prototipe penghitung jumlah kendaraan pada sistem lampu
TRANSCRIPT
Prototipe Penghitung Jumlah Kendaraan pada Sistem Lampu Lalu Lintas Cerdas
TUGAS AKHIR
Disusun dalam rangka memenuhi salah satu persyaratan
Untuk menyelesaikan program Strata-1 Program Studi Teknik Informatika
Fakultas Teknik Universitas Hasanuddin
Makassar
Disusun Oleh : MOHAMMAD
MUCHLIS PRAWIRA D421 13 008
DEPARTEMEN TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
MAKASSAR
2017
oleh:
· Informat
LEMBAR PENGESAHAN SKRIPSI
"Prototipe Penghitung Jumlah Kendaraan pada Sistem Lampu Latu Lintas
Cerdas"
Oleh:
MOHAMMAD MUCHLIS PRA WIRA D42113 008
Skripsi ini telah dipertahankan pada Ujian Akhir Sarjana tanggal 9 Agustus 2017
Diterima dan disahkan sebagai salah satu syarat memperoleh gelar Sarjana Teknik
(S.T) pada Program Studi SI Teknik Informatika Departemen Teknik lnformatika
Fakultas Teknik Universitas Hasanuddin
Disetujui Oleh :
Makassar, 9 Agustus 2017
Pembimbing I, Pembimbing II,
Dr. Indrabayu, S.T., M. ., M.Bus.Sys
Nip. 19750716 200212 1 004
Dr. Ir. Ingrid Nurtanio, M.T
Nip. 19610813 198811 2 001
ika
333
ABSTRAK
Dinas Perhubungan Kota Makassar menyatakan bahwa pada tahun 2015
peningkatan jumlah kendaraan di Makassar mencapai 18% sedangkan
pertumbuhan jalan hanya 0.001% setiap tahunnya. Seiring dengan peningkatan
jumlah kendaraan dan pertumbuhan jalan yang tidak selaras menyebabkan APILL
(Alat Pemberi Isyarat Lalu Lintas) yang memiliki waktu tetap, tidak dapat merespon
situasi lalu lintas yang berubah secara dinamis dan tidak dapat diprediksi.
Dalam penelitian ini, dikembangkan sistem yang dapat mendeteksi dan
menghitung kendaraan jenis mobil dan motor secara real-time melalui IP kamera
menggunakan metode Background Subtraction dan Analisis Blob serta penambahan
algoritma Convex Hull untuk perbaikan luasan blob. Hasil deteksi kendaraan
dikategorikan menggunakan aturan Confusion Matrix dan didapatkan total hasil TP,
TN, FP, dan FN masing-masing untuk mobil sebesar 49, 108, 0, dan 9 sedangkan
untuk motor sebesar 104, 46, 3, dan 3.
Hasil penelitian pendeteksian dan penghitungan mobil dan motor dengan
metode Background Subtraction menunjukkan tingkat akurasi untuk mendeteksi
mobil yaitu rata-rata sebesar 94.64% dan untuk mendeteksi motor sebesar
96.11%. Sedangkan, pengukuran rata-rata sensitifitas untuk mobil adalah sebesar
84.35% sedangkan sensitifitas untuk motor diperoleh hasil 96.69%. Sementara
itu, pada pengukuran kesalahan pendeteksian untuk mobil sebesar 0%, dan
pengukuran kesalahan pendeteksian untuk motor sebesar 3.22%.
Kata kunci : Background Subtraction, Analisis Blob, Convex Hull, Confusion
Matrix.
44
KATA PENGANTAR
Assalamu Alaikum Wr. Wb.
Segala puji dan syukur atas kehadirat Allah SWT yang telah melimpahkan
Rahmat dan Karunia-Nya sehingga Tugas Akhir dengan judul “Prototipe
Penghitung Jumlah Kendaraan pada Sistem Lampu Lalu Lintas Cerdas” ini
dapat diselesaikan sebagai salah satu syarat dalam menyelesaikan jenjang Strata-1
pada Departemen Teknik Informatika Fakultas Teknik Universitas Hasanuddin.
Pada penyusunan kali ini disajikan hasil penelitian menyangkut judul yang
telah diangkat dan telah melalui proses pencarian dari berbagai sumber baik jurnal
penelitian, prosiding pada seminar-seminar nasional/internasional, buku maupun
dari situs-situs di internet, selain dari hasil-hasil penelitian sebelumnya.
Penulis menyadari bahwa tanpa bantuan dan bimbingan dari berbagai
pihak, dari masa perkuliahan sampai dengan masa penyusunan Tugas Akhir,
sangatlah sulit untuk menyelesaikan Tugas Akhir ini. Oleh karena itu, penulis
berterima kasih kepada:
1) Kedua Orang tua penulis, Bapak AKBP Muliadi S.H dan Ibu Dra. Hj.
Isnawati Sallatu. M.Si. serta saudara-saudara penulis, yang selalu
memberikan dukungan, doa, dan semangat;
2) Bapak Dr. Indrabayu ST., MT., M.Bus.Sys., selaku pembimbing I dan Ibu
Dr. Ir. Ingrid Nurtanio, M.T., selaku pembimbing II yang selalu
menyediakan waktu, tenaga, pikiran dan perhatian yang luar biasa untuk
mengarahkan penulis dalam penyusunan Tugas Akhir;
5
3) Bapak Amil Ahmad Ilham, ST., M.IT., Ph.D selaku Ketua Departemen
Teknik Informatika Fakultas Teknik Universitas Hasanuddin atas
bimbingannya selama masa perkuliahan penulis;
4) Para Sahabat, teman-teman tim ITS, teman-teman dan kakak-kakak AIMP
Research Group Unhas yang telah memberikan begitu banyak bantuan
selama penelitian, pengambilan data dan diskusi progress penyusunan Tugas
Akhir;
5) Segenap Staf Departemen Teknik Informatika Fakultas Teknik Universitas
Hasanuddin yang telah membantu penulis;
6) Seluruh teman-teman angkatan 2013 Departemen Informatika FT UH atas
semua bantuan dan semangat yang diberikan selama ini;
7) Orang-orang berpengaruh lainnya yang tanpa sadar telah menjadi inspirasi
penulis.
Akhir kata, penulis berharap semoga Allah SWT. berkenan membalas segala
kebaikan dari semua pihak yang telah banyak membantu. Semoga Tugas Akhir ini
dapat memberikan manfaat bagi pengembangan ilmu. Aamiin.
Wassalam
Makassar, Juli 2017
Penulis
6
DAFTAR ISI
halaman
HALAMAN JUDUL .................................................................................. i
LEMBAR PENGESAHAN ....................................................................... ii
ABSTRAK ................................................................................................... iii
KATA PENGANTAR ................................................................................ iv
DAFTAR ISI ............................................................................................... vi
DAFTAR GAMBAR .................................................................................. viii
DAFTAR TABEL ....................................................................................... x
BAB I PENDAHULUAN ............................................................................ 1
1.1 Latar Belakang ........................................................................... 1
1.2 Rumusan Masalah ...................................................................... 3
1.3 Tujuan Penelitian ...................................................................... 4
1.4 Manfaat Penelitian ................................................................... 4
1.5 Batasan Masalah Penelitian ...................................................... 4
1.6 Sistematika Penulisan ............................................................... 5
BAB II TINJAUAN PUSTAKA ................................................................ 7
2.1 Sistem Trasnportasi Cerdas ....................................................... 7
2.2 Computer Vision ........................................................................ 10
2.3 Pre processing ........................................................................... 12
2.4 Morfologi Citra .......................................................................... 13
2.5 Deteksi Objek ............................................................................ 16
vii
2.6 Convex Hull .............................................................................. 17
2.7 Analisis Blob .............................................................................
17
2.8 Tracking ....................................................................................
20
2.8 Confusion Matrix ......................................................................
20
BAB III METODOLOGI PENELITIAN ....................................................
20
3.1 Tahapan Penelitian .....................................................................
23
3.2 Waktu dan Lokasi Penelitian ....................................................
24
3.3 Instrumen Penelitian ..................................................................
26
3.4 Teknik Pengambilan Data ..........................................................
27
3.5 Perancangan Implementasi Sistem ............................................
29
3.6 Analisis Kinerja Sistem..............................................................
37
BAB IV HASIL DAN PEMBAHASAN .....................................................
40
4.1 Hasil Penelitian ..........................................................................
40
4.2 Pembahasan ...............................................................................
45
BAB V PENUTUP .....................................................................................
47
A. Kesimpulan ................................................................................
47
B. Saran ...........................................................................................
48
DAFTAR PUSTAKA .................................................................................
49
888
DAFTAR GAMBAR
Nomor halaman
Gambar 2.1 Contoh Penerapan ITS ............................................................ 8
Gambar 2.2 Proses dilasi dengan SE berukuran 3x3 .................................. 15
Gambar 2.3 Proses erosi dengan SE berukuran 3x3................................... 16
Gambar 2.4 Ilustrasi Convex Hull ................................................................. 18
Gambar 2.5 Proses perubahan citra kendaraan menjadi blob ........................... 19
Gambar 3.1 Diagram tahapan penelitian .................................................... 23
Gambar 3.2 Lokasi pemantauan dan pengambilan data ............................. 26
Gambar 3.3 Posisi Tiang Besi .................................................................... 27
Gambar 3.4 Posisi kamera saat pengambilan data video............................ 28
Gambar 3.5 Blok diagram implementasi sistem ......................................... 29
Gambar 3.6 Input video lalu lintas.............................................................. 30
Gambar 3.7 Frame Grayscale..................................................................... 31
Gambar 3.8 Background Substraction........................................................ 32
Gambar 3.9 Proses dilation dan erosion ...................................................... 33
Gambar 3.10 Proses Convex Hull untuk memperbaiki kualitas blob .......... 34
Gambar 3.11 Proses deteksi blob mobil ...................................................... 35
Gambar 3.12 Output Penghitung Kendaraan ............................................... 36
Gambar 4.1 Blob mobil yang terpisah ........................................................ 45
Gambar 4.2 Blob mobil yang tidak terjangkau kamera .............................. 46
99
DAFTAR TABEL
Nomor halaman
Tabel 2.1 Tabel Confusion Matrix ......................................................................... 20
Tabel 3.1 Kategori pendeteksian sistem sesuai dengan Confusion Matrix ............ 38
Tabel 4.1 Hasil Sistem Dikategorikan Sesuai Variabel Confusion Matrix ............ 41
Tabel 4.2 Hasil Pengukuran Akurasi sesuai dengan Confusion Matrix ................ 42
Tabel 4.3 Hasil Pengukuran Sesitifitas Sistem dan Kesalahan Deteksi ................ 43
Tabel 4.4 Perbandingan Hasil Penelitian Terkait dan Penelitian Saat Ini ............. 43
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Faktor utama terjadi kemacetan adalah karena tidak seimbangnya antara
pertumbuhan jalan dengan pertumbuhan kendaraan bermotor. Berdasarkan data dari
Direktorat Lalu Lintas Polda Sulawesi Selatan, tercatat sampai dengan Tahun
2015, jumlah kendaraan bermotor di Kota Makassar sebanyak 1,337,738 unit atau
42,25% dari populasi kendaraan yang ada di Provinsi Sulawesi Selatan. Selain itu,
data Dinas Perhubungan Kota Makassar Tahun 2015 menyatakan bahwa
peningkatan jumlah kendaraan di Makassar mencapai 18% sedangkan
pertumbuhan jalan hanya 0.001% setiap tahunnya (BPS Sulawesi Selatan, 2016).
Peningkatan jumlah kendaraan yang pesat di jalan raya memerlukan
konsep manajemen lalu lintas yang cukup handal untuk menghindari dan
mengatasi kemacetan di ruas jalan tertentu. Alat Pemberi Isyarat Lalu Lintas
(APILL) memiliki peran yang sangat penting dalam membantu proses manajemen
lalu lintas. Seiring dengan peningkatan jumlah kendaraan dan pertumbuhan jalan
yang tidak selaras menyebabkan APILL yang memiliki waktu tetap, tidak dapat
merespon situasi lalu lintas yang berubah secara dinamis dan tidak dapat
diprediksi. Kondisi tersebut menyebabkan tingkat waktu tunda (delay) kendaraan
cenderung meningkat sehingga menyebabkan waktu tempuh (time travel) kendaraan
melambat. Salah satu pengembangan Intelligent Transport System (ITS) yaitu
bagaimana sistem kendali pada APILL dapat dilakukan secara dinamis
2
disesuaikan dengan kepadatan lalu lintas pada masing-masing ruas persimpangan
jalan (Lesmana, 2015).
Satu hal yang penting dalam mewujudkan konsep APILL yang dinamis
adalah perlunya data kepadatan lalu lintas di tiap ruas jalan. Namun, untuk
memperoleh data jumlah kendaraan yang lewat di jalan raya, masih dilakukan
dengan cara manual yaitu dengan menugaskan beberapa orang untuk berada di
lapangan (tempat survei) dan menghitung setiap kendaraan yang lewat, kemudian
dibagi dengan rentang waktu tertentu. Dalam penghitungan secara manual ini masih
terdapat banyak kelemahan, diantaranya yaitu tingkat keakuratan data yang masih
kurang, data masih harus diolah terlebih dahulu dan untuk mengumpulkannya masih
diperlukan waktu yang relatif lama (Lesmana, 2015).
Untuk mengatasi hal tersebut, dibutuhkan sistem yang dapat menghitung
jumlah kendaraan secara otomatis. Gaussian Mixture Model (GMM) merupakan
salah satu algoritma Background Subtraction yang dapat diimplementasikan untuk
berbagai tujuan dalam aplikasi pelacakan gerak. Metode ini biasanya diterapkan
untuk pelacakan dan menghitung kendaraan pada Sistem Transportasi Cerdas. Tidak
seperti banyak metode motion tracking-based, GMM memiliki performa yang
memuaskan dalam kemampuannya untuk menangani background substractions
(Basri, 2015). Pada penelitian yang dilakukan Basri dkk, menggunakan Gaussian
Mixture Model dengan menambahkan Region of Interest (ROI) menunjukkan
peningkatan dalam tracking dan counting. Sebelum penambahan ROI, didapatkan
rata-rata akurasi untuk motor sebesar 69.21% dan rata-rata akurasi untuk mobil
sebesar 62.18%. Setelah penambahan ROI
3
didapatkan peningkatan akurasi dimana peningkatan rata-rata akurasi motor
sebesar 6.97% dan mobil sebesar 39.04% (Basri, 2015). Pada penelitian yang
dilakukan oleh Indrabayu dkk, menggunakan teknik blob analisis untuk optimasi
performa dari metode Gaussian Mixture Model dalam mendeteksi dan
menghitung kendaraan pada keadaan lalu lintas yang padat. Hasil yang diperoleh
yakni peningkatan akurasi penghitung kendaraan dengan akurasi rata-rata 94,77%
untuk motor dan 92,30% untuk mobil (Indrabayu, dkk. 2016).
Pada penelitian ini akan menggunakan algoritma Background Subtraction
yang telah dikembangkan pada penelitian sebelumnya. Algoritma tersebut akan
diproses secara Real-time menggunakan IP Kamera. Sehingga muncul judul
“Prototipe Penghitung Jumlah Kendaraan pada Sistem Lampu Lalu Lintas
Cerdas”.
1.2 Rumusan Masalah
Berdasarkan latar belakang, maka rumusan masalah pada tugas akhir ini
adalah:
1. Bagaimana cara membuat sistem penghitung jumlah kendaraan dengan
menggunakan metode Background Subtraction?
2. Bagaimana mengkategorikan hasil deteksi kendaraan kedalam Confusion
Matrix ?
3. Bagaimana menghitung akurasi, sensitifitas, dan kesalahan pendeteksian
pada sistem penghitung kendaraan ?
4
1.3 Tujuan Penelitian
Tujuan akhir dari penelitian ini adalah:
1. Untuk membuat sistem penghitung kendaraan dengan menggunakan
Background Subtraction.
2. Untuk mengkategorikan hasil deteksi kendaraan kedalam Confusion Matrix.
3. Untuk menghitung tingkat akurasi, sensitifitas, dan kesalahan pendeteksian
pada sistem penghitung jumlah kendaraan yang menggunakan metode
Background Subtraction.
1.4 Manfaat Penelitian
Manfaat dari tugas akhir ini adalah :
1. Untuk mempermudah instansi pemerintah dalam monitoring aktifitas yang
terjadi di lalu lintas berdasarkan informasi jumlah kendaraan.
2. Penelitian ini dapat menjadi kontribusi yang baik dalam meningkatkan informasi
kepada peneliti selanjutnya.
3. Hasil penelitian dapat digunakan sebagai dasar untuk pengembangan sistem
lampu lalu lintas dari yang sifatnya konvensional menjadi lampu lalu lintas
yang bersifat adaptif sehingga dapat mengurangi terjadinya kemacetan di
persimpangan jalan.
1.5 Batasan Masalah Penelitian
Yang menjadi batasan masalah dalam tugas akhir ini adalah :
1. Alogritma penghitung kendaraan menggunakan Background Subtraction.
5
2. Pengambilan data pada jalur lalu lintas dilakukan pada waktu siang hari.
3. Data yang diambil berupa rekaman video kondisi lalu lintas menggunakan
kamera dengan standar minimal 30 Frame per second (fps).
4. Kendaraan yang dideteksi adalah mobil dan motor karena merupakan
kendaraan yang dominan di jalan raya.
1.6 Sistematika Penulisan
Untuk memberikan gambaran singkat mengenai isi tulisan secara
keseluruhan, maka akan diuraikan beberapa tahapan dari penulisan secara
sistematis, yaitu :
2
BAB I PENDAHULUAN
Bab ini menguraikan secara umum mengenai hal yang menyangkut latar
belakang, perumusan masalah dan batasan masalah, tujuan, manfaat, dan
sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini berisi teori-teori tentang hal-hal yang berhubungan dengan
Computer Vision, Pemrosesan Citra dan Metode Background Subtraction.
BAB III METODOLOGI PENELITIAN
Bab ini berisi tentang perencanaan dan penerapan algoritma serta teknik
pengolahan data.
BAB IV HASIL DAN PEMBAHASAN
Bab ini berisi tentang hasil pengolahan data serta pembahasan yang
disertai tabel hasil penelitian.
6
BAB V PENUTUP
Bab ini berisi tentang kesimpulan yang didapatkan berdasarkan hasil
penelitian yang telah dilakukan serta saran-saran untuk pengembangan
lebih lanjut.
7
BAB II
TINJAUAN PUSTAKA
2.1 Sistem Transportasi Cerdas
Intelligent Transportation Systems (ITS) adalah sistem yang menerapkan
teknologi informasi dan komunikasi secara elektronika melalui software dan
hardware komputer dalam bidang transportasi jalan yang mengintegrasikan
unsur-unsur lalu lintas seperti jalan, kendaraan, dan orang/pengemudi
(Kusnandar, 2011). Wakil Menteri Perhubungan Bambang Susantono yang
didaulat sebagai presiden sistem transportasi cerdas Indonesia menyatakan ITS
merupakan penerapan teknologi maju di bidang elektronika, informatika, dan
telekomunikasi untuk membuat prasarana dan sarana transportasi lebih
informatif, lancar, aman dan nyaman, sekaligus ramah lingkungan (Suara Merdeka,
26 Juli 2011). Tujuan sistem ITS adalah untuk mengurangi kepadatan lalu lintas,
mengurangi waktu perjalanan (travel time), meningkakan keselamatan,
meningkatkan kualitas lingkungan, dan pada akhirnya berdampak pada
peningkatan produktivitas ekonomi (Kusnandar, 2011).
Dalam penerapannya, sistem-sistem dalam ITS memerlukan fungsi-fungsi
pendukung, fungsi pendukung tersebut meliputi; pengawasan (surveillance),
komunikasi (communications), pemrosesan data (data processing), strategi
kontrol (control strategies), navigasi panduan (navigation and guidance), dan
informasi kepada pengguna jalan (traveler interface). Untuk melaksanakan
8
fungsi-fungsi ini, maka diperlukan alat-alat pendeteksi (detection devices) yang
berfungsi sebagai pengumpul data dalam jumlah yang besar. Data ini dapat
berupa data lalu lintas seperti speed, volume, density, travel time, beban sumbu
kendaraan, queue length, data cuaca, masalah kondisi dan geometri jalan
(Panjaitan, 2017).
Gambar 2.1. Contoh Penerapan ITS (Lesmana, 2015)
Penerapan ITS pada lingkup sistem trasnportasi kendaraan dibagi menjadi
beberapa kategori yaitu (Mandaku, 2010) :
1. Advanced Traveller Information System (ATIS). ATIS merupakan sistem
informasi yang menjadi panduan kendaraan untuk mendapatkan rute jalan yang
optimal.
2. Advanced Traffic Managent System (ATMS). ATMS merupakan sistem yang
digunakan oleh pengelola jalan untuk memantau lalu lintas dan memberikan
informasi real time kepada pengguna jalan.
9
3. ITS-Enabled Transportation Pricing System. ITS-Enabled Transportation
Pricing System merupakan sistem yang memudahkan pengguna jalan dalam
proses pembayaran.
4. Advance Public Trasnportation Systems (APTS). APTS merupakan sistem
ITS yang didukung oleh sistem canggih dengan tujuan meningkatkan
keselamatan, efisiensi dan efektifitas sarana dan prasarana jalan yang ada.
5. Vehicle-to-Infrastructure Integration (VII) dan Vehicle-to-Vehicle Integration
(VVI). Sistem ini memungkinkan terselenggaranya komunikasi langsung antara
kendaraan yang melaju di jalan dengan infratruktur IT jalan.
6. Assistance for Safe Driving adalah bentuk dari ITS yang sangat maju.
Kendaraan dilengkapi dengan sejumlah sensor yang dapat mengarahkan
pengemudi untuk berkendara dengan aman.
Dalam perkembangannya, menghadapi kemajuan teknologi dalam
transportasi ini pilihannya adalah memperbaiki teknologi yang ada sekarang
ataukah membangun teknologi baru. Lampu lalu lintas saat ini dituntut untuk
dapat menyelesaikan permasalahan perguliran waktu yang sesuai pada kebutuhan
persimpangan jalan serta hal terkait selayaknya kemampuan nalar manusia maka
solusi paling tepat yang ditawarkan yaitu penerapan kecerdasan buatan pada
lampu lalu lintas tersebut. Kecerdasan buatan memungkinkan komputer untuk
berpikir atau menalar dan menirukan proses belajar manusia sehingga informasi
baru dapat diserap sebagai pengetahuan, pengalaman, dan proses pembelajaran
(Sutojo dkk., 2011). Teknologi ITS adalah salah satu cabang kecerdasan buatan di
bidang transportasi yang baru berkembang beberapa tahun terakhir untuk
10
mengatasi kemacetan lalu lintas di beberapa negara maju (Suyuti, 2012). Hal ini
menjadikan penelitian bidang ini khususnya untuk managemen lalu lintas terus
dikembangkan dan untuk mengimplementasikannya diperlukan teknik image
processing terlebih dahulu dalam melakukan pendeteksian objek kendaraan.
2.2 Computer Vision
Citra adalah gambar pada bidang dua dimensi. Jika ditinjau dari sisi
matematis, citra dapat diartikan sebagai fungsi penerus (continue) dari intensitas
cahaya pada bidang dua dimensi. Proses perekaman citra dapat terjadi disebabkan
oleh adanya sumber cahaya yang menerangi suatu objek kemudian objek tersebut
memantulkan kembali sebagian dari berkas cahaya. Pantulan cahaya berupa
bayangan objek ditangkap oleh alat-alat optik, misalnya mata manusia, kamera,
pemindai (scanner), dan sebagainya (Munir, 2004).
Citra diam (gambar) adalah citra tunggal yang tidak bergerak. Citra bergerak
(video) adalah rangkaian gambar yang ditampilkan secara beruntun (sekuensial)
sehingga terlihat oleh mata sebagai gambar yang bergerak. Setiap citra di dalam
video disebut frame. Gambar-gambar yang tampak pada film layar lebar atau
televisi pada hakikatnya terdiri atas ratusan hingga ribuan frame.
Di dalam bidang komputer terdapat tiga sub bidang studi yang berkaitan
dengan data citra tetapi memiliki tujuan yang berbeda, yaitu:
1. Grafika komputer (computer graphics).
2. Pengolahan citra (image processing).
3. Pengenalan pola (pattern recognition/image interpretation).
11
Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah
besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra,
klasifikasi, pengenalan (recognition), dan membuat keputusan. Computer vision
terdiri dari teknik-teknik untuk mengestimasi ciri-ciri objek di dalam citra,
pengukuran ciri yang berkaitan dengan geometri objek, dan menginterpretasi
informasi geometri tersebut. Berbagai macam aplikasi dunia nyata menggunakan
Computer Vision yang meliputi:
Optical Character Recognition (OCR): sering digunakan untuk
mengidentifikasi citra huruf untuk kemudian diubah ke dalam bentuk
file tulisan, seperti membaca kode pos tulisan tangan pada surat, dan
pengenalan otomatis nomor plat atau Automatic Number Plate
Recognition (ANPR);
Medical Imaging (Pencitraan Medis): mencatat atau merekam citra pre-
operative dan intra-operative untuk tujuan klinis atau melakukan studi
jangka panjang dari morfologi citra bagian tubuh manusia.
3D model building: konstruksi otomatis model 3D dari foto udara yang
digunakan dalam sistem seperti Bing Maps;
Automotive safety: mendeteksi rintangan yang tak terduga seperti
pejalan kaki di jalan raya.
Surveillance: pemantauan untuk penyusup dan menganalisis lalu lintas
jalan raya
Tugas-tugas seperti pengidentifikasian tanda tangan, pengidentifikasian
tumor pada suatu citra regsonansi magnetik, pengenalan objek pada citra satelit,
12
pengidenifikasian wajah, penempatan sumber daya mineral dari suatu citra,
penghasilan gambaran tiga-dimensi dari potongan citra dua dimensi, dan pengenalan
suatu kode ZIP, dianggap berada dalam ruang lingkup visi komputer. Manusia
memiliki kemampuan untuk menguraikan tulisan tangan yang ceroboh, mengenal
dan mengklasifikasikan citra, mengidentifikasikan citra yang terhalang sebagian
pada lingkungan yang noise, mengidentifikasikan objek dengan orientasi dan skala
yang berbeda, serta kedalaman persepsi.
Pengembangan sistem Computer Vision untuk melaksanakan tugas-tugas
seperti ini membutuhkan proses yang kompleks. Biasanya, untuk setiap aplikasi
yang diberikan, keseluruhan tugas tidak dapat dilaksanakan pada sebuah tahapan
tunggal. Oleh karena itu, sistem visi computer seringkali dibagi ke dalam
beberapa tahapan, dan setiap tahapan melaksanakan satu fungsi atau lebih. Sistem
visi komputer tertentu terdiri dari tahapan-tahapan seperti perolehan citra,
preprocessing, pengekstraksian fitur, penyimpanan objek secara asosiatif,
pengaksesan suatu basis pengetahuan, dan pengenalan.
2.3 Pre processing
Pre processing merupakan tahapan awal yang dilakukan dalam
pengolahan citra gambar. Proses ini bertujuan untuk memperbaiki kualitas sebab
gambar yang akan diolah umumnya mengalami penurunan mutu (degradasi)
(Indrabulan, 2017). Contoh degradasi pada gambar yaitu cacat atau derau (noise),
warna terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Hal ini
menyebabkan gambar menjadi lebih sulit diinterpretasi karena informasi yang
13
disampaikan oleh citra tersebut menjadi berkurang. Agar citra yang mengalami
degradasi menjadi mudah diinterpretasi (baik oleh manusia maupun mesin), maka
gambar perlu dimanipulasi menjadi gambar lain yang kualitasnya lebih baik.
Selain perbaikan kualitas, pre processing juga digunakan untuk mengubah tipe
data dan ukuran data gambar. Hal ini disesuaikan dengan kebutuhan jenis data
yang akan diproses pada tahap selanjutnya.
2.4 Morfologi Citra
Morfologi di dunia digital dapat diartikan sebuah cara untuk
mendeskripsikan ataupun menganalisa bentuk dari objek digital. Morfologi dalam
citra digital adalah suatu tool untuk ekstraksi komponen image yang berguna
dalam representasi dan deskripsi dari bentuk daerah (region shape) dengan
structuring element (SE) untuk menentukan properties of interest dari image.
Pada Morfologi, suatu citra dinyatakan dengan himpunan koordinat diskrit
(kontinu). Dalam hal ini, himpunan tersebut berhubungan dengan point atau piksel
objek pada citra. Karena objek dianggap sebagai suatu himpunan maka operasi-
operasi himpunan seperti gabungan (union), irisan (intersection), dan komplemen
(complement) dapat dilakukan.
Operasi morfologi menggunakan dua input himpunan yaitu suatu citra
(pada umumnya citra biner) dan suatu kernel. Khusus dalam morfologi, istilah
kernel biasa disebut structuring elements (elemen pembentuk struktur). SE
merupakan suatu matrik yang pada umumnya berukuran kecil. Elemen dari SE dapat
bernilai 1, 0, dan don’t care. Nilai don’t care biasanya ditandai dengan nilai
14
ilasi
(
A
da
)
B da
⊕
pat d
=
nyakat
a
∩
n s
eb
≠
elemen dikosongkan atau diberi tanda silang. Terdapat dua operasi dasar
morfologi yaitu dilasi (dilation) dan erosi (erosion). Operasi-operasi ini menjadi
dasar untuk membuat berbagai operasi morfologi yang sangat berguna untuk
pengolahan citra digital, seperti opening, closing, hit and miss transform,
thinning, dan thickening.
Jika suatu objek (citra input) dinyatakan dengan A dan SE dinyatakan
dengan B serta Bx menyatakan translasi B sedemikian sehingga pusat B terletak
pada x. Operasi d n i agai berikut.
, = { : ∅} (1)
Dengan ∅ menyatakan himpunan kosong.
Dilasi (dilation) berguna untuk memperluas atau menebalkan objek pada
image biner. Proses dilasi dilakukan dengan membandingkan setiap piksel citra
input dengan nilai pusat SE dengan cara melapiskan (superimpose) SE dengan
citra sehingga pusat SE tepat dengan posisi piksel citra yang diproses. Jika paling
sedikit ada 1 piksel pada SE sama dengan nilai piksel objek (foreground) citra maka
piksel input diset nilainya dengan nilai piksel foreground dan bila semua piksel yang
berhubungan adalah background maka input piksel diberi nilai piksel background.
15
matis,
(
op
er
)
si ero
⊖
si da
=
at din
y ata
⊂
ka
Gambar 2.2. Proses dilasi dengan SE berukuran 3 x 3 dengan semua elemen SE
bernilai 1 (Putra, 2010)
Semakin besar ukuran SE maka semakin besar perubahan yang terjadi. SE
berukuran kecil juga dapat memberikan hasil yang sama dengan SE berukuran besar
dengan cara melakukan dilasi berulang kali. Efek dilasi terhadap citra biner adalah
memperbesar batas dari objek yang ada sehingga objek terlihat semakin besar dan
lubang-lubang yang terdapat di tengan objek akan tampak mengecil.
Secara mate a p n sebagai berikut.
, = { : } (2)
Sama seperti dilasi, proses erosi dilakukan dengan membandingkan setiap piksel
citra input dengan nilai pusat SE dengan cara melapiskan SE dengan citra
sehingga pusat SE tepat dengan posisi piksel citra yang diproses. Jika semua
piksel pada SE tepat sama dengan semua nilai piksel objek (foreground) citra
maka piksel input diset nilainya dengan nilai piksel foreground, jika tidak maka
input piksel diberi nilai piksel background. Proses serupa dilanjutkan dengan
menggerakkan SE piksel demi piksel pada citra input.
Proses erosi merupakan kebalikan dari proses dilasi. Jika dalam proses dilasi
menghasilkan objek yang lebih luas maka dalam proses erosi akan menghasilkan
objek yang menyempit (mengecil). Lubang pada objek juga akan membesar seiring
menyempitnya objek tersebut.
16
Gambar 2.3. Proses erosi dengan SE berukuran 3 x 3 dengan semua elemen SE
bernilai 1. (Putra, 2010)
Dari gambar di atas terlihat hasil proses erosi menyebabkan objek
mengecil. Semakin besar kernel yang digunakan maka hasil yang akan
didapatakan akan semakin kecil. Begitu pula juga apabila proses erosi dilakukan
berulang-ulang akan terus mengecilkan objek walaupun hanya menggunakan SE
berukuran kecil.
2.5 Deteksi Objek
Deteksi objek adalah sebuah proses untuk mendeteksi objek tertentu yang
ada di dalam suatu citra dengan memanfaatkan ciri khusus dari objek yang ingin
dideteksi. Dalam penelitian ini, objek yang akan dideteksi adalah objek berupa
kendaraan. Ada beberapa metode yang bisa digunakan untuk deteksi yakni Viola
Jones, Histogram of Oriented Gradient (HOG) dan Gaussian Mixture Model
(GMM) (Indrabayu dkk., 2016).
Deteksi mobil menggunakan metode Viola Jones dan Histogram of Oriented
Gradient (HOG) membutuhkan database dengan jumlah besar untuk meningkatkan
akurasi sistem. Selain itu metode ini baik diterapkan untuk deteksi objek dalam satu
citra. Sedangkan GMM baik digunakan dalam mendeteksi objek
17
bergerak dalam video. Metode ini cukup handal dalam melakukan ekstraksi
background dan foreground (Indrabayu dkk., 2016).
Proses deteksi kendaraan dimulai dengan tahapan preprocessing video,
yaitu dengan cara mengubah video menjadi kumpulan frame atau citra digital.
Kemudian frame-frame tersebut akan masuk ke proses segmentasi yang kemudian
akan menghasilkan output berupa blob image. Setiap blob yang terdeteksi
nantinya akan difilter agar dapat mendeteksi objek yang diinginkan.
2.6 Convex Hull
Convex Hull merupakan persoalan klasik dalam geometri komputasional.
Defenisi dari Convex Hull adalah poligon yang disusun dari subset titik
sedemikian sehingga tidak ada titik dari himpunan awal yang berada diluar
poligon tersebut (semua titik berada di batas luar atau di dalam area yang dilingkupi
oleh poligon tersebut). Suatu poligon dikatakan konveks jika digambarkan garis
yang menghubungkan antar titik maka tidak ada garis yang memotong garis yang
menjadi batasan luar poligon.
Convex Hull didefinisikan sebagai set cembung terkecil dari S. Jika S terdiri
atas satu set titik-titik dalam sebuah bidang, bayangkan di sekeliling set tersebut
dibentangkan karet gelang, kemudian ketika karet gelang tersebut dilepaskan,
maka set terluar yang dikelilingi karet gelang tersebut itulah yang disebut Convex
Hull (Ihya, 2014).
18
.
Gambar 2.4. Ilustrasi Convex Hull (Ihya, 2014)
Convex Hull dapat dinyatakan dengan adanya sejumlah titik, di mana titik-titik
tersebut akan dibungkus dengan sebuah objek yang convex dan memiliki
luas/volume sekecil mungkin. Hasil akhir yang diperoleh adalah titik-titik mana saja
yang menjadi boundary/titik terluar dan luas/volume dari Convex Hull tersebut
jika diperlukan. Convex Hull tidak hanya sebatas 2-dimensi saja, terdapat pula
Convex Hull 3-dimensi yang dikenal sebagai Convex Polyhedron.
Beberapa algoritma yang dapat digunakan untuk menyelesaikan masalah ini
adalah algoritma Brute-Force, Gift-Wrapping, Graham’s Scan, Incremental dan
Divide-and-Conquer. Tiap algoritma memiliki kompleksitas yang berbeda-beda, hal
ini tentu saja bergantung pada metode atau pendekatan apa yang digunakan pada
algoritma tersebut.
2.7 Analisis Blob
Analisis blob merupakan teknik yang digunakan untuk menyatakan luas area
piksel dari suatu image yang menjadi fokus deteksi. Untuk menentukan nilai Blob,
ada beberapa hal yang harus diketahui untuk menghasilkan sebuah blob yang
optimal (Basri, 2015). Area foreground dan background dapat diketahui dengan
19
menganalisis posisi objek pada masing-masing frame video dalam rentang sampling
frame tertentu. Apabila terjadi perubahan posisi objek dalam suatu area maka area
tersebut dikategorikan sebagai foreground. Sedangkan apabila tidak terjadi
perubahan posisi objek maka area ini dikategorikan sebagai background. Oleh
karena itu dapat ditarik kesimpulan bahwa jika objek yang diinginkan melakukan
pergerakan dalam video maka objek tersebut akan dapat dikenali.
Proses pemisahan dilakukan dengan memperbaharui nilai parameter
background. Tahapan awal yaitu mengubah frame RGB menjadi biner. Area
objek yang terdeteksi sebagai background akan ditandai oleh nilai piksel 0 (warna
hitam), sedangkan area objek yang terdeteksi sebagai foreground akan diberi
ditandai oleh nilai piksel 1 (warna putih). Selanjutnya digunakan fungsi untuk
mengenali area piksel yang saling berdekatan/ bertetangga, sehingga kumpulan
piksel yang termasuk foreground akan membentuk satu kesatuan blob dari objek
yang akan di deteksi (Indrabulan, 2017). Hal yang perlu diperhatikan pada proses
ini yaitu tidak semua blob yang terbentuk adalah objek yang diinginkan oleh
karena itu dibutuhkan filter untuk meminimalisir atau bahkan menghilangkan blob
ini.
Gambar 2.5. Proses perubahan citra kendaraan menjadi blob
20
Deteksi
Aktual
Objek Bukan Objek
Terdeteksi TP FP
Tidak terdeteksi FN TN
2.8 Tracking
Proses mencari objek bergerak dalam urutan frame yang dikenal sebagai
pelacakan (tracking). Pelacakan ini dapat dilakukan dengan menggunakan
ekstraksi ciri benda dan mendeteksi objek/benda bergerak di urutan frame. Di dalam
computer vision, object tracking adalah sebuah proses yang bertujuan untuk
mengikuti pergerakan suatu objek (Indrabulan, 2017). Tracking objek banyak
dibutuhkan oleh berbagai macam aplikasi vision based seperti human computer
interface, kompresi/komunikasi video dan sistem keamanan. Tracking objek harus
mampu mendeteksi objek yang bergerak, memfilter noise, dan gerakan-gerakan lain
yang tidak diperlukan.
2.9 Confusion Matrix
Confusion Matrix berisi informasi tentang klasifikasi aktual dan prediksi yang
dilakukan oleh sistem klasifikasi. Analisis keakuratan dan peningkatan sensitifitas
sistemnya menggunakan analisis Confusion Matrix. Penggunaan Confusion
Matrix untuk menentukan parameter model yang dinginkan sesuai dengan
karakteristik dari model classifier yang diinginkan baik untuk melihat nilai
sensitifitas (recall), kesalahan pendeteksian, maupun akurasi sistem saat mendeteksi
objek (Basri, 2015).
Tabel 2.1 Tabel Confusion Matrix
21
sebagai berikut.
=
∗ 100
Dari tabel tersebut terdapat beberapa angka yang dapat dianalisa. Tabel
terdiri dari dua buah data yaitu data kelas yang dihasilkan dari classifier (Deteksi)
dan data kelas asli yang telah diketahui (Aktual). Ada empat kemungkinan hasil dari
classifier. Jika sistem akurat mendeteksi jumlah objek kendaraan sesuai dengan
keadaan aktual maka disebut True Positive (TP), namun jika sistem salah
mendeteksi objek kendaraan maka dinyatakan False Positive (FP). False Negative
(FN) adalah situasi sistem tidak mendeteksi kendaraan atau objek yang diinginkan
sedangkan True Negative (TN) merupakan nilai ketika sistem tidak mendeteksi
objek yang tidak diinginkan, namun pada penelitian ini nilai TN tidak digunakan
karena nilai TN juga berarti potensi objek yang terdekteksi namun tidak
terdeteksi, dalam sistem pendeteksian yang dirancang nilai tersebut tidak digunakan.
Pada analisis hasil penghitungan kendaraan hanya digunakan persamaan untuk
mengukur sensitifitas sistem, kesalahan pendeteksian serta akurasi sistem
pendeteksian. Adapun rumus yang digunakan untuk perhitungan
akurasi system adalah
% (3)
Sensitifitas sistem (recall) merupakan pengukuran kemampuan sistem
untuk mengetahui keberadaan objek berdasarkan parameter yang bersesuian dengan
ciri yang ada dalam suatu area observasi sedangkan tingkat kesalahan pendeteksian
menunjukkan banyaknya ciri yang terdeteksi sama namun bukan objek yang
diinginkan. Dalam memvisualisasikan sensitifitas sistem sebuah pengolahan data
Sensitifity (SE) atau dalam hal ini persentase sensitifitas sistem
22
= ∗ 100%
=
∗ 1
pendeteksian kendaraan oleh sistem terhadap kondisi real, dirumuskan sebagai
berikut.
(4)
Dimana TP (True Positif) adalah hasil pendeteksian yang berhasil mendeteksi objek
kendaraan yang menjadi sasaran pendeteksian, dan FN (False Negatif) merupakan
sejumlah kendaraan yang menjadi sasaran, namun tidak berhasil di deteksi oleh
sistem. Diketahui bahwa TP+FN sama dengan jumlah Real kendaraan.
Sementara untuk mengukur persentase kesalahan sistem dalam melakukan
pendeteksian objek kendaraan/ Eror Detection (ED) dapat dihitung dengan
persamaan berikut.
00% (5)
Dimana FP (False Positif) merupakan hasil pendeteksian yang mendeteksi objek
kendaraan yang bukan merupakan sasaran pendeteksian.