rancang bangun prototype pengolahan citra mobil …

RANCANG BANGUN PROTOTYPE PENGOLAHAN

CITRA MOBIL UNTUK MENDETEKSI SLOT

PARKIR YANG KOSONG DENGAN

MENGGUNAKAN MODEL SSD (SINGLE SHOT

DETECTOR) BERBASIS RASPBERRY PI

LAPORAN SKRIPSI

PRAYOGA HADITYA PUTRA 4616030010

PROGRAM STUDI TEKNIK MULTIMEDIA DAN JARINGAN

JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER

POLITEKNIK NEGERI JAKARTA

2020

RANCANG BANGUN PROTOTYPE PENGOLAHAN

CITRA MOBIL UNTUK MENDETEKSI SLOT

PARKIR YANG KOSONG DENGAN

MENGGUNAKAN MODEL SSD (SINGLE SHOT

DETECTOR) BERBASIS RASPBERRY PI

LAPORAN SKRIPSI

Dibuat untuk Melengkapi Syarat-Syarat yang Diperlukan

untuk Memperoleh Diploma Empat Politeknik

PRAYOGA HADITYA PUTRA

4616030010

PROGRAM STUDI TEKNIK MULTIMEDIA DAN JARINGAN

JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER

POLITEKNIK NEGERI JAKARTA

2020

ii

HALAMAN PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya saya sendiri, dan semua sumber baik yang

dikutip maupun dirujuk telah saya nyatakan dengan benar.

Nama : Prayoga Haditya Putra

NIM : 4616030010

Tanggal : 3 Agustus 2020

Tanda Tangan :

iii

LEMBAR PENGESAHAN

Skripsi diajukan oleh :


NIM : 4616030010

Program Studi : Teknik Multimedia dan Jaringan

Judul Skripsi : Rancang bangun Prototype Pengolahan Citra Mobil untuk

Mendeteksi Slot Parkir yang Kosong dengan

Menggunakan Model SSD (Single Shot Detector) berbasis

Raspberry Pi

Telah diuji oleh tim penguji dalam Sidang Skripsi pada hari Senin, Tanggal 3,

Bulan Agustus, Tahun 2020 dan dinyatakan LULUS.

Disahkan oleh

Pembimbing I : Indri Neforawati, S.T., M.T.

Penguji I : Fachroni Arbi Murad, S.Kom., M.Kom.

Penguji II : Defiana Arnaldy, S.Tp., M.Si.

Penguji III : Asep Kurniawan, S.Pd., M.Kom.

iv

KATA PENGANTAR

Puji syukur saya panjatkan kepada Tuhan Yang Maha Esa, karena atas berkat dan

rahmat-Nya, penulis dapat menyelesaikan Skripsi ini. Penulisan Skripsi ini

dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Diploma

Empat Politeknik.

Penulis menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak, dari

masa perkuliahan hingga penyusunan, sangatlah sulit penulis bagi penulis

menyelesaikan skripsi ini. Oleh karena itu, penulis mengucapkan terima kasih

kepada:

1. Ibu Indri Neforowati, S.T., M.Kom., selaku dosen pembimbing yang telah

menyediakan waktu, tenaga, dan pikiran untuk mengarahkan penulis dalam

penyusunan skripsi ini;

2. Bapak dan Ibu dosen serta Civitas Akademika Jurusan Teknik Informatika

Komputer Politeknik Negeri Jakarta yang selama hampir empat tahun tanpa

kenal letih mengajarkan ilmu yang sangat bermanfaat bagi penulis untuk

kedepannya;

3. Orang tua, adik dan kakak yang telah memberikan doa serta dukungan moril

maupun materil;

4. Dwika Nur Ridlo Robby selaku teman satu kelompok skripsi yang telah

membantu dan memberi dukungan dalam menyelesaikan Skripsi ini;

5. Teman-teman TMJ 2016 yang telah banyak membantu penulis dalam

menyelesaikan skripsi ini.

Akhir kata, penulis berharap Tuhan Yang Maha Esa berkenan membalas segala

kebaikan semua pihak yang telah membantu. Semoga skripsi ini membawa manfaat

bagi pengembang ilmu.

Depok

Penulis

v

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI

SKRIPSI UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Politeknik Negeri Jakarta, saya yang bertanda tangan di

bawah ini:


NIM : 4616030010

Program Studi : Teknik Multimedia dan Jaringan

Jurusan : Teknik Informatika dan Komputer

Jenis Karya : Skripsi/Tesis/Disertasi/Karya Ilmiah Lainnya*:.............

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Politeknik Negeri Jakarta Hak Bebas Royalti Noneksklusif (Non-exclusive

Royalty-Free Right) atas karya ilmiah saya yang berjudul:

Rancang bangun Prototype Pengolahan Citra Mobil untuk Mendeteksi Slot

Parkir yang Kosong dengan Menggunakan Model SSD (Single Shot Detector)

berbasis Raspberry Pi

beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti

Noneksklusif ini Politeknik Negeri Jakarta berhak menyimpan,

mengalihmedia/format-kan, mengelola dalam bentuk pangkalan data (database),

merawat, dan mempublikasikan skripsi saya selama tetap mencatumkan nama saya

sebagai penulis/pencipta dan sebagai. pemilik Hak Cipta

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok Pada tanggal : 14 Agustus 2020

Yang menyatakan

(Prayoga Haditya Putra)

vi

Jurusan Teknik Informatika dan Komputer – Politeknik Negeri Jakarta

Rancang bangun Prototype Pengolahan Citra Mobil Untuk Mendeteksi Slot

Parkir yang Kosong dengan Menggunakan Model SSD (Single Shot Detector)

berbasis Raspberry Pi

ABSTRAK

Tempat parkir merupakan salah satu sarana yang tidak dapat dipisahkan dari sistem

transportasi. Informasi tentang adanya ketersediaan dan lokasi tempat parkir yang kosong

sangat penting untuk diketahui oleh pengendara khusunya mobil sebelum memasuki tempat

parkir. Pencarian slot parkir yang kosong pada tempat parkir dapat menyebabkan

terbuangnya waktu pengendara mobil untuk mengelilingi tempat parkir. Pada penelitian

ini dibuat suatu sistem menggunakan Raspberry Pi yang terintegrassi dengan aplikasi

android untuk mendeteksi slot parkir yang terisi dengan menerapkan object detection.

Metode yang digunakan menggunakan model SSD (Single Shot Detector) dengan

framework TensorFlow. Pengujian yang dilakukan pada sistem ini yaitu pengujian data

training, pengujian akurasi model dan pengujian integrasi pada scan QR dan sensor

ultrasonik yang digunakan sebagai pemicu penangkap gambar oleh webcam. Pengujian data training yang dilakukan dengan 100.000 step menghabiskan waktu 12 jam.

Hasil pengujian deteksi objek mobil terhadap model yang sudah ditraining menghasilkan

akurasi sebesar 100% dengan resolusi 1280x720 yang ditangkap oleh webcam dan akurasi

88,3% dengan resolusi 640x480 yang ditangkap oleh webcam, Hasil pengujian Sedangkan

pengujian integrasi dengan scan QR (webcam) mendapat rata-rata waktu 49,2 detik dan

dengan sensor ultrasonik mendapat rata-rata waktu 40,5 detik untuk melakukan

pembaruan gambar yang dikirim ke database.

Kata kunci: Object Detection, Parkir, Raspberry Pi, Single Shot Detector, Slot Kosong

vii


DAFTAR ISI

HALAMAN PERNYATAAN ORISINALITAS ............................................................ ii

LEMBAR PENGESAHAN ............................................................................................. iii

KATA PENGANTAR ...................................................................................................... iv

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ...................................... v

DAFTAR ISI.................................................................................................................... vii

DAFTAR TABEL ............................................................................................................. x

DAFTAR GAMBAR ........................................................................................................ xi

DAFTAR LAMPIRAN .................................................................................................. xiii

BAB I PENDAHULUAN .................................................................................................. 1

1.1 Latar Belakang .................................................................................................... 1

1.3 Batasan Masalah ................................................................................................. 2

1.4 Tujuan dan Manfaat ............................................................................................ 2

1.4.1 Tujuan ......................................................................................................... 3

1.4.2 Manfaat ....................................................................................................... 3

1.5 Metode Pelaksanaan Skripsi ............................................................................... 3

BAB II TINJAUAN PUSTAKA....................................................................................... 5

2.1 Penelitian Sejenis ................................................................................................ 5

2.2 Parkir ................................................................................................................... 5

2.3 Internet Of Things (IoT) ...................................................................................... 5

2.4 Raspberry Pi ........................................................................................................ 6

2.5 Webcam ............................................................................................................... 7

2.6 Flowchart ............................................................................................................ 7

2.7 Tensorflow .......................................................................................................... 9

2.8 Base64 ............................................................................................................... 10

2.9 Computer Vision ............................................................................................... 11

2.10 Object Detection ............................................................................................... 11

2.11 Image Processing .............................................................................................. 11

2.12 OpenCV ............................................................................................................ 12

2.13 Bahasa Pemrograman Phyton ........................................................................... 12

2.14 Model SSD (Single Shot Detector) ................................................................... 13

viii

BAB III PERENCANAAN DAN REALISASI ............................................................. 15

3.1 Perancangan Model dan Alat ............................................................................ 15

3.1.1 Deskripsi Alat ........................................................................................... 15

3.1.2 Cara Kerja Alat ......................................................................................... 18

3.1.3 Cara Kerja Perancangan Model ................................................................ 20

3.1.3.1 Pengumpulan Dataset ................................................................................ 21

3.1.3.2 Preprocessing ........................................................................................... 22

3.1.3.3 Training Data ............................................................................................ 23

3.1.3.4 Deteksi Objek Mobil ................................................................................. 24

3.2. Realisasi Program Model dan Alat ................................................................... 25

3.2.1 Realisasi Alat ............................................................................................ 25

3.2.2 Realisasi Pengumpulan Dataset ................................................................ 26

3.2.3 Realisasi Tahap Preprocessing ................................................................. 26

3.2.3.1 Pelabelan Gambar ..................................................................................... 26

3.2.3.2 Konversi Dataset XML ke CSV ................................................................ 27

3.2.3.3 Konversi Dataset CSV ke TFRecord ........................................................ 28

3.2.3.4 Label Map ................................................................................................. 28

3.2.4 Realisasi Training ..................................................................................... 28

3.2.4.1 Konfigurasi Pipeline Config ..................................................................... 29

3.2.4.2 Training Neural Network .......................................................................... 30

3.2.4.3 Export Graph Model ................................................................................. 30

BAB IV PEMBAHASAN ............................................................................................... 32

4.1 Pengujian........................................................................................................... 32

4.2 Deskripsi Pengujian .......................................................................................... 32

4.3 Prosedur Pengujian ........................................................................................... 32

4.4 Data Hasil Pengujian ......................................................................................... 33

4.4.1 Pengujian Training Dataset ....................................................................... 33

4.4.2 Pengujian Deteksi Objek Berdasarkan Resolusi ....................................... 34

4.4.3 Pengujian Deteksi Objek dengan Pencahayaan Kurang ........................... 38

4.4.4 Pengujian Scan QR pada Setiap Slot ........................................................ 39

4.4.5 Pengujian Ultrasonik pada Sistem ............................................................ 40

4.5 Analisis Data / Evaluasi .................................................................................... 40

4.5.1 Analisis Data Training .............................................................................. 40

ix

4.5.2 Analisis Deteksi Objek Berdasarkan Resolusi .......................................... 41

4.5.3 Analisis Deteksi Objek dengan Pencahayaan Kurang .............................. 44

4.5.4 Analisis Scan QR pada Setiap Slot ........................................................... 44

4.5.5 Analisis pengujian ultrasonik pada Sistem ............................................... 45

BAB V PENUTUP ........................................................................................................... 47

5.1 Kesimpulan ....................................................................................................... 47

5.2 Saran ................................................................................................................. 47

DAFTAR ISI.................................................................................................................... 48

x


DAFTAR TABEL

Tabel 1 Komponen Alat ........................................................................................ 16

Tabel 2 Analisis Pengujian Resolusi 1280x720 .................................................... 42

Tabel 3 Analisis Pengujian Resolusi 640x480 ...................................................... 42

Tabel 4 Analisis Pengujian Scan QR .................................................................... 44

Tabel 5 Analisis Pengujian Ultrasonik .................................................................. 45

xi


DAFTAR GAMBAR

Gambar 2. 1 Arsitektur IoT ..................................................................................... 6

Gambar 2. 2 Infrastruktur Raspberry Pi 3 ............................................................... 6

Gambar 2. 3 Tensorflow ......................................................................................... 9

Gambar 2. 4 Arsitektur Umum Tensorflow .......................................................... 10

Gambar 2. 5 Arsitektur Single Shot Detector ....................................................... 13

Gambar 3. 1 Flowchart Cara Kerja Alat…………………………………………18

Gambar 3. 2 Diagram Blok ................................................................................... 19

Gambar 3. 3 Flowchart Perancangan Model ......................................................... 20

Gambar 3. 4 Data Train ......................................................................................... 21

Gambar 3. 5 Data Test .......................................................................................... 22

Gambar 3. 6 Flowchart Preprocessing .................................................................. 22

Gambar 3. 7 Training Proses ................................................................................. 23

Gambar 3. 8 Flowchart Deteksi Objek .................................................................. 24

Gambar 3. 9 Rangkaian Alat ................................................................................. 25

Gambar 3. 10 Proses Pelabelan ............................................................................. 27

Gambar 3. 11 Kode Konversi XML ke CSV ........................................................ 27

Gambar 3. 12 Kode Konversi CSV ke TFRecord ................................................. 28

Gambar 3. 13 Konfigurasi Label Map .................................................................. 28

Gambar 3. 14 Jenis Model .................................................................................... 29

Gambar 3. 15 Konfigurasi Step ............................................................................. 29

Gambar 3. 16 Konfigurasi Train Input .................................................................. 29

Gambar 3. 17 Konfigurasi Eval Config................................................................. 30

Gambar 3. 18 Training Program .......................................................................... 30

Gambar 3. 19 Program Export Graph ................................................................... 31

Gambar 4. 1 Proses Training ................................................................................. 33

Gambar 4. 2 Grafik Proses Training ..................................................................... 34

Gambar 4. 3 Hasil yang terdeteksi ........................................................................ 34

Gambar 4. 4 Hasil yang Terdeteksi ....................................................................... 35






Gambar 4. 10 Hasil yang Terdeteksi ..................................................................... 37

Gambar 4. 11 Hasil yang Terdeteksi ..................................................................... 38

Gambar 4. 12 Pengujian Pencahayaan Kurang ..................................................... 38

Gambar 4. 13 Hasil Pencahayaan Kurang............................................................. 39

Gambar 4. 14 Mengambil Data ............................................................................. 39

Gambar 4. 15 Berhasil Mengirim Gambar ............................................................ 39

Gambar 4. 16 Hasil Gambar di Database ............................................................. 39

xii

Gambar 4. 17 Trigger Ultrasonik .......................................................................... 40

Gambar 4. 18 Berhasil dikirim .............................................................................. 40

Gambar 4. 19 Data Diterima Database ................................................................. 40

Gambar 4. 20 Training Selesai .............................................................................. 41

Gambar 4. 21 Hasil Model yang Selesai Training ................................................ 41

Gambar 4. 22 Isi file Protobuf............................................................................... 41

xiii


DAFTAR LAMPIRAN

L-1 Daftar Riyawat Hidup Penulis ........................................................................ 51

L-2 Source Code ................................................................................................... 52

L-3 Dokumentasi Pengujian .................................................................................. 57

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Tempat parkir merupakan salah satu sarana yang tidak dapat dipisahkan dari sistem

transportasi. (Nurhayati dan Ilmi, 2017) Tempat parkir sangat dibutuhkan terutama

di pusat perbelanjaan. Informasi tentang adanya ketersediaan dan lokasi tempat

parkir yang kosong sangat penting untuk diketahui oleh pengendara khususnya

mobil. Banyaknya jumlah mobil di tempat parkir dapat menjadi suatu kendala bagi

pengendara mobil lain yang akan memasuki suatu tempat tanpa mengetahui

ketersediaan tempat parkir. Hal ini menyebabkan terbuangnya waktu pengendara

mobil untuk mengelilingi tempat parkir. (Putra dan Candradewi, 2017)

Perkembangan sistem parkir saat ini sudah banyak diterapkan seperti menggunakan

sensor ultrasonik, geomagnetik serta infrared ray (Ding dan Yang, 2019). Namun

sistem tersebut masih kurang maksimal karena hanya menentukan jumlah berapa

slot yang belum terisi dan yang sudah terisi sehingga pengendara tidak mengetahui

dimana letak slot parkir yang kosong maupun yang sudah terisi untuk menghemat

waktu mencari parkir.

Berdasarkan masalah diatas, maka dibutuhkan suatu sistem yang dapat memantau

tempat parkir secara keseluruhan dan terus menerus sehingga dapat memberikan

informasi tentang ketersediaan dan lokasi tempat parkir yang kosong. Pengolahan

citra adalah teknik yang digunakan untuk memproses dan memanipulasi sebuah

citra digital untuk mendapatkan informasi tertentu dari citra yang diproses. Salah

satu pemanfaatannya yaitu object detection untuk pendeteksian ketersediaan slot

parkir.

Sistem ini dirancang dengan kamera sebagai alat pemantau yang ditempatkan

sedemikian rupa pada sebuah tiang sehingga dapat memantau keseluruhan lahan

parkir. Kamera tersebut untuk mendeteksi objek kendaraan roda empat

menggunakan model SSD (Single Shot Detector) pada suatu gambar hasil capture


dari kamera webcam. Kemudian hasil tersebut ditampilkan pada aplikasi Park-In

untuk memberikan informasi kepada pengguna.

1.2 Perumusan Masalah

Dari uraian di atas dapat dirumuskan sebuah masalah dalam penelitian ini adalah:

1. Bagaimana cara merancang prototype pendeteksian slot parkir yang kosong

dengan memanfaatkan pengolahan citra mengggunakan model SSD (Single

Shot Detector) berbasis Raspberry Pi 3?

2. Bagaimana tingkat akurasi deteksi mobil untuk mendefinisikan slot parkir

yang terisi dengan model yang sudah dibuat?

3. Bagaimana cara merancang pengambilan gambar agar webcam menangkap

gambar ketika user melakukan scan QR?

4. Bagaimana cara mengintegrasikan hasil object detection dengan web service

yang terdiri dari API dan database

1.3 Batasan Masalah

Agar penulisan dari Skripsi ini tidak menyimpang dari topik yang telah ditentukan

dan direncanakan dengan matang. Sehingga dapat mempermudah dalam

mendapatkan data dan informasi yang relevan, maka pada penelitian ini diberikan

batasan sebagai berikut:

1. Mikrokontroller yang digunakan untuk sistem ini yaitu Raspberry Pi Model

B+.

2. Pengambilan citra mobil menggunakan kamera webcam logitech c525

3. Mengirimkan data hasil objek deteksi dengan format jpg ke aplikasi.

4. Kamera diletakkan fix tidak bergerak atau berubah tempat.

5. Menggunakan bahasa pemrograman Pyhton dengan framework Tensorflow.

6. Sistem ini dibangun untuk parkir pada lahan yang datar dan terbuka.

7. Parkiran pada sistem ini dikhususkan untuk kendaraan roda empat

1.4 Tujuan dan Manfaat

Adapun tujuan dan manfaat yang ingin dicapai dari pembuatan skripsi ini antara

lain sebagai berikut:


1.4.1 Tujuan

1. Merancang prototype pendeteksian slot parkir yang sudah terisi dengan

memanfaatkan pengolahan citra mengggunakan metode SSD (Single Shot

Detector) berbasis Raspberry Pi.

2. Mengetahui kinerja tingkat akurasi dari metode SSD (Single Shot Detector)

dalam melakukan deteksi objek pada sebuah mobil.

3. Merancang sistem pengambilan gambar pada kamera webcam.

4. Mengintegrasikan object detection dengan aplikasi yang terhubung dengan

web service yang terdiri dari API dan database

1.4.2 Manfaat

1. Dapat membantu memudahkan pengendara untuk mengetahui slot parkir

yang kosong.

2. Dapat membantu menghemat waktu pengendaran dalam pencarian slot parkir

yang kosong, sehingga pengendara tidak harus berkeliling mencari slot

parkir.

1.5 Metode Pelaksanaan Skripsi

Metode pelaksanaan skripsi ini adalah sebagai berikut:

1. Studi Literatur

Studi literatur dilakukan dengan melakukan pencarian dan pengumpulan literatur-

literatur yang berkaitan metode pada objek deteksi menggunakan model SSD

(Single Detector Shot), penggunaan Open CV, penggunaan Tensorflow. Baik itu

berupa artikel, buku refrensi, jurnal-jurnal, internet, dan sumber-sumber yang dapat

menunjang penelitian sebagai bahan referensi untuk menyelesaikan permasalahan

yang dihadapi.

2. Analisis Kebutuhan

Melakukan analisis terhadap kebutuhan pada pembuatan sistem. Seperti alat yang

dipakai untuk dibangunnya protopype dan pembuatan model agar tercipta prediksi

yang akurat.

3. Perancangan Sistem

Meliputi perancangan hardware (perangkat keras) dan perancangan software

(perangkat lunak) dari sistem ini serta perancangan model menggunakan Single


Shot Detector sebagai penyelesaian masalah dengan batasan masalah yang telah

ditentukan.

4. Pembuatan Sistem

Melakukan pembuatan sistem baik perangkat keras dan perangkat lunak sehingga

sistem siap diuji coba. Perangkat keras yang akan dibuat yaitu lahan parkir dengan

4 slot serta tiang untuk kamera yang akan diimplementasikan pada sebuah maket.

Sedangkan pada pembuatan perangkat lunak yaitu meliputi pembuatan model yang

akan menyiapkan data-data berupa gambar yang dibagi dua yaitu data train dan

data test, dimana data train untuk membuat model dan data test untuk menguji

model yang sudah dibuat.

5. Pengujian Sistem

Melakukan Meliputi pengujian terhadap alat dengan menghasilkan data-data

dengan beberapa parameter yang diterapkan untuk selanjutnya akan dianalisa.

Pengujian akan dilakukan pada posisi atau jarak tertentu sehingga dapat mengetahui

tingkat keberhasilan dari deteksi objek pada sebuah mobil.

6. Analisis Hasil

Melakukan analisis terhadap seluruh data dan pengujian model yang telah

didapatkan.

7. Perbaikan

Memperbaiki kekurangan yang ada pada model dan memperbaiki error yang terjadi

pada kinerja alat dan sistem yang tidak sesuai dengan kebutuhan yang telah

direncanakan di awal.

8. Dokumentasi Kerja

Pengambilan gambar dan video sebagai bukti dokumentasi selama pengerjaan

dilakukan.

5

BAB II

TINJAUAN PUSTAKA

2.1 Penelitian Sejenis

Terdapat beberapa penelitian sejenis mengenai deteksi parkir menggunakan metode

object detection. Penelitian pertama dilakukan oleh Evan Tanuwijaya dan Chastine

Fatichah pada tahun 2020 yang berjudul “Penandaan Otomatis Tempat Parkir

Menggunakan YOLO untuk Mendeteksi Ketersediaan Tempat Parkir Mobil pada

Video CCTV”. Penelitian ini menerapkan metode You Only Look Once (YOLO)

V3 untuk mendeteksi posisi tempat parkir yang ada pada lapangan parkir kemudian

membuat penanda pada tempat parkir tersebut. Setelah tempat parkir pada lapangan

parkir tersebut ditandai, masing-masing penanda akan diklasifikasikan apakah

tempat parkir tersebut terisi atau tidak. (Tanuwijaya et al., 2020)

Penelitian kedua dilakukan oleh Rizqy Maulana, Hurriyatul Fitriyah , Esa Prakasa

pada tahun 2018 yang berjudul “Implementasi Sistem Deteksi Slot Parkir Mobil

Menggunakan Metode Morfologi dan Background Subtraction. Penelitian ini

menerapkan metode morfologi dan background subtraction sehingga sistem dapat

mendeteksi jumlah slot parkir dan ketersediaan tiap slot parkir sesuai dengan

keadaan sebenarnya menggunakan sebuah sistem embedded yang terdiri dari modul

kamera V2 Raspberry Pi dan Raspberry Pi 3. (Maulana et al., 2018)

2.2 Parkir

Parkir merupakan prasarana transportasi yang diperuntukan sebagai tempat

pemberhentian kendaraan dalam jangka waktu pendek atau lama, sesuai dengan

kebutuhan pengendara. (Noperiyadi, 2015) Parkir merupakan suatu kebutuhan bagi

pemilik kendaraan yang menginginkan kendaraannya diparkir ditempat dimana

tempat tersebut mudah untuk dicapai, salah satunya dengan parkir di badan jalan.

(Wahida, 2018)

2.3 Internet Of Things (IoT)

Konsep IoT diartikan sebagai sebuah kemampuan untuk menghubungkan objek -

objek cerdas dan memungkinkannya untuk berinteraksi dengan objek lain,

lingkungan maupun dengan peralatan komputasi cerdas lainnya melalui jaringan


internet. IoT dalam berbagai bentuknya telah mulai diaplikasikan pada banyak

aspek kehidupan manusia. (Arimbawa et al., 2019)

Gambar 2. 1 Arsitektur IoT

(Sumber: https://mobnasasemka.com/2016)

2.4 Raspberry Pi

Raspberry Pi adalah modul mikrokomputer yang memiliki input dan output digital

port seperti pada board mikrokontroler. Raspberry Pi merupakan sebuah komputer

mini ukuran saku, yang terdiri dari beberapa generasi. Namun dari generasi

tersebut, dibagi kembali menjadi beberapa tipe Raspberry Pi board. Terdapat tipe

A, A+, B dan B+. Perbedaan antara kedua tipe tersebut pada RAM dan Port LAN.

Untuk tipe A memiliki RAM 256 Mb dan tidak memiliki port LAN ( ethernet),

kemudian untuk tipe B memiliki RAM 512 Mb dan memiliki port LAN. (Azkarika,

2017)

Gambar 2. 2 Infrastruktur Raspberry Pi 3

Processor yang dapat mengakses pi GPIO sebagai wiring, kemudian RAM

digunakan sebagai menyimpan data sementara. Setelah itu terdapat USB HUB yang

bercabang menjadi ethernet dan USB. Ethernet disini berguna sebagai remote

desktop. Untuk USB terdapat 2 port yang bisa digunakan untuk flashdisk, webcam,

kamera, mouse, keyboard, dan sebagainya.


Raspberry Pi board memiliki input dan output beserta kegunaannya, yaitu:

1. HDMI, berguna untuk menyambungkan ke layar atau TV yang terdapat port

HDMI juga. Cara menghubungkan port HDMI Raspberry Pi ke layar dengan

menggunakan kabel konverter HDMI ke VGA.

2. Video analog (RCA port), dapat dihubungkan ke TV apabila tidak mempunya

monitor PC.

3. Audio output, berguna untuk mengeluarkan suara dengan menggunakan 3.5

mm jack.

4. 2 buat port USB, digunakan untuk menghubungkan keyboard dan mouse.

5. 26 pin I/O digital.

6. CSI port (Camera Serial Interface), merupakan port khusus dapat

menyambungkan kamera Pi.

7. DSI (Display Serial Interface).

8. LAN port, dapat digunakan untuk menyambungkan Raspberry Pi menuju

modem dengan menggunakan kabel LAN.

9. SD card slot, berguna untuk menyimpan SD card memori untuk menyimpan

sistem operasi yang berfungsi seperti hardisk.

2.5 Webcam

Webcam (singkatan dari web camera) adalah sebutan bagi kamera real-time

(bermakna keadaan pada saat ini juga) yang gambarnya bisa diakses atau dilihat

melalui World Wide Web, program instant messaging, atau aplikasi video call.

Webcam adalah sebuah kamera video digital kecil yang dihubungkan ke komputer

melalui port USB ataupun port COM dan hingga sekarang webcam sudah lebih

maju dan tertanam lansung dilaptop tanpa menggunakan port USB.

Sebuah web camera biasanya dilengkapi dengan software, software ini mengambil

gambar dari kamera digital secara terus menerus ataupun dalam interval waktu

tertentu dan menyiarkannya melalui koneksi internet. (Andre, 2016)

2.6 Flowchart

Flowchart merupakan sebuah penggambaran secara grafik dari langkah-langkah

dan urut-urutan dalam prosedur dari suatu program. Flowchart menolong analis dan

programmer untuk memecahkan masalah kedalam segmen-segmen yang lebih


kecil dan menolong dalam menganalisis alternatif-alternatif lain dalam

pengoperasian. Flowchart biasanya mempermudah penyelesaian suatu masalah

khususnya masalah yang perlu dipelajari dan dievaluasi lebih lanjut. Flowchart

memiliki urutan-urutan langkah kerja suatu proses yang digambarkan dengan

menggunakan simbol-simbol yang disusun secara sistematis. (Iswandy, 2015)

Simbol-simbol yang digunakan pada flowchart dapat dilihat pada tabel 1.

Tabel 1 Simbol – simbol flowchart

Simbol Nama Fungsi

Terminator Permulaan/akhir program

Garis Alir

Arah aliran program

Preparation Proses Inisialisasi

Proses

Proses perhitungan / proses

pengolahan data

Input/Output Data

Proses input/output data,

parameter, dan informasi

Predefined

Process

(Sub Program)

Permulaan sub program/proses

menjalankan sub program

Decision

Perbandingan pernyataan,

penyeleksian data yang

memberi pilihan untuk langkah

selanjutnya

(On Page

Connector)

Penghubung bagian-bagian

flowchart yang berada pada

satu halaman


Off Page

Connector

Penghubung bagian-bagian

flowchart yang berada pada

halaman berbeda

2.7 Tensorflow

Gambar 2. 3 Tensorflow

Tensorflow adalah open source library untuk machine learning yang diperkenalkan

oleh Google dan mendukung beberapa bahasa pemrograman. Saat ini tensorflow

sangat berperan pada penelitian skala besar dalam machine learning dan penelitian

deep neural network yang membutuhkan komputasi paralel secara masif. Dengan

cara melakukan penggabungan atas suatu bentuk aljabar komputasi dan teknik

kompilasi optimal, pemanfaatan tensorflow akan memberikan kemudahan dalam

proses penghitungan ekspresi matematika yang majemuk, dimana permasalahan

yang kerap terjadi adalah lamanya waktu proses yang dibutuhkan dalam

menyelesaiakn bentuk perhitungan matematika. Tensorflow sendiri dapat

digunakan pada semua sistem operasi.

Fitur utama yang dimiliki oleh tensorflow meliputi:

1. Pendefinisian, pengoptimalan serta proses perhitungan yang dilakukan secara

efisien dalam bentuk ekspresi matematis yang juga melibatkan bentuk

multidimensional array atau disebut dengan istilah tensors.

2. Fitur pembelajaran mesin serta fitur pemrograman yang mendukung komputasi

jaringan syaraf dalam. Tensorflow dapat menarik pengetahuan yang diberikan

kedalamnya untuk dipergunakan dalam proses penyelesaian tugas perhitungan

ekpresi matematika.


3. Graphics Processing Unit (GPU) yang transparan, serta kemampuan optimalisasi

dan otomatisasi manajemen memori yang sama dengan data yang dipakai. Dimana

tensorflow memiliki kemampuan untuk menuliskan similarity code serta dapat

menjalankan dengan maksimal pada bagian Central Processing Unit (CPU)

ataupun pada bagian GPU. Lebih khususnya lagi, tensorflow dapat mengetahui

mana saja bagian perhitungan yang akan dan harus ditransfer ke dalam GPU.

4. Large data sets serta high computing scalability pada seluruh bagiannya,

sehingga memberikan akurasi yang baik dalam pemanfaatannya. (Sutjiadi et al.,

2020).

Arsitektur umum dari Tensorflow dapat dilihat pada Gambar 2.4 berikut ini:

Gambar 2. 4 Arsitektur Umum Tensorflow

(Sumber: www.tensorflow.org)

2.8 Base64

Transformasi base64 merupakan salah satu algoritma untuk encoding dan decoding

suatu data ke dalam format ASCII, yang didasarkan pada bilangan dasar 64 atau

bisa dikatakan sebagai salah satu metode yang digunakan untuk melakukan

encoding (penyandian) terhadap data binary. Karakter yang dihasilkan pada

transformasi base64 ini terdiri dari A..Z, a..z dan 0..9, serta ditambah simbol “+”

dan “/” serta satu buah karakter sama dengan (=) di dua karakter terakhir yang

dipakai untuk pengisian pad atau dengan kata lain penyesuaian dan menggenapkan

data binary. Karakter simbol yang akan dihasilkan akan tergantung dari proses

algoritma yang berjalan. (Gunadhi et al., 2017)


2.9 Computer Vision

Computer Vision merupakan salah satu cabang ilmu pengetahuan yang bertujuan

untuk membuat suatu keputusan yang berguna untuk mengenali objek fisik nyata

dan keadaan berdasarkan sebuah gambar atau citra. Computer Vision menjadikan

komputer “acts like human sight”, sehingga mendekati kemampuan manusia dalam

menangkap informasi visual. Kemampuan itu diantaranya adalah:

1. Object Detection: Mengenali sebuah objek ada pada scene dan mengetahui

dimana batasanya.

2. Recognition: Menempatkan label pada objek.

3. Description: Menugaskan properti kepada objek.

4. 3D Inference: Menafsirkan adegan 3D dari 2D yang dilihat.

5. Interpreting motion: Menafsirkan gerakan. (Dewi, 2018)

2.10 Object Detection

Object detection menentukan keberadaan suatu objek dan ruang lingkupnya serta

lokasi pada sebuah gambar. Hal ini dapat diperlakukan sebagai pengenalan objek

kelas dua, dimana satu kelas mewakili kelas objek dan kelas lain mewakili kelas

non-objek. Deteksi objek dapat dibagi lagi menjadi soft detection dan hard

detection. Soft detection hanya mendeteksi adanya objek sedangkan hard detection

mendeteksi adanya objek serta lokasi objek. (Jalled dan Voronkov, 2016)

2.11 Image Processing

Citra adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang

matematis, citra merupakan fungsi menerus (continues) dari intensitas cahaya pada

bidang dua dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali

sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat – alat

optik, misalnya mata pada manusia, kamera, pemindai dan sebagainya, sehingga

bayangan objek yang disebut citra tersebut terekam.

Pengolahan citra digital adalah (Digital Image Processing) adalah sebuah disiplin

ilmu yang mempelajari tentang teknik-teknik mengolah citra. Citra yang dimaksud

disini adalah gambar diam (foto) maupun gambar bergerak (yang berasal dari

webcam). Sedangkan digital disini mempunyai maksud bahwa pengolahan citra

atau gambar dilakukan secara digital menggunakan komputer.


Suatu citra digital melalui pengolahan citra digital menghasilkan citra digital yang

baru, termasuk didalamnya adalah perbaikan citra dan peningkatan kualitas citra.

Sedangkan analisis citra digital menghasilkan suatu keputusan atau suatu data,

termasuk didalamnya adalah pengenalan pola. (Arsy et al., 2016)

2.12 OpenCV

Open CV (Open Source Computer Vision Library) adalah salah satu software

pustaka yang ditujukan untuk pengolahan citra dinamis secara real-time, yang

dibuat oleh Intel, dan sekarang didukung oleh Willow Garage dan Itseez. OpenCV

dirilis dibawah lisensi permisif BSD yang lebih bebas dari pada GPL, dan

memberikan kebebasan sepenuhnya untuk dimanfaatkan secara komersil tanpa

perlu mengungkapkan kode sumbernya. Ia juga memiliki antar muka yang

mendukung bahasa pemrograman C++, C, Python dan Java, termasuk untuk sistem

operasi Windows, Linux, Mac OS, iOS dan Android. OpenCV didisain untuk

efisiensi dalam komputasi dan difokuskan pada aplikasi real-time.

Intinya, OpenCV bersama Python dimanfaatkan untuk mengolah image atau video

(tumpukan frame/image) sesuai dengan tujuan masing-masing yang melibatkan

kamera untuk menangkap gambar lalu diolah di komputer. Sebenarnya, OpenCV

bisa digunakan di bahasa C++ dan Java, selain Python, tetapi bahasa yang paling

mudah dari ketiga ini adalah Python karena sederhana. Saya sudah mempelajari

C++ untuk OpenCV, ternyata cukup rumit kode-kodenya. Maka, Anda beruntung

mempelajari Python dan juga beruntung mendapatkan modul ini. (Zein, 2018)

2.13 Bahasa Pemrograman Phyton

Python adalah bahasa pemrograman yang bersifat open source. Bahasa

pemrograman ini dioptimalisasikan untuk software quality, developer productivity,

program portability, dan component integration. Python telah digunakan untuk

mengembangkan berbagai macam perangkat lunak, seperti internet scripting,

systems programming, user interfaces, product customization, numberic

programming dll. Python saat ini telah menduduki posisi 4 atau 5 bahasa

pemrograman paling sering digunakan di seluruh dunia. Bahasa pemrograman

Python memiliki beberapa fitur yang dapat digunakan oleh pengembang perangkat


lunak (Harismawan et al., 2018). Berikut adalah beberapa fitur yang ada pada

bahasa pemrograman Python:

1. Multi Paradigm Design

2. Open Source

3. Simplicity

4. Library Support

5. Portability

6. Extendable

7. Scalability

2.14 Model SSD (Single Shot Detector)

Single Shot Detector (SSD) adalah sebuah metode untuk mengenali atau

mendeteksi sebuah object pada suatu gambar dengan menggunakan single deep

neural network dan salah satu algoritma deteksi object yang paling populer karena

kemudahan implementasi, akurasi yang baik vs rasio yang dibutuhkan komputasi.

Single Shot Detector (SSD) hanya perlu mengambil satu bidikan tunggal untuk

mendeteksi beberapa object didalam gambar.

Metode Single Shot Detector (SSD) ini termasuk kedalam deteksi object secara real

time, meskipun lebih intuitif daripada rekan-rekannya seperti R-CNN, Fast R-CNN

Faster R-CNN dan You Only Look Once (YOLO), Single Shot Detector (SSD)

adalah algoritma yang sangat kuat. Menjadi sederhana dalam desain,

implementasinya lebih langsung dari GPU dan sudut pandang kerangka kerja

pembelajaran yang dalam dan dengan demikian melakukan pengangkatan berat

deteksi dengan kecepatan kilat.

Gambar 2. 5 Arsitektur Single Shot Detector


Pada arstitektur SSD termasuk kedalam jenis Convolutation Neural Network,

Convolutional Neural Network (CNN) adalah salah satu jenis Neural Network yang

biasa digunakan pada data image. CNN bisa digunakan untuk mendeteksi dan

mengenali object pada sebuah gambar. Arsitektur dari CNN dibagi menjadi 2

bagian besar, Feature Extraction Layer dan Convolutional Layer. Dimana pada

bagian Feature Extraction Layer ini adalah melakukan “encoding” dari sebuah

image menjadi features yang berupa angka-angka yang merepresentasikan gambar

tersebut, Sedangkan dibagian Convolutional Layer terdiri dari neuron yang tersusun

sedemikian rupa sehingga membentuk sebuah filter dengan panjang dan tinggi

(pixels). Secara matematis, Convolutional layer atau yang dalam Bahasa

Indonesianya konvolusi, adalah integral yang mencerminkan jumlah lingkaran dari

sebuah sudut fungsi F yang digeser atas fungsi g sehingga menghasilkan fungsi h.

(Thohari dan Adhitama, 2019)

15

BAB III

PERENCANAAN DAN REALISASI

3.1 Perancangan Model dan Alat

Perancangan model mendeteksi objek slot parkir yang terisi dengan Bahasa

pemrograman python. Perancangan model bertujuan memberikan informasi tentang

slot parkir mana yang sudah terisi pada suatu lahan parkir.

Bab ini akan membahas tentang perancangan model deteksi objek menggunakan

model SSD yang terdiri dari deskripsi model, perancangan model, dan cara kerja

model.

3.1.1 Deskripsi Alat

Alat yang akan dirancang dan dibangun yaitu sebuah prototype yang akan

digunakan untuk mendeteksi slot terisi pada lahan parkir. Sistem akan mendeteksi

sebuah mobil untuk memprediksi sebuah slot terisi atau belum, data yang

digunakan yaitu hasil gambar yang ter-capture dari webcam yang terhubung

dengan raspberry pi 3 kemudian raspberry mengirim hasil capture gambar untuk

ditampilkan di aplikasi android. Sebelum sistem dapat melakukan proses deteksi

akan dilakukan sebuah training dengan menggunakan dataset sebanyak 200

gambar. Dataset tersebut dibagi menjadi 2 folder yaitu untuk data train dan data

test, dimana data train untuk melatih gambar-gambar dari objek mobil dan data test

untuk menguji model yang ditraining sebelumnya. Data yang telah di training akan

dibuat modelnya menggunakan metode SSD (Single Shot Detector). Alur dalam

perancangan alat dimulai dengan melakukan capture gambar menggunakan QR

scanner dan modul sensor ultrasonik, QR scanner digunakan ketika user baru

melakukan parkir pada slot yang telah dipilih sedangkan modul sensor ultrasonik

digunakan ketika user telah selesai parkir dan menuju keluar sehingga melewati

sensor ultrasonik, kemudian raspberry pi akan memproses hasil capture gambar

tersebut dengan melakukan deteksi objek. Setelah diproses hasil deteksi tersebut

akan dikirim ke database dengan encode base64 dan akan didecode oleh aplikasi

sehingga hasil deteksi berupa gambar dapat ditampilkan pada aplikasi.


Tabel 1 Komponen Alat

No Nama Komponen

Alat

Fungsi Spesifikasi

1 Raspberry Pi 3B+ - Sebagai kontroler

utama untuk

pengoperasian alat

embeded

- Broadcom BCM2837B0,

Cortex-A53 (ARMv8) 64-

bit @ 1.4GHz

- 1 GB RAM LPDDR2

SDRAM

- 2.4GHz and 5GHz IEEE

802.11.b/g/n/ac wireless

LAN, - Bluetooth:

Bluetooth 4.2, BLE

- Ethernet: Gigabit Ethernet

over USB 2.0 (maximum

throughput 300 Mbps)

- 40 pin GPIO

- Display Output: HDMI

- 4 port USB 2.0

- 3.5mm Audio Jack

- Penyimpanan: Micro SD

2 Kamera Webcam

Logitech C525

Kamera webcam

berfungsi untuk

pengambilan citra

tempat parkir

- 8 MP

- Resolusi 1080p

3 Sensor Ultrasonik Sebagai trigger untuk

melukan capture

ketika user keluar

parkiran

Operating voltage: +5V

Theoretical Measuring

Distance: 2cm to 450cm

Practical Measuring

Distance: 2cm to 80cm

Accuracy: 3mm

Measuring angle

covered: <15°


Operating Current:

<15mA

Operating Frequency:

40Hz

4 Adaptor Sebagai power untuk

raspberry

DC5V 3A

5 Kode QR - Sebagai

authentikasi booking

untuk mengawali

waktu parkir dan

mengakhiri waktu

parkir

- Sebagai pemicu

untuk pembayaran

pada aplikasi

- sebagai trigger

untuk melakukan

capture

Tersedia pada tiap slot

parkir

6 Tiang Sebagai tiang untuk

menyangga kamera

webcam

60 cm

7 Papan Kayu Sebagai alas untuk

tiang

1 lembar

Tabel 1 merupakan beberapa komponen alat yang digunakan untuk merancang

sistem pada penelitian ini. Tipe Raspberry Pi yang dipakai yaitu Raspberry Pi 3

model B+ yang dihubungkan dengan modul sensor ultrasonik dan kamera webcam.

Pembuatan prototype pada sistem ini menggunakan papan kayu sebagai lahan

parkir dan tiang setinggi 60cm sebagai penyangga kamera.


3.1.2 Cara Kerja Alat

a. Flowchart

Perancangan alat dibuat dengan menggunakan sensor ultrasonik, kamera, dan

raspberry pi. Adapun flowchart mengenai cara kerja alat pada sistem deteksi objek

mobil seperti yang terlihat pada Gambar 3.1.

Gambar 3. 1 Flowchart Cara Kerja Alat

Gambar 3.1 merupakan flowchart yang menjelaskan cara kerja alat. Untuk

melakukan sebuah capture kamera, dibutuhkan penerima trigger dari QR code dan

sensor ultrasonik. Ketika user melakukan scan QR pada aplikasi, sistem akan

memulai proses dengan secara terus menerus mengambil data valid scan QR dari

database. Ketika ada data yang terdeteksi, maka kamera akan mengambil gambar


kondisi lahan parkir dimana sudah ada mobil yang terparkir. Sedangkan sensor

ultrasonik akan membaca jarak ketika user telah selesai parkir dan keluar melewati

sensor. Jika terbaca kurang dari 10cm, maka kamera akan mengambil gambar

kondisi lahan parkir ketika mobil keluar lahan parkir.

Hasil gambar yang sudah diproses dengan program deteksi objek dari kedua kondisi

tersebut akan dilakukan encode menggunakan base6. Data hasil encode berupa

string dan dikirim ke database. Data tersebut akan diproses untuk ditampilkan pada

aplikasi android.

b. Diagram Blok Alat

Gambar 3. 2 Diagram Blok

Gambar 3.2 menunjukan bahwa sistem terdiri dari input, proses, dan output. Input

pertama yaitu dari kamera webcam dan input kedua dari sensor ultrasonik. Input

pertama mendapatkan trigger dari hasil scan yang ada database, kemudian input

kedua yaitu sensor ultrasonik membaca jarak kurang dari 10cm. Keduanya akan

memacu kamera webcam untuk melakukan capture yang hasilnya diproses

menggunakan metode SSD (Single Shot Detector) pada Raspberry, kemudian

mengahsilkan gambar yang sudah ada deteksi objeknya. Langkah selanjutnya

gambar akan dilakukan encode menggunakan Base64 yang hasilnya berupa string.

Kemudian hasilnya dikirim ke database menggunakan “POST” request method.

Aplikasi android membaca ada data gambar lalu melakukan decode dan

ditampilkan di aplikasi berupa gambar.


3.1.3 Cara Kerja Perancangan Model

Perancangan model dibuat dengan menggunakan dataset mobil untuk mendeteksi

slot parkir yang terisi dengan model SSD (Single Shot Detector). Adapun tahap-

tahap dalam pembuatan model seperti yang ditunjukkan flowchart pada gambar 3.3

berikut ini.

Gambar 3.3 Flowchart Perancangan Model


Alur dalam perancangan model dimulai dengan pengumpulan data gambar atau

dataset yang menggunakan kamera telepon seluler dengan total 250 gambar, 200

gambar untuk proses training dan 50 gambar untuk test/validation. Setelah itu ada

tahap perancangan preprocessing sebelum melakukan training. Training data

menggunakan model SSD untuk dapat memprediksi atau mendeteksi slot terisi pada

tempat parkir dengan data gambar. Setelah data tersebut di training akan dilakukan

pengujian model model SSD yang sudah ditraining dengan data tes yang berasal

dari gambar yang sudah dikumpulkan. Model disebut akurat apabila jika diuji

dengan gambar yang minimal terdapat 1 mobil akan mendeteksi slotnya terisi

karena prediksinya sudah berhasil mendeteksi 1 mobil, jika sudah ada beberapa

mobil tetapi masih tidak mendeteksi ada slot yang terisi maka model perlu

dilakukan perbaikan dengan training ulang.

3.1.3.1 Pengumpulan Dataset

Proses pengumpulan dataset diambil dengan menggunakan kamera telepon seluler

dengan format JPEG dan resolusi 4000x3000 pixel dengan kondisi cahaya normal

dan mode standard. Semua gambar akan di resize menjadi ukuran 720x1240 pixel

untuk data train dan test.

Semua data gambar yang telah di resize akan dimasukan ke dalam 2 folder yang

terdiri dari folder train dan test. Total gambar pada folder train adalah 200 gambar

dan total gambar pada folder test adalah 50 gambar. Berikut gambar 3.4 dan gambar

3.5 merupakan contoh isi folder train dan test.

Gambar 3. 4 Data Train


Gambar 3. 5 Data Test

3.1.3.2 Preprocessing

Setelah mengumpulkan dataset, selanjutnya dilakukan tahap preprocessing citra

dengan beberapa tahapan berikut seperti yang terlihat flowchart preprocessing pada

gambar 3.6.

G

Gambar 3. 6 Flowchart Preprocessing

Tahap awal pada preprocessing yaitu pelabelan gambar yang ada di folder train dan

test, dimana dataset input diberikan label atau penanda dengan tujuan untuk


menyimpan informasi gambar yang selanjutnya akan disimpan dalam format XML,

selanjutnya akan dilakukan konversi dari format XML ke CSV untuk tujuan

konversi selanjutnya ke TFRecord. Hasil konversi ke TFRecord akan menjadi

dataset yang digunakan untuk kebutuhan training.

3.1.3.3 Training Data

Setelah mendapatkan hasil konversi file TFRecord, langkah selanjutnya yaitu

proses training data seperti flowchart pada gambar 3.7.

Gambar 3. 7 Training Proses

Pada tahap training data menggunakan model SSD (Single Shot Detector)

prosesnya awalnya yaitu convolution untuk mendapatkan feature pada sebuah citra

atau gambar, proses ini membentuk sebuah filter dengan panjang dan tinggi

(pixels). Gambar/citra akan diresize ke 300x300 pixels dengan kedalaman sebesar


3 channels yaitu RGB (Red, Green, Blue). Lapisan convolution ini dibentuk dengan

menjalankan filter yang dimana filter tersebut digunakan untuk menentukan pola

apa yang akan dideteksi yang selanjutnya dilakukan konvulasi kembali sampai

mendapatkan bagian terkecil dari sebuah gambar/citra. Kemudian pada tahap

pooling menggunakan metode max pooling yang bertujuan untuk menentukan nilai

maksimum pada setiap nilai input yang telah dikonvulasi dengan filter. Pada proses

fully connected layer yaitu tahap yang menghubungkan convulation dan pooling

dimana piksel yang dianggap sebagai mobil akan menjadi sebuah output yang

terdiri dari satu kelas label. Fungsi aktivasi yang diterapkan pada klasifikasi adalah

activation ReLu, hasil klasifikasi tersebut akan menentukan bagian mana saja pada

setiap piksel yang memiliki pola mobil.

3.1.3.4 Deteksi Objek Mobil

Hasil model yang sudah dilakukan tahap training akan siap digunakan untuk

mendeteksi objek. Berikut gambar 3.8 merupakan flowchart proses dalam

menjalankan program deteksi objek.

Gambar 3. 8 Flowchart Deteksi Objek

Proses dari alur jalannya deteksi objek mobil dapat dilihat flowchart pada gambar

3.8, dimulai dengan kamera menangkap gambar secara otomatis ketika pengguna


aplikasi melakukan scan QR dan ketika pengguna melewati sensor ultrasonik pada

saat keluar dari tempat parkir. Selanjutnya sistem akan memasukkan hasil

tangkapan gambar tersebut ke dalam program deteksi objek, program tersebut akan

memanggil atau load model yang telah selesai dilakukan training dan dikonversi

menjadi file protobuf dengan nama file (inference_graph.pb), serta memanggil file

labelmap untuk memberikan nama label ketika objek terdeteksi. Program akan

menjalankan proses convolution untuk menentukan bagian mana saja pada setiap

piksel yang memiliki pola mobil sebagai pola yang telah ditentukan pada tahap

training. Setelah selesai ditentukan bagian mana yang dianggap mobil hasilnya

akan berupa gambar dengan bounding box berwarna hijau dibagian yang dideteksi

sebagai mobil. Gambar tersebut akan langsung dikirim ke database dan ditampilkan

pada aplikasi pengguna.

3.2. Realisasi Program Model dan Alat

3.2.1 Realisasi Alat

Alat memprediksi mobil untuk mendeteksi slot parkir yang terisi ketika saat user

melakukan scan QR dan saat mobil melewati pintu keluar dimana terdapat sensor

ultrasonik untuk melakukan trigger proses capture gambar, setelah gambar

didapatkan akan diprediksi oleh model yang dibuat dan menghasilkan output

berupa informasi gambar pada slot yang terisi di aplikasi android. Berikut gambar

3.9 merupakan rangkaian alat

Gambar 3. 9 Rangkaian Alat


Gambar 3.9 merupakan rancangan sensor ultrasonik dan kamera yang terhubung ke

Raspberry Pi. Adapun port yang digunakan adalah sebagai berikut:

Tabel 2. Port Sensor Ultrasonik dan Kamera Webcam

Port Raspberry Pi 3 Port Alat Fungsi

18 Trigger Sebagai Transmitter

24 Echo Sebagai Receiver

5V VCC Sumber Tegangan (+)

GND GND Sumber Tegangan (-)

USB Kamera Menangkap Gambar

Tabel 2 adalah port yang digunakan pada sensor ultrasonik dan kamera webcam.

3.2.2 Realisasi Pengumpulan Dataset

Data yang digunakan pada dataset ini adalah data yang diambil langsung pada

maket lahan parkir yang sudah dibuat. Kemudian dilakukan resize pada data

tersebut dengan ukuran dan format yang telah ditentukan. Format untuk file image

adalah JPG. Semua data gambar yang telah di resize akan dimasukan ke dalam 2

folder yang terdiri dari folder train dan test. Total gambar pada folder train

sebanyak 200 gambar dan total gambar pada folder test sebanyak 50 gambar.

3.2.3 Realisasi Tahap Preprocessing

Preprocessing citra dilakukan dengan beberapa tahapan seperti berikut:

3.2.3.1 Pelabelan Gambar

Pelabelan gambar adalah tahap awal dimana dataset input diberikan label atau

penanda dengan tujuan untuk menyimpan informasi gambar yang selanjutnya akan

disimpan dalam format XML. Pelabelan dilakukan secara manual terhadap 200

gambar pada folder train dan 50 gambar pada folder test menggunakan software

open source labelImg. Berikut adalah proses pelabelan yang ditunjukkan pada

Gambar 3.10.


Gambar 3. 10 Proses Pelabelan

3.2.3.2 Konversi Dataset XML ke CSV

Setelah dilakukan pelabelan perlu adanya konversi berkas format XML dan CSV

untuk tujuan konversi dataset ke berkas TFRecord karena tensorflow hanya akan

membaca berkas TFRecord. Berikut gambar 3.11 merupakan kode untuk

mengkonversi berkas train dan test XML ke CSV.

Gambar 3. 11 Kode Konversi XML ke CSV

Hasil pelabelan gambar dari software labelimg menghasilkan file xml untuk setiap

file gambar yang dilakukan pelabelan. Ketika dilakukan konversi menjadi satu file

CSV akan mendefinisikan ’filename’, ‘width’, ‘height’, ‘class, ‘ xmin’, ‘ymin’,

‘xmax’, dan ‘ymax’ dalam beberapa kolom.


3.2.3.3 Konversi Dataset CSV ke TFRecord

Setelah proses konversi berkas XML dengan output berupa file CSV perlu adanya

konversi ke TensorFlow Record file yang digunakan untuk feeding data pada proses

training, berikut gambar 3.12 adalah kode konversi dari CSV ke TFRecord

Gambar 3. 12 Kode Konversi CSV ke TFRecord

Pada proses konversi ke TFRecord akan membaca folder yang berisi file gambar

yang digunakan sebagai dataset dan file hasil pelabelan yang sudah di konversi ke

file CSV.

3.2.3.4 Label Map

Dataset (file TFRecord) dan peta labelnya yang sesuai dengan proses pelabelan

gambar. Berikut ini adalah peta label yang digunakan dan peta label memiliki satu

kelas yaitu untuk mobil dinamakan dengan “Terisi” yang disimpan pada berkas

dengan format “.pbtxt” yang selanjutnya dibutuhkan pada saat konfigurasi pipeline

untuk kebutuhan training. Berikut gambar 3.13 merupakan konfigurasi pada file

label map.

Gambar 3. 13 Konfigurasi Label Map

3.2.4 Realisasi Training

Proses training dilakukan setelah dataset terkumpul dan sudah dilakukan

preprocessing. Training bertujuan untuk mengenali objek yang akan di deteksi.

Sistem dilatih untuk mengenali sebuah mobil. Tahap pertama yang dilakukan yaitu


konfigurasi konfigurasi pipeline config, kemudian Training Neural Network, dan

terakhir Export Graph Model

3.2.4.1 Konfigurasi Pipeline Config

API Deteksi Objek Tensorflow menggunakan berkas protobuf untuk

mengkonfigurasi proses pelatihan dan evaluasi, file konfigurasi dibagi menjadi 4

bagian yaitu:

- Model : jenis model yang akan dilatih menggunakan model SSD (Single Shot

Detector), berikut gambar 3.14 contoh model yang akan digunakan untuk

proses training

Gambar 3. 14 Jenis Model

- Training config : input preprocessing menjadi parameter yang digunakan untuk

melatih model serta menentukan 50000 step untuk proses training.

Gambar 3. 15 Konfigurasi Step

- Train input config: Mendefinisikan dataset apa yang akan dilatih dengan

menyertakan path dataset yang sudah dilakukan proses preprocessing.

Gambar

3. 16 Konfigurasi Train Input

- Eval input config: Mendefinisikan dataset yang akan dievaluasi


Gambar 3. 17 Konfigurasi Eval Config

3.2.4.2 Training Neural Network

Tahap pelatihan Neural Network adalah tahap utama dimana sebuah Neural

Network dilatih untuk mempelajari suatu pola yang diharapkan menghasilkan suatu

pengenalan deteksi objek yang sesuai dengan yang diharapkan yaitu dengan

mendeteksi sebuah objek mobil. Berikut gambar 3.18 merupakan program dari

tahap training neural network

Gambar 3. 18 Training Program

Berdasarkan gambar 3.18, proses training akan membaca data dari file yang sudah

di konversi menjadi file TFRecord dan membaca folder train yang berisi config

model yang akan dipakai yaitu model SSD (Single Shot Detector) kemudian akan

membuat file pipeline config di dalam folder tersebut. ‘model config’

mendefinisikan model yang akan digunakan dalam proses training, ‘train.config’

mendefinisikan dataset apa yang akan digunakan dalam proses training, ‘input

config’ mendefinisikan file dataset yang sudah dilakukan tahapan preprocessing.

3.2.4.3 Export Graph Model

Berikut gambar 3.19 merupakan program untuk mengekspor hasil training menjadi

file protobuf.


Gambar 3. 19 Program Export Graph

Berdasarkan pada gambar 3.19, pada saat proses training akan menghasilkan

checkpoint yang dibuat secara otomatis oleh Tensorflow berbentuk graph tensor

yang bertujuan untuk menyimpan informasi proses training yang dilakukan dengan

format file .ckpt, jika proses training selesai maka selanjutnya adalah mengekspor

graph tensor dan dijadikan model protobuf yang siap dipakai untuk proses

selanjutnya yaitu deteksi objek.

32

BAB IV

PEMBAHASAN

4.1 Pengujian

Pengujian pada sistem ini dilakukan setelah sistem telah selesai dibangun.

Pengujian dilakukan untuk mengetahui apakah sistem dalam mendeteksi objek

mobil berfungsi dengan baik.

4.2 Deskripsi Pengujian

Pengujian sistem dilakukan dalam lima skenario pengujian, yaitu:

- Skenario yang pertama akan dilakukan pengujian pada proses training

dataset.

- Skenario yang kedua akan dilakukan pengujian proses deteksi objek dengan

resolusi tertentu.

- Skenario yang ketiga akan dilakukan pengujian proses deteksi objek dengan

kondisi cahaya tertentu.

- Skenario yang keempat akan dilakukan pengujian akses API dari scan QR

- Skenario yang kelima akan dilakukan pengujian sensor ultrasonik untuk

trigger capture.

4.3 Prosedur Pengujian

a. Skenario Pertama

Pada skenario pertama, pengujian dilakukan dengan menjalankan program training

untuk melatih komputer dalam mengenali objek yang akan dideteksi serta melihat

berapa lama waktu yang dibutuhkan untuk melakukan training dari dataset yang

telah dibuat.

b. Skenario Kedua

Pada skenario kedua, pengujian dilakukan dengan menguji deteksi mobil pada

resolusi 1280x720 dan 640x480, dihitung berapa akurasi yang dihasilkan dari setiap

resolusi.


c. Skenario Ketiga

Pada skenario ketiga, pengujian dilakukan dengan menguji deteksi mobil pada

kondisi pencahayaan yang kurang, apakah model yang sudah dibuat masih mampu

mendeteksi mobil dengan kondisi cahaya yang kurang.

d. Skenario Keempat

Pada skenario keempat, pengujian dilakukan dengan simulasi user melakukan scan

pada setiap slot untuk melakukan trigger kamera menangkap gambar dan akan

dikirim dengan encode base64 ke database.

e. Skenario Kelima

Pada skenario kelima, pengujian dilakukan dengan menggunakan sensor ultrasonik

dengan jarak <10cm, user melewati sensor tersebut yang melakukan trigger kamera

menangkap gambar untuk mendapatkan gambar terbaru ketika sudah keluar parkir,

kemudian hasilnya akan dikirim dengan encode base64 ke database.

4.4 Data Hasil Pengujian

4.4.1 Pengujian Training Dataset

Hasil pengujian skenario pertama yaitu pembuatan training dataset. Proses training

memakan waktu 12 jam dengan step yang diatur sebanyak 50.000 dengan rata-rata

0,2 detik/step.

Gambar 4. 1 Proses Training


Gambar 4. 2 Grafik Proses Training

Berdasarkan gambar 4.2 menunjukkan menggunakan 1 batch yang dipakai untuk

proses training. Terlihat grafik dari tensorboard yang dihasilkan dalam

menjalankan proses training sebanyak 50.000 step dengan NumNegatives

menghasilkan nilai 14 sampai 34 dan NumPositives menghasilkan nilai 5 sampai

11.

4.4.2 Pengujian Deteksi Objek Berdasarkan Resolusi

Pengujian dilakukan dengan mengatur resolusi pada kamera webcam yaitu resolusi

1280x720 dan resolusi 640x480. Pengujian dilakukan sebanyak 4 kali dengan mobil

yang mengisi slot parkir berdasarkan resolusi yang diberikan. Untuk sudut pada

saat pengambilan gambar, dilakukan pada kemiringan kamera berada di 45 derajat

dan kondisi diluar ruangan. Berikut gambar 4.3 merupakan hasil deteksi objek yang

di dapat terhadap 4 slot mobil dengan resolusi pada webcam 1280x720.

Gambar 4. 3 Hasil yang terdeteksi


Gambar 4.4 menunjukkan hasil deteksi terhadap 3 slot mobil dengan resolusi

1280x720.

Gambar 4. 4 Hasil yang Terdeteksi


1280x720.



1280x720.



Pengujian selanjutnya dilakukan dengan mengatur resolusi kamera 640x480

dengan kemiringan yang sama yaitu 45 derajat. Berikut gambar 4.7 dan 4.8 yang

merupakan hasil deteksi terhadap ke 4 slot mobil dengan resolusi 640x480.





640x480.



640x480.


Gambar 4.11 menunjukkan Hasil deteksi terhadap 1 slot mobil dengan resolusi

640x480.



4.4.3 Pengujian Deteksi Objek dengan Pencahayaan Kurang

Pengujian dilakukan dengan kondisi tempat parkir saat pencahayaan kurang atau

gelap. Pengujian dilakukan dengan satu kali pengujian. Pada gambar 4.12

merupakan gambar yang akan dilakukan pengujian.

Gambar 4. 12 Pengujian Pencahayaan Kurang

Setelah dilakukan pengujian dengan program deteksi objek, gambar yang keluar

atau dihasilkan oleh sistem seperti pada gambar 4.13, hasil yang terbaca tidak

sesuai dengan keadaan sebenarnya.


Gambar 4. 13 Hasil Pencahayaan Kurang

4.4.4 Pengujian Scan QR pada Setiap Slot

Pengujian dilakukan berapa lama waktu yang dibutuhkan dengan scan QR pada

setiap slot yaitu slot 1, slot 2, slot 3, dan slot 4 sampai dikirim ke database. Sistem

akan membaca terus menerus API pada database, ketika tidak ada user yang

melakukan scan akan muncul pesan “data tidak ditemukan”, gambar 4.14

merupakan proses sistem mengambil data pada database.

Gambar 4. 14 Mengambil Data

ketika ada user yang melakukan scan, sistem akan membaca pesan “update

berhasil” pada database untuk memproses capture dan program deteksi objek

seperti pada gambar 4.15.

Gambar 4. 15 Berhasil Mengirim Gambar

Hasil pengiriman gambar menggunakan base64 yang sudah dicapture dan diproses

dengan program deteksi objek ke database seperti pada gambar 4.16

Gambar 4. 16 Hasil Gambar di Database


4.4.5 Pengujian Ultrasonik pada Sistem

Pengujian dilakukan dengan melakukan percobaan keluar dari parkiran dengan

melewati sensor ultrasonik. Pengujian dilakukan 7 kali percobaan dengan beberapa

jarak tertentu dibawah 10cm, pada saat itu diuji apakah jarak yang sebenarnya

sesuai dengan jarak yang dibaca oleh sensor, lalu berapa lama waktu yang

dibutuhkan untuk proses capture sampai dikirim ke database. Gambar 4.17

merupakan proses capture karena trigger dari sensor ultrasonik membaca jarak

3.7cm dengan jarak yang sebenarnya adalah 4cm.

Gambar 4. 17 Trigger Ultrasonik

Lalu program deteksi objek akan otomatis diproses dan hasilnya akan dikirim

dengan encode base64 ke database sistem seperti pada gambar 4.18.

Gambar 4. 18 Berhasil dikirim

Gambar 4.19 merupakan data yang diterima di database.

Gambar 4. 19 Data Diterima Database

4.5 Analisis Data / Evaluasi

Setelah dilakukan pengujian, data hasil dari keseluruhan pengujian dianalisis sesuai

dengan lima skenario yang ada. Berikut hasil analisis data hasil pengujian.

4.5.1 Analisis Data Training

Training yang telah selesai dilakukan akan terlihat seperti gambar 4.20 dibawah

ini.


Gambar 4. 20 Training Selesai

Data yang telah selesai di training akan tersimpan sebagai model dengan beberapa

file disatu folder “inference graph”

Gambar 4. 21 Hasil Model yang Selesai Training

Satu file dari hasil training yang akan dipakai untuk menjalankan program deteksi

objek yaitu file inference_graph.pb, file tersebut berisi banyak karakter dan simbol

untuk mengenali objek berdasarkan dataset dan metode yang sudah ditraining.

Gambar 4. 22 Isi file Protobuf

4.5.2 Analisis Deteksi Objek Berdasarkan Resolusi

Keberhasilan pada pengujian ini dipengaruhi dengan jumlah dataset yang dimiliki

serta tergantung hasil resolusi yang di capture oleh webcam. Proses untuk

menghitung tingkat akurasi dari hasil deteksi objek citra mobil dengan

menggunakan metode SSD (Single Shot Detector) seberapa besar terjadinya

kesalahan atau berapa besar terjadinya kebenaran dalam proses deteksi objek

tersebut. Adapun cara menghitung tingkat akurasi adalah sebagai berikut:

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑎𝑘𝑢𝑟𝑎𝑡𝑎𝑛 𝑚𝑜𝑑𝑒𝑙)

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑙𝑒)


A. Pengujian Resolusi 1280x740

Tabel 2 Analisis Pengujian Resolusi 1280x720

No Gambar Deteksi oleh

model

Deteksi

manual

Keakuratan

model

1

4

4

100%

2

3

3

100%

3

2 2 100%

4

1 1 100%

Dari hasil pengujian pada tabel 2 dapat diketahui bahwa persentase rata-rata

keakuratan model dalam mendeteksi objek mobil dengan resolusi 1280x720.


∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑙𝑒)=

400%

4 = 100%

B. Pengujian Resolusi 640x480

Tabel 3 Analisis Pengujian Resolusi 640x480

No Gambar Deteksi oleh

model

Deteksi

manual

Keakuratan

model

1

6

4

66,6%


2

3

4

75%

3

3 3 100%

4

2 2 100%

5

1 1 100%

Berdasarkan hasil pengujian pada tabel 3 dapat diketahui bahwa persentase rata-

rata keakuratan model dalam mendeteksi objek mobil dengan resolusi 640x480.



441,6%

5 = 88,3%

Hasil pengujian pada resolusi 1280x720 dan 640x480 dapat diketahui bahwa

resolusi 1280x720 lebih baik dengan akurasi 100%, pada pengujian dengan resolusi

640x480 terdapat kesaalahan positive false rate pada sample nomor 1 yaitu

kesalahan dalam mengenali hasil pengujian dimana hasilnya tidak menunjukkan

kondisi yang sebenarnya dan kesalahan negative false rate pada sample nomor 2

yaitu kesalahan mengenali objek dimana model tidak dapat mengenali kondisi yang

seharusnya dikenali. Kondisi ini juga dipengaruhi karena hasil capture dari webcam

kurang maksimal.


4.5.3 Analisis Deteksi Objek dengan Pencahayaan Kurang

Berdasarkan dari hasil pengujian dengan kondisi pencahayaan kurang pada lahan

parkir maka dapat ditarik kesimpulan bahwa faktor-faktor yang dapat

menyebabkan kegagalan dalam proses mendeteksi objek mobil adalah pencahayaan

yang buruk, cahaya pada hasil capture kamera akan sangat berpengaruh dalam

proses pendeteksian mobil terhadap dataset yang telah dibuat.

4.5.4 Analisis Scan QR pada Setiap Slot

Data hasil pengujian pada tabel dapat diketahui berapa lama waktu yang dibutuhkan

proses scan QR pada setiap slot untuk menjalankan capture gambar dan program

deteksi objek sampai dikirim ke database dengan encode base64.

Tabel 4 Analisis Pengujian Scan QR

Slot Waktu (detik) Keterangan

1 48 Berhasil

2 48 Berhasil

3 49 Berhasil

4 52 Berhasil

Berdasarkan hasil pengujian pada tabel 4. dapat diketahui bahwa persentase rata –

rata keberhasilan pengiriman gambar ke database.

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙)

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑙𝑒)× 100% =

4

4× 100% = 100%

Hasil pengujian pada tabel 4 juga dapat diketahui bahwa persentase rata – rata

waktu yang dibutuhkan ketika proses scan QR kemudian menjalankan capture

gambar dan program deteksi objek sampai dikirim ke database.

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑤𝑎𝑘𝑡𝑢)


197 𝑑𝑒𝑡𝑖𝑘

4 = 49,2 𝑑𝑒𝑡𝑖𝑘

Berdasarkan data pengujian yang sudah dihasilkan dapat dihitung waktu rata – rata

yang dibutuhkan ketika proses scan QR kemudian menjalankan capture gambar

dan program deteksi objek sampai dikirim ke database adalah 49,2 detik dengan

keberhasilan 100%. Faktor yang mempengaruhi waktu tersebut cukup lama adalah


karena model SSD (Single Shot Detector) menggunakan framework Tensorflow di

Raspberry Pi. Tensorflow memakan banyak data ketika dijalankan di Raspberry Pi

3 B+ sehingga RAM yang tersisa hanya 10% dari total RAM yang hanya 1GB.

4.5.5 Analisis pengujian ultrasonik pada Sistem

Data hasil pengujian pada tabel 5 dapat diketahui kesesuaian jarak yang dibaca oleh

sensor ultrasonik dengan jarak sebenarnya, berapa lama waktu yang dibutuhkan

ketika proses capture gambar dari trigger sensor ultrasonik sampai dikirim ke

database, serta tingkat keberhasilan dikirim ke database.

Tabel 5 Analisis Pengujian Ultrasonik

No Jarak

sebenarnya

Jarak yang

dibaca

sensor

Keakuratan

sensor

Waktu

(sampai

dikirim ke

database)

Keterangan

1 4 cm 3,7 cm 92,5% 41 detik BERHASIL

2 5 cm 4,7 cm 94% 41 detik BERHASIL

3 3 cm 3 cm 100% 38 detik GAGAL


5 7 cm 7 cm 100% 41 detik BERHASIL

6 10 cm 9,5 cm 95% 41 detik BERHASIL


Berdasarkan hasil pengujian pada tabel 4.5 dapat diketahui bahwa persentase rata-

rata keakuratan sensor untuk trigger menangkap gambar

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑎𝑘𝑢𝑟𝑎𝑡𝑎𝑛 𝑠𝑒𝑛𝑠𝑜𝑟)


673,55%

4= 96,22%

Hasil pengujian pada tabel 4.5 juga dapat diketahui bahwa persentase rata-rata

waktu yang dibutuhkan ketika trigger dari sensor ultrasonik kemudian menjalankan

capture gambar dan program deteksi objek sampai diterima oleh database.

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑤𝑎𝑘𝑡𝑢)


257 𝑑𝑒𝑡𝑖𝑘

7 = 40,5 𝑑𝑒𝑡𝑖𝑘


Tingkat rata – rata persentase keberhasilan dari hasil gambar yang dicapture dikirim

ke database dapat diketahui sebagai berikut

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙)

∑(𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑙𝑒)× 100% =

6

7× 100% = 85,7 %

Berdasarkan data pengujian yang sudah dihasilkan dapat dihitung rata-rata

keakuratan sensor sebesar 96,22%, waktu rata – rata yang dibutuhkan ketika proses

sensor ultrasonik membaca jarak kemudian menjalankan capture gambar dan

program deteksi objek sampai dikirim ke database adalah 40,5 detik dengan

keberhasilan 85,7%. Waktu yang dihasilkan lebih cepat dibandingkan dengan

ketika trigger capture dilakukan oleh scan QR dan keberhasilan pengiriman data

dipengaruhi oleh kestabilan koneksi pada sistem.

47

BAB V

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil penelitian mengenai objek deteksi mobil menggunakan metode

model SSD (Single Shot Detector) untuk mengetahui ketersediaan slot parkir yang

terisi dapat diperoleh kesimpulan sebagai berikut:

1. Pengujian data training yang dilakukan dengan 50.000 step pada dataset yang

telah dibuat menghabiskan waktu 12 jam.

2. Slot yang terisi dapat terdeteksi dengan mendeteksi sebuah mobil jika mendapat

cahaya yang cukup.

3. Pengujian deteksi objek mobil dengan resolusi 1280x720 hasil gambar capture

dari webcam menghasilkan akurasi deteksi sebesar 100% dan resolusi 640x480

menghasilkan akurasi deteksi sebesar 88,3%.

4. Pengujian trigger capture webcam dari sensor ultrasonik kemudian menjalankan

program deteksi objek sampai diterima oleh database mendapat rata-rata waktu

40,5 detik dan keberhasilan 85,7%.

5. Pengujian trigger capture webcam dari scan QR code kemudian menjalankan

program deteksi objek sampai diterima oleh database mendapat rata-rata waktu

49,2 detik dan keberhasilan 100%.

5.2 Saran

Saran untuk pengembangan selanjutnya adalah sebagai berikut:

1. Menambahkan jumlah dataset dan ragam objek pada gambar untuk melatih model

dan mencapai akurasi yang tinggi.

2. Mengembangkan dan mengimplementasikan mode offline pada sistem parkir.

3. Menggunakan kamera yang lebih baik agar bisa mendeteksi dengan kondisi

cahaya yang kurang.

48

DAFTAR ISI

Ali Andre, J. (2016). Sistem Security Webcam Dengan Menggunakan Microsoft

Visual Basic (6.0). Rabit : Jurnal Teknologi Dan Sistem Informasi Univrab,

1(2), 46–58. https://doi.org/10.36341/rabit.v1i2.23

Arimbawa, I. W. A., Rahman, A. C., dan Jatmika, A. H. (2019). Implementasi

Internet of Things pada Sistem Informasi Pelacakan Kendaraan Bermotor

Menggunakan GPS Berbasis Web. Jurnal Teknologi Informasi, Komputer,

Dan Aplikasinya (JTIKA), 1(1), 121–130.

https://doi.org/10.29303/jtika.v1i1.10

Arsy, L., Nurhayati, O. D., dan Martono, K. T. (2016). Aplikasi Pengolahan Citra

Digital Meat Detection Dengan Metode Segmentasi K-Mean Clustering

Berbasis OpenCV Dan Eclipse. Jurnal Teknologi Dan Sistem Komputer, 4(2),

322. https://doi.org/10.14710/jtsiskom.4.2.2016.322-332

DEWI, S. R. (2018). Deep Learning Object Detection Pada Video. Deep Learning

Object Detection Pada Video Menggunakan Tensorflow Dan Convolutional

Neural Network.

https://dspace.uii.ac.id/bitstream/handle/123456789/7762/14611242_Syarifa

h Rosita Dewi_Statistika.pdf?sequence=1

Ding, X., dan Yang, R. (2019). Vehicle and Parking Space Detection Based on

Improved YOLO Network Model. Journal of Physics: Conference Series,

1325(1). https://doi.org/10.1088/1742-6596/1325/1/012084

Gunadhi, E., dan Nugraha, A. P. (2017). Penerapan Kriptografi Base64 Untuk

Keamanan URL (Uniform Resource Locator) Website Dari Serangan SQL

Injection. Jurnal Algoritma, 13(2), 391–398.

https://doi.org/10.33364/algoritma/v.13-2.391

Harismawan, A. F., Kharisma, A. P., dan Afirianto, T. (2018). Analisis

Perbandingan Performa Web Service Menggunakan Bahasa Pemrograman

Python , PHP , dan Perl pada Client Berbasis Android. Jurnal Pengembangan

Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya,


2(January), 237–245.

Iswandy, E., Komputer, D. S. T. M. I., dan Padang, S. J. (2015). Sistem Penunjang

Keputusan Untuk Menentukan Dan Santunan Sosial Anak Nagari Dan

Penyaluran Bagi Mahasiswa Dan Pelajar Kurang Mampu. Jurnal TEKNOIF,

3(2). https://doi.org/2338-2724

Jalled, F., dan Voronkov, I. (2016). Object Detection using Image Processing. 1–6.

http://arxiv.org/abs/1611.07791

Maulana, R., Fitriyah, H., dan Prakasa, E. (2018). Implementasi Sistem Deteksi Slot

Parkir Mobil Menggunakan Metode Morfologi dan Background Subtraction.

Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK)

Universitas Brawijaya, 2(5), 1954–1959.

Noperiyadi. (2015). Tata ulang lahan parkir pada jalan kalimantan kota lubuk

linggau. Jurnal Teknik Sipil Dan Lingkungan, 3(1).

Nurhayati, S., dan Ilmi, E. N. (2019). Sistem Aplikasi Pencarian Lokasi Parkir

Terdekat Menggunakan Location Based Service Berbasis Android.

Komputika : Jurnal Sistem Komputer, 6(2), 1–7.

https://doi.org/10.34010/komputika.v6i2.1677

Putra, A. R., dan Candradewi, I. (2017). Deteksi Ketersediaan Slot Parkir Berbasis

Pengolahan Citra Digital Menggunakan Metode Histogram of Oriented

Gradients dan Support Vector Machine 1. 7(1).

Sutjiadi, R., Pattiasina, T. J., Studi, P., Informatika, T., Studi, P., Informasi, S., dan

Korespondensi, P. (2020). Deteksi Objek Menggunakan Dashboard Camera

Untuk Sistem Peringatan Pencegah Kecelakaan Pada Mobil Object Detection

Using Dashboard Camera for Car Accident. 7(2), 427–434.

https://doi.org/10.25126/jtiik.202072520

Tanuwijaya, E., dan Fatichah, C. (2020). Penandaan Otomatis Tempat Parkir

Menggunakan YOLO Untuk Mendeteksi Ketersediaan Tempat Parkir Mobil

Pada Video CCTV. Briliant: Jurnal Riset Dan Konseptual, 5(1), 189.

https://doi.org/10.28926/briliant.v5i1.434


Thohari, A. N. A., dan Adhitama, R. (2019). Real-Time Object Detection For

Wayang Punakawan Identification Using Deep Learning. Jurnal Infotel,

11(4), 127–132. https://doi.org/10.20895/infotel.v11i4.455

Wahida, N. (2018). Perencanaan kebutuhan ruang parkir di kawasan taman sari

kota banda aceh. 1(4), 11–21. https://doi.org/10.24815/jarsp.vlil.12450

Zein, A. (2018). Pendeteksian Kantuk Secara Real Time Menggunakan Pustaka

OpenCV dan DLIB Python. Sainstech, 28(2), 22–26.

51

L 1 - Daftar Riyawat Hidup Penulis

DAFTAR RIWAYAT HIDUP

Penulis bernama lengkap Prayoga Haditya Putra, lahir di

Bogor pada tanggal 16 Maret 1998. Penulis merupakan

anak ketiga dari tiga bersaudara dari pasangan Bapak

Sudaryono dan Ibu Ersipah. Penulis menyelesaikan

pendidikan Sekolah Dasar di SD Negeri Kencana 1 Bogor

pada tahun 2010, pendidikan Sekolah Menengah Pertama

di SMP Negeri 12 Kota Bogor pada tahun 2013, dan

pendidikan Sekolah Menengah Atas di SMA Negeri 8

Kota Bogor pada tahun 2016. Kemudian penulis

melanjutkan pendidikannya di Program Studi D4 Teknik Informatika dan

Komputer, Politeknik Negeri Jakarta. Sampai dengan penulisan skripsi ini, penulis

masih terdaftar sebagai mahasiswa D4 Politeknik Negeri Jakarta

52

L 2 Source Code

1. XML to CSV

2. Generate TFRecord

3. Training

4. Mengambil data scan QR

5. Deteksi Objek

6. Pengiriman gambar dengan encode base 64

7. Sensor Ultrasonik

57

L 3 Dokumentasi Pengujian

Dokumentasi

58

L3 - Lanjutan

rancang bangun prototype pengolahan citra mobil …

Documents