Imelda1, Agus Harjoko2
1 Teknik Informatika, FTI, Universitas Budi Luhur
Jl. Raya Ciledug Petukangan Utara Jakarta Selatan 12260
2 Jurusan Ilmu Komputer dan Elektronika FMIPA Universitas Gadjah Mada
Sekip Utara Yogyakarta 55281
1 [email protected], 2 [email protected]
ABSTRAK
Klasifikasi kendaraan merupakan aspek penting dalam intelligence transportation system. Penelitian yang terkait dengan klasifikasi kendaraan telah banyak dilakukan. Namun survey, review dan research tentang klasifikasi kendaraan dari data video lalu lintas secara menyeluruh belum dilakukan. Paper ini memaparkan metode yang digunakan pada klasifikasi kendaraan untuk memperoleh gambaran menyeluruh dari penelitian tentang klasifikasi kendaraan. Kontribusi review ini yaitu agar diperoleh state-of-the-art klasifikasi kendaraan dari data video lalu lintas.
Kata kunci : klasifikasi kendaraan,data video, lalu lintas
1. Pendahuluan
Kendaraan merupakan alat transportasi menuju suatu tempat. Banyaknya kendaraan di jalan raya mengakibatkan padatnya lalu lintas yang dapat menyebabkan kemacetan lalu lintas sehingga terhambat sampai tujuan. Masalah yang terkait dengan lalu lintas, seperti kemacetan, mudahnya terjadi korban jiwa dalam kecelakaan di pusat-pusat perkotaan seluruh dunia dan pengaruh negatif dalam kebiasaan dan layanan mereka. Akibatnya tidak mudah untuk meningkatkan infrastruktur lalu lintas jalan. Oleh karena itu pengumpulan dan analisis parameter lalu lintas diperlukan, seperti jumlah kendaraan, kecepatan, tingkat kemacetan, pergerakan kendaraan di persimpangan, klasifikasi kendaraan, identifikasi perilaku yang dicurigai, jumlah penumpang dan jumlah kecelakaan [1]. Jumlah kendaraan yang terus meningkat membuat sistem pengaturan lalu lintas manual tidak mampu mengendalikan kondisi lalu lintas oleh sebab itu diperlukan sistem cerdas pengontrolan lalu lintas untuk meningkatkan pengontrolan dan manajemen perkotaan dan meningkatkan index kepercayaan di jalan dan jalan tol. Sistem ini juga menghitung kepadatan lintas dimana salah satu caranya yaitu melakukan klasifikasi kendaraan. Klasifikasi kendaraan telah berevolusi menjadi subjek penelitian yang signifikan karena pentingnya dalam navigasi otonom, analisis lalu lintas, pengawasan dan sistem keamanan, dan manajemen transportasi [2].
Klasifikasi kendaraan dapat didefinisikan sebagai observasi kendaraan jalan raya dan penyortiran berikutnya dari data yang dihasilkan ke dalam satu set kategori yang bersifat tetap. Dalam prakteknya, data klasifikasi kendaraan sangat penting karena ada di hampir semua aspek dalam transportasi dan rekayasa lalu lintas, seperti trotoar, penjadwalan pemeliharaan desain trotoar, analisis komoditas aliran, analisis kapasitas jalan raya, penetapan berat kendaraan yang boleh melewati jalan itu, dan analisis lingkungan [3]. Klasifikasi dan statistik dari jenis kendaraan di ruas jalan merupakan parameter penting untuk manajemen lalu lintas dan kontrol [4].
Riset klasifikasi kendaraan digunakan untuk memprediksi kebutuhan masa depan dan ekspektasi kehidupan di jalan [3]. Kelas Kendaraan merupakan parameter penting dalam pengukuran lalu lintas jalan. Beberapa penelitian mengembangkan algoritma untuk mencari keakuratan sistem untuk klasifikasi kendaraan menggunakan teknik yang berbeda [5][6].
Klasifikasi kendaraan otomatis merupakan tugas penting dalam Sistem Transportasi Cerdas (ITS) karena memungkinkan untuk mendapatkan parameter lalu lintas kendaraan yang dihitung berdasarkan kategori. Sumber informasi mengenai klasifikasi kendaraan dapat diperoleh dari video, kumparan induksi magnetik, sensor suara, sensor suhu dan microwave. Penggunaan video telah meningkatkan dukungan untuk manajemen lalu lintas karena keuntungan dari biaya instalasi dan berbagai informasi yang dikandungnya. Namun
keterbatasannya ketergantungan pada metode pendeteksian masih sangat kuat, normalisasi citra dominan, kebisingan dan akurasi rendah [7].
Sebuah sistem yang dapat menghitung jumlah kendaraan secara otomatis, melakukan klasifikasi dan pelacakan sehingga dapat mengidentifikasi arus lalu lintas di persimpangan merupakan tugas penting untuk video surveillance dalam manajemen lalu lintas perkotaan [8]. Dalam sistem transportasi cerdas (ITS), khususnya di bidang manajemen lalu lintas perkotaan, pemantauan dapat dilakukan di sisi jalan [9][10] atau di persimpangan [8][9], baik dengan kamera tunggal [11][12][13], banyak kamera [14][15].
Penelitian sebelumnya tentang riset klasifikasi kendaraan dibahas oleh Changjun dan Yuzong [16] dari sinyal akustik dan seismik menggunakan metode Support Vector Machine
(SVM) namun penelitian ini bukan berasal dari video data. Buch, dkk [17] dalam reviewnya tentang teknik computer vision untuk analisis lalu lintas perkotaan juga menyoroti tentang klasifikasi kendaraaan. Sedangkan lalu Yousaf, dkk, [18] hanya membandingkan beberapa algoritma dari 6 paper tentang klasifikasi kendaraan. Oleh sebab itulah review tentang klasifikasi kendaraan dari data video lalu lintas dibahas agar diperoleh gambaran yang menyeluruh mengenai metode klasifikasi kendaraan. Penelitian ini hanya membahas klasifikasi kendaraan dari data video lalu lintas termasuk data citra, kamera dan video.
Salah satu tujuan menyajikan metode klasifikasi citra kendaraan berdasarkan video lalu lintas jalan adalah agar mempermudah dalam proses normalisasi dan memperoleh akurasi yang dapat diterima [7].
2. Metode Klasifikasi Kendaraan
Penyajian metode klasifikasi kendaraan ini diurutkan dari terpopuler sampai yang kurang populer. Beberapa peneliti telah menggabungkan metode untuk digunakan dalam penelitiannya [5][19][20][21].
2.1.Support Vector Machine (SVM)
SVM diciptakan pertama kali oleh Corinna Cortes dan Vladimir Vapnik pada tahun 1995 [22]. SVM adalah model pembelajaran yang di supervisi dengan algoritma pembelajaran terkait yang menganalisis data dan mengenali pola, digunakan untuk klasifikasi dan analisis regresi. Meskipun SVM pada dasarnya adalah klasifier biner, namun dapat diadopsi untuk menangani tugas multi-kelas klasifikasi. Cara konvensional untuk mengembangkan SVM dalam skenario multi klas adalah menguraikan masalah m-klas menjadi 2 klas masalah yaitu pendekatan one-vs-one (OVO) atau one-vs-all (OVA).
Pendekatan one-vs-one (OVO) adalah klas dibedakan antara kendaraan dan bukan kendaraan. Kemudian setelah terdeteksi bahwa itu adalah kendaraan maka digunakan pendekatan one-vs-all (OVA) dimana kendaraan kemudian dibagi berdasarkan kelasnya [23]. SVM termasuk metode yang terpopuler yang dipilih oleh banyak peneliti untuk melakukan klasifikasi kendaraan [23][24][25][26][9][10][27][28][29].
Chen, dkk, [23] menggunakan kernelisasi SVM untuk pengenalan dan klasifikasi kendaraan secara otomatis menggunakan pengenalan warna dan pengenalan jenis. Fitur vektor menggambarkan siluet latar depan kendaraan dengan mengkodekan ukuran, aspek rasio, lebar, solidarity untuk mengklasifikasikan jenis kendaraan (mobil, van, HGV). Sistem menggunakan sebuah histogram 8 biner warna (YcbCr) sebagai vektor SVM. Data berasal dari kamera nyata yang ada di sisi jalan, tetapi kualitas citranya tidak sebagus yang ada di COIL database. Beberapa citra terlihat kabur yang disebabkan oleh getaran kamera (angin kencang). Selain itu, warna beberapa kendaraan tampaknya harus diubah karena sinar matahari sangat kuat dan refleksi permukaan specular. Meskipun kondisi menantang, jenis rata-rata sensitivitas OVA = 0.759 dan OVA = 0,687. Rata-rata jenis kekhususan OVO = 0,887 dan OVA = 0,858. Sensitivitas warna OVA = 0,956 dan rata-rata spesifisitas OVA = 0,971.
Khan, dkk [24], Wang dan Zhu [28] menggunakan SVM linier. Khan, dkk [24] mengaplikasikan sebuah SVM linier untuk menunjukkan pendeteksian setiap kotak citra dalam 3D model. Sistem ini lebih cepat dalam pengklasifikasian sederhana untuk membedakan kendaraan bergerak dengan obyek yang lain. Kemudian digunakan region untuk menganalisa bentuk 3D yaitu fitur klasifier berbasis Histogram of Gradient. Keunikannya model 3D tidak hanya untuk lokalisasi fitur diskriminatif tepi atau sudut tetapi juga untuk rendering kendaraan. Histogram of Gradient (HOG) menyatukan 2 citra gambar dari sudut pandang yang berbeda dan menyatukan secara langsung serta distribusi fitur yang tidak sesuai untuk model lain. Jenis modelnya yaitu: full sedan, mid sedan, compact sedan, coupe, station wagon, van, SUV, compact/crossover SUV, truk. Kinerja model klasifikasi ini akurasinya 80%.
Wang dan Zhu [28] menggunakan SVM linier untuk mengurangi kesalahan dalam mendeteksi dan mengklasifikasi kendaraan. Kombinasi deteksi dan estimasi gerak digunakan untuk rekonstruksi kendaraan sehingga dapat menghapus oklusi, blur, dan variasi dari pandangan. Pandangan lengkap dan normalisasi gambar kendaraan, jika mampu direkonstruksi dari data yang tidak memuaskan, akan
memfasilitasi pelabelan data yang lebih akurat, ekstraksi fitur dan klasifikasi multiclass kendaraan. Disini diusulkan sebuah multimodal temporal panorama (MTP) untuk ekstraksi akurat dan rekonstruksi kendaraan bergerak secara real- time menggunakan multimodal sistem pemantauan jarak jauh (audio / video). Representasi MTP terdiri dari: 1) gambar panorama view (PVI) untuk mendeteksi kendaraan yang menggunakan konsep garis deteksi 1D vertikal; 2) gambar pesawat epipolar (EPI), yang dihasilkan dari garis epipolar 1D sepanjang jalan vehicles'moving, untuk ciri kecepatan dan arah, dan 3) sinyal audio yang sesuai dikumpulkan pada titik deteksi kendaraan untuk mengurangi deteksi target palsu di PVI. Menggunakan pendekatan MTP, semua kendaraan yang direkonstruksi memiliki pandangan sisi yang sama, sehingga blur dan oklusi citra berkurang. Dengan penggunaan klasifier SVM akurasi meningkat diatas 10% menggunakan gambar kendaraan yang sesuai video asli dari 140 kendaraan.
Gandhi dan Trivedi [25] mengekstraksi fitur histogram of gradients (HOG) untuk digunakan oleh klasifier SVM. Fitur HOG: 1) membagi kotak kedalam grid M x N, 2) setiap grid elemen, dikuantisasi arah gradien kisaran 0 sampai 180 derajat dalam keranjang dan histogram K ditimbang oleh intensitas citra yang diperoleh, 3) terapkan smooting arah spasial dan orientasi ke array histogram untuk mengurangi kepekaan terhadap diskritisasi, 4) stack array yang dihasilkan menjadi B = M x N x K dimensi vektor. Kelas kendaraan diklasifikasi oleh SVM menjadi 4 klas yaitu: sedan, minivan, pickup, bukan kendaraan. Tingkat alarm palsu (non- kendaraan diklasifikasikan sebagai kendaraan) adalah 0% (0/108) dan tingkat deteksi mempertimbangkan semua kendaraan sebagai kelas yang sama adalah 98,8% (85/87). Untuk klasifikasi kendaraan, akurasi adalah 64,3% (56/87). Namun, jika minivan dan pickup digabungkan menjadi satu kelas, akurasi mobil diskriminatif vs kendaraan lain adalah 82,8% (72/87).
Messelodi, dkk [26] menggunakan non-
linear Support Vector Machine (SVM) dan
menyajikan fitur berbasis classifier untuk membedakan sepeda dan sepeda motor. Fitur visual berfokus pada daerah roda kendaraan. Tingkat keberhasilan klasifikasi kendaraan 96,7%. Fitur visual yang digunakan oleh classifier dihitung mulai dari citra kendaraan, citra latar belakang dan perkiraan posisi dan orientasi kendaraan di dunia nyata. Algoritma berfokus pada area citra yang berhubungan dengan roda kendaraan, dan bertindak secara berbeda tergantung pada orientasi kendaraan sehubungan dengan tampilan kamera (samping atau depan /
belakang). Support Vector Machine (SVM) telah dilatih menggunakan fitur analog, berdasarkan profil proyeksi miring di bagian rendah kendaraan, mengarahkan ke tingkat kesalahan global 6,3% pada level view dan 3,3% di level kendaraan. Tingkat kesalahan klasifikasi sekitar 5%, hasil ini dianggap memuaskan.
Chen, dkk [9][10][27] melakukan penelitian secara komprehensif untuk membandingkan support vector machines (SVM) dengan random forests (RF) classifiers. Mulai dari melakukan pengkategorian jenis kendaraan [27] dilanjutkan melakukan klasifikasi kendaraan menggunakan deskriptor multi-bentuk [9], kemudian deteksi, klasifikasi dan pelacakan kendaraan [10]. Ketiga tulisannya membagi kendaraan dalam 4 kategori yaitu: mobil, van, bus dan sepeda motor (termasuk sepeda). Sebuah pengukuran berbasis vektor fitur 13-dimensi diperpanjang dengan dimensi tinggi EPHOG dan fitur IPHOG yang terpilih sebagai fitur observasi. Fitur 13-dimensi itu adalah area, panjang sumbu x, panjang sumbu y – panjang sumbu x dan panjang sumbu y dihubungkan menjadi sebuah ellipse, convex area, perimeter, iled area (piksel- piksel dalam area yang diberi tanda),
equivdiameter = √4A/π (A = area), lebar kotak
yang ditandai, tinggi kotak yang ditandai, dispersedness = I2/A (A=area, I=perimeter
obyek), extent (proporsi piksel-piksel dalam kotak obyek yang ditandai), soliditas (proporsi piksel- piksel dalam convex hull obyek), eksentrisitas [9][10][27]. Model berbasis klasifikasi dibuktikan bahwa kinerja keseluruhan klasifikasi yang benar 88,25%. Menerapkan dua pengklasifikasi populer untuk fitur siluet ditetapkan diperagakan bahwa SVM konsisten keluar-dilakukan RF, dengan akurasi klasifikasi rata-rata akhir benar positif 96,26%. Jumlah tertinggi kesalahan klasifikasi terjadi antara kategori mobil dan van, di mana kedua fitur ukuran dan bentuk menunjukkan kesamaan yang signifikan [27]. Segmentasi kendaraannya dilakukan secara manual diperlukan untuk kebutuhan data base kendaraan yang besar (> 2000 sampel) sebagai kombinasi input dari measurement-based features (MBF) dan HOG (histogram of orientation gradients, both edge and intensity based) features. Hasil penelitian menunjukkan bahwa semua metode mencapai tingkat pengenalan diatas 95% pada dataset, dengan SVM secara konsisten mengalahkan RF. Kombinasi fitur measurement- based features (MBF) dan IPHOG memberikan
kinerja terbaik dari 99,78% [26][9]. Dalam tulisan terakhirnya percobaan ekstensif telah dilakukan, membandingkan 7 kombinasi deteksi dan metode klasifikasi. Sebuah latar belakang Gaussian
Mixture Model baru (GMM) dan metode
bayangan penghapusan telah digunakan untuk menangani perubahan pencahayaan mendadak dan getaran kamera. Sebuah filter Kalman melacak kendaraan untuk mengaktifkan klasifikasi oleh suara mayoritas atas frame berurutan, dan metode level set telah digunakan untuk menyempurnakan gumpalan latar depan. Percobaan yang luas dengan data dunia nyata telah dilakukan untuk mengevaluasi kinerja sistem. Hasil kinerja terbaik dari pelatihan SVM
(Support Vector Machine) menggunakan
kombinasi siluet kendaraan dan intensitas berbasis HOG piramida fitur diekstrak mengikuti latar belakang pengurangan, mengelompokkan gumpalan latar depan dengan suara mayoritas. Hasil menunjukkan bahwa kombinasi terbaik adalah untuk melatih SVM menggunakan MBF + fitur IPHOG diekstraksi oleh latar belakang pengurangan, mengelompokkan gumpalan latar depan menggunakan suara mayoritas lebih dari 5 frame berturut-turut. Hasil menunjukkan laju kendaraan deteksi 96,39% dan akurasi klasifikasi 94.69% di bawah kondisi pencahayaan dan cuaca yang bervariasi [10].
Klausner, dkk [29] menggunakan classifier Least Squares Support Vector Machine (LS-SVM) untuk mengurangi tingkat kesalahan klasifikasi. Penelitiannya menggunakan multi- sensor kamera cerdas yaitu kamera dengan sensor tambahan yaitu inframerah dan audio. Keuntungannya, tingkat kesalahan klasifikasi berkurang dan hasil klasifikasi untuk truk kecil sekitar 7% dan truk besar sekitar 10% dibandingkan hanya menggunakan satu sensor saja.
2.2.Jaringan Syaraf Tiruan (Neural Network)
Jaringan saraf tiruan (Neural Network) yang pertama kali diusulkan Waffen McCulloch dan Walter Pitts pada tahun 1943 [30] digunakan oleh beberapa peneliti untuk melakukan
klasifikasi kendaraan
[3][4][19][31][32][33][34][21][35]. Hecht- Nielsend (1988) mendefinisikan sistem saraf buatan sebagai berikut: "Suatu neural network (NN), adalah suatu struktur pemroses informasi yang terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki memori lokal dan beroperasi dengan informasi lokal) yang memiliki interkoneksi bersama dengan alur sinyal searah yang disebut koneksi.
Setiap elemen pemroses memiliki koneksi keluaran tunggal yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupakan sembarang jenis persamaan matematis yang diinginkan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh melalui koneksi dan nilai yang tersimpan dalam memori lokal.
Daya, dkk [34] membuat framework untuk mengidentifikasi jenis kendaran multi-klas berdasarkan beberapa parameter geometris dengan menggunakan metode Artificial Neural Network (ANNE). Metode ini digunakan untuk memverifikasi dan mengklasifikasi perbedaan jenis kendaraaan dengan rasio identifikasi 97%. Kehandalan metode ANNE yaitu kemampuannnya untuk menyelesaikan masalah offline non linier dengan pelatihan selektif yaitu respon cukup akurat. Hasil pengujian mengidentifikasi akurasi 95% dari 270 citra.
Fazli, dkk [33] membuat sistem pengontrolan lalu lintas berbasis neural network multilayer perceptron (MLP) dengan 2 lapisan tersembunyi untuk dapat mengenal kendaraan dalam sebuah wilayah lalu lintas dan mengkategorikannya, serta mendapatkan jumlah dan jenis kendaraan. Kelebihan menggunakan metode MLP adalah kamera tidak perlu dikalibrasi. Dalam penelitiannya digunakan kamera tidak bergerak yang terletak di ketinggian hampir dekat permukaan jalan untuk mendeteksi dan mengklasifikasikan kendaraan. Ada 2 tahap algoritma yang dilakukan, pertama, kendaraan bergerak didapat di situasi lalu lintas dengan beberapa teknik yaitu pengolahan citra, menghapus latar belakang gambar, melakukan deteksi tepi dan operasi morfologi. Kedua, kendaraan di dekat kamera dipilih, fitur khusus diproses dan diekstraksi. Hasil ekperimen menunjukkan akurasi 90% dari 182 kendaraan yang diuji.
Hasil akurasi yang diperoleh Ozkurt, dkk dengan menggunakan Neural Network adalah 98,98 dari 68 kendaraan yang diuji [32]. Sistem Daigavane, dkk [31] dapat menelusuri dan mengklasifikasi 90% kendaraan dengan benar, kelebihannya sistem dapat diinstal kapan saja tanpa berinterfensi dengan lalu lintas, waktu pemrosesan per frame dapat dikurangi secara signifikan karena algoritmanya lebih dioptimalkan yaitu dengan frame rate 15 fps, kelemahannya ketika beberapa kendaraan bergerak dengan kecepatan yang sama maka kendaraan cenderung dianggap 1 kendaraan sehingga menyebabkan sistem salah
mengklasifikasi kendaraan. Kelemahan ini telah diselesaikan oleh Xiong, dkk, [3] menggunakan Neural Network dengan pelatihan Backpropagation sebagai learning rule-nya sehingga 2 kendaraan di jalur berbeda yang berjalan berdampingan tetap terlihat 2. Hasil akurasinyapun dapat diterima yaitu 90% dari 341 kendaraan yang diuji.
Li, dkk [4], Qin [35], Zaman, dkk [19] Goyal dan Verma, [21] juga menggunakan Neural Network dengan pelatihan Backpropagation sebagai learning rule-nya. Li, dkk [4], Qin, [35] dan Zaman, dkk, [19] menggunakan Backpropagation dengan 3 layer untuk mengklasifikasi kendaraan dengan ciri momen invarian. Li, dkk [4] dan Qin, [35] memperoleh hasil akurasi 93,6% dari 1000 data citra, Zaman, dkk, [19] memperoleh 99,51% dari 120 data citra, sedangkan Goyal dan Verma, [21] hanya memperoleh 51,5% dari 86 data uji.
Sebenarnya Zaman, dkk, [19], Goyal dan Verma, [21] dalam penelitiannya melakukan pengujian menggunakan beberapa metode. Metodenya juga merupakan mengkombinasi Neural Network. Zaman, dkk, [19], Goyal dan Verma, [21] melakukan pengujian menggunakan metode Neural Network Multilayer Perceptron dengan DSM-AN, DSM dan BP.
2.3.Fuzzy
Istilah logika fuzzy diperkenalkan pada tahun 1965 oleh Lotfi A. Zadeh [36]. Logika fuzzy adalah bentuk dari banyak-nilai logika atau logika probabilistik, berhubungan dengan penalaran yang perkiraan daripada tetap dan tepat. Dibandingkan dengan set biner tradisional (di mana variabel dapat mengambil nilai-nilai true atau false) variabel logika fuzzy mungkin memiliki nilai kebenaran yang berkisar dalam tingkat antara 0 dan 1. Logika fuzzy telah diperpanjang untuk menangani konsep kebenaran parsial, dimana nilai kebenaran dapat berkisar antara sepenuhnya benar dan benar-benar palsu.
Klasifikasi kendaraan dengan fuzzy digunakan untuk analisis kinerja [14] dan perbandingan akurasi [37] klasifikasi kendaraan. Sistem ini ada yang menggunakan penggabungan tipe-1 fuzzy, neuro fuzzy adaptif dan tipe-2 fuzzy inference system [14], dan ada yang hanya menggunakan tipe-2 fuzzy inference system [37]. Adaptive neuro fuzzy inference system (ANFIS) adalah jenis jaringan saraf yang didasarkan pada Takagi-Sugeno sistem inferensi fuzzy. Karena terintegrasi baik jaringan saraf dan prinsip-prinsip logika fuzzy, ia memiliki potensi untuk menangkap manfaat baik dalam kerangka tunggal. Sistem inferensi yang sesuai dengan set fuzzy IF-THEN aturan yang telah belajar kemampuan untuk fungsi nonlinear perkiraan.
Oleh karena itu, ANFIS dianggap approximator universal.
Klasifikasi kendaraan yang dilakukan oleh Sharma dan Bajaj [5] awalnya sistem inferensi fuzzy tipe-1 dan adaptif neuro-fuzzy inference system (ANFIS). Disini algoritma membaca sistem inferensi, menerapkan sampel berbagai masukan, memeriksa kelas setiap sampel dan menghitung akurasi. Kelas ini diidentifikasi dengan memeriksa ban kendaraan, ground clearance dan panjang badan kendaraan yang diambil sebagai jarak sumbu roda, tinggi chassis dan panjang tubuh masing-masing. Ketepatan ANFIS lebih tinggi dari tipe-1 FIS tetapi kinerja sistem perlu lebih dioptimalkan sehingga digunakan inferensi fuzzy tipe-2 [5]. Dari pengujian terbukti keakuratan tipe-2 FIS lebih baik daripada ANFIS dan jika tipe-2 sistem terhibridisasikan dengan jaringan saraf maka akurasi akan meningkat secara signifikan. Keakuratan logika inferensi fuzzy tipe-2 sekitar 70% dan jika hibridisasi dengan jaringan syaraf akurasi diperkirakan akan meningkat sampai 85- 90%. Selain itu algoritma genetika digunakan untuk mengoptimalkan set aturan dan hasil terbaik.
Shaoqing, dkk [15] mengusulkan metode
fuzzy rules classifier untuk klasifikasi kendaraan dengan 3 kategori yaitu mobil, truk dan bus. Pertama kendaraan dikategorikan ke dalam mobil dan bukan mobil secara kasar sesuai dengan warna LPR (Licence Plate Region), dan yang bukan mobil disegmentasi dengan kombinasi fungsi pemetaan posisi dan pencarian lokal. Fitur yang diajukan yaitu: jumlah region, jumlah warna, big window, the edges number of top, low gray region of top. Fitur ini diajukan untuk yang bukan mobil dan proses ekstraksinya terdiri dari 2 langkah utama. Pertama, mendeteksi tepi horisontal dengan metode hybrid insensitive noise edge detection berdasarkan pada operator Sobel dan warna. Kedua, daerah digabung sesuai dengan warna dan posisi. Terakhir yang bukan mobil diklasifikasikan ke dalam truk dan bus dengan fuzzy rules classifier. Hasil penelitian dibagi dalam 2 pembagian waktu yaitu jam 7:00 –
8:00 pagi dimana akurasi untuk mobil 95%, truk 90,8% dan bus 86,2%, sedangkan akurasi pada jam 3:00 – 4:00 sore adalah 94,1%, truk 88,5%, bus 81,5%.
Zaman, dkk, [19] mengimplementasi sistem klasifikasi menggunakan neural network Fuzzy Learning Vector Quantization (FLVQ), dan
Fuzzy Learning Quantization Particle Swarm
Optimization (FLVQ-PSO) dengan akurasi FLVQ
90,71%, FLVQ-PSO 74,76%. Untuk sistem klasifikasinya obyek dibagi 2 klas yaitu klas besar dan klas kecil. Klas besar itu seperti bus dan truk, dan klas kecil itu seperti van, jeep, dan sedan. Fitur digunakan untuk merepresentasikan sebuah
citra yang terdiri dari beberapa kombinasi fitur. Fitur dalam sistem klasifikasi ini adalah skala obyek berdasarkan ukurannya. Jumlah citra yang diuji adalah 120 data citra.
2.4.Bayesian Network / Jaringan Bayesian
Teorema Bayes yang diterbitkan pada tahun 1774 oleh Pendeta Thomas Bayes (1702- 1761). Dynamic Bayesian Network (DBN) berguna dalam industri karena mereka dapat model proses di mana informasi tidak lengkap, atau ada ketidakpastian. Keterbatasan ini DBN adalah bahwa mereka tidak selalu akurat memprediksi hasil dan waktu komputasinya lama [38].
Tang [39], Kafai dan Bhanu [2] mengusulkan Bayesian Network untuk klasifikasi kendaraan. Perbedaannya, Tang [39] menggunakan metode klasifikasi Naive Bayesian
Classifier untuk menyelesaikan permasalahan kesalahan pendeteksian jenis kendaraaan. Kesalahan ini akibat tidak diperolehnya informasi mengenai sudut kendaraan dan akibat adanya
noise citra yang nilai fitur invarian proyektifnya