Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Sistem Pendeteksi Aktivitas Kendaraan Pada Area Parkir Dengan

Jaringan Multi-Camera

DODI WAHYU B – NRP 2206100020 Bidang Studi Telekomunikasi Multimedia

Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)

Kampus ITS, Keputih – Sukolilo, Surabaya 60111

ABSTRAK

Dengan meningkatnya jumlah penduduk sekarang,

maka permintaan akan jasa transportasi semakin tinggi. Oleh

karena itu akan terjadi kenaikan kepadatan lalulintas dan

pengguna jasa parkir. Permasalahan parkir sangat penting

untuk dikaji seperti kebutuhan ruang parkir yang harus

tersedia secara memadai dan sistem pemantau ruangan

parkir. Oleh karena itu perlu dibangun suatu sistem yg dapat

mendeteksi segala bentuk aktivitas kendaraan pada area

parkir.

Pada tugas akhir ini akan dibangun suatu sistem deteksi

kendaraan pada video pintu masuk dan keluar parkir, serta

video pemantauan di ruangan parkir dengan jaringan multi-

camera. Video dianalisa dengan menggunakan 4 metode

yaitu, Konversi Citra, Background substraction, Normalize

2D Cross-Correlation, vehicle tracking. Keseluruhan metode

tersebut akan diaplikasikn menggunkan software Matlab

R2009b.

Hasil dari implementasi metode menunjukkan bahwa

video yang tidak terdapat kendaraan berdekatan memiliki

persentase kendaraan terdekteksi sebesar 100%, sedangkan

terdapat kendaraan yang berdekatan dan terpengaruh

bayangan memiliki persentase terdeteksi sebesar 75%. Untuk

implementasi menggunakan multi-camera dapat mendeteksi

objek dengan coverage area lebih luas dibandingkan single-

camera. Selain itu untuk penempatan kamera, jika semakin

tinggi maka mendapatkan luasan jangkauan sebesar 1,5 kali

dari setiap peningkatan 0,5 m dan jika semakin besar sudut

pantau mendapatkan luasan 1,8 kali dari setiap peningkatan

sudut 15o.

Kata Kunci: aktivitas kendaraan, area parkir, single-

camera, multi-camera, video, pendeteksian

I. PENDAHULUAN

Pada saat ini permasalahan parkir sangat penting untuk

dikaji lebih mendalam, seperti ruang parkir yang dibutuhkan

harus tersedia secara memadai. Semakin besar volume lalu

lintas yang beraktivitas baik yang meninggalkan atau

menuju pusat kegiatan, maka semakin besar pula kebutuhan

ruang parkir. Selain itu jika pada ruang parkir tersebut tidak

dilengkapi dengan kamera deteksi pemantauan ruangan,

maka pengendara tidak mengetahui kondisi ruangan parkir

yang kosong. Sehingga dari dua permasalahan tersebut,

pihak pemilik tempat parkir harus bisa mengetahui jumlah

kendaraan yang keluar masuk parkir untuk memudahkan

dalam pengaturan keamanan dan pendeteksian kekosongan

ruang parkir untuk meningkatkan pelayanan. Sehingga paada

tugas akhir ini akan dibangun suatu sistem pendeteksi

aktivitas kendaraan pada area parkir dengan jaringan multi-

camera.. Video hasil rekaman itu dianalisa dengan

menggunakan 4 teknik yaitu, Konversi Citra, Background

substraction, Normalize 2D Cross-Correlation, vehicle

tracking. Keseluruhan teknik tersebut akan diaplikasikn

menggunkan software Matlab versi 7.9.0.529 (R2009b).

Konversi Citra digunakan untuk merubah format citra yang

RGB menjadi grayscale dan kemudian diubah menjadi

image binary. Background substraction digunakan untuk

memisahkan objek kendaraan dari background di frame pada

rekaman video. Untuk metode Normalize 2D Cross-

Correlation digunakan untuk mendapatkan nilai korelasi

antara objek yang akan dideteksi dengan template yang

digunakan, sehingga dapat memperoleh hasil deteksi

kendaraan yang lebih akurat. Proses selanjutnya adalah

teknik vehicle tracking yang digunakan untuk mendeteksi

objek kendaraan pada video. Objek kendaraan yang berada

pada video akan dibandingkan dengan template kendaraan

yang tersedia. Kemudian setelah didapatkan kesimpulan hasil

deteksi objek, maka digunakan untuk mengklasifikasikan

kendaraan, menghitung jumlah kendaraan, dan menganalisis

kekosongan area parkir pada video.

II. TEORI PENUNJANG

2.1. Kamera Tunggal (Single-Camera) Single-camera merupakan teknologi yang

memanfaatkan penggunaan satu buah (tunggal) kamera.

Dikarenakan hanya menggunakan satu buah kamera saja

maka pada teknologi ini tidak bisa membentuk suatu

jaringan(network). Meskipun pada single-camera tidak bisa

membentuk jaringan, tetapi dapat dimanfaatkan untuk

aplikasi pemantauan objek atau suatu ruangan dengan space

terbatas. Beberapa kekurangan pada pemakaian single-

camera sebagai berikut:

1. Keterbatasan coverage area pemantauan,.

2. Keterbatsan sudut pandang hanya pada satu sisi dari

objek (2D)

3. Tidak bisa membentuk jaringan (network), hanya

terhubung secara single hop.

4. Keterbatasan dalam memperoleh/menyimpan

informasi suatu aktivitas selama pemantauan secara

live

5. Tidak adanya back-up kamera lain yang terintegrasi

otomatis, ketika terjadi kerusakan.

2.2. Jaringan Multi-Camera (multi-camera network)

Multi-camera merupakan teknologi yang

memanfaatkan penggunaan lebih dari satu buah kamera.

Sehingga pada multi-camera bisa membentuk jaringan yang

dapat di-control secara langsung oleh admin. Gambar 1

merupakan bentuk jaringan multi-camera. Sehingga dapat

didefinisikan bahwa jaringan multi-camera merupakan suatu

jaringan yang terorganisasi secara terpusat oleh admin

dengan melakukan penyebaran kamera pada titik-titik yang

sudah ditentukan.

1

(a)

(b)

Gambar 1. (a). Maket ruangan yang terintegrasi dengan

multi-camera network

(b). Denah Parkir yang terintegrasi dengan

multi-camera network

Beberapa hal yang bisa dipelajari dalam jaringan

camera adalah konseptual dan algoritmik untuk segala jenis

komputer, pemrosesan sinyal, dan komputasi, serta

jaringan kabel dan nirkabel(wireless). Sistem

pada multi-camera menggunakan dua buah mode processing

architecture yaitu centralized processing dan

processing [1].

Beberapa kelebihan yang dimiliki oleh jaringan

camera sebagai berikut:

1. Mampu melakukan pemantauan area

area) secara total pada setiap ruangan

2. Dapat melakukan pemantauan dengan sudut

pandang lebih dari satu sisi pada satu objek,

sehingga dapat menghasilkan informasi citra

berbentuk 3D

3. Bisa dilakukan controlling secara terpusat pada

jaringan, jadi bisa membentuk suatu jaringan

dengan koneksi multi-hop.

4. Adanya back-up dengan kamera lain

kerusakan pada salah satu node

tersebar.

2.3. Metode-Metode Untuk Pendeteksian Objek

2.3.1. Metode Background Substraction

Proses background substraction adalah proses yang

berfungsi untuk menghilangkan objek yang statis pada

sebuah citra. Metode background substraction

untuk menentukan kemungkinan adanya suatu

bergerak dari sebuah citra dengan perbedaan yang terlihat

pada background dan objek, yaitu dengan memisahkan

antara background dari foreground pada suatu gambar.

dapat ditampilkan dalam bentuk persamaan

berikut.

[framei – backgroundi] > Threshold ……………

Pada proses background substraction digunakan operasi

matrik yaitu operasi pengurangan dengan menghasilkan nilai

lebih besar dari threshold [2].

2.3.2. Normalized 2D cross-correlation

Pada proses ini digunakan untuk menentukan n

kesamaan antara objek dan template, sehingga mendapatkan

nilai korelasi yang digunakan sebagai masukan ke proses

Maket ruangan yang terintegrasi dengan

(b). Denah Parkir yang terintegrasi dengan

Beberapa hal yang bisa dipelajari dalam jaringan multi-

adalah konseptual dan algoritmik untuk segala jenis

komputer, pemrosesan sinyal, dan komputasi, serta untuk

Sistem processing

mode processing

dan distributed

Beberapa kelebihan yang dimiliki oleh jaringan multi-

Mampu melakukan pemantauan area (coverage

secara total pada setiap ruangan

Dapat melakukan pemantauan dengan sudut

dari satu sisi pada satu objek,

sehingga dapat menghasilkan informasi citra

secara terpusat pada

, jadi bisa membentuk suatu jaringan

dengan kamera lain, ketika terjadi

kamera yang

Metode Untuk Pendeteksian Objek

adalah proses yang

yang statis pada

background substraction bertujuan

untuk menentukan kemungkinan adanya suatu objek

dari sebuah citra dengan perbedaan yang terlihat

, yaitu dengan memisahkan

suatu gambar. Jadi

pilkan dalam bentuk persamaan 1 sebagai

……… 1

digunakan operasi

dengan menghasilkan nilai

digunakan untuk menentukan nilai

sehingga mendapatkan

yang digunakan sebagai masukan ke proses

Gambar 2. vehicle tracking

Selanjutnya (vehicle tracking

normalized 2D cross-correlation pada

dengan perintah, C= normcorr2(template,

merupakan koefisien korelasi yang memiliki range nilai dari

-1.0 sampai 1.0 [3].

2.3.3. Vehicle Tracking

Suatu sistem monitoring berbasis video harus dapat

mengenali objek kendaraan bermotor pada setiap urutan

frame video. Vehicle tracking juga dapat mengklasifikasikan

kendaraan bermotor berdasarkan jenisnya

mobil. Objek kendaraan bermotor pada video ditandai

dengan persegi panjang yang luasa

objek tersebut. Proses vehicle tracking

2.

III. METODE DAN PERANCANGAN SISTEM

3.1. Perencanaan Topologi Jaringan

Komunikasi Single-camera antara

buah kamera saja, sedangkan untuk

komunikasi antara server dengan lebih dari satu kamera yang

tersebar pada titik-titik tertentu. Pada gambar 3

merupakan contoh cakupan dari topologi jaringan

digunakan dalam penelitian.

3.2. Metodologi Penelitian

Metodologi penelitian dari perancangan

pendeteksi aktivitas kendaraan ini

Gambar 4. Pada gambar ditunjukkan dua buah topologi

dalam melakukan perekaman video, yaitu

multi-camera network beserta cakupannya.

(a)

(b)

Gambar 3. (a). Contoh Cakupan

(b). Contoh Cakupan

deteksi

1,5 m

2,4 m

serve

2,6 m A

3 2

10,6 m

vehicle tracking

vehicle tracking). Cara perhitungan

pada Matlab dinyatakan

2(template,A). Hasil C

merupakan koefisien korelasi yang memiliki range nilai dari

berbasis video harus dapat

mengenali objek kendaraan bermotor pada setiap urutan

juga dapat mengklasifikasikan

kendaraan bermotor berdasarkan jenisnya mobil atau non-

. Objek kendaraan bermotor pada video ditandai

anya bergantung pada

vehicle tracking terlihat pada gambar

METODE DAN PERANCANGAN SISTEM

Perencanaan Topologi Jaringan antara server dengan satu

buah kamera saja, sedangkan untuk multi-camera

dengan lebih dari satu kamera yang

Pada gambar 3 dibawah ini

dari topologi jaringan yang

Metodologi penelitian dari perancangan sistem

seperti terlihat pada

. Pada gambar ditunjukkan dua buah topologi

dalam melakukan perekaman video, yaitu single-camera dan

beserta cakupannya.

Contoh Cakupan Single-camera

Cakupan multi-camera

2 m

serve

A

1

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Gambar 4. Metodologi Penelitian

Gambar 5. Diagram alir proses pendeteksi template

kendaraan

3.3. Proses Pendeteksi Template Kendaraan

Cara kerja diagram alir pada gambar 5 di atas adalah

adalah sebagai berikut:

1. Mengambil urutan frame tertentu dari video, kemudian

merubah format frame video (RGB) ke format citra

biner, kemudian dilakukan background substraction.

2. proses remove small object, untuk menghilangkan objek

kecil yang tidak dibutuhkan sehingga objek yang

muncul hanya objek kendaraan saja.

3. Kemudian proses menutup lubang pada objek. Proses

ini bertujuan untuk menutup lubang atau citra yang

bernilai 0 (warna hitam) pada objek.

4. Diteruskan dengan proses clear border. Proses ini

bertujuan agar dihasilkan gambar yang bebas dari noise.

5. Setelah terbentuk objek yang sudah bersih dari noise,

maka akan dilakukan pengukuran panjang dan lebar

dari objek tersebut, sehingga bisa didapatkan luasan

persegi panjang. Dan dengan hasil tersebut maka video

dengan urutan frame tersebut disimpan untuk dijadikan

template.

3.4. Proses Pendeteksi objek kendaraan Setiap frame video akan dideteksi apakah memiliki

objek bernilai 1 (putih), kemudian akan ditandai dengan

persegi panjang berwarna merah dan akan dibandingkan

dengan template yang tersedia dengan menggunakan

Normalized 2D cross-correlation.

Gambar 6. Diagram alir proses pendeteksi objek kendaraan

Gambar 7. Diagram alir proses menghitung objek

Nilai koefisien Normalized 2D cross-correlation

berkisar antara -1 sampai 1. Karena memiliki range yang

luas, maka perlu dilakukan operasi untuk mempersempit

range menjadi 0 sampai 1. Nilai inilah yang digunakan untuk

dapat menentukan jenis kendaraan sepeda motor dan mobil.

Pada gambar 6 merupakan diagram alir proses pendeteksi

objek kendaraan.

3.5. Proses Perhitungan jumlah objek

Proses pada gambar 7 di atas menjelaskan bahwa

program melakukan perhitungan jumlah objek pada video

yang terdeteksi. Melalui perbandingan luasan persegi

panjang dengan template, Sehingga bisa diketahui jumlah

kendaraan (sepeda motor dan mobil) yang masuk dan keluar

area parkir. Selain itu program juga dapat mendeteksi

kekosongan ruangan parkir untuk kendaraan jenis mobil.

3.6. Desain GUI Sistem Pendeteksi Aktivitas Kendaraan

Untuk mempermudah dalam menampilkan hasil

pendeteksian aktivitas kendaraan. Maka didesain 3 buah

GUI, yaitu Program untuk cover menu seperti pada gambar

8(a), program untuk mendeteksi keluar masuk kendaraan

seperti pada gambar 8(b), dan program untuk mendeteksi

kekosongan area parkir seperti pada gambar 8(c).

3

(a)

(b)

Gambar 8. GUI Sistem Pendeteksi Aktivitas Kendaraan

Pada Area Parkir

Gambar 9. Bentuk (pola) coverage area oleh kamera

Tabel 1. Hasil pengujian dengan ketinggian 1,45 meter

No Sdt Tinggi Panjang Lebar1 Lebar2

1 30o

1.45 m 4,1 m 3,6 m 3,2 m

2 45o

1.45 m 6,4 m 5,9 m 5,4 m

3 60o

1.45 m 8,5 m 7,9 m 7,3 m

Tabel 2. Hasil pengujian dengan ketinggian 1,95 meter

No Sdt Tinggi Panjang Lebar1 Lebar2

1 30o

1.95 m 5,7 m 5,2 m 4,8 m

2 45o

1.95 m 7,8 m 7,2 m 6,7 m

3 60o

1.95 m 10 m 9,4 m 8,9 m

IV. DATA DAN ANALISA DATA

4.1. Pengujian parameter tinggi dan sudut dalam

Penempatan Kamera

Pada gambar 9 menunjukkan pola coverage

kamera yang digunakan. Didapatkan nilai panjang

maksimum (L1) dan lebar minimum (L2). Kemudian

dilakukan pengujian terhadap parameter sudut dan ketinggian

dari penempatan kamera. Hasil pegujian seperti pada tabel 1

dan tabel 2. jika kamera dengan ketinggian 1,45 m dan sudut

30o mendapatkan luasan sebesar 13,94 m2

1,45m dan sudut 45o mendapatkan luasan sebesar 36,16 m

kemudian jika dengan sudut 45o dan tinggi 1,95

memperoleh luasan sebesar 54,21m2. Sehingga untuk

peningkatan tinggi 0,5 m dapat menaikkan luasan sebesar 1,5

kali dari luasan sebelumnya, dan setiap peningkatan sudut

15o dapat menaikkan luasan sebesar 1,8 kali.

parameter pengujian tersebut dapat mempengaruhi

kemampuan coverage area dari kamera untuk bisa lebih

efektif.

4.2. Pengujian Video yang direkam dengan

camera pada video di pintu masuk

parkir

(c)

GUI Sistem Pendeteksi Aktivitas Kendaraan

area oleh kamera

Hasil pengujian dengan ketinggian 1,45 meter

Lebar2 Luasan

3,2 m 13,94 m2

5,4 m 36,16 m2

7,3 m 64,6 m2

Hasil pengujian dengan ketinggian 1,95 meter

Lebar2 Luasan

4,8 m 28,5 m2

6,7 m 54,21m2

8,9 m 91,5 m2

Pengujian parameter tinggi dan sudut dalam

coverage area oleh

kamera yang digunakan. Didapatkan nilai panjang (p), lebar

(L2). Kemudian

dilakukan pengujian terhadap parameter sudut dan ketinggian

il pegujian seperti pada tabel 1

ketinggian 1,45 m dan sudut 2, untuk tinggi

mendapatkan luasan sebesar 36,16 m2,

dan tinggi 1,95 m bisa

. Sehingga untuk setiap

peningkatan tinggi 0,5 m dapat menaikkan luasan sebesar 1,5

dan setiap peningkatan sudut

dapat menaikkan luasan sebesar 1,8 kali. Sehingga

parameter pengujian tersebut dapat mempengaruhi

kamera untuk bisa lebih

Pengujian Video yang direkam dengan single-

video di pintu masuk dan keluar

Tabel 3. Pintu Masuk Tabel 4

No Objek

kndrn

yang

trdteksi

Jumlah

hasil

deteksi

Jmlah

riil

No Objek

kndrn

yang

trd

1

1 1 1

2

1 1 2

3

1 1 3

4

1 1 4

5

2 3 5

6

1 1 6

7 1 1

Pada hasil pengujian aktivitas kendaraan di p

seperti pada tabel 3, maka dapat disimpulkan bahwa

posisi kendaraan tidak berdekatan dengan kendaraan lain

dapat menghasilkan pendeteksian sesuai dengan jumlah riil

dengan persentase hasil deteksi 100%

video terdapat kendaraan yang berdekatan maka program

tidak dapat mendeteksi kendaraan sesuai jumlah riil dengan

persentase 66,67%. Begitu juga dengan hasil rekaman pada

video di pintu keluar seperti pada tabel

mampu mendeteksi kendaraan dengan persen

disaat pintu masuk, kecuali jika ada objek

persentase keberhasilan program sebesar 50%.

4.3. Pengujian Video yang direkam dengan

Dari gambar 10 maka dapat diketahui bahwa, desain

menggunakan 2 buah kamera dengan ketinggian dari lantai

setinggi 2 meter dan terdapat 2 buah ruangan.

dipantau oleh cam-1 yang ditandai dengan warna

untuk ruang II dipantau oleh cam-2

warna merah. Pada masing-masing kamera memiliki

jangkauan pemantauan yang sama yaitu sepanjang

tetapi pada gambar hanya terbatas 2,5 m

objek yang melewati ruang I, maka objek tersebut masuk

dalam area pemantauan pada cam-1.

melewati ruang II, maka cam-2 akan menangkap objek

tersebut. Tetapi jika objek memasuki area perpotongan antara

cam-1 dan cam-2, maka objek tersebut dapat ditangkap oleh

2 buah kamera secara bersamaan dengan hasil tampilan objek

yang berbeda sisi.

Pada tabel 5, terbagi menjadi tiga

objek terdeteksi dengan cam-1, terdeteksi dengan

terdeteksi cam-1 cam-2. Pada video pertama dengan total

152 frame dan waktu 302 detik, cam

objek pada frame ke 1-33 dengan durasi waktu 64 detik.

4. Pintu Keluar

Objek

kndrn

yang

trdteksi

Jumlah

hasil

deteksi

Jmlh

riil

1 1

1 1

1 1

1 2

1 1

1 1

Pada hasil pengujian aktivitas kendaraan di pintu masuk

, maka dapat disimpulkan bahwa jika

posisi kendaraan tidak berdekatan dengan kendaraan lain

dapat menghasilkan pendeteksian sesuai dengan jumlah riil

dengan persentase hasil deteksi 100%. Sedangkan jika pada

video terdapat kendaraan yang berdekatan maka program

endaraan sesuai jumlah riil dengan

%. Begitu juga dengan hasil rekaman pada

seperti pada tabel 4, program hanya

mampu mendeteksi kendaraan dengan persentase seperti

ada objek yang berdekatan

sebesar 50%.

Pengujian Video yang direkam dengan multi-camera maka dapat diketahui bahwa, desain

engan ketinggian dari lantai

setinggi 2 meter dan terdapat 2 buah ruangan. Untuk ruang I

yang ditandai dengan warna orange dan

2 yang ditandai dengan

masing kamera memiliki

jangkauan pemantauan yang sama yaitu sepanjang 7,8 m,

2,5 m. Sehingga jika ada

objek yang melewati ruang I, maka objek tersebut masuk

1. Sedangkan jika objek

akan menangkap objek

tersebut. Tetapi jika objek memasuki area perpotongan antara

, maka objek tersebut dapat ditangkap oleh

2 buah kamera secara bersamaan dengan hasil tampilan objek

, terbagi menjadi tiga hasil deteksi, yaitu

, terdeteksi dengan cam-2, dan

. Pada video pertama dengan total

cam-1 dapat menangkap

33 dengan durasi waktu 64 detik.

Gambar 10. Denah ruangan dengan pemantauan jaringan

multi-camera

Tabel 5. Hasil pengujian deteksi objek dengan multi-camera

Nama

video

Durasi (s) Frame ke Terdeteksi oleh

Cam-1 Cam-2

Multi-cam1 00:01 – 01:04 1 – 33 ok -

01:05 – 03:06 34 - 96 ok ok

03:07 – 05:02 97 - 152 - ok

Multi-cam2 00:01 – 01:24 1 – 54 ok -

01:24 – 04:29 55 - 149 ok ok

04:30 – 07:07 150 - 217 - ok

Sebaliknya untuk cam-2 dapat menangkap objek pada

frame ke 97-152 dan dengan durasi waktu 3,5 detik. Cam-1

cam-2 dapat menangkap objek dengan waktu yang

bersamaan pada frame ke 34-96 dan dengan durasi waktu 4

detik. Begitu juga untuk video yang kedua, objek mengalami

tiga kali pendeteksian yaitu, oleh cam-1, cam-2, dan cam-1

cam-2. Jika menggunakan single-camera, berarti hanya

menggunakan 1 buah kamera (cam-1/cam-2), maka

kemampuan sistem dalam mendeteksi objek hanya terbatas

pada jangkauan pemantauan kamera. Jumlah frame dan

durasi waktu yang ditangkap kamera lebih sedikit. Sehingga

dapat disimpulkan dari pengujian multi-camera tersebut

dapat digunakan sebagai salah satu metode untuk melakukan

perluasan pemantauan suatu ruangan (coverage area) dalam

hal semakin besar jumlah frame dan durasi waktu objek bisa

dipantau oleh kamera dengan ruangan yang semakin luas.

4.4. Pengujian Pengaruh Posisi Objek Pada Citra Pada gambar 11 terlihat sketsa background yang

menjelaskan tentang suatu citra background dengan ukuran

piksel sesuai dengan kamera yang digunakan yaitu 320 x 240

piksel. Pada pengujian ini bertujuan untuk dapat mengetahui

pengaruh dari posisi objek pada hasil deteksi.

Gambar 11. Sketsa Background

Tabel 6. Hasil Pengukuran Posisi Objek pada Citra

Nama video Frame

ke -

Parameter jarak(piksel) Hasil

deteksi X Y A B

Vertical_

atas

4 151 140 4 186 tidak

5 154 143 10 175 terdeteksi

65 150 138 144 13 terdeteksi

66 152 139 152 8 tidak

Horizont

al_kanan

29 9 244 92 94 tidak

30 10 242 90 95 terdeteksi

80 226 11 95 91 terdeteksi

84 230 6 93 92 tidak

Mtr_msk

1

55 269 8 148 71 tidak

59 265 10 150 70 terdeteksi

131 11 210 172 28 terdeteksi

135 6 220 170 25 tidak

Mbl_msk

1

31 196 5 130 40 tidak

32 185 9 128 39 terdeteksi

54 40 96 126 6 tidak

Dimana X, jarak terhadap panjang piksel antara objek

terluar dengan sisi tepi piksel bernilai 0 /noise, Y adalah

jarak terhadap panjang piksel antara objek terluar dengan sisi

tepi piksel bernilai 320 /noise, sedangkan untuk A, jarak

terhadap lebar piksel antara objek terluar dengan sisi tepi

piksel bernilai 0 /noise, dan B jarak terhadap lebar piksel

antara objek terluar dengan sisi tepi piksel bernilai 240

/noise.

Dari tabel 6 di atas maka dapat disimpulkan bahwa

objek akan dapat terdeteksi dengan program jika berada pada

posisi dengan jarak >= 10 piksel dari sisi tepi citra/noise

pada citra. Berdasarkan data di atas jika pada background

yang akan dideteksi tidak terdapat noise berupa pengaruh

lingkungan atau pencahayaan, maka urutan frame-frame

yang bisa dideteksi oleh program dapat ditentukan antara,

>= frame ke-5 dan <= (end_frame – 5) dengan syarat pada

frame ke-1 objek sudah memasuki background.

4.5. Pengujian program pendeteksi kekosongan area

parkir

Dikarenakan pengaruh posisi dan banyaknya noise yang

terdapat pada pengujian pertama seperti pada gambar 12 (a)

maka dilakukan perubahan tempat dalam perekaman video

parkir. Perekaman kedua dilakukan di ruangan laboratorium

komunikasi multimedia, background yang digunakan

memiliki ukuran yang lebih kecil dengan skala 1:20 dengan

background aslinya. Sedangkan untuk objek kendaraan yang

digunakan dengan skala 1:22,5 yaitu untuk ukuran kendaraan

panjang sebenarnya 4,5m dan lebar 1,8m, kemudian untuk

objek kendaraan mainan yang digunakan dengan panjang

20cm dan lebar 8cm seperti gambar 12 (b).

(a) (b)

Gambar 12. Sketsa objek yang diskalakan

320

240 X Y

A

B

40cm

60cm 1200cm

800cm

Tabel 7. Hasil pengujian program pendeteksi kekosongan

area parkir

Nama

video

Frame

ke-

Area

parkir

Kpsts

prkr

Hasil

deteksi

Jmlh

riil

Vid_pa

rkir1

40 3 1

Vid_pa

rkir2

30 3 2

Vid_pa

rkir3

35 3 2

Vid_pa

rkir4

20 3

3

Dengan tabel 7 di atas maka dapat ditarik kesimpulan

bahwa program hanya mampu mendeteksi kekosongan area

parkir jika posisi objek tidak berdekatan dan sisi terluar

objek berada >= 10 piksel dari sisi tepi citra/noise

objek memenuhi syarat-syarat tersebut maka kemampuan

program dalam mendeteksi bisa mencapai

keberhasilan 100%. Tetapi jika terdapat objek yang tidak

sesuai dengan syarat tersebut di atas. Maka

program hanya mampu mendeteksi sebesar 66,67

V. PENUTUP

5.1. Kesimpulan

1. Penempatan kamera berdasarkan tinggi dan besar sudut

pemantauan mempengaruhi dalam memaksimalkan

coverage Area kamera. Dengan ketinggian 1,45 m dan

sudut 30o mendapatkan luasan sebesar 13,94m

sedangkan dengan sudut 45o mendapatkan luasan

sebesar 36,16 m2. Kemudian jika dengan

dan sudut 45o bisa memperoleh luasan sebesar 54,21m

Sehingga untuk setiap peningkatan tinggi 0,5

menaikkan luasan sebesar 1,5 kali dari sebelumnya,

setiap peningkatan sudut 15o dapat menaikkan luasan

sebesar 1,8 kali.

2. Tidak semua frame pada video dapat dideteksi,

dikarenakan pada frame tersebut, kendaraan belum

atau sudah melewati background tetapi terekam pada

video dan kendaraan berada pada posisi < 10 piksel dari

garis tepi frame atau noise.

3. Bayangan yang muncul pada kendaraan divideo,

mempengaruhi bentuk kendaraan itu sendiri. Sehingga

dimensi kendaraan menjadi lebih besar. Hal ini

mengakibatkan penentuan tetapan luasan dimensi

(piksel) kendaraan menjadi sulit dalam pendeteksian.

4. Keberhasilan Progam pendeteksi aktivitas kendaraan

dan kekosongan area parkir pada saat kondisi kendaraan

tidak berdekatan dengan kendaraan lain memiliki

persentase sebesar 100%. Sedangkan video yang

terdapat kondisi berdekatan memiliki persentase

keberhasilan sebesar 66,67%.

5. Pada pengujian video dengan menggunakan metode

multi-camera objek dapat dipantau dengan

area semakin luas, sehingga jumlah

dipantau semakin banyak dan waktu semakin lama,

Hasil pengujian program pendeteksi kekosongan

Jmlh

Objk

trdtksi

Prkr

ksng

1 2

2 1

2 1

2 1

di atas maka dapat ditarik kesimpulan

bahwa program hanya mampu mendeteksi kekosongan area

parkir jika posisi objek tidak berdekatan dan sisi terluar

noise. Jika posisi

aka kemampuan

program dalam mendeteksi bisa mencapai persentase

100%. Tetapi jika terdapat objek yang tidak

sesuai dengan syarat tersebut di atas. Maka keberhasilan

66,67%.

Penempatan kamera berdasarkan tinggi dan besar sudut

pemantauan mempengaruhi dalam memaksimalkan

kamera. Dengan ketinggian 1,45 m dan

mendapatkan luasan sebesar 13,94m2,

mendapatkan luasan

emudian jika dengan tinggi 1,95m

bisa memperoleh luasan sebesar 54,21m2.

k setiap peningkatan tinggi 0,5m dapat

dari sebelumnya, dan

dapat menaikkan luasan

pada video dapat dideteksi,

endaraan belum

tetapi terekam pada

berada pada posisi < 10 piksel dari

yang muncul pada kendaraan divideo,

mempengaruhi bentuk kendaraan itu sendiri. Sehingga

kendaraan menjadi lebih besar. Hal ini

mengakibatkan penentuan tetapan luasan dimensi

(piksel) kendaraan menjadi sulit dalam pendeteksian.

pendeteksi aktivitas kendaraan

dan kekosongan area parkir pada saat kondisi kendaraan

tidak berdekatan dengan kendaraan lain memiliki

persentase sebesar 100%. Sedangkan video yang

terdapat kondisi berdekatan memiliki persentase

Pada pengujian video dengan menggunakan metode

objek dapat dipantau dengan coverage

semakin luas, sehingga jumlah frame objek

dipantau semakin banyak dan waktu semakin lama,

yaitu pada video multi-cam1

sebanyak 96 frame dan 3 detik, tetapi jika dengan

camera sebanyak 152 frame dan

5.2. Saran

Saran yang dapat digunakan untuk pengembangan

lanjut dari tugas akhir ini adalah:

1. Untuk sistem pendeteksi aktivitas kendaraan jika

diaplikasikan untuk perekaman video pada pintu masuk

dan keluar parkir, maka penempatan kamera hendaklah

membentuk sudut 45o dengan ketinggian 1,95 m. Hal

ini dikarenakan pada pengujian dengan sudut tersebut,

hasil dari luasan yang paling efektif tidak ter

dan besar.

2. Menambahkan template kendaraan yang bermacam

macam jenis model kendaraan dan menggunakan

metode pendeteksi yang lebih akurat.

3. Untuk sistem pendeteksi kekosongan area parkir jika

diaplikasikan secara langsung pada ruang parkir, maka

kondisikan ruangan dalam keadaan mendapatkan

pencahayaan dari berbagai arah agar cahaya dalam

ruangan rata dan bayangan muncul seminimal mungkin.

4. Agar dapat diaplikasikan sebagai

Surveillance, kamera yang digunakan harus dapat

dikenali oleh software Matlab.

DAFTAR PUSTAKA [1].Aghajan, H. and Cavallaro, A..

Networks Principles and Applications

Academic Press

[2].Review of Background Substraction Methodes

http://www.staff.it.uts.edu.au/~massimo/BackgroundSub

tractionReview-piccardi.pdf

[3].Robert M. Haralick and Linda G

Computer and Robot Vision,

Wesley, 316-317 pages

RIWAYAT PENULIS

Dodi Wahyu Budiarso, lahir di

Ngawi pada tanggal 2

1987, Pada tahun 2000

menamatkan pendidikan Sekolah

Dasar di SDN Keraskulon 1 Ngawi,

kemudian melanjutkan pendidikan

di SLTPN 2 Ngawi dan selesai pada

tahun 2003. Penulis menyelesaikan

Pendidikan Sekolah Menengah

Umum di SMUN 2 Ngawi pada

tahun 2006. Dengan anugerah A

SWT, penulis dapat melanjutkan studi di PTN Institut

Teknologi Sepuluh Nopember Surabaya

Jurusan Teknik Elektro. Penulis mengambil Bidang Studi

Telekomunikasi Multimedia dan aktif dalam kegiatan

Laboratorium Jaringan dan Laboratorim M

menjadi asisten Praktikum Dasar Sistem Telekomunikasi dan

menjadi Koordinator Praktikum Komunikasi Data dan

Pengolahan Sinyal Multimedia. Selain itu,

dalam kegiatan kemahasiswaan Himpunan Mahasiswa

Elektro ITS dan Badan Eksekutif Mahasiswa ITS.

dengan single-camera

detik, tetapi jika dengan multi-

dan 5 detik.

Saran yang dapat digunakan untuk pengembangan lebih

Untuk sistem pendeteksi aktivitas kendaraan jika

diaplikasikan untuk perekaman video pada pintu masuk

dan keluar parkir, maka penempatan kamera hendaklah

dengan ketinggian 1,95 m. Hal

ini dikarenakan pada pengujian dengan sudut tersebut,

hasil dari luasan yang paling efektif tidak terlalu kecil

kendaraan yang bermacam-

macam jenis model kendaraan dan menggunakan

metode pendeteksi yang lebih akurat.

Untuk sistem pendeteksi kekosongan area parkir jika

diaplikasikan secara langsung pada ruang parkir, maka

kondisikan ruangan dalam keadaan mendapatkan

pencahayaan dari berbagai arah agar cahaya dalam

yangan muncul seminimal mungkin.

Agar dapat diaplikasikan sebagai Real Time Video

, kamera yang digunakan harus dapat

2009. Multi-Camera

Networks Principles and Applications. United states :

traction Methodes http://www.staff.it.uts.edu.au/~massimo/BackgroundSubs

Linda G. Shapiro. 1992.

, Volume II,. Addison-

Dodi Wahyu Budiarso, lahir di

Ngawi pada tanggal 29 Agustus

1987, Pada tahun 2000 penulis

menamatkan pendidikan Sekolah

Dasar di SDN Keraskulon 1 Ngawi,

kemudian melanjutkan pendidikan

di SLTPN 2 Ngawi dan selesai pada

tahun 2003. Penulis menyelesaikan

Pendidikan Sekolah Menengah

Umum di SMUN 2 Ngawi pada

tahun 2006. Dengan anugerah Allah

, penulis dapat melanjutkan studi di PTN Institut

Surabaya dengan mengambil

Jurusan Teknik Elektro. Penulis mengambil Bidang Studi

Telekomunikasi Multimedia dan aktif dalam kegiatan

Laboratorium Jaringan dan Laboratorim Multimedia, seperti

menjadi asisten Praktikum Dasar Sistem Telekomunikasi dan

menjadi Koordinator Praktikum Komunikasi Data dan

Pengolahan Sinyal Multimedia. Selain itu, Penulis juga aktif

dalam kegiatan kemahasiswaan Himpunan Mahasiswa

n Eksekutif Mahasiswa ITS.

6