport Science: A Case Study of Golf Swing”, Informatics

and Creative Multimedia, pp. 310-313, 2013.

7. Catuhe. David, Programming With The Kinect For Windows

Software Development Kit, Washington: Microsoft, 2012

8. Meredith. M and Maddock. S, “Motion Capture File Formats

Explained”, 2005. Available:

http://www.dcs.shef.ac.uk/intranet/research/public/-

resmes/CS0111.pdf [Accessed 19 December 2015]

9. Zheng.S. Q, Li. Chuanjun and Prabhakaran. B.,

“Segmentation and Recognition of Motion Streams by

Similarity Search”, University of Texas, Dallas Vol. 03, No.

03, 08, pp 1-26, 2007


1

Copyright © XXXX American Scientific Publishers Advanced Science

Letters

All rights reserved Vol. XXXXXXXXX

Printed in the United States of America

Realtime Stereo Vision for Vehicle Detection,

Classification and Counting Using Raspberry Pi

Dr. Mohammad Iqbal, SKom, MMSI., Dr. Rudi Trisno Yuwono SKom, MM., Hadyan Mardhi Fadlillah ST, MMSI.MSc., Sigit

Widiyanto, ST, MMSI, MSc. 1

1Faculty of Computer Science and Information Technology

Department of Computer Engineering Gunadarma University, Depok, Indonesia

Abstract— In Indonesian toll road system, still found the lack of information on the number of vehicles passing through to

the road in realtime. This is caused by the absence of detection and vehicle counting system that work in realtime applied on

the road toll and this situation can cause difficulties to controll the traffic on the toll road. Therefore, it necessary to study an

automated system that works in realtime doing precisely identifying the type of vehicle and calculate it. In this research, we

built a prototypes of visual based vehicle detection, classification and counting, made using mini PC Raspberry Pi as the

central processing, and USB camera modules as input devices and arrange in Stereo System to reduce the inability to detect

vehicles behind another vehicle. Some algorithms of computer vision assembled from the functions that exist in the library

OpenCV. For realtime segmentation method using Haar-like features, then we uses that found features as reference from

every stereo images and apply the ratio test to find the best matches, and extract the locations of matched keypoints in both

the images. RANSAC algorithm is used to minimize errors that occur after matching. So best matches which provide correct

estimation (inliers) and throw out remaining outliers. The results showed improvements of vehicles that can be detected and

counted.

Keywords: vehicle detection, classification & counting, Intelligent Transportation System, openCV, Raspberry Pi.

1. INTRODUCTION

Volume of vehicles information passing on the toll road is needed by operator of toll roads, transportation and traffic department and also for local governments. This data widely used for calculating the density of vehicles, counting the frequency of vehicles, calculating average pollution, can also be used as a reference for the improvement of existing roads, widening of the road, new roads development, and the arrangement of traffic signs, etc. The function of toll road is not only a freeway, but also as a gateway between cities and provinces. Uncontrolled flow of vehicle traffic can result in severe congestion along the road. In order for tolls to operate optimally, the flow of the traffic needs to be controlled intensively. One of the possible way to do this is by achieving information of the number of vehicles on the highway.

*Email Address: [email protected]

To address this problem, we need a system that can automatically classify classes of vehicle and calculate the number of vehicles entering and exiting in toll road.

2. RESEARCH METHOD

The research method used in this study is experimental methods to build a prototype Intelligent Transportation System (ITS) Visual based vehicle detection, classification and counting. It started with the literature study, collecting data from various sources, such as annual report book Toll road Traffic taken from the web site Indonesian toll roads operators, as well as data from previous research studies to be used as a guide or reference this research. The next step is doing an observation about functionality and the use of devices or tools associated in visual based method such as camera, and many visual algorithm that will be used on a system. Then, we built the prototypes based-on design and at the end of the study we start doing a test and evaluation.


2

2.1. Visual based Vehicle Detection System

In the real time traffic monitoring systems, data can come from a various sources like the ultrasonic detectors, loop detectors, radar sensors, microwave sensors, or video cameras. Due to the lastest acheivement in computer vision and image processing field, the video cameras have been found to be an efficient technique to collect and analyze the traffic data.

Vehicle detection is the second step in video based analysis in ITS applications after image acquisition [2]. Current methods of vehicle detection are already accurate and robust, therefor researches for the next step are influenced, which is vehicle recognition. The research technique in this field was divided into; motion based and appearance based [4]. Segmentation techniques based-on motion is using movement characteristic to separate moving vehicles from stationary background image. On the other hand, appearance based techniques is extracting features from appearance of the vehicle like color, texture & shape to distiguish the vehicle from the background.

Fig. 1. Hierarchical Vehicle Surveillance

Previous research of vehicle detection step using appearance based explained the popular feature descriptors have been used to describe the vehicle’s visual appearance is begin from the simple method based-on histogram, but it sensitive to size the vehicle and the change of illumination. Then the improved method based-on histogram found, namely histogram of oriented gradient (HOG) [1]. This method is based on the count of the occasions of gradient orientation of portions of image. HOG features sensitive to geometric and illumination invariance, and efficient in computational. SIFT [7] however, has the advantages because of its invariance to scaling and rotation, it is also invariant to affine projection and changes of illumination. SIFT work by considering local edge orientations around stable keypoints. Another descriptor is Haar-like features, which subtracts the sum of pixels from the rectangles over an image patch [3]. Structure in rectangular of Haar-like features is founded very efficient to compute, making this method work properly for real-time applications to representing rigid moving objects such as vehicles in the road.

2.2. Hardware System

The hardware used in this prototype system consists of Raspberry – Pi 3 model B board, a USB webcam and power supply, that are arranged in stereo System.

Raspberry Pi is a small sized single board computer with a basic size of 85mm x 56mm (credit card size) developed by Raspberry Pi Foundation. It has various interfaces for interconnecting other devices, wide network connection support and also has a low power consumption (5Volt, 2.5A). Micro SD port can be used to load operating system (linux based OS, such as Raspbian, Fedora, Debian, etc.) and storing data. The basic software tool for computer vision application using in Raspberry Pi is OpenCV with programming language like python, C/C++, Java, Ruby, etc. We use 5-megapixel webcam capable to capture 30 fps with 1024 x 768 resolution.

To capture images, Logitech USB webcam is utillized. The webcam has a 5 megapixel sensor resolution, 640 x 480 still image with 30 fps of frame rate and video capture resolution of 1024 x 768. This camera is easy to plug in and supported by Linux based OS.

2.3. Software requirement

We use OpenCV with python language. OpenCV is a

software library practically used for machine learning and

computer vision. OpenCV is free for use for both

academic and commercial use and is released under open

source BSD licence.

3. STEREO VISION FOR VEHICLE DETECTION,

CLASSIFICATION AND COUNTING SYSTEM

The system design is described in Figure 2. The system is consists of two raspberry pi with camera that are arranged in stereo vision system, both camera system doing vehicle detection using descriptors Haar Like features, then the results are evaluated to find matching features between stereo images, and if found, the system will do the vehicle counting. Then, the data is sent over a computer network to display in web application.

Fig. 2. Realtime Stereo Vision for Vehicle Detection, Classification

and Counting System

The left and right camera system will extract features using the Haar classifier cascade, and make a box for each object that was detected successfully. The box will be processed further as a feature that will be compared


3

between the left and right images to get a matching feature, If the box found in two images, the classification and counting of vehicle will be done based on the width and height of the box.

The important thing to be considered in the stereo system is the distance between the two cameras are well known and area detection are defined in advance, in this case, we created a boundary using imaginary line on each image. This is done to ensure that the calculation of box, to be more accurate. illustration camera position and area detection can be seen in Figure 3.

Fig. 3. Camera Position in Scenes

3.1. Haar Cascade Classifier

Haar-like features in two dimensions are composed of

adjacent light and dark rectangles. Figure 4 shows some

typical features used for recognition. The approach to

detect objects in the image combines four main concepts:

1. Training data.

2. Extract Features a simple rectangular called Haar

features.

3. Integral image for rapid detection feature.

4. The classification in stages (Cascade classifier) to

connect a lot of features efficiently.

Fig. 4. Type of Haar-Like Features : (a) edges, (b) lines and (c) center

surrounded

First step, we collect positive samples (Image with object) and negative samples (image without object). The numbers of images sample are depended on a variety of factors such as the object type to be recognized, the quality of the images, the method to generate the samples, and the processor power. Highly accurate classifier training need a huge number of samples and takes a lot of time.

3.1.1. Haar Features

Once we obtained the data to be trained, the next step

is to extract Haar features. Features are nothing other than

region of window that are spread through the image and

used as object detection classifier. Haar features have a

rectangular shape (Figure 4) and can be contained of

several more rectangles in each of the feature. Each

window will have either black or white region.

The value of two-rectangle feature can be calculated

from subtraction of the sum of the pixels from two

regions. On a three-rectangle feature, the value is

calculated as a subtraction within two outside rectangles

from the sum in a center rectangle. And in a four-

rectangle feature we can do the subtraction diagonally

within four regions [3].

3.1.2. Integral Image

The subtraction of the sum of the pixels approach can

be exhaustive if we apply this method directly through the

image considering that there are so many regions to be

calculated from the image. And seeing that we are

implementing this method on a sequential real time data,

we need our algorithm to be fast.

To accelerate this process, we transform the image to

integral image [5], which is a table of the sum of pixels to

the left and above of (x,y). The integral image is

calculated by: 𝑠(𝑥, 𝑦) = 𝑖(𝑥, 𝑦) + 𝑠(𝑥 − 1, 𝑦) + 𝑠(𝑥, 𝑦 − 1) − 𝑠(𝑥 − 1, 𝑦 − 1)

For better representation of how we calculate the integral

image can be seen in following example illustrated in

fig.5.

Fig. 5. Original image (left) and its integral image (right)

Once we obtained the integral image, we can easily

calculate the sum of any region quickly. To do this, we

use this equation: 𝑖(𝑥′, 𝑦′) = 𝑠(𝐴) + 𝑠(𝐷) − 𝑠(𝐵) − 𝑠(𝐶)

3.1.3. Stages of Classification

Haar features is weak to detect object on an image by

itself, therefore we have to implement many features set

and chain them to obtain accurate object detection. To do

this we use AdaBoost. AdaBoost combine many classifier

into one classifier. Each classifier has a threshold. From

this combination of classifier we can have a really strong

and accurate classifier.


4

Fig. 6. The classifier cascade as a chain of filters

The filter on each level is trained to classify the images

from the training set. If one from the filters fail to detect

the object from a region, then that region will be

classified as “not vehicle”, then the region window will

continue to move. When one filter succeeded to detect the

object then that region will passed to the next filter. Image

region that has passed through all the filters will be

classified as “vehicle”. Illustration can be seen at fig. 6.

3.2. Stereo Vision System

The stereo vision has two main problems, first is

correspondence problem, which is how to find an association point in the left image from the right image. Second is reconstruction problem, which is how to construct 3D points from matched points.

Reconstruction problem has been done by triangulation. The existence of noise make the correspondence problem more challenging. The noise can be distortions in geometric and photometric, repetitive patterns, occlusions and discontinuities. Epipolar geometry is used here by implementing epipolar line to search correspondence point. It works by finding point on conjugated epipolar lines, which is a straight line that conjugate the epipolar plane, a plane from the object, reference image and target image (see fig. 7).

Fig. 7. Epipolar Geometry as Corespondence problem solution in Stereo

Vision

In our case, we use local methods matching NSSD (Normalized- Sum of Squared Differences) [6] because observations were made on a pixel level from Haar like feature. Correspondence point is discovered by finding similarity of predefined neighborhood or window. Two inputs from left image and right image are compared by local matching

3.4. Realtime Stereo vision for vehicle Detection Algorithm

The Algorithm composed in this study is :

1. Extract features using the Haar classifier cascade for stereo camera system.

2. Apply ratio test to find best matches (NSSD), the locations of matched keypoints are then extracted from both images to find the perspective transformation.

3. Some possible errors while matching can be

verified by RANSAC algorithm [6]. This

algorithm will provide information of good

matches (inliers) and bad matches (outliers).

3.3. Displaying the result in Web application

In communication process, the vehicle classification

and counting data result, will send to database in web

server. To display infographics in a website can use PHP

scripts from JPGraph that can create charts from the

database (Figure 8).

Fig. 8. Display report current day monitoring in Web application

4. EXPERIMENTAL RESULT

Evaluation is done by several test scenarios to get the desired results. The tested scenes includes time, weather and traffic conditions. The period of time in this research is in the morning, noon, and night. While weather conditions were chosen is sunny and cloudy. To maximize scenario of testing, we used the traffic conditions at no congestion, half congested, and traffic jams. All of these conditions will also be combined with each other. The description of test scenes can be seen in Figure 9.

Fig. 9. Scenario testing in morning-clear-half congested (left), and night-clear-no congestion (right)


5

TABLE I. AVERAGE RESULT IN LEFT/RIGHT CAMERA (COUNTING BASED-ON

USING HAAR-LIKE FEATURES)

Evaluation of the system is done by direct

observation using two systems simultanously. We

compute success rate by running the vehicle counting

based-on Haar-like features in two cameras and calculate

the average, then it compared with the results obtained

from the vehicle counting using a stereo matching. The

average calculation of vehicle types using Haar-like

features can be seen in Table I.

The results of vehicle type counting based stereo

matching can be seen in Table II. We can see

improvement detection capability of the stereo system,

especially on test in traffic jam scenes. This occurs due to

the blocked vehicle by other vehicles, still can be detected

by the two points of view of the stereo vision.

TABLE II. COUNTING RESULT BASED-ON STEREO MATCHING TWO IMAGES IN

LEFT AND RIGHT CAMERA)

5. CONCLUSIONS

This paper proposed a method using Haar-like feature and the stereo vision system in order to detect vehicles. Haar-like feature is used to obtain stronger feature for realtime monitoring. Stereo vision is then implemented to obtain more reliable detection result by

using matching system from two cameras to verify vehicle candidate in real time. The execution time of the proposed algorithm litle bit longer than only using Haar-like features in one camera, but still proper to apply it to the real-time system. It has limitation that error sometimes occur when the illumination of the road environment changes.

ACKNOWLEDGMENTS

This work was supported by Ministry of Research,

Technology and Higher Education of the Republic of

Indonesia in Research schema “Penelitian Unggulan

Perguruan Tinggi”. I would say thank you very much for

all researchers and student in Gunadarma University for

their hard work in this research, specially to Rachmat

Sampurna, Rendi Nurcahyo.

REFERENCES

1. A. Shakin Banu and P. Vasuki, Video Based Vehicle Detection Using Morphological Operation and HOG Feature Extraction, ARPN Journal of Engineering and Applied Sciences, ISSN 1819-6608, Vol. 10, No. 4, March, 2015

2. Bin Tian, Brendan Tran Morris, Ming Tang, Yuqiang Liu, Yanjie Yao, Chao Gou, Dayong Shen, and Shaohu Tang, "Hierarchical and Networked Vehicle Surveillance in ITS: A Survey", in Proceeding IEEE Transactions On Intelligent Transportation Systems, 2014

3. Sara Maher Elkerdawi , Ramy Sayed, Mohamed ElHelw, Real-Time Vehicle Detection and Tracking Using Haar-Like Features and Compressive Tracking, ROBOT2013: First Iberian Robotics Conference, Volume 252 of the series Advances in Intelligent Systems and Computing, Springer International Publishing, pp381-390, 2014

4. Ma'moun Al-Smadi, Khairi Abdulrahim, Rosalina Abdul Salam, ‘Traffic Surveillance: A Review of Vision Based Vehicle Detection,Recognition and Tracking”, article in International Journal of Applied Engineering Research ISSN 0973-4562 Vol. 11, No. 1, pp. 713-726, 2016

5. Messom, C. H. and Barczak, A. L. C., "Fast and efficient rotated Haar-like features using rotated integral images", in Proceeding Australian Conference on Robot and Automation, pp. 1–6, 2006.

6. Mohammad Iqbal, Fabrice Mériaudeau, Olivier Morel, “Polarization Stereoscopic Imaging Prototype”, Article in International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 4, No. 3, September, 2011

7. Narhe M. C., Prof. Dr. Nagmode M. S., Vehicle Classification using SIFT, International Journal of Engineering Research & Technology (IJERT), ISSN: 2278-0181, Vol. 3 Issue 6, pp1735-1738, June, 2014

Seri Ebook

Mohammad Iqbal, Rudi

Trisno Yuwono, Hadyan

Mardhi Fadlillah, Sigit

Widiyanto

Universitas Gunadarma

Oktober 2016

Pengetahuan Dasar Kamera untuk Pengawasan

1 | Pengetahuan Dasar Kamera untuk Pengawasan

Prakata

Puji dan syukur kami panjatkan kehadirat Allah SWT yang Maha Kuasa,

karena atas izin-NYA, maka buku ini dapat disusun, setelah melalui pencarian

yang panjang dari berbagai sumber, penterjemahan yang tidak sedikit dan

penyusunan yang tak kenal lelah, maka buku ini dapat tersaji di sini.

Salah satu teknologi penunjang aktivitas pemantauan baik untuk keamanan

atau untuk memonitoring suatu kegiatan adalah kamera pengawas atau yang lebih

dikenal dengan sebutan Closed-Circuit Television (CCTV). Teknologi CCTV telah

berkembang sangat pesat, dimulai dari tipe analog, sampai menjadi tipe digital dan

memanfaatkan jaringan komputer. Karena luasnya pokok bahasan teknologi visual

ini, maka dalam buku ini akan dibatasi pembahasan tentang Internet Protocol (IP)

Camera atau Network Camera. Teknologi ini merupakan jenis kamera video

digital yang memanfaatkan jaringan network TCP/IP untuk mentransmisikan data

yang ditangkapnya. Berbeda dengan Web Cam (Web Camera) yang memerlukan

PC/komputer dengan software untuk dapat digunakan, IP Camera dapat langsung

terkoneksi dengan switch/hub dalam jaringan network TCP/IP dan dapat diakses

online via internet melalui laptop, handphone, tablet dan mobile devices.

Akhirnya, kami mengucapkan terimakasih yang sebesar-besarnya kepada

semua pihak yang terlibat dalam penyusunan buku ini. Terutama dari pihak

Universitas Gunadarma yang telah membuka kesempatan pada kami sehingga

mendapatkan skema Penelitian Unggulan Perguruan Tinggi dari Kemenristek

DIKTI, dan juga semua pihak yang tidak bisa kami sebutkan satu persatu.


Daftar Isi

Daftar Isi ........................................................................................................................................................ 2

BAB 1 - Terminologi Dasar dalam Sistem CCTV .............................................

1.1.1. Focal Length (jarak titik fokus) ..............................................

1.1.2. Fixed Lens ...............................................................................

1.1.3. Varifocal Lens .........................................................................

1.1.4. Zoom Lens ..............................................................................

1.1.5. Board Lens ..............................................................................

1.1.6. Iris ...........................................................................................

1.1.7. CS-Mount dan C-Mount .........................................................

1.1.8. Hubungan Antara Lens Format, CCD Format dan Image Size

1.2. Terminologi terkait dengan Camera (Parameter Camera) ...........

1.2.1. Bentuk Camera .......................................................................

1.2.2. Lux ..........................................................................................

1.2.3. Pengaruh F Stop terhadap Depth of Field .............................

1.2.4. Terminologi Terkait dengan Keadaan Pencahayaan ..............

1.2.5. Istilah Resolution pada CCTV .................................................

BAB 2 - Pengenalan Sistem Camera CCTV ...................................

2.1. Analog Camera dan IP Camera.......................................................

2.2. One Coaxial Camera (Single Coaxial Cable) ...................................

2.3. PTZ Camera (Pan, Tilt, Zoom) .........................................................

2.4. Speed Dome Camera .....................................................................

2.5. Mini PTZ Dome ...............................................................................

2.6. Analog Wireless Camera ................................................................

2.7. Aksesoris Penting untuk CCTV .......................................................

2.7.1. Video Amplifier ......................................................................

2.7.2. IP Extender .........................................................................

2.7.3. External IR Illuminator ...........................................................

2.7.4. Ground Loop Isolator .............................................................


2.7.5. Video Distributor ....................................................................

2.7.6. RS-485 Data Distributor .........................................................

2.8. Mengenal Video Balun (Twisted Pair Transmission) ......................

2.8.1. Aplikasi Video Balun untuk Speed Dome (PTZ Motor) ..........

BAB 3 - Pengenal IP Camera / Network Camera ............................................

3.1. Teknik Mengubah kamera Analog menjadi kamera IP ..................

3.2. Teknik Instalasi IP Camera ............................................................

3.3. Infrastruktur IP Camera ................................................................

3.3.1. Menyoal "Kualitas" IP Cam ....................................................

3.3.2. Pengaruh Bandwidth pada IP Camera ................................

3.3.2. Bandwidth pada IP Cam dan Cara Mengamatinya ................

3.3.3. PERTIMBANGAN DALAM INSTALASI IP CAMERA ...................

BAB 4 - Merancang Power Supply untuk Sistem CCTV ................................

4.1. Camera 220VAC .............................................................................

4.2. Camera 24VAC ...............................................................................

4.3. Camera 12VDC ...............................................................................

4.4. Masalah Umum : Drop Voltage ......................................................

4.5 Solusi Cerdas ..................................................................................

4.6. Solusi Cerdas Lainnya .....................................................................

4.7 Solusi Profesional ...........................................................................

4.8. Permasalahan Adaptor Kamera .....................................................

4.8.1. Adaptor Tancap (Plug-in) .......................................................

4.8.2. Problematika di Lapangan......................................................

4.8.3. Perlunya Alat Ukur Tambahan ..............................................

4.8.4. Mengatasi Drop Tegangan .....................................................

4.9. PoE (Power Over Ethernet) untuk IP Kamera ................................

BAB 5 – Pemeliharaan Sistem CCTV ...............................................................

1. 5.1. Jenis Gangguan dan Penyebabnya ..............................................

5.2. Masalah Umum pada Prosedur Instalasi Kamera ..........................

5.3. Apa yang baru pada teknologi CCD TV Lines? ................................

5.4. Teknik Dasar Penanggulangan Gangguan Kamera.........................

5.5. Solusi untuk Kamera Berembun ....................................................


5.6. Solusi untuk Problem pada Kamera Infra Red ...............................

5.6.1. Kategori gangguan Kamera IR dan cara penanganannya ......

6.1. Aspek Desain ..................................................................................

6.2. Critical Design Review (CDR) ..........................................................

6.1. CDR Check List ............................................................................

6.3. Beberapa Contoh Desain Sistem CCTV ..........................................

6.3.1. Simple CCTV Application for Home Surveillance ...................

6.3.2. Letak Kamera Untuk Rumah Tinggal ......................................

6.3.3. Letak Kamera untuk Pemasangan di Pabrik (Factory Plant) ..

6.3.4. Kolaborasi CCTV dengan Mesin Absensi untuk Mencegah Karyawan Nakal ................

BAB 7 - Mode Perekaman DVR ......................................................................

7.1. Standalone DVR (Digital Video Recording) ....................................

7.1.1. Seputar Masalah DVR Stand Alone ........................................

7.2. PC Based DVR (DVR Card) ..............................................................

7.2.1. Cara agar PC Base DVR bisa di-Access via Internet ................

7.2.2. Access DVR via Internet (Panduan Cepat) .............................

Setting DVR ke Internet .....................................................................

7.2.3. Access Internet 3 DVR ............................................................

7.2.4. Access DVR via Android ..........................................................

7.3. Perlunya Hard Disk Calculator ........................................................

7.4. Kapasitas Storage DVR ...................................................................

7.5. Permasalahan dalam DVR ..............................................................

7.5.1. Mengapa DVR Jadi Tidak Bisa Di-Access via Internet? ...........

7.5.2. Mengapa DVR Jadi Tidak Bisa Merekam? ..............................

DAFTAR PUSTAKA ..........................................................................................

I

Lampiran I

Peraturan Menteri Kehakiman R.I

Nomor : M.01-HC.03.01 Tahun 1987

Kepada Yth :

Direktur Jenderal KHI

Melalui Direktur Hak Cipta,

Desain Industri, Desain Tata Letak,

Sirkit Terpadu dan Rahasia Dagang

Di

Jakarta

PERMOHONAN PENDAFTARAN CIPTAAN

I Pencipta :

1. Nama : Dr. Mohammad Iqbal

Dr. Rudi Trisno Yuwono

Hadyan Mardhi Fadlillah

Sigit Widiyanto

2. Kewarganegaraan : Indonesia

3. Alamat : Jl. Kranji V-17 Budi Agung RT 01/RW 003

Sukadamai, Tanah Sareal, Bogor 16165

II. Pemegang Hak Cipta :

1. Nama : Universitas Gunadarma


3. Alamat : Jalan Margonda raya no 100 Pondok Cina

Depok

III. Kuasa :

1. Nama :

2. Kewarganegaraan :

3. Alamat :

IV. Jenis dan Judul ciptaan yang

dimohonkan : PROGRAM DETEKSI OTOMATIS

SITUASI DARURAT DI JALAN TOL –

DEBAR (DETEKSI&SEBAR)

V. Tanggal dan tempat diumumkan

Untuk pertama kali di wilayah

Indonesia atau di luar wilayah

Indonesia : Depok 31 Oktober 2016

VI. Uraian ciptaan : Program aplikasi berbasiskan sistem Perangkat

keras Raspberry Pi yang didesain untuk

menunjang kecepatan penyampaian berita

kecelakaan ke fasilitas tim penolong / pusat

pemantauan lalu lintas dengan adanya sistem

pendeteksi kecelakaan berbasis visual.

Luarannya adalah citra kecelakaan dan peringatan

serta informasi untuk berhati-hati untuk

pengendari lain pada variable message sign.


Tanda Tangan :

Nama : Prof. Suryadi .H.S.SSi.MMsi

II

Lampiran I



Kepada Yth :





Di

Jakarta


I Pencipta :




Sigit Widiyanto








Depok

III. Kuasa :

1. Nama :


3. Alamat :



















Tanda Tangan :


III

Lampiran I



Kepada Yth :





Di

Jakarta


I Pencipta :




Sigit Widiyanto








Depok

III. Kuasa :

1. Nama :


3. Alamat :



















Tanda Tangan :


SURAT PENGALIHAN HAK CIPTA

Yang bertanda tangan di bawah ini :

Nama : Dr. Mohammad Iqbal, Skom, MMSI

Kewarganegaraan : Indonesia

Alamat : Jl. Kranji V-17 Budi Agung RT 01/RW 003


Untuk Selanjutnya sebagai “PIHAK PERTAMA”

Nama : Universitas Gunadarma

Alamat : Jalan Margonda raya no 100 Pondok Cina

Depok

Selanjutnya sebagai “PIHAK KEDUA”

Pihak pertama selaku pencipta Program komputer berbasiskan Web yang berjudul

PROGRAM DETEKSI OTOMATIS SITUASI DARURAT DI JALAN TOL –


Dengan ini mengalihkan karya tersebut kepada pihak kedua.

Demikian surat pengalihan Hak Cipta ini dibuat sebagai mana mestinya

Depok 1 November 2016

Pihak kedua Pihak pertama

Pembantu Rektor II Universitas Gunadarma

Prof. Suryadi .H.S.SSi.MMsi Dr. Mohammad Iqbal

SURAT PERNYATAAN KEPEMILIKAN HAK CIPTA

Yang bertanda tangan dibawah ini :

Nama : Dr. Mohammad Iqbal

Kewarganegaraan. : Indonesia

Alamat. : Jl. Kranji V-17 Budi Agung RT 01/RW 003


Dengan ini menyatakan bahwa saya adalah Pemilik / Pencipta dari suatu ciptaan berupa

Program komputer berbasiskan Web Berjudul : PROGRAM DETEKSI OTOMATIS

SITUASI DARURAT DI JALAN TOL – DEBAR (DETEKSI&SEBAR)

Yang diajukan pendaftarannya di kantor Direktorat Jendral Hak Kekayaan Intelektual

Kementerian Hukum & HAM Republik Indonesia. Apabila di kemudian hari terbukti

bahwa ciptaan ini milik pihak lain, kami bersedia dibatalkan pendaftarannya oleh

Kantor Hak Cipta.

Demikian Surat Pernyataan ini dibuat untuk dapat dipergunakan semestinya.

Yang menyatakan,

Dr. Mohammad Iqbal

laporan tahunan penelitian unggulan perguruan tinggi€¦ · laporan . november 2016. tahunan...

Documents