RANCANG BANGUN DAN ANALISIS SISTEM PEMANTAU …lib.ui.ac.id/file?file=digital/20308703-S42743-Rancang bangun.pdf · kota besar lainnya di Indonesia, seperti kota Bandung, bahkan di

UNIVERSITAS INDONESIA

RANCANG BANGUN DAN ANALISIS SISTEM PEMANTAU

LALU LINTAS MENGGUNAKAN OPENCV DENGAN

ALGORITMA CANNY DAN BLOB DETECTION

SKRIPSI

HELMIRIAWAN

0806459803

FAKULTAS TEKNIK UNIVERSITAS INDONESIA

DEPARTEMEN TEKNIK ELEKTRO

TEKNIK KOMPUTER

DEPOK

JUNI

2012

Rancang bangun..., Helmiriawan, FT UI, 2012

UNIVERSITAS INDONESIA

RANCANG BANGUN DAN ANALISIS SISTEM PEMANTAU

LALU LINTAS MENGGUNAKAN OPENCV DENGAN

ALGORITMA CANNY DAN BLOB DETECTION

SKRIPSI Diajukan sebagai salah satu syarat memperoleh gelar sarjana.

HELMIRIAWAN

0806459803

FAKULTAS TEKNIK UNIVERSITAS INDONESIA

DEPARTEMEN TEKNIK ELEKTRO

TEKNIK KOMPUTER

DEPOK

JUNI

2012


iii


iv


v


vi


vii Universitas Indonesia

ABSTRAK

Nama : Helmiriawan

Program Studi : Teknik Komputer

Judul : Rancang Bangun dan Analisis Sistem Pemantau Lalu Lintas

Menggunakan OpenCV dengan Algoritma Canny dan Blob

Detection

Skripsi ini berisi perancangan, pembuatan, dan analisis sistem pemantau lalu

lintas dengan teknologi computer vision menggunakan OpenCV. Sistem

memberitahukan kondisi kemacetan jalan yang dipantau dalam empat level

(lengang, ramai lancar, padat merayap, dan macet). Penelitian dilakukan

menggunakan OpenCV sebagai library pemograman bahasa C++ dengan

algoritma Canny dan Blob Detection untuk mendeteksi kendaraan menggunakan

kamera pemantau pada posisi vertikal dari samping. Berdasarkan pengujian

metode Blob Detection lebih unggul pada kondisi jalan lengang, namun ketika

kondisi semakin ramai algoritma Canny lebih unggul. Sistem mendeteksi

kendaraan yang lewat dengan rata-rata kecepatan pendeteksian 9.8 ms per frame

dengan input video berukuran 320 x 240 pixel.

Kata kunci :

Kemacetan, intelligent transportation system, computer vision, OpenCV.


viii Universitas Indonesia

ABSTRACT

Name : Helmiriawan

Majoring : Computer Engineering

Title : Development and Analysis of Traffic Monitoring System by Using

OpenCV with Canny Algorithm and Blob Detection

This thesis describes the design, making, and analysis of traffic monitoring system

by using computer vision technology with OpenCV. These systems notify the user

about the state of the monitored road congestion in four levels (quiet, crowded,

dense crowded, and congested). The research was conducted using the OpenCV

library programming language C++ with the Canny algorithm and Blob Detection

to detect the vehicle using camera on the position of vertical side. Based from the

test results, the Blob Detection method is superior in the deserted road conditions,

but when conditions are more crowded the Canny algorithm is superior. The

system can detect vehicle with average speed of 9.8 ms per frame with video input

size 320 x 240 pixels.

Keywords:

Congestion, intelligent transportation system, computer vision, OpenCV.


ix Universitas Indonesia

DAFTAR ISI

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

HALAMAN PENGESAHAN ............................................................................... iii

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

ABSTRAK ............................................................................................................ vii

ABSTRACT ......................................................................................................... viii

DAFTAR ISI .......................................................................................................... ix

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

DAFTAR TABEL ................................................................................................. xii

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

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

1.2 Tujuan Penelitian ......................................................................................2

1.3 Batasan Penelitian .....................................................................................3

1.4 Metode Penelitian......................................................................................3

1.5 Sistematika Penulisan................................................................................3

BAB II SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV

DENGAN ALGORITMA CANNY DAN BLOB DETECTION ............................4

2.1 Kemacetan .................................................................................................4

2.2 Intelligent Transportation System .............................................................5

2.3 Computer Vision .......................................................................................5

2.4 Open Computer Vision (OpenCV)............................................................7

2.5 Canny Edge Detection...............................................................................9

2.6 Blob Detection ........................................................................................11

2.7 Gaussian Smoothing................................................................................13

2.8 Contoh Sistem Pemantau Lalu Lintas yang Telah Diimplementasikan ..14

2.8.1 Sistem Pengaturan Lampu Lalu Lintas Terdistribusi [17] .............14

2.5.2 Traffic Jam Detection System [18] ................................................16

2.5.3 Image Processing in Road Traffic Analysis [19] ...........................17

2.5.4 The Implementation of A Vision Sensor for Traffic Surveillance

[20] .................................................................................................17

BAB III PERANCANGAN SISTEM PEMANTAU LALU LINTAS

MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB

DETECTION .........................................................................................................19

3.1 User Requirement....................................................................................19

3.2 Arsitektur Sistem Pemantau Lalu Lintas.................................................20

3.3 Hardware yang Digunakan ......................................................................21

3.3.1 Kamera ...........................................................................................21

3.3.2 Mesin Pengolah ..............................................................................22

3.5 Software yang Digunakan .......................................................................22

3.5.1 OpenCV..........................................................................................23

3.5.2 Microsoft Visual Studio .................................................................23

3.6 Rancangan Algoritma..............................................................................25

3.7 Perancangan Graphical User Interface ....................................................28


x Universitas Indonesia

BAB IV UJI COBA DAN ANALISIS SISTEM PEMANTAU LALU LINTAS

MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB

DETECTION .........................................................................................................32

4.1 Implementasi Sistem ...............................................................................32

4.2 Pengujian Akurasi Pendeteksian Kendaraan antara Metode Blob

Detection dan Algoritma Canny.......................................................................33

4.3 Kecepatan Pengolahan Citra ...................................................................36

4.4 Tingkat Akurasi Kebenaran Sistem ........................................................39

4.5 Analisis ....................................................................................................42

BAB V KESIMPULAN .........................................................................................44

DAFTAR ACUAN.................................................................................................45

DAFTAR PUSTAKA ............................................................................................47


xi Universitas Indonesia

DAFTAR GAMBAR

Gambar 2.1 Tahapan Algoritma Canny Edge Detector [9]......................................9

Gambar 2.2 (a) Sebuah Gambar Dengan Noise. (b) Operator Bentuk Kotak. (c)

Gambar Setelah Operator Bentuk Kotak Diaplikasikan. (d) Turunan Pertama dari

Operator Gaussian. (e) Gambar Setelah Turunan Pertama dari Operator Gaussian

Diaplikasikan [10] ..................................................................................................10

Gambar 2.3 Fungsi Gaussian 2 Dimensi [11] ........................................................14

Gambar 2.4 Screenshoot data pengujian Sistem Pemantau Lalu Lintas

Terdistribusi [17] ....................................................................................................15

Gambar 2.5 Grafik Akurasi Penghitungan untuk Variasi Kondisi Cuaca dan Sudut

Pandang dari Sistem Pengaturan Lampu Lalu Lintas Terdistribusi [17] ...............16

Gambar 2.6 Contoh Tampilan Sistem Dengan Menggunakan Metode OMNI [20]

................................................................................................................................18

Gambar 3.1 Rancangan Sistem Pemantau Lalu Lintas [21] ..................................20

Gambar 3.2 Diagram Alur Sistem Pemantau Lalu Lintas yang Dibuat .................21

Gambar 3.3 Sudut Pengambilan Kamera dari Samping Atas [7]...........................22

Gambar 3.4 Contoh Tampilan Microsoft Visual Studio [21] ................................24

Gambar 3.5 Contoh Tampilan Qt Creator [22] ......................................................25

Gambar 3.6 Flowchart Algoritma Perancangan Sistem Pemantau Lalu Lintas

dengan Algoritma Canny .......................................................................................27

Gambar 3.7 Flowchart Algoritma Perancangan Sistem Pemantau Lalu Lintas

dengan Blob Detection ...........................................................................................28

Gambar 3.8 Tampilan Awal Sistem Pemantau Lalu Lintas ...................................29

Gambar 3.9 Tampilan Sistem Pemantau Lalu Lintas Saat Bekerja .......................30

Gambar 3.10 Pseudocode Sistem Pemantau Lalu Lintas yang Dirancang ............31

Gambar 4.1 Tampilan Sistem Saat Mendeteksi Kondisi Jalan Lengang ...............33

Gambar 4.2 Tampilan Sistem Saat Mendeteksi Kondisi Jalan Ramai Lancar .......34

Gambar 4.3 Grafik Perbandingan Antara Metode Blob Contour dan Canny ........35

Gambar 4.4 Grafik Pengujian Kondisi terhadap Kecepatan Pengolahan Citra .....37

Gambar 4.5 Grafik Pengujian Kecepatan Pengolahan Citra Terhadap Luas Region

of Interest pada kondisi jalan Lengang ..................................................................38

Gambar 4.6 Grafik Pengujian Kecepatan Pengolahan Citra Terhadap Luas Region

of Interest pada kondisi jalan Lengang-Ramai Lancar ..........................................38

Gambar 4.7 Grafik Pengujian Luas Region of Interest Terhadap Kecepatan

Pengolahan Citra pada kondisi jalan Ramai Lancar ..............................................39

Gambar 4.8 Grafik Pengujian Akurasi Sistem Terhadap Ketinggian Kamera ......41

Gambar 4.9 Grafik Pengujian Akurasi Sistem Terhadap Kondisi Jalan ................42

Gambar 4.10 Contoh Kemungkinan Berhimpitnya Posisi Kendaraan Karena Posisi

Kamera yang Cukup Rendah .................................................................................43


xii Universitas Indonesia

DAFTAR TABEL

Tabel 4.1 Perbandingan Metode Blob Contour dan Algoritma Canny ..................34

Tabel 4.2 Pengujian Kondisi terhadap Kecepatan Pengolahan Citra .....................36

Tabel 4.3 Pengujian pada Video I dengan Kondisi Jalan Lengang........................37

Tabel 4.4 Pengujian pada Video II dengan Kondisi Jalan Lengang - Ramai Lancar

................................................................................................................................38

Tabel 4.5 Pengujian pada Video III dengan Kondisi Jalan Ramai Lancar ............39

Tabel 4.6 Pengujian Akurasi Sistem Terhadap Ketinggian Kamera......................40

Tabel 4.7 Pengujian Akurasi Terhadap Kondisi Jalan ...........................................41


1

Universitas Indonesia

BAB I

PENDAHULUAN

1.1 Latar Belakang

Setiap hari, warga kota Jakarta selalu mengeluhkan masalah kemacetan

yang melanda jalan-jalan besar di kota ini, khususnya pada waktu siang dan sore

hari, yaitu saat mereka pergi dan pulang dari melakukan rutinitas sehari-hari.

Namun, ternyata masalah kemacetan ini tidak hanya terjadi di kota Jakarta. Kota-

kota besar lainnya di Indonesia, seperti kota Bandung, bahkan di kota besar lain,

seperti di New York, ternyata juga mengalami hal yang sama.

Masalah kemacetan yang melanda kota besar ini dirasa sangat merugikan,

karena membuang waktu, tenaga, dan pikiran. Apabila masalah ini tidak segera

ditanggulangi makan kerugian yang ditimbulkan akan semakin besar dan semakin

sulit untuk diatasi.

Untuk menyelesaikan masalah kemacetan ini diperlukan berbagai

informasi yang nantinya akan dianalisis untuk dicari solusinya. Beberapa

informasi yang dibutuhkan yaitu:

Penyebab kemacetan. Masalah utama yang menyebabkan kemacetan di kota-

kota besar adalah tidak seimbangnya jumlah kendaraan dengan kapasitas

jalanan yang ada di kota tersebut pada jam sibuk, namun ada kalanya terjadi

kemacetan pada kondisi yang tidak umum terjadi karena beberapa hal lain

seperti kecelakaan, adanya kendaraan yang mogok dan menghambat jalan,

adanya demonstrasi, pengaturan lampu lalu lintas yang kurang tepat, dan lain

sebagainya.

Waktu terjadinya kemacetan. Pada umumnya terjadi pada pagi dan sore hari

pada hari kerja serta sore hari saat akhir pekan. Namun ada kalanya kemacetan

terjadi lebih awal atau lebih lambat karena beberapa hal dan tidak menutup

kemungkinan terjadi di waktu-waktu lain karena satu dan lain hal yang telah

disebutkan di poin pertama.


2


Daerah yang mengalami kemacetan. Ada kalanya suatu daerah yang biasanya

mengalami kemacetan pada jam tertentu ternyata tidak mengalami kemacetan,

begitu pula sebaliknya.

Dari hal-hal yang disebutkan di atas, munculah ide untuk membantu

memecahkan masalah tersebut, yaitu dengan menggunakan sistem pemantau lalu

lintas. Yang dimaksud dengan sistem pemantau lalu lintas yaitu suatu sistem yang

berguna untuk memonitor daerah-daerah yang seringkali mengalami kemacetan.

Untuk memonitor daerah-daerah tersebut nantinya akan dilakukan oleh kamera

yang nantinya akan terintegrasi ke dalam sistem. Dengan sistem ini, informasi-

informasi yang dibutuhkan yang telah disebutkan sebelumnya bisa didapatkan.

Setelah informasi yang dibutuhkan didapatkan, selanjutnya bisa dianalisis untuk

ditindaklanjuti dengan tindakan-tindakan berikutnya.

Ditlantas Polda Metro Jaya mempunyai beberapa CCTV yang tersebar di

beberapa wilayah yang rawan terjadi kemacetan di daerah ibukota Jakarta. Namun

penggunaan informasi yang didapat masih dilakukan secara manual di mana

petugas akan memasukkan informasi tersebut ke website tmcmetro.com atau akun

twitter mereka yaitu @TMCPoldaMetro. Dalam perancangan yang akan

dilakukan diharapkan penggunaan informasi dari CCTV tersebut dapat lebih

dimaksimalkan dengan penggunaan secara otomatisasi dan penambahan fungsi

seperti integrasi dengan lampu lalu lintas atau integrasi dengan sebuah

information system lain yang khusus menampilkan informasi mengenai keadaan

jalanan di berbagai daerah yang rawan terjadi kemacetan.

1.2 Tujuan Penelitian

Tujuan penelitian yang dilakukan yaitu:

1. Merancang, membuat, dan menganalisis prototype sistem pemantau lalu lintas

menggunakan teknologi computer vision dengan OpenCV sebagai library

algoritma bahasa C++.

2. Menganalisis akurasi dan kecepatan sistem yang dibuat.

3. Menganalisis penggunaan metode Blob Detection & algoritma Canny sebagai

algoritma pendeteksi kendaraan.


3


1.3 Batasan Penelitian

Penelitian pada skripsi ini dibatasi pada perancangan dan pembuatan

prototype bentuk sistem pemantau lalu lintas dengan menggunakan OpenCV.

Output yang akan dihasilkan akan ditampilkan dalam layar monitor komputer

dengan sebuah graphical user interface.

1.4 Metode Penelitian

Metode penelitian yang digunakan dalam penulisan skripsi ini adalah studi

literatur dari berbagai sumber. Studi literatur dilakukan untuk mendapatkan

metode yang tepat untuk merancang sistem yang akan dibuat. Penulisan skripsi ini

juga mengacu pada Systems Development Life Cycle (SDLC), yaitu mencakup

tahapan:

1. System requirement

2. System design

3. Implementation and unit testing

4. Integration and system testing

Dalam perancangan sistem yang akan dilakukan digunakan pula Unified

Modelling Language (UML) sebagai bahasa standar dalam pemodelan rancangan

perangkat lunak.

1.5 Sistematika Penulisan

Sistematika dari penulisan skripsi ini dibagi atas beberapa bab. Pembagian

babnya adalah sebagai berikut, bab satu berisi pendahulan yang membahasa

tentang latar belakang, tujuan penelitian, batasan penelitian, metode penelitian,

dan sistematika penulisan. Bab dua menjelaskan tentang dasar teori, algoritma

yang digunakan, dan sistem pemantau lalu lintas yang telah ditemukan oleh orang

lain. Bab tiga berisi perancangan sistem pemantau lalu lintas menggunakan

OpenCV dengan algoritma Canny dan Blob Detection. Bab empat berisi

pengujian dan analisis dari sistem pemantau lalu lintas yang dirancang. Bab lima

merupakan kesimpulan dari keseluruhan skripsi ini.


4


BAB II

SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV

DENGAN ALGORITMA CANNY DAN BLOB DETECTION

Bab ini membahas mengenai dasar teori, algoritma yang akan dipakai, dan

sistem pemantau lalu lintas yang pernah ditemukan sebelumnya oleh orang lain.

Di sini nantinya akan dijelaskan mengenai beberapa teori perhitungan mengenai

algoritma yang dipakai. Tujuan adanya sistem pemantau lalu lintas lain yang

dibahas di bab ini adalah agar bisa dijadikan perbandingan mengenai sistem yang

dibuat.

2.1 Kemacetan

Menurut Kamus Besar Bahasa Indonesia, kata “macet” artinya tidak dapat

berfungsi dengan baik, terhenti, atau tidak lancar, sedangkan kata “kemacetan”

artinya hal (keadaan) macet [1]. Kondisi kemacetan lalu lintas merupakan suatu

keadaan kondisi jalan bila tidak ada keseimbangan antara kapasitas jalan dengan

jumlah kendaraan yang lewat. Gejala ini ditandai dengan kecepatan kendaraan

yang rendah sampai berhenti, jarak antar kendaraan yang satu dengan yang lain

rapat, dan pengemudi tidak dapat menjalankan kendaraan dengan kecepatan yang

diinginkannya [2].

Beberapa upaya yang dapat dilakukan untuk mengurangi kemacetan yaitu

[3]:

1. Peningkatan koordinasis transportasi.

2. Penambahan kapasitas jalan.

3. Meningkatkan infrastruktur jalan.

4. Supply and demand.

5. Mengajak masyarakat untuk hidup go green.

6. Anjuran kepada para pengendara.

7. Intelligent Transportation System.


5


2.2 Intelligent Transportation System

Di saat sistem transportasi di seluruh dunia meningkatkan peluang di

tingkat ekonomi dan sosial, hal tersebut juga menimbulkan berbagai masalah

seperti kemacetan, keamanan, dan kerusakan lingkungan. Intelligent

Transformation System (ITS) adalah aplikasi dari teknologi informasi dan

komunikasi dalam sistem transportasi. ITS digunakan untuk meningkatkan

mobilitas, mengurangi angka kecelakaan dan kematian, serta melestarikan

lingkungan [4].

Sasaran dari ITS meliputi:

1. Memantau lalu lintas dan kondisi lingkungan di jalan;

2. Memaksimalkan keamanan operasional dan efisiensi dari jaringan jalan;

3. Meminimalisir dampak negatif yang disebabkan dari kemacetan yang sering

terjadi maupun kemacetan yang tidak sering terjadi akibat insiden tertentu;

4. Menyediakan pengguna jalan informasi yang dibutuhkan untuk membantu

pengambilan keputusan di perjalanan dan meringankan beban mental dan

stress ketika berkendara.

Untuk mencapai tujuan tersebut, beberapa komponen berikut diidentifikasi

sebagai fungsi utama, yaitu [5]:

1. Maintaining road serviceability and safety.

2. Traffic control.

3. Travel aid and user information.

4. Demand management.

5. Network monitoring.

2.3 Computer Vision

Computer vision adalah sebuah disiplin ilmu yang mempelajari bagaimana

merekonstruksi, menginterpretasikan, dan memahami sebuah tampilan 3 dimensi

dari tampilan 2 dimensinya dalam hal sifat dari struktur tampilan tersebut.

Computer vision berkaitan dengan pemodelan dan meniru penglihatan manusia

dengan menggunakan perangkat lunak dan perangkat keras pada komputer.

Computer vision menggabungkan ilmu pengetahuan dalam bidang ilmu komputer,

teknik elektro, matematika, fisiologi, biologi, dan ilmu kognitif. Diperlukan ilmu


6


dari semua bidang tersebut untuk memahami dan menyimulasikan pengoperasian

sistem penglihatan manusia [6].

Untuk mendekati kemampuan manusia dalam menangkap informasi,

sebuah teknologi computer vision harus terdiri dari banyak fungsi pendukung

yang berfungsi secara penuh. Fungsi-fungsi pendukung tersebut antara lain [7]:

a. Proses penangkapan citra/ gambar (image acquisition).

Image Acquisition pada manusia dimulai dengan mata, kemudian

informasi visual diterjemahkan ke dalam suatu format yang kemudian dapat

dimanupulasi oleh otak. Seperti proses tersebut, computer vision membutuhkan

sebuah mata untuk menangkap sebuah sinyal visual. Pada umumnya mata pada

computer vision adalah sebuah kamera video. Kamera akan menerjemahkan

sebuah scene atau image. Keluaran dari kamera adalah berupa sinyal analog, di

mana frekuensi dan amplitudonya mereprentasikan detail ketajaman (brightness)

pada scene (frekuensi berhubungan dengan jumlah sinyal dalam satu detik,

sedangkan amplitudo berkaitan dengan tingginya sinyal listrik yang dihasilkan.

Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu,

memindainya dan membaginya menjadi ratusan garis horizontal yang sama. Tiap-

tiap garis membuat sebuah sinyal analog yang amplitudonya menjelaskan

perubahan brightness sepanjang garis sinyal tersebut. Karena komputer tidak

bekerja dengan sinyal analog, maka sebuah konverter analog to digital (ADC),

dibutuhkan untuk memproses semua sinyal tersebut oleh komputer. ADC ini akan

mengubah sinyal analog yang direpresentasikan dalam bentuk informasi sinyal

tunggal ke dalam sebuah aliran (stream) sejumlah bilangan biner. Bilangan biner

ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan

diproses.

b. Proses pengolahan citra (image processing).

Pada proses ini computer vision akan melibatkan sejumlah manipulasi

utama (initial manipulation) dari data binary yang dihasilkan pada proses image

acquisition. Image processing membantu peningkatan dan perbaikan kualitas

image, sehingga dapat dianalisa dan diolah lebih jauh secara lebih efisien. Image

processing akan meningkatkan perbandingan sinyal terhadap noise (signal-to-

noise-ratio = s/n). Sinyal-sinyal tersebut adalah informasi yang akan


7


mereprentasikan objek yang ada dalam image. Sedangkan noise adalah segala

bentuk interferensi dan pengaburan, yang terjadi pada sebuah objek.

c. Analisa data citra (image analysis).

Pada tahap ini scene akan dieksplorasi ke dalam bentuk karakteristik

utama dari objek melalui seuatu proses investigasi. Sebuah program komputer

akan mulai melihat melalui bilangan biner yang merepresentasikan informasi

visual untuk mengidentifikasi fitur-fitur spesifik dan karakteristiknya. Pada proses

yang lebih khusus lagi, program image analysis digunakan untuk mencari tepian

baas-batas objek dalam image. Sebuah tepian (edge) terbentuk antara objek dan

latar belakangnya atau antara dua objek yang spesifik. Tepi ini akan terdeteksi

sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan

salah satu batasnya.

d. Proses pemahaman data citra (image understanding).

Proses ini merupakan langkah terakhir dalam proses computer vision, di

mana spesifik objek dan hubungannya diidentifikasi. Pada bagian ini akan

melibatkan kajian tentang teknik-teknik artificial intelligent. Understanding

berkaitan dengan template matching yang ada dalam sebuah scene. Metode ini

menggunakan program pencarian (search program) dan teknik penyesuaian pola

(pattern matching techniques).

2.4 Open Computer Vision (OpenCV)

OpenCV adalah sebuah library yang berisi fungsi-fungsi pemograman

untuk teknologi computer vision secara real time. OpenCV bersifat open source,

bebas digunakan untuk hal-hal yang bersifat akademis dan komersial. Di

dalamnya terdapat interface untuk C++, C, Python, dan nantinya Java yang dapat

berjalan pada Windows, Linux, Android, dan Mac. Terdapat lebih dari 2500

algoritma dalam OpenCV, digunakan di seluruh dunia, telah lebih dari 2.5 juta

kali diunduh, dan digunakan lebih dari 40 ribu orang. Penggunaannya antara lain

pada seni interaktif, inspeksi tambang, menampilkan peta di web melalui

teknologi robotik. [8]

Pada awalnya OpenCV ditulis dengan menggunakan bahasa C namun

sekarang secara menyeluruh sudah menggunakan antarmuka bahasa C++ dan


8


seluruh pengembangannya terdapat dalam format bahasa C++. Contoh aplikasi

dari OpenCV yaitu interaksi manusia dan komputer; identifikasi, segmentasi, dan

pengenalan objek; pengenalan wajah; pengenalan gerakan; penelusuran gerakan,

gerakan diri, dan pemahaman gerakan; struktur dari gerakan; kalibrasi stereo dan

beberapa kamera serta komputasi mendalam; robotik.

Fitur-fitur yang terdapat pada OpenCV antara lain:

1. Manipulasi data image (alokasi, rilis, duplikasi, pengaturan, konversi).

2. Image dan I/O video (masukan berbasis file dan kamera, keluaran image/

video file).

3. Manipulasi matriks dan vektor serta aljabar linear (produk, solusi,

eigenvalues, SVD).

4. Beragam struktur data dinamis (daftar, baris, grafik).

5. Dasar pengolahan citra (filter, deteksi tepi, deteksi sudut, pengambilan sampel

dan interpolasi, konversi warna, operasi morfologi, histogram).

6. Analisis struktur (komponen yang berhubungan, pengolahan kontur,

transformasi jarak, variasi momen, transformasi Hough, perkiraan polygonal,

menyesuaikan garis, Delaunay triangulation.

7. Kalibrasi kamera (menemukan dan menelusuri pola kalibrasi, kalibrasi, dasar

estimasi matriks, estimasi homografi, korespondensi stereo).

8. Analisis gerakan (optical flow, segmentasi gerakan, penelusuran).

9. Pengenalan objek (metode eigen, HMM).

10. Dasar Graphical User Interface atau GUI (menampilkan image/ video,

penanganan mouse dan keyboard, scroll-bars).

11. Pelabelan image (garis, poligon, gambar teks).

Modul-modul yang terdapat pada OpenCV antara lain:

1. cv – fungsi utama OpenCV.

2. cvaux – fungsi penolong OpenCV.

3. cxcore – pendukung struktur data dan aljabar linear .

4. highgui – fungsi GUI.


9


2.5 Canny Edge Detection

Edge detection telah menjadi bagian penting dari banyak sistem computer

vision. Proses edge detection berguna untuk menyederhanakan analisis citra

dengan mengurangi sejumlah data secara drastis untuk diproses, dengan tetap

mempertahankan informasi yang penting mengenai garis-garis batas objek.

Algoritma Canny Edge Detection adalah algoritma yang cukup optimal dan paling

banyak digunakan untuk edge detector [9]. Algoritma ini merupakan sebuah

algoritma yang terdiri dari beberapa tahap seperti terlihat pada Gambar 2.1.

Gambar 2.1 Tahapan Algoritma Canny Edge Detector [9]

Jadi pertama-tama akan dilakukan penghalusan (smoothing) citra untuk

menghilangkan noise dengan melakukan Gaussian Filter. Selanjutnya dicari

gradient citra untuk melihat daerah-daerah yang memiliki turunan spasial yang

tinggi. Dari sini akan terlihat mana daerah yang mengalami perbedaan warna.

Kemudian dilakukan non-maximum suppression, yaitu penghilangan nilai-nilai

yang tidak maksimum dan menghilangkan setiap piksel yang tidak maksimum.

Selanjutnya dilakukan hystresis dengan menggunakan dua nilai threshold. Bila

magnitude ada di bawah threshold pertama maka titik tersebut akan diset menjadi

0. Bila magnitude berada di atas nilai threshold kedua maka termasuk edge. Bila

magnitude ada di antara keduanya maka akan diset menjadi 0 kecuali ada path

dari titik tersebut ke titik yang memiliki magnitude di atas nilai threshold kedua.

Jika digambarkan dalam grafik, proses pendeteksian yang dilakukan yaitu

sebagai berikut [10]:


10


1. Kita mulai dengan sebuah edge dari penampang dalam bentuk grafik Gaussian

noise seperti pada Gambar 2.2(a).

2. Kita akan beri sebuah filter dengan bentuk sinyal seperti Gambar 2.2(b) atau

Gambar 2.2.(d).

3. Keluarannya akan terlihat seperti pada Gambar 2.2(c) atau Gambar 2.2(e)

Gambar 2.2 (a) Sebuah Gambar Dengan Noise. (b) Operator Bentuk Kotak. (c) Gambar Setelah

Operator Bentuk Kotak Diaplikasikan. (d) Turunan Pertama dari Operator Gaussian. (e) Gambar

Setelah Turunan Pertama dari Operator Gaussian Diaplikasikan [10]

Langkah penting yang dilakukan dari algoritma ini adalah menangkap

kriteria yang telah dijelaskan sebelumnya dengan menggunakan sebuah rumus

matematika. Impuls respon dari filter kita anggap f(x) dan edge dinyatakan dalam

G(x). Asumsikan edge berada di tengah yaitu pada x = 0. Sehingga respon filter

terhadap edge di tengah HG ditentukan dengan rumus integral:

(2.1)


11


dengan asumsi filter memiliki sebuah batas impuls respon yang dibatasi oleh

[-W, W]. Root-mean-squared respon dari noise n(x) ditentukan dengan

(2.2)

di mana adalah mean-squared noise per amplitude per satuan panjang.

Keluaran rasio dari signal-to-noise, sebagai hasil bagi dari kedua rumus di atas

yaitu

(2.3)

2.6 Blob Detection

Bagi banyak pengolahan citra, mendeteksi objek low-level dalam sebuah

gambar merupakan hal yang sangat penting. Objek dalam bentuk dua atau tiga

dimensi tersebut biasa disebut blob. Bentuk blob timbul dalam cara yang berbeda

bergantung pada ukuran dan dapat dideteksi dengan menggunakan metode

sederhana dalam sebuah representasi gambar [11].

Ada beberapa teori mengenai definisi blob yang dikemukakan oleh

beberapa orang, yaitu antara lain:

1. Lindeberg mendefinisikan sebuah blob sebagai sebuah daerah yang terkait

setidaknya satu daerah yang extreme, baik maksimum maupun minimum atau

sebuah daerah terang maupun daerah gelap [12].

2. Hinz mendefinisikan sebuah blob sebagai sebuah bujur sangkar dengan

deaerah yang homogen [13].

3. Rosenfeld dan Sher mendefinisikan sebuah blob sebagai sebuah persimpangan

dari garis tegak lurus ke daerah tepi dari tangennya, dikelilingi oleh enam arah

atau lebih [14].

4. Yang dan Parvin mendefinisikan sebuah blob 3D sebagai fitur berbentuk bulat

dalam sebuah skala ruang [15].

Untuk berbagai macam tipe blob, berbagai metode berbeda dibutuhkan.

Namun metode-metode tersebut harus memenuhi beberapa syarat:

1. Handal dan dapat dipercaya. Metode pada citra low-level harus tahan terhadap

noise.

2. Akurasi. Dalam metrology citra hasil dengan akurasi tinggi sangat diperlukan.


12


3. Skalabilitas. Blob dalam ukuran yang berbeda harus dapat terdeteksi.

4. Kecepatan. Metode tersebut harus mendekati proses real-time.

5. Mempunyai parameter yang sedikit dan semantik. Metode terebut harus

mudah dimengerti agar mudah disesuaikan.

6. Mampu mengekstraksi ciri secara geometris dan radiometric. Hal ini

dibutuhkan untuk klasifikasi blob.

Sebagian besar metode Blob Detection didasarkan pada representasi skala

ruang. Tujuan utama dari representasi skala ruang adalah untuk memahami

struktur gambar pada semua tingkat resolusi secara bersamaan dan gambar dalam

berbagai skala. Skala ruang diperoleh dengan menerapkan smoothing kernel

seperti Gaussian, pada gambar dengan parameter skala tergantung pada jumlah

smoothing yang dibutuhkan. Beberapa metode yang dapat dipakai antara lain:

1. Template matching. Sebuah template akan dipindahkan ke atas gambar untuk

dicari dan blob akan terdeteksi di mana template tersebut cocok dengan bagian

dari gambar.

2. Watershed detection. Metode ini mengasumsikan sebuah citra menjadi

tumpukan nilai abu-abu dan menyimulasikan proses hujan yang jatuh ke

tumpukan tersebut, mengalir di tumpukan tersebut, dan terakumulasi pada

cekungan.

3. Spoke filter. Metode yang ditemukan oleh Minor dan Sklansky ini dapat

mendeteksi blob dalam berbagai ukuran dengan menggunakan sebuah filter

yang dinamakan spoke filter atau biasa juga disebut Adaptive Spatial Erosion

Filter.

4. Automatic scale selection. Prinsip dari metode ini adalah mengasumsikan

sebuah scale level, di mana beberapa kombinasi dari turunan normalisasinya

mengasumsikan sebuah nilai maksimum atas scale tersebut, yang

mencerminkan ukuran dari blob yang sesuai. Metode ini dikemukakan oleh

Lindeberg.

5. Sub-pixel precise blob detection. Metode ini mendefinisikan blob sebagai

sebuah bujur sangkar dengan kontras yang konstan, yang menjadi titik ekstrem

di bawah Gaussian smoothing. Metode ini dikemukakan oleh Hinz.


13


6. Effective maxima line detection. Darmeval menyajikan sebuah metode di

mana kurva modulus dalam skala yang berbeda, yang disebut maxima lines,

dipilih secara efektif untuk memisahkan blob dari noise.

7. Confidence measurement. Forssen dan Grandlund mengemukakan sebuah

metode yang kompleks untuk mengekstraksi blob dari sebuah gambar tanpa

menggunakan Gaussian smoothing. Metode ini akan membagi channel citra

dengan menggunakan fungsi kernel dan menghasilkan sebuah low-pass

pyramid serta menggunakan sebuah threshold.

2.7 Gaussian Smoothing

Gaussian smoothing atau biasa juga disebut Gaussian blur adalah hasil dari

pengaburan sebuah citra dengan menggunakan fungsi Gaussian [16]. Secara

matematis, mengaplikasikan sebuah Gaussian smoothing ke sebuah citra sama

saja dengan menyelimuti citra dengan sebuah fungsi Gaussian. Aplikasi tersebut

akan mengurangi komponen citra yang mempunyai frekuensi tinggi karena

Gaussian smoothing merupakan filter low pass. Persamaan dari fungsi Gaussian

dalam satu dimensi yaitu

(2.4)

sedangkan pada dua dimensi yaitu

(2.5)

Di mana x adalah jarak dari asal sumbu horizontal, y adalah jarak dari asal sumbu

vertikal, dan adalah deviasi standar dari distribusi Gaussian. Ketika

diaplikasikan dalam dua dimensi, persamaan ini menghasilkan kontur permukaan

berupa lingkaran konsentris dengan distribusi Gaussian dari titik pusat. Nilai dari

distribusi ini digunakan untuk membangun sebuah matriks konvolusi yang

diterapkan pada citra asli. Nilai baru setiap pixel diset pada nilai rata-rata dari

daerah sekitarnya. Nilai pixel asli menerima nilai yang paling tinggi sedangkan

pixel di sekitarnya menerima nilai yang lebih kecil di mana semakin dekat dengan

pixel asli maka nilainya akan semakin mendekati. Hal inilah yang mengakibatkan

timbulnya sebuah blur yang menjaga batas-batas dan edge yang baik. Sebagai

gambaran dalam bentuk grafik dapat dilihat pada Gambar 2.3.


14


Gambar 2.3 Fungsi Gaussian 2 Dimensi [11]

2.8 Contoh Sistem Pemantau Lalu Lintas yang Telah Diimplementasikan

Sistem pemantau lalu lintas sebenarnya sudah pernah ditemukan oleh

orang lain sebelumnya. Namun metode yang digunakan dapat berbeda-beda.

Tujuan penulisan contoh sistem pemantau lalu lintas yang ditemukan oleh orang

lain ini adalah sebagai perbandingan dengan sistem yang dibuat.

2.8.1 Sistem Pengaturan Lampu Lalu Lintas Terdistribusi [17]

Sistem Pengaturan Lampu Lalu Lintas Terdistribusi ini bertujuan untuk

membuat sebuah sistem lampu lalu lintas yang adaptif terhadap kondisi jalan di

sekitarnya. Sistem ini memerlukan sistem pemantau lalu lintas sebagai input untuk

mengukur tingkat kemacetan jalan di sekitarnya. Sistem ini menggunakan metode

Blob tracking, Haar Training, dan algoritma Principal Component Analysis dalam

mendeteksi kendaraan. Sistem ini juga menggunakan OpenCV untuk memakai

algoritma tersebut [7]. Hasil pengujian sistem dari sistem ini dapat dilihat pada

Gambar 2.5 dengan menggunakan data seperti yang terlihat pada Gambar 2.4.


15


(a) videosumber0.avi (b) videosumber1.avi

(c) malam lancar samping (d) malam lancar depan

e) siang lancar depan (f) siang macet samping

(g) siang lancar samping (h) siang samping zoom

Gambar 2.4 Screenshoot data pengujian Sistem Pemantau Lalu Lintas Terdistribusi [17]


16


Gambar 2.5 Grafik Akurasi Penghitungan untuk Variasi Kondisi Cuaca dan Sudut Pandang dari

Sistem Pengaturan Lampu Lalu Lintas Terdistribusi [17]

Kelemahan dari sistem ini antara lain:

1. Kesalahan interpretasi dua objek berbeda atau lebih menjadi satu objek.

2. Kesalahan interpretasi satu objek menjadi dua objek berbeda.

3. Sistem memiliki hasil pengenalan yang berbeda-beda antara kondisi waktu

siang, pagi, dan malam.

4. Sistem mengalami penurunan akurasi pengenalan pada kondisi jalan macet.

2.5.2 Traffic Jam Detection System [18]

Sistem ini bertujuan untuk mendeteksi kendaraan dan kecepatan dari

kendaraan tersebut. Sistem ini menggunakan metode Blob Detection dengan latar

belakang jalan yang kosong untuk mendeteksi kendaraan tersebut. Sistem ini

menggunakan pemograman .Net dan bahasa C. Secara umum tahapan yang

dilakukan yaitu:

1. Image analysis menggunakan citra jalanan yang kosong

2. Object detection menggunakan metode lane masking, konversi ke

grayscale, lalu gambar Blob yang menunjukkan kendaraan akan muncul

3. Hitung jumlah kendaraan

4. Motion detection mendeteksi kecepatan dari kendaraan dengan

menggunakan metode image differentiation

5. Munculkan hasil penghitungan


17


Sistem ini telah dicoba di beberapa kondisi. Hasil pengujian menunjukkan

bahwa sistem ini membutuhkan waktu 3 sampai 4 detik untuk mendeteksi objek

dan kecepatannya dalam citra berukuran 1024*768 pixels.

2.5.3 Image Processing in Road Traffic Analysis [19]

Sistem ini bertujuan untuk mendeteksi kemacetan, kecepatan kendaraan,

dan plat nomor kendaraan. Sistem ini menggunakan metode lane masking, metode

Blob Detection menggunakan citra jalan yang kosong, dan juga algoritma edge

detection. Secara umum tahapan yang dilakukan yaitu:

1. Lane masking memisahkan citra kendaraan dari citra yang tidak

diperlukan, jadi yang diambil hanya citra jalan saja.

2. Background elimination memisahkan citra kendaraan dari citra jalan

untuk menghilangkan noise yang mungkin muncul seperti ranting pohon,

bayangan, hujan, dan lain sebagainya.

3. Noise & blob filtration menghilangkan noise kecil yang berada di

sekitar citra kendaraan

4. Contour extraction melakukan edge detection pada citra dengan

algoritma yang dipakai yaitu Prewitt, Sobel, dan Laplacian Zero Crossing

5. Contour labeling menandai kendaraan yang telah terdeteksi

6. Vehicle tracking melakukan tracking kendaraan

2.5.4 The Implementation of A Vision Sensor for Traffic Surveillance [20]

Sistem ini menggunakan metode Open Model For Network-wide

Heterogeneous Intersection-based Transport Management (OMNI) [20]. Metode

ini menggunakan sudut pandang jalan secara vertikal dan memanfaatkan lebar tiap

lajur pada jalan untuk menghitung jumlah kendaraan seperti yang terlihat pada

Gambar 2.6. Sistem ini selain berfungsi untuk memantau kondisi lalu lintas, juga

berfungsi sebagai pendeteksi plat nomor kendaraan. Hasil dari pengujian sistem

dapat dilihat pada tabel 2.1.


18


Tabel 2.1 Rata-rata waktu pengolahan pada 3 modul pemantauan [20]

Module Analysis time (for 1000 frames) MFlops required (for 25

frames/sec)

Queue length 1.77 sec 15.3 MFlops

Car counting 0.37 sec 3.2 MFlops

License plate 14.6 sec 126 MFlops

Gambar 2.6 Contoh Tampilan Sistem Dengan Menggunakan Metode OMNI [20]


19


BAB III

PERANCANGAN SISTEM PEMANTAU LALU LINTAS

MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN

BLOB DETECTION

Bab ini menerangkan perancangan Sistem Pemantau Lalu Lintas dengan

Menggunakan OpenCV dengan menggunakan teknologi computer vision

berdasarkan metodologi SDLC yang sudah dijelaskan pada bab sebelumnya. Di

sini nantinya akan dijelaskan system requirement dan desain dari sistem yang akan

dibuat. Nantinya akan digunakan beberapa UML untuk mempermudah penjelasan

alur dari sistem yang akan dibuat.

3.1 User Requirement

Intelligent Transportation System merupakan salah satu solusi yang dapat

dilakukan untuk mengurangi kemacetan. Dari pembahasan sebelumnya mengenai

ITS, traffic monitoring merupakan salah satu komponen yang ada dalam ITS.

Untuk melakukannya, ada beberapa teknologi yang dapat digunakan, antara lain

sensor kecepatan, inductive loop detectors, serta video image processing. Pada

perancangan sistem pemantau lalu lintas ini, teknologi yang akan digunakan

adalah video image processing melalui kamera yang dipasang di sekitar jalan

untuk memantau jalan tersebut. Untuk pengambilan data yang akan digunakan

untuk pengujian nantinya akan digunakan video yang berisi rekaman kondisi jalan

asli.

Pada sistem pemantau lalu lintas ini, informasi yang dibutuhkan oleh

sistem adalah informasi mengenai jalan yang dipantau, khususnya mengenai

kepadatan jalan tersebut atau kemacetan di sana. Nantinya output yang dihasilkan

dari sistem ini adalah tingkat kemacetan yang akan diputuskan melalui beberapa

parameter. Nantinya juga akan dibuat graphical user interface agar hasil

pemantauan lebih mudah dimengerti.


20


3.2 Arsitektur Sistem Pemantau Lalu Lintas

Secara umum sistem pemantau lalu lintas yang akan dibuat mengambil

input dari kamera, diolah melalui sebuah engine, dan kemudian output yang

dihasilkan akan menghasilkan parameter tingkat kemacetan dari daerah yang

dipantau seperti yang digambarkan oleh Gambar 3.1. Parameter tingkat kemacetan

tersebut nantinya akan digunakan lebih lanjut dalam tingkat yang lebih tinggi

yaitu dalam Intelligent Transportation System. Nantinya keluaran yang dihasilkan

oleh sistem ini dapat digunakan sebagai masukkan dari beberapa komponen

Intelligent Transportation System.

Gambar 3.1 Rancangan Sistem Pemantau Lalu Lintas [21]

Alur proses yang terjadi secara umum dapat dilihat pada Gambar 3.2.

Secara bertahap alur proses sistem pemantau lalu lintas ini yaitu:

Kamera merekam kondisi jalan dan mengirimkan data ke engine.

Suatu mesin pengolah data akan menerima data dari kamera dan melakukan

komputasi untuk mengukur tingkat kemacetan.

Hasil komputasi engine akan digunakan untuk tingkat lebih lanjut atau proses

lain seperti pengaturan lampu lalu lintas adaptif atau peta kemacetan.


21


Gambar 3.2 Diagram Alur Sistem Pemantau Lalu Lintas yang Dibuat

3.3 Hardware yang Digunakan

Secara keseluruhan peralatan yang dibutuhkan untuk membuat sistem ini

tidak banyak. Namun untuk membuat suatu sistem yang kompleks dan luas

cakupan wilayahnya, hardware yang digunakan perlu diperbanyak kuantitasnya.

Namun pada perancangan penelitian ini, tiap-tiap hardware yang dibutuhkan

hanya 1 buah saja.

3.3.1 Kamera

Kamera diperlukan sebagai pengambil input utama dari sistem ini, yaitu

kondisi jalan. Pada perancangan ini kamera yang digunakan adalah kamera

handphone Galaxy Mini S5570 sebesar 3 megapixels dan kemampuan merekam

gambar maksimum sebesar 320 x 240 pixels. Salah satu parameter yang perlu

diperhatikan yaitu sudut pengambilan gambar. Semakin besar luas daerah yang

bisa ditangkap kamera, semakin baik. Sudut pandang dari samping atau vertikal

dari atas seperti yang digambarkan oleh Gambar 3.3 dianggap dapat memiliki

daya tangkap yang lebih baik, namun dibutuhkan penelitian lebih lanjut mengenai

dugaan tersebut [7].

Untuk melakukan efisiensi resources, nantinya kamera yang digunakan

tidak perlu memiliki kemampuan merekam frame per second (fps) yang cukup

tinggi. Hal ini dikarenakan semakin tinggi tingkat fps yang dimiliki oleh kamera,


22


maka semakin banyak data yang ditangkap tiap detiknya, sehingga data yang

disimpan akan semakin banyak. Selain itu, semakin tinggi tingkat fps juga akan

meningkatkan penggunaan resources yang diperlukan untuk mengolah data citra

yang didapat.

Gambar 3.3 Sudut Pengambilan Kamera dari Samping Atas [7]

3.3.2 Mesin Pengolah

Mesin pengolah berfungsi untuk menerima data dari kamera dan

melakukan komputasi untuk mengolah data tersebut dan mencari tingkat

kemacetan dari jalan yang dipantau. Perangkat yang akan digunakan sebagai

mesin pengolah ini nantinya adalah sebuah komputer. Dipilihnya media komputer

karena nantinya agar hasil keluaran dari sistem dapat dengan mudah dijadikan

input bagi sistem yang lebih tinggi. Nantinya input video bisa berupa rekaman

atau dari video streaming yang diambil dari situs web yang menyediakan.

Pengolahan data harus bisa dilakukan secara real time, artinya dilakukan dalam

waktu yang singkat. Bahasa pemograman yang akan digunakan adalah C++.

3.5 Software yang Digunakan

Secara keseluruhan perangkat lunak yang dibutuhkan dalam perancangan

sistem ini tidak banyak. Namun storage dan resources yang dibutuhkan relatif


23


banyak. Apalagi jika nantinya sistem ini benar-benar diterapkan dalam ruang

lingkup yang luas.

3.5.1 OpenCV

OpenCV akan digunakan sebagai library yang siap dipanggil dalam

algoritma computer vision untuk mengukur tingkat kemacetan. Digunakannya

OpenCV karena perangkat ini bersifat open source sehingga bebas digunakan

untuk hal-hal yang bersifat akademis dan penelitian. Software OpenCV dapat

diunduh secara gratis melalui situs resminya, yaitu

http://opencv.willowgarage.com/wiki/.

3.5.2 Microsoft Visual Studio

Microsoft Visual Studio merupakan aplikasi yang digunakan dalam

melakukan development algoritma yang akan digunakan. Pemilihan aplikasi ini

karena bahasa pemograman yang akan dipakai adalah C++. Microsoft Visual

Studio termasuk perangkat lunak yang relatif umum digunakan untuk

pemograman dengan menggunakan bahasa C++. Pada perangkat ini sudah

termasuk code editor dan integrated debugger. Untuk membuat program yang

dengan menggunakan library dari OpenCV, perlu dilakukan integrasi antara

Microsoft Visual Studio dengan OpenCV. Integrasi tersebut dilakukan dengan

cara mendefinisikan library yang digunakan ke lokasi data OpenCV yang terdapat

pada suatu lokasi di dalam komputer. Dengan menggunakan perangkat lunak ini

dapat juga dibuat Graphical user interface dari program yang dibuat. Kekurangan

yang dimiliki ini adalah tidak bersifat open source, dan harganya relatif cukup

mahal. Microsoft menyediakan versi trial dari aplikasi ini untuk digunakan selama

90 hari. Contoh tampilan dari Microsoft Visual Studio dapat dilihat pada Gambar

3.4.


http://opencv.willowgarage.com/wiki/

24


Gambar 3.4 Contoh Tampilan Microsoft Visual Studio [21]

3.5.3 Qt Creator

Qt Creator adalah sebuah cross-platform integrated development

environment (IDE) yang disesuaikan untuk kebutuhan para pengembang Qt.

Maksud dari cross-platform yaitu dapat dijalankan di berbagai operating system

yaitu Windows, Linux/X11, dan Mac OS X desktop OS. Dengan aplikasi ini, para

pengembang dapat membuat berbagai macam aplikasi desktop dan juga mobile

device. Pada aplikasi ini tersedia:

1. C++ dan JavaScript code editor

2. Integrated User Interface designer

3. Project and build management tools

4. Simulator untuk mobile user interface

5. Mendukung pengembangan aplikasi desktop dan mobile

Sebenarnya aplikasi ini juga dapat digunakan untuk membuat algoritma

dari sistem yang dibuat. Namun penggunaan aplikasi ini lebih difokuskan untuk

membuat graphical user interface karena proses pembuatan algoritma lebih

familiar dengan menggunakan aplikasi Microsoft Visual Studio. Namun aplikasi

Microsoft Visual Studio kurang mendukung pembuatan aplikasi console dengan

disertai graphical user interface sehingga akhirnya diputuskan digunakannya


25


aplikasi Qt Creator. Sama seperti pada Microsoft Visual Studio, untuk

menggunakan OpenCV sebagai library algoritma yang akan digunakan, perlu

didefinisikan letak data OpenCV pada program yang akan dibuat. Contoh

tampilan dari Qt Creator dapat dilihat pada Gambar 3.5.

Gambar 3.5 Contoh Tampilan Qt Creator [22]

3.6 Rancangan Algoritma

Algoritma yang akan dipakai dalam sistem ini dibuat dalam bahasa C++.

Alasan dipilihnya bahasa tersebut adalah bahasa tersebut lebih umum dipakai dan

lebih relatif lebih mudah digunakan pada embedded system apabila nantinya

sistem ini akan dimasukan pada sistem lain pada tingkat yang lebih tinggi.

Algoritma yang akan dibuat akan mengolah data dari video yang

dikirimkan oleh kamera. Untuk mempermudah pengujian sistem, sebagai

pengganti kamera akan digunakan rekaman video yang menampilkan kondisi

jalan yang sesungguhnya seolah-olah video tersebut berasal dari kamera secara

real time. Tingkat kemacetan jalan yang dipantau, akan dilihat dengan

menggunakan dua buah parameter, yaitu:

1. Jumlah kendaraan.

2. Kepadatan jalan, yaitu perbandingan antara jumlah kendaraan dengan

kapasitas jalan.

Dibutuhkan 4 input untuk diolah, yaitu:

1. Video atau citra daerah yang diamati.

2. Ketinggian kamera.


26


3. Daerah yang akan diamati dari video atau gambar (region of interest).

Pertama-tama, gambar yang didapat akan diubah ke dalam format

grayscale. Hal ini dilakukan karena dalam sistem pemantau lalu lintas yang dibuat

menggunakan algoritma yang memerlukan format grayscale sebagai input.

Setelah itu, untuk menghilangkan noise, gambar akan dibuat blur.

Setelah itu, akan dibuat template dari wilayah yang akan dilakukan proses

filter, yaitu jalan yang akan diamati yang selanjutnya akan disebut region of

interest. Hal ini dilakukan karena tidak semua bagian yang terpantau oleh kamera

akan diamati, seperti trotoar, bangunan, dan lain sebagainya. Jadi nantinya frame

yang diterima akan dibuang bagian frame yang tidak dibutuhkan. Hal ini

dilakukan untuk efisiensi data yang akan diolah dan juga menghindarkan adanya

objek lain yang tidak diharapkan ikut terdeteksi. Metode yang digunakan untuk

proses ini yaitu lane masking [7].

Untuk mendeteksi bentuk kendaraan terdapat dua macam metode yang

dapat dipilih, yaitu Blob Detection dan algoritma Canny. Algoritma Canny

mencari kendaraan berdasarkan kontur tepinya. Semua objek yang ada pada

region of interest akan dicari kontur tepinya. Setelah semua objek didapatkan

kontur tepinya, dilakukan proses filterisasi berdasarkan ukuran kontur tersebut.

Gambaran alur program yang dibuat dengan menggunakan algoritma Canny dapat

dilihat pada Gambar 3.6. Berbeda dengan algoritma Canny, metode Blob

Detection akan mencari kendaraan berdasarkan kontur bayangan dari kendaraan.

Hal ini dilakukan karena warna tiap kendaraan dapat berbeda-beda, sedangkan

warna bayangan setiap kendaraan akan selalu sama. Metode ini dilakukan dengan

mencari pixel yang mempunyai kontras sewarna dengan warna bayangan.

Selanjutnya, baik menggunakan Blob Detection maupun Canny, hanya kontur

yang ukurannya sesuai dengan kontur mobil saja yang akan dihitung dan

dilakukan ke dalam penghitungan. Gambaran alur program yang dibuat dengan

menggunakan Blob Detection dapat dilihat pada Gambar 3.7.


27


Gambar 3.6 Flowchart Algoritma Perancangan Sistem Pemantau Lalu Lintas dengan Algoritma

Canny

Setelah didapat data jumlah kendaraan pada satu frame, akan dilakukan

pada perhitungan kepadatan kendaraan, yaitu dengan membagi jumlah tersebut

dengan jumlah maksimum kendaraan yang mungkin ada pada region of interest

dari video daerah yang diamati. Nantinya informasi kepadatan kendaraan tiap

frame akan dimasukkan ke dalam database, lalu akan dihitung rata-rata kepadatan

kendaraan tersebut untuk disebutkan kondisi jalan tersebut berdasarkan rata-rata

kepadatan kendaraan.


28


Gambar 3.7 Flowchart Algoritma Perancangan Sistem Pemantau Lalu Lintas dengan Blob

Detection

3.7 Perancangan Graphical User Interface

Sistem pemantau lalu lintas yang dirancang ini mempunyai tampilan yang

sederhana. Pada intinya sistem ini membutuhkan 4 input:

Citra atau video mengenai kondisi jalan yang diamati

Informasi mengenai ketinggian kamera

Informasi mengenai daerah dari kamera yang akan diamati atau disebut juga

region of interest


29


Input yang dibutuhkan tersebut nantinya akan digunakan untuk

menentukan tingkat kemacetan yang akan muncul di kolom kondisi jalan.

Informasi mengenai ketinggian kamera dibutuhkan untuk menentukan range

kontur kendaraan yang akan dideteksi. Semakin tinggi letak kamera, maka gambar

kendaraan yang ada pada citra akan semakin kecil, sehingga nantinya citra

kendaraan yang diolah juga akan semakin kecil. Tentunya setiap ketinggian

kamera yang berbeda akan menghasilkan besar ukuran kendaraan pada citra yang

berbeda pula. Informasi mengenai jumlah kendaraan maksimum yang mungkin

ada juga didapat berdasarkan ketinggian kamera. Informasi mengenai jumlah

kendaraan maksimum akan digunakan untuk menentukan kepadatan jalan yang

nantinya akan digunakan untuk menghitung tingkat kemacetan dari jalan tersebut.

Screenshot dari sistem yang dibuat dapat dilihat pada Gambar 3.8.

Gambar 3.8 Tampilan Awal Sistem Pemantau Lalu Lintas

Kondisi jalan yang akan dinyatakan oleh program ini yaitu:

Lengang, jika kepadatan jalan kurang dari atau sama dengan 25%

Ramai lancar, jika kepadatan jalan berkisar 26% - 50%

Padat merayap, jika kepadatan jalan berkisar 51% - 75%

Macet, jika kepadatan jalan lebih besar daripada 75%


30


Selain kondisi jalan, sistem yang dibuat juga menampilkan jumlah

kendaraan yang terdeteksi pada saat itu, rata-rata jumlah kendaraan, kepadatan

jalan, dan jumlah maksimum kendaraan yang mungkin lewat di daerah region of

interest. Jumlah kendaraan terdeteksi menampilkan informasi kendaraan yang

terdeteksi pada frame yang sedang diolah. Rata-rata jumlah kendaraan

menampilkan rata-rata jumlah kendaraan yang lewat, dalam pengujian yang

dilakukan diset rata-rata selama 5 detik sebelumnya. Kepadatan jalan

menampilkan informasi persentase rata-rata jumlah kendaraan. Screenshot dari

sistem yang dibuat dapat dilihat pada Gambar 3.9. Pseudocode dari sistem yang

dibuat dapat dilihat pada Gambar 3.10.

Gambar 3.9 Tampilan Sistem Pemantau Lalu Lintas Saat Bekerja


31


Gambar 3.10 Pseudocode Sistem Pemantau Lalu Lintas yang Dirancang

// Inisiasi inisiasi nomor frame; inisiasi rata-rata jumlah kendaraan; inisiasi jumlah kontur yang terdeteksi; inisiasi level blur; // Parameter Dinamis // variabel region of interest inisiasi variabel titik awal horizontal region of interest dari GUI; inisiasi variabel titik awal vertikal region of interest dari GUI; inisiasi variabel lebar region of interest dari GUI; inisiasi variabel tinggi region of interest dari GUI; perhitungan luas region of interest; inisiasi variabel tinggi kamera dari GUI; perhitungan jumlah maksimum kendaraan yang terdapat pada region of interest; tampilkan jumlah maksimum kendaraan pada GUI; inisiasi range kontur kendaraan berdasarkan ketinggian kamera; // Pengambilan data citra Buka video kondisi jalan; // Untuk setiap frame yang ada: tampilkan pada layar "Citra Asli"; cari lebar dan tinggi citra utuh; konversi citra ke dalam format grayscale; melakukan blur pada citra; definisikan region of interest; lakukan algoritma Canny / Blob Detection pada region of interest; definisikan nomor frame yang sedang diolah saat ini; definisikan semua kontur yang terdeteksi; filter kontur kendaraan; hitung jumlah semua kontur kendaraan; tampilkan jumlah kontur kendaraan pada GUI; tampilkan semua kontur kendaraan pada layar "Citra Setelah Diolah"; masukan data jumlah kendaraan pada array database; // Jika video sudah berjalan selama waktu yang ditentukan hitung rata-rata jumlah kendaraan; tampilkan jumlah rata-rata kendaraan pada GUI; hitung persentase kepadatan jalan; tampilkan persentase kepadatan jalan pada GUI; tentukan kondisi jalan berdasarkan persentase kepadatan jalan; tampilkan kondisi jalan pada GUI;


32


BAB IV

UJI COBA DAN ANALISIS SISTEM PEMANTAU LALU LINTAS

MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN

BLOB DETECTION

Bab ini akan menerangkan mengenai pengujian sistem pemantau lalu

lintas yang telah dibuat serta analisis perbandingan penggunaan algoritma Canny

dan Blob Detection. Pengujian dilakukan untuk mengukur akurasi kebenaran dari

sistem dan kecepatan pengolahan citra yang dilakukan sistem berdasarkan

beberapa parameter.

4.1 Implementasi Sistem

Sistem pemantau lalu lintas yang dibuat menggunakan teknologi computer

vision. Perangkat lunak yang digunakan dalam pembuatan sistem yaitu:

1. OpenCV versi 2.2

2. Microsoft Visual Studio[23]

3. Qt Creator

Untuk mengetahui performa dari Sistem Pemantau Lalu Lintas ini, maka

dibutuhkan pengujian dengan cara pengambilan beberapa data. Pengujian

dilakukan dengan menggunakan data berupa video yang berisi kondisi jalan

dengan spesifikasi:

1. Durasi tiap video 2 menit

2. Frame rate sebesar 14 fps

3. Ukuran video 320 x 240 pixels

Sedangkan mesin pengolah yang digunakan adalah sebuah komputer

dengan spesifikasi:

Processor Intel Core 2 Duo @1.66Ghz

Memory 1536 mb

VGA Card Mobile Intel 945 Express Chipset Family sebesar 256 mb


33


4.2 Pengujian Akurasi Pendeteksian Kendaraan antara Metode Blob

Detection dan Algoritma Canny

Pengujian dilakukan dengan mengukur akurasi antara penggunaan metode

pendeteksian kendaraan dengan menggunakan algoritma Canny dan metode Blob

Detection. Penggunaan metode Blob Detection dilakukan dengan melakukan

perintah threshold pada region of interest. Setelah itu akan didapatkan kontur

yang menunjukkan adanya objek pada citra tersebut. Kontur yang diambil adalah

kontur bayangan dari kendaraan. Hal ini dilakukan karena warna tiap kendaraan

berbeda-beda sehingga sulit untuk dilakukan pemilihan nilai threshold yang tepat

apabila kita ingin mendeteksi kameranya saja. Untuk dapat mendeteksi bayangan

dari tiap kendaraan maka nilai threshold yang diujikan yaitu sebesar 70. Dengan

kata lain nantinya kontur yang didapat adalah warna hitam serupa dengan warna

bayangan dengan tingkat nilai pixel yang lebih rendah daripada warna jalanan

yang terlihat lebih keabu-abuan. Penghitungan jumlah kendaraan dilakukan

dengan melakukan filter berdasarkan ukuran kontur.

Gambar 4.1 Tampilan Sistem Saat Mendeteksi Kondisi Jalan Lengang

Pengujian dilakukan dengan membandingkan 20 frame yang diambil

secara acak pada pada 4 buah video dengan 2 variasi kondisi, yaitu kondisi

lengang seperti yang terlihat pada gambar 4.1 dan kondisi ramai lancar seperti

yang terlihat pada Gambar 4.2, kemudian dibandingkan akurasinya. Hasil


34


pengujian kedua metode tersebut dapat dilihat pada tabel 4.1 dan Gambar 4.3.

Penghitungan akurasi dilakukan dengan mencari error terlebih dahulu, yaitu

perbandingan antara selisih jumlah kendaraan yang dideteksi sistem dan yang

dilihat oleh mata manusia dengan jumlah kendaraan yang dilihat dengan mata

manusia dengan rumus:

persentase error = selisih penghitungan manual dan sistem x 100% (4.1)

penghitungan manual

kemudian persentase akurasi penghitungan oleh sistem didapat dengan rumus:

persentase akurasi = 100% - persentase error (4.2)

Gambar 4.2 Tampilan Sistem Saat Mendeteksi Kondisi Jalan Ramai Lancar

Dari hasil pengujian, terlihat bahwa pada kondisi lengang metode Blob

Contour lebih unggul, sedangkan pada kondisi ramai lancar penggunaan algoritma

Canny lebih unggul. Rata-rata selisih perbedaan persentase akurasi metode Blob

Detection dengan algoritma Canny pada kondisi lengang mencapai 11 %. Namun

keunggulan tersebut menurun ketika kondisi jalan semakin padat.


35


Tabel 4.1 Perbandingan Metode Blob Contour dan Algoritma Canny

Kondisi Canny Standar

error

Blob

Detection

Standar

Error

Video 1 Lengang 79.69% 0.69 92.31% 0.46

Video 2 Lengang 82.76% 1 93.08% 0.59

Video 3 Ramai

lancar 85.37% 1.11 83.48% 1.3

Video 4 Ramai

lancar 88.34% 1.10 83.09% 1.68

Gambar 4.3 Grafik Perbandingan Antara Metode Blob Contour dan Canny

Dibandingkan dengan penggunaan metode Blob Contour, penggunaan

algoritma Canny dinilai lebih unggul dalam sistem pendeteksi lalu lintas ini.

Penggunaan metode Blob Detection dinilai mempunyai kelemahan, antara lain:

Apabila kondisi jalan cukup padat, bayangan kendaraan dapat terhalang oleh

kendaraan lain. Hal inilah yang menyebabkan akurasi metode ini lebih rendah

dibandingkan dengan penggunaan algoritma Canny dalam mendeteksi

kendaraan.

Pada pengambilan citra dari tempat yang cukup tinggi sehingga menghasilkan

sudut pengambilan yang kecil, bisa saja bayangan kendaraan menjadi tidak

terlihat. Hal ini juga bisa saja terjadi ketika matahari sedang berada tepat di

atas kendaraan sehingga kendaraan terlihat seolah-olah tidak mempunyai

bayangan.

70%

80%

90%

100%

lengang lengang ramai lancar ramai lancar

persentase akurasi

kondisi jalan

Perbandingan Akurasi Antara Metode Blobs Detection dan Canny

canny

blob contour


36


Penggunaan penggunaan nilai threshold yang lebih besar dapat

mengakibatkan ukuran kontur yang didapat menjadi lebih besar. Akibatnya

dua buah kendaraan atau lebih yang berdekatan dapat dianggap menjadi satu

kendaraan saja oleh sistem. Namun hal ini perlu diteliti lebih lanjut untuk

mebenarkan dugaan ini.

4.3 Kecepatan Pengolahan Citra

Pengujian dilakukan dengan mengukur kecepatan sistem untuk melakukan

pekerjaan sejak citra diekstraksi hingga nilai kepadatan kondisi jalan dimasukkan

ke dalam database dan pengukuran kondisi jalan selesai dilakukan. cara

melakukan pengukurannya yaitu dengan menyetel timer sejak gambar dikestraksi

sampai data kondisi jalan dimasukkan ke dalam database dengan menggunakan

fungsi. Data timer tersebut kemudian diakumulasi dan dibagi dengan jumlah

frame yang telah diekstraksi. Perhitungan dilakukan dengan mencari rata-rata

kecepatan sistem dalam bekerja sejak frame pertama hingga frame terakhir diolah.

Pengujian pertama yaitu menguji sistem terhadap kondisi jalan. pengujian

ini dilakukan dengan membandingkan 9 buah video dengan ukuran region of

interest yang sama (320 x 40 pixels) namun tiap video menampilkan kondisi yang

berbeda-beda. Hasil pengujian dapat dilihat pada tabel 4.2. Grafik rata-rata hasil

pengujian dapat dilihat pada Gambar 4.4.

Tabel 4.2 Pengujian Kondisi terhadap Kecepatan Pengolahan Citra

Kondisi Kecepatan pengolahan per frame (ms)

Video 1 Lengang 9.2455



Video 4 Lengang – ramai lancar 9.8052



Video 7 Ramai lancar 10.2331




37


Gambar 4.4 Grafik Pengujian Kondisi terhadap Kecepatan Pengolahan Citra

Dari data di atas, dapat terlihat bahwa kondisi jalan juga mempengaruhi

kecepatan sistem untuk mengolah data. Semakin padat atau ramai kendaraan yang

lewat, semakin besar waktu yang dibutuhkan sistem untuk bekerja. Dari hasil

perhitungan dari grafik, rata-rata kecepatan pengolahan per frame yang dilakukan

oleh sistem mencapai nilai 9.8 ms per frame. Dengan kata lain, waktu rata-rata

yang dibutuhkan oleh sistem untuk mengolah satu frame dengan ukuran video

sebesar 320 x 40 pixels adalah 9.8 ms.

Pengujian kedua yaitu menguji sistem terhadap luas region of interest.

Pengujian dilakukan dengan menggunakan 3 buah video dengan setiap pengujian

dilakukan dengan cara menjalankan sistem terhadap video berulang kali dengan

luas region of interest yang ditentukan berbeda-beda. Setiap video menampilkan

kondisi jalan yang berbeda. Data hasil pengujian dapat dilihat pada tabel 4.3, 4.4,

dan 4.5 serta Gambar 4.5, 4.6, dan 4.7.

Tabel 4.3 Pengujian pada Video I dengan Kondisi Jalan Lengang

Ukuran ROI Pengukuran I Pengukuran II Pengukuran III Rata-rata

320x50 10.0610 9.8182 9.8872 9.9222

320x40 9.3683 9.3058 9.2747 9.3163

320x30 8.7446 8.7853 8.7024 8.7441

8.50

9.00

9.50

10.00

10.50

lengang lengang-ramai lancar

ramai lancar

kecepatan pengolahan

citra (fps)

kondisi jalan

Pengujian Kecepatan Pengolahan Citra Terhadap Kondisi Jalan


38


Gambar 4.5 Grafik Pengujian Kecepatan Pengolahan Citra Terhadap Luas Region of Interest pada

kondisi jalan Lengang

Tabel 4.4 Pengujian pada Video II dengan Kondisi Jalan Lengang - Ramai Lancar


320x50 10.4318 10.3335 10.4151 10.3935

320x40 9.6437 9.6526 9.4134 9.5699

320x30 8.8439 8.7950 8.8313 8.8234

Gambar 4.6 Grafik Pengujian Kecepatan Pengolahan Citra Terhadap Luas Region of Interest pada

kondisi jalan Lengang-Ramai Lancar

8

8.5

9

9.5

10

10.5

320x30 320x40 320x50

kecepatan (ms)

luas region of interest (pixel)

Pengujian Luas Region of Interest terhadap Kecepatan Pengolahan Citra pada Kondisi Lengang

8

8.5

9

9.5

10

10.5

11

320x30 320x40 320x50

kecepatan (ms)


Pengujian Luas Region of Interest terhadap Kecepatan Pengolahan Citra pada Kondisi Lengang-

Ramai Lancar


39


Tabel 4.5 Pengujian pada Video III dengan Kondisi Jalan Ramai Lancar


320x50 10.8806 10.9064 11.1004 10.9625

320x40 10.4414 10.1314 10.3236 10.2988

320x30 9.4131 9.6661 9.6361 9.5718

Gambar 4.7 Grafik Pengujian Luas Region of Interest Terhadap Kecepatan Pengolahan Citra pada

kondisi jalan Ramai Lancar

Dari data di atas, dapat terlihat bahwa luas region of interest

mempengaruhi kecepatan pengolahan citra. Semakin luas region of interest,

semakin lama waktu yang dibutuhkan oleh sistem untuk bekerja. Dari hasil

perhitungan pada grafik, rata-rata kenaikan kecepatan yang terjadi adalah 7.36%.

Dengan kata lain rata-rata kenaikan kecepatan yang dibutuhkan sistem setiap

bertambahnya luas region of interest sebesar 320 x 10 pixels adalah 7.36%.

4.4 Tingkat Akurasi Kebenaran Sistem

Pengujian akurasi dari sistem diukur berdasarkan perbandingan

perhitungan manual dengan perhitungan yang dilakukan oleh sistem. Pengujian

ini dilakukan dengan cara melakukan penghitungan terhadap 20 frame dari tiap

video yang memiliki kriteria yang berbeda-beda. Penghitungan akurasi dilakukan

dengan membandingkan jumlah kendaraan yang dideteksi oleh sistem dengan

8.5

9

9.5

10

10.5

11

11.5

320x30 320x40 320x50

kecepatan (ms)


Pengujian Luas Region of Interest terhadap Kecepatan Pengolahan Citra pada Kondisi Ramai Lancar


40


jumlah kendaraan yang dihitung secara manual, yaitu dengan menggunakan mata

manusia, lalu dibuat dalam bentuk persentase. Penghitungan akurasi dilakukan

dengan mencari error terlebih dahulu, yaitu perbandingan antara selisih jumlah

kendaraan yang dideteksi sistem dan yang dilihat oleh mata manusia dengan

jumlah kendaraan yang dilihat dengan mata manusia dengan rumus:

persentase error = selisih penghitungan manual dan sistem x 100% (4.3)

penghitungan manual

kemudian persentase akurasi penghitungan oleh sistem didapat dengan rumus:

persentase akurasi = 100% - persentase error (4.4)

Pengujian pertama dilakukan dengan membandingkan ketinggian kamera

terhadap akurasi pengukuran yang dilakukan oleh sistem. Pengujian dilakukan

dengan menggunakan 6 buah video yang memiliki ketinggian kamera yang

berbeda-beda. Data hasil pengujian dapat dilihat pada tabel 4.6 dan Gambar 4.8.

Tabel 4.6 Pengujian Akurasi Sistem Terhadap Ketinggian Kamera

Ketinggian

kamera Akurasi Standar error

Video 1 17 m 79.51% 1.39

Video 2 23 m 80.56% 0.98

Video 3 29 m 79.69% 0.69

Video 4 35 m 82.76% 1

Video 5 41 m 85.37% 1.11

Video 6 47 m 88.34% 1.10


41


Gambar 4.8 Grafik Pengujian Akurasi Sistem Terhadap Ketinggian Kamera

Dari data di atas dapat dilihat bahwa ketinggian berpengaruh terhadap

akurasi dari sistem ini. Pada video 1, video 2, dan video 3 akurasi sistem terlihat

tidak begitu berbeda. Namun pada video 4, video 5, dan video 6 terlihat pengaruh

perbedaan ketinggian kamera terhadap akurasi dari sistem. Semakin tinggi letak

kamera, semakin tinggi akurasi yang dihasilkan oleh sistem.

Pengujian kedua dilakukan dengan membandingkan kondisi jalan terhadap

akurasi pengukuran yang dilakukan oleh sistem. Pengujian dilakukan dengan

memperhatikan kondisi jalan ketika lengang dan ketika ramai lancar pada satu

video. Data hasil pengujian dapat dilihat pada tabel 4.7 dan Gambar 4.9.

Tabel 4.7 Pengujian Akurasi Terhadap Kondisi Jalan

Data

Akurasi

Kondisi

Lengang

Standar

error

Kondisi Ramai

Lancar

Standar

error

Video 1 79.69% 0.65 80.60% 0.82

Video 2 86.19% 0.94 82.78% 1.68

Video 3 91.76% 0.77 89.35% 1.42

Video 4 90.53% 0.59 93.75% 0.59

Video 5 87.20% 0.67 86.67% 1.81

74%

76%

78%

80%

82%

84%

86%

88%

90%

17 m 23 m 29 m 35 m 41 m 47 m

persentase akurasi

ketinggian

Pengujian Ketinggian Kamera Terhadap Akurasi Sistem


42


Gambar 4.9 Grafik Pengujian Akurasi Sistem Terhadap Kondisi Jalan

Dari data di atas, dapat dilihat tidak terdapat perbedaan yang cukup berarti

pada akurasi sistem terhadap perbedaan kondisi jalan yang dipantau. Rata-rata

perbedaan akurasi antara kedua kondisi tersebut hanya 1.68%. Dengan kata lain

apapun kondisi jalan, sistem akan mendeteksi kendaraan sesuai dengan kondisi

jalan yang ada.

4.5 Analisis

Berdasarkan hasil pengujian, dibandingkan dengan penggunaan metode

Blob Contour, penggunaan algoritma Canny yang digunakan oleh sistem dapat

membuat performa sistem yang lebih baik. Dari sisi kecepatan pengolahan citra,

semakin padatnya kondisi lalu lintas berakibat semakin besarnya waktu yang

dibutuhkan oleh sistem untuk melakukan pengolahan citra. Secara teori, hal ini

wajar terjadi karena semakin padat kondisi lalu lintas berarti semakin banyak

jumlah kendaraan yang ada di jalan sehingga semakin banyak citra yang diolah.

Selain itu luas region of interest juga mempengaruhi kecepatan pengolahan citra.

Hal ini terjadi karena semakin luas citra yang diolah mengakibatkan semakin

banyaknya resources yang dibutuhkan sehingga waktu pengolahan semakin lama.

Untuk akurasi dari sistem, dari hasil pengujian terlihat bahwa ketinggian

kamera mempengaruhi hal tersebut. Hal ini dikarenakan karena semakin tinggi

letak kamera maka kemungkinan suatu kendaraan menghalangi kendaraan lain

akan semakin kecil. Namun hal ini terjadi pada saat ketinggian dimulai dari

sekitar 29 m.

70%

80%

90%

100%

video 1 video 2 video 3 video 4 video 5

persentase akurasi

data

Pengujian Akurasi Sistem Terhadap Kondisi Jalan

lengang

ramai lancar


43


Kondisi kamera yang cukup rendah memungkinan dua buah kendaraan

atau lebih yang berada pada posisi berdekatan dianggap oleh sistem sebagai

sebuah kendaraan yang lebih besar seperti yang terlihat pada Gambar 4.10. Hal ini

mungkin saja terjadi karena pada kondisi tersebut jarak antara satu kendaraan

dengan kendaraan yang lain tidak terlihat oleh kamera. Selain itu bagian samping

dari kendaraan juga akan terdeteksi sehingga dapat menimbulkan kesalahan

pendeteksian. Kesalahan pendeteksian tersebut diakibatkan perbedaan warna yang

terjadi karena pencahayaan yang berbeda pada sisi samping dan sisi atas

kendaraan sehingga kedua bagian tersebut dapat terdeteksi sebagai dua objek yang

berbeda. Selain itu kontur ban, pintu, dan kaca kendaraan juga mengakibatkan

kesalahan jumlah kontur edge yang terdeteksi sehingga mengakibatkan kesalahan

pendeteksian kendaraan. Hal ini dapat dihindari dengan peletakan kamera pada

posisi yang lebih tinggi.

Posisi kamera yang lebih tinggi juga memberi keuntungan lain yaitu

semakin luasnya daya tangkap yang bisa didapat. Semakin luasnya daya tangkap

kamera dapat memberikan hasil yang lebih representatif karena kemungkinan

kendaraan yang dapat terpantau menjadi lebih banyak. Semakin luasnya daya

tangkap kamera juga dapat menghemat jumlah kamera yang diperlukan apabila

kita ingin mengamati lalu lintas pada daerah yang cukup luas, misalnya

mengamati dua buah lajur jalan berlawanan arah yang posisinya bersebelahan.

Gambar 4.10 Contoh Kemungkinan Berhimpitnya Posisi Kendaraan Karena Posisi Kamera yang

Cukup Rendah

Dari hasil pengujian juga dapat disimpulkan bahwa kondisi jalan tidak

mempengaruhi akurasi dari sistem. Hal ini berarti bagaimanapun kondisi jalan,

sistem akan memberikan informasi sesuai dengan kondisi yang terlihat saat itu.


44


BAB V

KESIMPULAN

1. Sistem pemantau lalu lintas yang dirancang berhasil mendeteksi kendaraan

dengan rata-rata akurasi yang berbeda pada tiap ketinggian kamera.

2. Selisih perbedaan akurasi pada penggunaan Blob Detection pada kondisi

lengang lebih unggul daripada penggunaan algoritma Canny, namun

keunggulan ini menurun ketika kondisi jalan semakin ramai sehingga

penggunaan algoritma Canny dinilai lebih tepat digunakan pada sistem

pendeteksi lalu lintas daripada metode Blob Detection.

3. Rata-rata kecepatan sistem pada ukuran citra 320 x 40 pixels pada kondisi

Lengang – Ramai Lancar yaitu 9.8 ms.

4. Kecepatan sistem dipengaruhi oleh kondisi kepadatan jalan, semakin

banyak kendaraan yang lewat maka waktu yang dibutuhkan oleh sistem

untuk bekerja akan semakin lama.

5. Kecepatan sistem juga dipengaruhi oleh luas region of interest, semakin

luas region of interest maka waktu yang dibutuhkan oleh sistem untuk

bekerja akan semakin lama dengan rata-rata kenaikan waktu sebesar

7.36% dari kecepatan sebelumnya setiap penambahan tinggi 10 pixels

pada region of interest.

6. Akurasi sistem dipengaruhi oleh ketinggian kamera, semakin tinggi letak

kamera maka akurasi sistem akan semakin baik, hasil akurasi optimal dari

sistem dimulai pada ketinggian kamera sekitar 29 m dengan tingkat

akurasi sekitar 80% .

7. Perbedaan kondisi jalan antara lengang dan ramai lancar dapat membuat

perbedaan akurasi sebesar 1.68%, sehingga relatif bisa dikatakan kondisi

jalan tidak begitu mempengaruhi akurasi sistem.


45


DAFTAR ACUAN

[1] Kamus Besar Bahasa Indonesia, Macet, 2012, [Online]. Available:

http://kamusbahasaindonesia.org/macet

[2] Yudiawan, Studi Kemacetan Lalu Lintas di Kota Bandung, 2008, [Online].

Available: http://repository.upi.edu/skripsiview.php?no_skripsi=5474

[3] Joshua Remi Aworemi et al., A Study of the Causes, Effects and Ameliorative

Measures of Road Traffic Congestion in Lagos Metropolis, 2009.

[4] Asad J. Khattak, Intelligent Transportation Systems, 2008.

[5] Road Network Operations Handbook, World Road Association, 2003.

[6] Qiang Ji, Introduction - Vision 3D, 2010.

[7] Muhammad Adri, Computer Vision: Basic Concept of Computer Vision,

2009.

[8] Willow Garage, Open Computer Vision, [Online]. Available:


[9] Y. Senthil Kumar, Canny Edge Detection Implementation on

TMS320C64x/64x+ Using VLIB, 2009.

[10] John Canny, A Computational Approach to Edge Detection, 1986.

[11] Anne Kaspers, Blob Detection, 2011.

[12] T. Lindeberg, Detecting Salient Blob-like Image Structures and Their Scales

with A Scale-space Primal Sketch: A Method for Focus-of-attention, 1993.

[13] S. Hinz, Fast and Subpixel Precise Blob Detection and Attribution, 2005.

[14] A. Rosenfeld & C. Y. Sher, DetectingImage Primitives Using Feature

Pyramids, 1998.

[15] Q. Yang & B. Parvin, Chef: Convex Hull of Elliptic Fetures for 3D Blob

Detection, 2002.

[16] Centre of Studies in Resources Engineering, Indian Institue of

Technology, Gaussian Blur, [Online]. Available:

http://www.csre.iitb.ac.in/~avikb/GNR401/Gaussian%20Blur.pdf

[17] Wisnu Jatmiko et al., Sistem Pengaturan Lalu Lintas Terdistribusi. Depok:

Universitas Indonesia. 2011.


http://kamusbahasaindonesia.org/macet

http://repository.upi.edu/skripsiview.php?no_skripsi=5474


http://www.csre.iitb.ac.in/~avikb/GNR401/Gaussian%20Blur.pdf

46


[18] Khan Muhammad Nafee Mostafa & Qudrat-E-Alahy Ratul, Traffic Jam

Detection System, 2008.

[19] Atkociounas, et al., Image Processing in Road Traffic Analysis, 2005.

[20] Włodzimierz Kasprzak & Marcin Jankowski, The Implementation of A Vision

Sensor for Traffic Surveillance.

[21] Microsoft, Microsoft Visual Studio, [Online]. Available:

http://www.microsoft.com/visualstudio/en-us

[22] Nokia, Qt Creator IDE and Tools, [Online]. Available:

http://qt.nokia.com/products/developer-tools

[23] Microsoft Visual Studio 2010 University of Indonesia – Engineering Student

License.


http://www.microsoft.com/visualstudio/en-us

http://qt.nokia.com/products/developer-tools

47


DAFTAR PUSTAKA

Gary Bradski & Adrian Kaehler, Learning OpenCV: Computer Vision with the

OpenCV Library, O’Reilly, 2008.

Robert Laganiere, OpenCV 2 Computer Vision Application Programming

Cookbook, Packt Publishing, 2011.


Documents

RANCANG BANGUN DAN ANALISIS SISTEM PEMANTAU …lib.ui.ac.id/file?file=digital/20308703-S42743-Rancang bangun.pdf · kota besar lainnya di Indonesia, seperti kota Bandung, bahkan di