Nama : Aldi Ahmad Rifani Tempat / Tanggal Lahir : Bandung / 14 Mei 1994 Jenis Kelamin : Laki - laki
Agama : Islam
Kewarganegaraan : Indonesia
Alamat Rumah : Jalan Cibiru Hilir RT.01 / 02 No.17 Kecamatan Cileunyi Kabupaten Bandung 40393
Email : aldikedua@gmail.com
B. PENDIDIKAN FORMAL
2000-2006
Sekolah Dasar : SDN Cibiru 6 2006-2009
Sekolah Menengah Pertama : SMPN 18 Kota Bandung 2009-2012
Sekolah Menengah Atas : MAN 2 Kota Bandung 2012- Sekarang
Mahasiswa S-1 Jurusan Teknik Informatika Universitas Komputer Indonesia
C. RIWAYAT PEKERJAAN / PENGALAMAN ORGANISASI
2009 - 2010 : Seksi Bidang 7 Tentang Kesehatan Jasmani dan Kebersihan OSIS MAN 2 Kota Bandung 2010 - 2011 : Koodinator Bidang 7 Tentang Kesehatan
Team
2013 - 2014 : Wakil Menteri Luar Negeri BEM UNIKOM Kabinet Bergerak
2013 - Sekarang : Anggota Victory Taekwondo Club Blackbelt
Demikian daftar riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan sadar dan tanpa paksaan.
Bandung, 25 Agustus 2016
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
ALDI AHMAD RIFANI
10112503
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
iii
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena atas berkat, rahmat dan karunia-Nyalah sehingga penulis dapat menyelesaikan skripsi
yang berjudul “Prediksi Kepadatan Gerbang Keluar Tol Menggunakan Perhitungan
Teori Antrian Dan Background Subtraction Sebagai Pendeteksian Objek Mobil”.
Penulis menyadari bahwa dalam penyusunan skripsi ini banyak mengalami kesulitan dan hambatan, namun berkat bantuan dan bimbingan dari berbagai pihak akhirnya skripsi ini dapat diselesaikan tepat pada waktunya.
Dengan penuh rasa syukur, ucapan terima kasih yang mendalam, serta penghargaan yang tidak terhingga penulis sampaikan kepada :
1. Kedua orang tua saya, ayahanda Yusup Kotan dan Ibunda Dadah Syaadah yang tak lelah memberikan saya kasih sayang, dukungan, motivasi dan yang
terpenting adalah “doa” dari kalian.
2. Bapak Irfan Maliki, S.T.,M.T. selaku dosen pembimbing saya yang senantiasa mendampingi saya selama penyusunan tugas akhir ini.
3. Bapak Galih Hermawan. S.Kom., M.T. selaku dosen reviewer yang telah me-review tugas akhir ini.
4. Bapak Rangga Gelar Guntara. S.Kom., M.Kom. selaku dosen penguji pada saat sidang akhir.
5. Ibu Dian Dharmayanti S.T., M.Kom. selaku dosen wali kelas IF-1 angkatan 2012.
6. Juga kepada seluruh dosen Teknik Informatika yang telah mengajarkan saya banyak hal, khususnya pelajaran di bidang informatika.
iv
8. Kepada Retno Rahayu Ningsih yang selalu mendukung dan mendo’akan sehingga selalu bersemangat dalam menyelesaikan tugas akhir ini.
9. Kepada teman-teman seperjuangan (Chic Agita, Gracevina Hermawan, Asep Henry Gurniawan, Dzikir Ahmad, Fahrul Rizaldi, Muhammad Hilal, Ika Widya, Irobby Yusuf, Iwan Setiawan, Satrya Alqirana) tanpa kalian saya tidak akan sampai tahap seperti sekarang ini.
10.Kepada Semua pihak yang tak dapat penulis sebutkan satu-persatu yang telah memberikan bantuan, doa, dan dorongan dalam penyusunan skripsi ini. Tiada kata yang pantas penulis ucapkan selain kata terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu pembuatan skripsi ini, semoga Allah SWT membalas kebaikan yang telah diberikan kepada penulis, akhirnya penulis berharap semoga skripsi ini bermanfaat bagi kita semua.
Bandung,Agustus 2016
v
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... viii
DAFTAR TABEL ... xi
DAFTAR SIMBOL ... xii
DAFTAR LAMPIRAN ... xiv
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Maksud dan Tujuan ... 2
1.4 Batasan Masalah ... 3
1.5 Metodologi Penelitian ... 3
1.6 Sistematika Penulisan ... 4
BAB 2 LANDASAN TEORI ... 7
2.1 Jalan Tol ... 7
2.2 Dimensi Mobil ... 9
2.3 Kapasitas Suatu Gerbang Tol ... 9
2.4 Pengertian Kepadatan Lalu Lintas ... 10
2.5 Teori Antrian ... 11
2.5.1 Struktur Antrian ... 12
2.5.2 Proses Antrian ... 14
2.5.3 Tingkat Pelayanan ... 16
vi
2.10 Computer Vision ... 23
2.11 Real-Time Object Detection ... 23
2.12 Ekstraksi Frame Video ... 23
2.13 Background Subtraction ... 24
2.13.1 Tahapan Proses Background Subtraction ... 25
2.14 UML (Unified Modelling Language) ... 28
2.14.1 Diagram UML ... 29
2.15 Perangkat Lunak Pendukung ... 32
2.15.1 Netbean IDE ... 32
2.15.2 Bahasa Pemrograman Java ... 33
2.15.3 Xuggler ... 33
BAB 3 ANALISIS DAN PERANCANGAN ... 35
3.1 Analisis Masalah ... 35
3.2 Analisis Proses ... 35
3.3 Analisis Data Masukan ... 36
3.3.1 Background Registration ... 36
3.3.2 Preprocessing ... 38
3.3.3 Background Subtraction ... 46
3.3.4 Pemberian Batas Jalur ... 54
3.3.5 Penentuan Kepadatan ... 59
3.4 Analisis Non Fungsional ... 63
3.4.1 Analisis Kebutuhan Perangkat Keras ... 63
3.4.2 Analisis Kebutuhan Perangkat Lunak ... 63
vii
3.6 Perancangan Sistem ... 75
3.6.1 Perancangan Struktur Menu ... 75
3.6.2 Perancangan Antar Muka ... 76
3.7 Jaringan Semantik ... 77
BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 79
4.1 Impementasi ... 79
4.1.1 Implementasi Perangkat Keras ... 79
4.1.2 Implementasi Perangkat Lunak ... 79
4.1.3 Implementasi Antar Muka ... 80
4.2 Pengujian Jumlah Pixel (Untuk Perhitungan Objek Mobil) ... 82
4.3 Pengujian Sistem ... 86
4.3.1 Pengujian Black Box ... 87
4.3.2 Pengujian Akurasi ... 88
BAB 5 KESIMPULAN DAN SARAN ... 99
5.1 Kesimpulan ... 99
5.2 Saran ... 99
101
http://www.jasamarga.com/informasi-tol/layanan-jalan-tol.html. [Diakses pada 14 2 2016].
[2] M. Olivera and V. Santos, "Automatic Detection of Car in Real Roads Using Haar-Like Features," Department of Mechanical Engineering, pp. 1-6, 2008.
[3] M. A. E. A. Marzouk, "Modified Background Subtraction for Motion Detection in Surveillance Systems," Journal of American Arabic Academy for Sciences and Technology, vol. 1 , no. 2, pp. 112-123, 2010.
[4] A. Febriyanto, Analisis Kinerja Metode Background Subtraction dan Haar-Like Feature untuk Monitoring Pejalan Kaki Menggunakan Kamera Webcam, Yogyakarta: Universitas Islam Negeri Sunan Kalijaga, 2013.[Skripsi]
[5] K. P. U. R. Indonesia, "Sekilas BPJT," Kementrian Pekerjaan Umum, 28 10 2014. [Online]. Available: http://bpjt.pu.go.id/konten/bpjt/sekilas-bpjt. [Diakses pada 12 2 2016].
[6] BUMN, "Layanan Lalu Lintas," BUMN, [Online]. Tersedia: http://www.bumn.go.id/jasamarga/halaman/49. [Diakses pada 14 2 2016].
[7] M. Wohl and B. Matric, "Traffict Sistem For Engineer and Planner's," New York, 1967.
[8] D. Sunardi, I. Farida and A. Ismail, "Studi Analisis Hubungan, Kecepatan, Volume, Dan Kepadatan Di Jalan Merdeka Kabupaten Garut Dengan Metode Greenshields," Jurnal Konstruksi, vol. 1, pp. 1-11, 2013.
102
http://ops.fhwa.dot.gov/publications/fhwahop06006/chapter_3p1.htm. [Diakses pada 14 2 2016].
[10] E. K. Morlok, Pengantar Teknik dan Perancangan Transportasi, Jakarta: Erlangga, 1988.
[11] M. Hutahaean, Evaluasi Kapasitas dan Pelayanan Gerbang Tol Tanjung Morawa, Medan: Universitas Sumatera Utara, 2007. [Skripsi]
[12] I. M. A. Anthara, "Analisis Sistem Antrian Gerbang Tol Pasteur Bandung di PT Jasa Marga (Persero) TBK," Majalah Ilmiah Unikom, vol. 12, no. 1, pp. 25-36, 2014.
[13] R. Munir, Pengolahan Citra Digital Dengan Pendekatan Algoritmik, 1st ed., Bandung: Informatika, 2004.
[14] D. Putra, Pengolahan Citra Digital, Yogyakarta : Andi, 2010.
[15] Fadilsyah, Computer Vision dan Pengolahan Citra, Yogyakarta: Andi, 2007.
[16] K. D. Irianto, G. Ariyanto and D. A. P, "Motion Detection Using OpenCV With Background Subtraction and Frame Differencing Technique," Simposium Nasional RAPI, vol. VIII, pp. 74-81, 2009.
[17] M. Fowler, UML Destilled Edisi 3, Yogyakarta: Andi, 2005.
[18] A. W. Putra, "Netbeans IDE - Perangkat Pengembangan Aplikasi yang Mudah Digunakan," Tekno Jurnal, 11 July 2014. [Online]. Tersedia: http://teknojurnal.com/netbeans-ide/. [Diakses pada 11 2 2016].
[19] Tsagklis, "Introduction to Xuggler for Video Manipulation," Javacodegeeks, 10 2 2011. [Online]. Tersedia:
103
[20] F. Nashrillah, "Dahlan Uji Pembayaran Tol dengan Sistem Sensor," Tempo.CO, 3 10 2014. [Online]. Tersedia:
https://m.tempo.co/read/news/2014/10/03/090611677/dahlan-uji-pembayaran-tol-dengan-sistem-sensor. [Diakses pada 14 2 2016].
1
Jalan tol, menurut Undang-Undang Republik Indonesia Nomor 38 Tahun 2004 Tentang Jalan, adalah jalan umum yang kepada pemakainya dikenakan kewajiban membayar tol dan merupakan jalan alternatif lintas jalan umum yang telah ada. Jalan tol diselenggarakan dengan tujuan meningkatkan efisien pelayanan jasa distribusi guna menujukkan pertumbuhan ekonomi dengan perkembangan wilayah dengan memperhatikan rencana induk jaringan jalan. PT. Jasa Marga sebagai satu-satunya penyelenggara jalan tol di Indonesia yang dibiayai oleh pemerintah memiliki tugas untuk merencanakan, membangun mengoperasikan dan memelihara jalan tol serta kelengkapannya agar jalan tol dapat berfungsi sebagai jalan bebas hambatan yang memberikan manfaat lebih daripada jalan umum bukan tol [1]. Pada suatu sistem jaringan jalan tol, kelambatan atau kemacetan sering terjadi di gerbang tol baik gerbang masuk maupun gerbang keluar, khususnya pada arah yang menuju pelayanan pembayaran tol (exit tol). Kondisi ini menyebabkan kepadatan kendaraan pada gerbang tol khususnya gerbang keluar tol (exit tol) dapat dilihat melalui kamera pengawas yang ada pada setiap gerbang tol.
frame pada video dengan frame video yang cenderung statis. Frame tersebut dapat
dikatakan sebagai background. Penelitian [4] melakukan perbandingan kinerja metode background subtraction dan Haar-like Feature dalam memonitoring objek bergerak. Hasil dari penelitian tersebut menyebutkan, dengan kondisi lingkungan video yang statis (seperti video dari kamera pengawas/CCTV) metode background subtraction mendeteksi objek lebih baik 15,1% dibandingkan dengan hasil deteksi
menggunakan pendekatan Haar-like Features.
Untuk memonitoring kepadatan suatu gerbang tol dibutuhkan pendeteksian objek yang optimal. Selain itu, sifat antrian yang ada pada gerbang tol harus dipelajari untuk menentukan dan memprediksi kepadatan yang akan terjadi. Oleh karena itu penelitian ini mengambil pokok bahasan mengenai prediksi kepadatan gerbang keluar tol menggunakan perhitungan teori antrian dan background subtraction sebagai pendeteksian objek mobil. Hasil penelitian ini diharapkan
untuk mengetahui sejauh mana akurasi metode ini dalam memprediksi kepadatan yang terjadi pada gerbang keluar tol
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang diatas, maka yang menjadi permasalahan adalah bagaimana cara mengimplementasikan metode background subtraction dan teori antrian untuk menentukan kepadatan yang terjadi pada gerbang tol.
1.3 Maksud dan Tujuan
Maksud dari penulisan tugas akhir ini adalah mengimplementasikan metode background subtraction dan teori antrian untuk menentukan kepadatan yang
terjadi pada gerbang tol
1.4 Batasan Masalah
Pada perancangan ini penulis membatasi permasalahan guna mempermudah ruang lingkup dalam proses pengerjaan serta analisa. Adapun permasalahan yang dibatasi adalah sebagai berikut:
1. Data masukan berupa video CCTV Exit Tol Pasteur yang didapat dari website livestream PT Jasa Marga.
2. Format dari rekaman video adalah *.AVI.
3. Jalur yang dianalisis hanya 3 jalur yang terekam dengan baik. 4. Pendeteksian objek menggunakan metode Background Subtraction. 5. Resolusi citra background dan video masukan harus sama.
6. Pengambilan rekaman video dilakukan pada siang hari sekitar pukul 12.00-14.00 WIB.
7. Sistem yang dibangun berbasis desktop.
8. Bahasa pemrograman yang digunakan adalah Java dengan menggunakana tools NetBeans IDE 8.0.1.
1.5 Metodologi Penelitian
Metode penelitian yang digunakan adalah model Squensial Linear. Secara umum, tahap-tahap penelitian dalam model Squensial Linear seperti pada Gambar 1.1 adalah sebagai berikut:
1. Analisis Kebutuhan
Analisis kebutuhan meliputi penentuan perangkat lunak dan data-data yang diperlukan untuk membuat aplikasi.
2. Desain sistem dan perangkat lunak
3. Implementasi
Sistematika pembuatan perangakat lunak, disesuaikan dengan desain yang telah ditentukan pada tahap perancangan. Tahapan ini meliputi, pengkodean, implementasi algoritma, serta implementasi terhadap hasil-hasil yang diperoleh dari referensi.
4. Pengujian
Pada tahap ini penulis melakukan pengujian terhadap sistem yang telah dibuat dan melakukan analisa dengan mempertimbangkan kemungkinan kesalahan yang terjadi dari pendeteksian objek.
1.6 Sistematika Penulisan
Sistematika penulisan penelitian ini disusun untuk memberikan gambaran umum tentang kasus yang akan dipecahkan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :
BAB I PENDAHULUAN
Bab ini berisikan tentang latar belakang masalah, identifikasi masalah, maksud dan tujuan, batasan masalah, metode penelitian, dan sistematika penulisan untuk menjelaskan pokok-pokok pembahasannya.
Analisis Desain Pengkodean Pengujian
Pemodelan Sistem
BAB II. LANDASAN TEORI
Berisi teori dan konsep yang digunakan sebagai landasan atau acuan yang diperlukan yaitu antara lain, penjelasan tentang jalan tol, dimensi mobil, kapasitas suatu gerbang tol, pengertian kepadatan lalu lintas, teori antrian, antrian Gerbang Tol Pasteur, klasifikasi traffic, citra, citra digital, computer vision, real-time object detection, ekstraksi frame video, background
subtraction beserta tahapan-tahapannya serta membahas secara singkat
mengenai Unified Modeling Language dan Netbeans IDE.
BAB III. ANALISIS DAN PERANCANGAN
Bab ini berisi pembahasan analisis dari rumusan masalah yang sudah dijelaskan di bagian pendahuluan, analisis kebutuhan mulai dari analisis masalah, analisis input, analisis metode, sampai analisis kebutuhan fungsional dan non-fungsional.
BAB IV. IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi pembahasan implementasi yang dilakukan, mulai dari bahasa pemrograman, hardware dan software yang digunakan, serta hasil pengujian. Pengujian yang dilakukan diantaranya pengujian ketepatan deteksi objek mobil dan klasifikasi traffic atau kepadatan.
BAB V. KESIMPULAN DAN SARAN
7
2
BAB 2
LANDASAN TEORI
2.1 Jalan Tol
Menurut Undang-Undang Republik Indonesia Nomor 38 Tahun 2004 Pasal 1, jalan tol adalah jalan umum yang merupakan bagian sistem jaringan jalan dan sebagai jalan nasional yang penggunanya diwajibkan membayar tol. Tol adalah sejumlah uang tertentu yang dibayarkan untuk pengguna jalan tol.
Tujuan diselenggarakannya jalan tol menurut Undang-Undang Republik Indonesia Nomor 38 Tahun 2004 Pasal 43 diantaranya untuk :
a. Memperlancar lalu lintas di daerah yang telah berkembang;
b. Meningkatkan hasil guna dan daya guna pelayanan distribusi barang dan jasa guna menunjang peningkatan pertumbuhan ekonomi;
c. Meningkatkan beban dana pemerintah melalui partisipasi penguuna jalan dan;
d. Meningkatkan pemerataan hasil pembangunan dan keadilan.
Di Indonesia, jalan tol diatur oleh BPJT (Badan Pengatur Jalan Tol) yang dibentuk oleh Menteri Perhubungan. Kedudukannya berada dibawah meteri dan bertanggung jawab kepada menteri. [1]
Dalam Pengoperasiannya, Badan Usaha Jalan Tol diharapkan untuk selalu memenuhi SPM yang meliputi substansi pelayanan sebagai berikut: [3]
a. Kondisi jalan tol.
b. Kecepatan tempuh rata-rata. c. Aksesibilitas.
d. Mobilitas. e. Keselamatan.
f. Unit Pertolongan/Penyelamatan dan bantuan pelayanan.
Pada penggunaan jalan tol, para pengguna jalan diharuskan untuk pembayaran sesuai dengan golongan dan tarif yang berlaku. Penggolongan jenis kendaraan bermotor pada jalan tol berdasarkan Kepmem PU No. 370/KPTS/M/2007 adalah sebagai berikut :
Tabel 2.1 Penggolongan Jenis Kendaraan
Golongan Jenis Kendaraan
Golongan I Sedan, Jip, Pick Up/Truk Kecil, dan Bus
Golongan II Truk dengan 2 (dua) gandar
Golongan III Truk dengan 3 (tiga) gandar
Golongan IV Truk dengan 4 (empat) gandar
Golongan V Truk dengan 5 (lima) gandar
Golongan VI Kendaraan bermotor roda 2 (dua)
Pada pelayanan transaksi pembayaran tol [4], PT. Jasa Marga selaku pemimpin pasar industri jalan tol menerapkan 2 sistem transaksi yaitu :
a. Sistem terbuka, yaitu transaksi yang dilakukan pada ruas jalan tol dimana pengguna jalan langsung membayar tarif tol pada gerbang masuk ataupun gerbang keluar (exit toll)
2.2 Dimensi Mobil
Berdasarkan golongan mobil yang ada pada tabel 2.1 dan klasifikasi mobil secara umum, dimensi mobil dapat diukur sebagai berikut :
Tabel 2.2 Dimensi Mobil
Golongan Jenis Mobil Dimensi Mobil Rata-rata (panjang x lebar)
2.3 Kapasitas Suatu Gerbang Tol
Kapasitas suatu gerbang tol dapat diperoleh berdasarkan hasil survei asal tujuan (Origin – Destination) dan sistem Trial and Error, dimana data yang diperoleh biasanya digunakan untuk prediksi pada tahun-tahun yang akan datang. Akan tetapi jumlah data terdebut diperkirakan tidak lagi mampu menampung kapasitas pemakai jalan tol tersebut, sehingga hal ini dapat menimbulkan adanya pertambahan kapasitas pintu tol.
Untuk mengatasi masalah pertambahan kapasitas akibat jumlah pemakai jalan tol yang semakin bertambah, maka diperlukan suatu data mengenai kapasitas suatu gerbang tol. Pendataan jumlah kendaraan yang melewati jalan tol dapat dihitung Besarnya kapasitas untuk gerbang tol berbeda-beda tergantung tingkat pelayanannya. Dengan tingkat pelayanan yang singkat dan tepat akan menambah besarnya kapasitas suatu gerbang tol.
Beberapa defenisi mengenai kapasitas menurut beberapa ahli :
1. Wohl dan Martin, mendefenisikan kapasitas sebagai berikut ;
“The quantitative measurement of the volume (per unit of time) that a particular facility can accommondate (at the limit), and this usually provides a measure of
2. Highway Research Board, kapasitas didefenisikan sebagai :
“The maximum number of vehicle that would have reasonable expectation of passing over a given roadway in given time period under the prevailing roadway
and traffic conditions”
Oleh karena itu kapasitas gerbang tol dapat didefenisikan sebagai nilai maksimum dari jumlah kendaraan yang melewati suatu gerbang tol dalam periode waktu tertentu. Nilai maksimum tersebut dapat dipengaruhi beberapa faktor, yaitu jalan itu sendiri, kontrol operasional, fasilitas dari gerbang tol, kelakuan para pengemudi, tindakan petugas jalan tol, dan beberapa faktor lingkungan, seperti faktor cuaca.
2.4 Pengertian Kepadatan Lalu Lintas
Kepadatan adalah jumlah kendaraan yang menempati panjang jalan yang diamati dibagi panjang jalan yang diamati tersebut. Kepadatan sulit diukur secara pasti. Kepadatan dapat dihitung berdasarkan kecepatan rata-rata kendaraan dan volume lalu lintas pada sebuah jalan.
Volume lalu lintas adalah jumlah kendaraan yang melewati suatu ruas jalan selama satuan waktu titik dengan satuan kendaraan/jam. Volume lalu lintas terbentuk dari pergerakan individu pengedara dan kendaraan yang melakukan interaksi satu sama lain pada suatu ruas jalan dan lingkungannya. Jenis arus lalulintas terbagi atas arus tidak terganggu (un-interupted flow) dan arus terganggu (interupted flow). Volume lalu lintas sebuah jalan dapat dihitung dengan membagi jumlah kendaraan yang melewati jalan dengan waktu pengamatan yang dilakukan sehingga menghasilkan angka dengan satuan kendaraan/jam [6].
Hubungan matematis antara kepadatan, volume lalu lintas dan kecepatan kendaraan dapat dinyatakan dengan persamaan berikut [7]:
Dimana :
Q volume lalu lintas (kendaraan/jam)
D adalah kepadatan (kendaraan/jam)
S adalah kecepatan (kilometer/jam)
Sehingga, berdasarkan persamaan (2.1), untuk mengetahui kepadatan lalu lintas pada sebuah jalan dapat dihitung dengan persamaan :
=
………..(2)2.5 Teori Antrian
Teori antrian (queueing theory) [8] sangat perlu dipelajari dalam usaha mengenal perilaku pergerakan arus lalu lintas baik manusia maupun kendaraan. Hal ini disebabkan sangat banyak kejadian terjadi di sektor transportasi dan permasalahan lalu lintas yang terjadi sehari-hari pada sistem jaringan jalan yang dapat dijelaskan dan dipecahkan dengan bantuan analisis teori antrian, seperti misalnya :
1. Antrian kendaraan yang terjadi di depan pintu gerbang tol atau antrian kendaraan yang terjadi pada setiap lengan persimpangan berlampu lalu lintas (perempatan atau pertigaan),
2. Antrian kendataan truk pada saat bongkar/muat barang di pelabuhan 3. Antrian kapal laut yang ingin merapat di dermaga,
4. Antrian manusia pada loket pembelian karcis di bandara, stasiun kereta api, dan lain-lain.
5. Antrian manusia pada loket pelayanan bank, loket pembayaran listrik atau telepon, serta pasar swalayan.
Antrian tersebut pada dasarnya terjadi karena proses pergerakan arus lalu lintas (manusia dan/atau kendaraan) terganggu oleh adanya suatu kegiatan pelayanan yang harus dilalui, seperti misalnya: antrian kendaraan yang terbentuk di depan pintu gerbang tol terjadi karena pergerakan arus kendaraan tersebut terpaksa harus terganggu oleh adanya kegiatan pengambilan dan/atau pembayaran karcis tol. Kegiatan inilah yang menyebabkan gangguan pada proses pergerakan arus kendaraan sehingga mengakibatkan terjadinya antrian kedaraan dimana pada suatu kondisi, antrian kendaraan tersebut akan dapat mangakibatkan permasalahan baik buat pengguna (dalam bentuk waktu antrian) maupun buat pengelola (dalam bentuk panjang antrian).
Bagi pengguna biasanya hal yang selalu dipermasalahkan adalah waktu menunggu selama proses mengantri, setiap pengendara akan selalu berpikir bagaimana cara agar dapat menyelesaikan antrian ini secepatnya. Sedangkan bagi pengelola, hal yang selalu dipermasalahkan biasanya adalah panjang antrian yang terjadi. Sebagai contah: antrian kendaraan yang terlalu panjang akan dapat menyebabkan tambahan permasalahan baru berupa terganggunya sistem pergerakan arus lalu lintas lainnya akibat terhambat oleh antrian yang terlalu panjang tersebut.
Teori antrian merupakan suatu alat analisa yang sangat membantu di dalam memecahkan problem tersebut di atas. Teori ini memberikan informasi penting yang dibutuhkan dalam pengambilan keputusan dengan meramalkan berbagai karakteristik dengan sistem antrian tersebut. Jumlah rata-rata dari satuan (antrian dan pelayanan) adalah penting untuk mendimensi luas areal yang dibutuhkan.
2.5.1
Struktur AntrianPemilihan ini berdasarkan pada aturan-aturan tertentu yang disebut disiplin antrian. Populasi yang telah dilayani selanjutnya pergi meninggalkan gerbang pelayanan.
Struktur antrian dapat diklasifikasikan berdasarkan banyaknya gerbang atau jalur dan banyaknya tahap pelayanan yang ada. Tata letak fisik dari sistem antrian digambarkan dengan jumlah saluran, juga disebut sebagai pelayanan. Sistem antrian jalur tunggal (single channel-single phase) berarti bahwa dalam sistem antrian tersebut hanya terdapat satu pemberi layanan serta satu jenis layanan yang diberikan. Sementara sistem antrian jalur tunggal tahapan berganda (single channel-multi phase) berarti dalam sistem antrian tersebut terdapat lebih dari satu
jenis layanan yang diberikan, tetapi dalam setiap jenis layanan hanya terdapat satu pemberi layanan. Sistem antrian jalur berganda satu tahap (multi channel-single phase) adalah terdapat satu jenis layanan dalam sistem antrian tersebut, namun
terdapat lebih dari satu pemberi layanan. Sedangkan sistem antrian jalur dalam setiap jenis layanan. Dalam studi ini akan dibahas gerbang tunggal satu tahap (single channel-single phase) dan gerbang ganda satu tahap (multi channel- single
phase). berganda dengan tahapan berganda (multi channel-multi phase) adalah
sistem antrian dimana terdapat lebih dari satu jenis layanan dan terdapat lebih dari satu pemberi layanan.
1. Single Channel-Single Phase
Struktur antrian pada single channel-single phase ini hanya memilih satu jalur pelayanan dan dalam jalur ini hanya memiliki satu tahap saja. Stuktur ini sangat sederhana dan dapat dilihat pada gambar berikut :
Gambar 2.1 Single Channel-Single Phase
Struktur antrian pada single channel-multi phase ini hanya memiliki satu jalur pelayanan dan dalam jalur ini memiliki dua tahap (lebih dari satu layanan), tetapi dalam setiap jenis layanan hanya terdapat satu pemberi layanan. Sebagai contoh : pencucian mobil.
Gambar 2.2 Single Channel-Multi Phase
3. Multi Channel-Single Phase
Multi Channel single phase terjadi apabila dua atau lebih fasilitas pelayanan diakhiri oleh antrian tunggal. Sebagai contoh dari model ini adalah pembelian tiket yang dilayani oleh lebih dari satu loket dan antrian pada teller sebuah bank.
Gambar 2.3 Multi Channel Single Phase
2.5.2 Proses Antrian
Pada dasarnya untuk lebih memahami lebih lanjut mengenai antrian, hal utama yang sangat diperlukan adalah mengerti bagaimana sebenarnya proses terjadinya antrian. Proses terjadinya antrian terdiri dari 4 (empat) tahap yang akan dijelaskan dengan menggunakan gambar berikut [11].
yang datang disebut dengan tingkat kedatangan ( ). Jika digunakan disiplin
antrian First In First Out (FIFO) dan terdapat lebih dari 1 (satu) tempat
pelayanan (multilajur) maka dapat diasumsikan bahwa tingkat kedatangan ( )
tersebut akan membagi dirinya secara merata untuk setiap pelayanan sebasar
/N dimana N adalah jumlah tempat pelayanan. Dengan demikian, dapat
diasumsikan akan terbentuk N buah antrian berlajur-tunggal dimana setiap antrian berlajur-tunggal akan berlaku disiplin antrian FIFO.
2. Tahap II : tahap dimana arus lalu lintas (kendaraan) mulai bergabung dengan antrian menunggu untuk dilayani. Jadi, waktu antrian dapat didefenisikan sebagai waktu sejak kendaraan mulai bergabung dengan antrian sampai dengan waktu kendaraan mulai dilayani oleh suatu tempat pelayanan.
3. Tahap III : tahap dimana arus lalu lintas (kendaraan) dilayani oleh satu tempat pelayanan. Jadi, waktu pelayanan (WP) dapat didefenesikan sebagai waktu sejak dimulainya kendaraan dilayani sampai dengan waktu kendaraan selesai dilayani.
4. Tahap IV : tahap dimana arus lalu lintas (kendaraan) meninggalkan tempat pelayanan melanjutkan perjalanannya.
Gambar 2.4 Proses Antrian
2.5.3 Tingkat Pelayanan
Tingkat pelayanan yang dinyatakan dengan notasi adalah jumlah kendaraan atau manusia yang dapat dilayani oleh satu tempat pelayanan dalam satu satuan waktu tertentu, biasanya dinyatakan dalam satuan kendaraan/jam atau orang/menit.
Selain tingkat pelayanaan, juga dikenal Waktu Pelayanan (WP) yang dapat didefenisikan sebagai waktu yang dibutuhkan oleh satu tempat pelayanaan untuk dapat melayani satu kendaraan atau satu orang, biasa dinyatakan dalam satuan menit/kendaraan atau menit/orang, sehingga bisa disimpulkan bahwa :
� = … … .
Selain itu dikenal juga notasi P yang didefenisikan sebagai nisbah antara
tingkat kedatangan ( ) dengan tingkat pelayanaan ( ) dengan persyaratan bahwa
nilai tersebut selalu harus lebih kecil dari 1.
Jika nilai P>1, hal ini berarti bahwa tingkat kedatangan lebih besar dari tingkat pelayanaan. Jika hal ini terjadi, maka dapat dipastikan akan terjadi antrian yang akan selalu bertambah panjang (tidak terhingga).
2.5.4 Model Antrian Gerbang Tol
Gerbang tol gerbang masuk atau gerbang keluar memiliki sistem antrian sebagai berikut [10]:
(M/M/S);(D/∞/∞)
Model antrian ini menyatakan kedatangan yang didistribusikan secara eksponensial, stasiun pelayanan ganda, disiplin antrian antrian adalah FIFO dan antrian tidak terhingga serta sumber populasinya tidak terhingga pula. Diasumsikan rata-rata tingkat kedatangan lebih kecil daripada tingkat pelayanan keseluruhan (agregat) atau penjumlahan segenap rata-rata tingkat pelayanan di tiap jalur.
Formulasi matematis untuk menghitung tingkat intensitas fasilitas pelayanan adalah sebagai berikut :
= … … .
dimana :
= jumlah rata-rata pelanggan yang datang per satuan waktu. s = jumlah stasiun pelayanan yang ada dalam sistem antrian.
= jumlah rata-rata pelanggan dilayani per satuan waktu.
2.6 Antrian Gerbang Tol Pasteur
Menurut penelitian yang dilakukan I Made Aryantha Anthara [10], dari pengamatan dan pengolahan data yang dilakukan pukul 14.00-22.00, Gerbang Tol Pasteur memiliki jumlah rata-rata kedatangan kendaraan 1551 untit mobil setiap 1 jam. Gardu pelayanan yang aktif pada saat pengamatan adalah 8 gardu dengan tingkat pelayanan gardu dapat melayani 569 unit kendaraan setiap 1 jam.
=
dimana :
= jumlah rata-rata pelanggan yang datang per satuan waktu. s = jumlah stasiun pelayanan yang ada dalam sistem antrian.
= jumlah rata-rata pelanggan dilayani per satuan waktu.
Sehingga didapat hasil sebagai berikut :
= ∗ = , = , %
Dengan hasil tersebut dapat dikatakan bahwa nilai P < 1 berdasarkan persamaan (4) dapat disimpulkan bahwa pada sistem antrian gerbang tol akan selalu terjadi antrian.
Waktu pelayanan gerbang tol pasteur dapat dihitung dengan persamaan (3) sebagai berikut :
� = … … .
dimana :
WP = Waktu Pelayanan
= jumlah rata-rata pelanggan dilayani per satuan waktu. Sehingga didapat hasil sebagai berikut :
� = = , = ,
2.7 Klasifikasi Traffic
Klasifikasi traffic merupakan penentuan apakah lalu lintas yang sedang diamati sedang mengalami kepadatan atau tidak. Kepadatan pada sebuah jalan berhubungan dengan volume kendaraan dan kecepatan kendaraan yang sedang diamati. Kepadatan dapat dicari menggunakan persamaan (2) sebagai berikut :
= … … .
dimana :
Q = volume lalu lintas (kendaraan/jam)
D = kepadatan (kendaraan/jam)
S = kecepatan (kilometer/jam)
Dengan memisalkan panjang kendaraan mobil rata-rata seperti pada tabel 2.2, 1 mobil memiliki panjang sekitar 5 meter dan jarak kendaraan saat antri adalah 0,5 meter. Maka jarak total mobil ke-5 menuju loket pembayaran dalam antrian yang terdiri dari 5 mobil adalah :
� + � , = �
Berdasarkan pengamatan video rekaman kamera pengawas gerbang tol, mobil ke-5 dalam antrian menuju loket pembayaran adalah 57 detik. Sehingga rata-rata kecepatan mobil dalam antrian adalah :
= � = , / = ,� /
Sehingga kepadatan kendaraan dapat diperoleh dengan perhitungan berikut :
= , = ,
2.8 Citra
Citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam. [11]
Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat:
1. Optik berupa foto,
2. Analog berupa sinyal video seperti gambar pada monitor televisi,
3. digital yang dapat langsung disimpan pada suatu pita magnetik.
Citra dibagi menjadi dua jenis, yaitu citra diam (statis) dan citra bergerak (dinamis). Citra diam adalah citra tunggal yang tidak bergerak sedangkan citra bergerak adalah serangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai gambar yang bergerak. Setiap citra di dalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi pada hakikatnya terdiri atas ratusan sampai ribuan frame.
2.9 Citra Digital
Agar dapat diolah dengan dengan komputer digital, maka suatu citra harus direpresentasikan secara numerik dengan nilai-nilai diskrit. Representasi citra dari fungsi malar (kontinu) menjadi nilai-nilai diskrit disebut digitalisasi . Citra yang dihasilkan inilah yang disebut citra digital (digital image). Pada umumnya citra digital berbentuk persegi panjang, dan dimensi ukurannya dinyatakan sebagai tinggi x lebar.
Gambar 2.5 Fungsi Citra Digital
Citra digital yang berukuran N x M lazim dinyatakan dengan matriks yang berukuran N baris dan M kolom sebagai berikut:
Gambar 2.6 Nilai Pixel Citra Digital
Indeks baris (i) dan indeks kolom (j) menyatakan suatu koordinat titik pada citra, sedangkan f(i, j) merupakan intensitas (derajat keabuan) pada titik (i, j).
Masing-masing elemen pada citra digital (elemen matriks) disebut image element, picture element atau pixel atau pel. Jadi, citra yang berukuran N x M mempunyai NM buah pixel. Sebagai contoh, misalkan sebuah berukuran 7x7 pixel dan direpresentasikan secara numerik dengan matriks yang terdiri dari 7 buah baris (di-indeks dari 0 sampai 6) dan 7 buah kolom (di-indeks dari 0 sampai 7) seperti contoh berikut:
Nilai pixel pertama pada koordinat (0,0) mempunyai nilai intensitas 230 yang berarti warna pixel tersebut merupakan perpaduan warna antara hitam dan putih, dan seterusnya.
Citra atau gambar terbagi dalam 3 tipe sebagai berikut [12] :
1. Citra Gray Scale
Citra terdiri dari satu layer warna dengan derajat keabuan tertentu. Dinyatakan dalam suatu fungsi :
�, ∑[ . . ]
2. Citra Biner
Citra yang hanya memiliki dua nilai yaitu 1 dan 0. Dinyatakan dalam suatu fungsi :
�, ∑[ , ]
3. Citra Berwarna
Citra yang terdiri dari tiga layer warna yaitu RGB (Red-Green-Blue) dimana R-layer adalah matrik yang menyatakan derajat kecerahan untuk warna merah, G-layer adalah matrik yang menyatakan derajat kecerahan untuk warna hijau, dan B-layer adalah matrik yang menyatakan derajat kecerahan untuk warna biru. Representasi dalam citra digital dinyatakan dalam persamaan :
�, ∑[ . . ]
� �, ∑[ . . ]
� �, ∑[ . . ]
layar monitor akan menempati sebuah ruang yang disebut dengan piksel (picture element/pixel).
2.10 Computer Vision
Computer Vision berkaitan dengan pengolahan citra (image processing).
pengolahan citra adalah pengolahan suatu citra dengan menggunakan komputer kusus, untuk menghasilkan suatu citra yang lain. Sedangkan Computer Vision dapat didefinisikan setara dengan pengertian pengolahan citra yang dikaitkan dengan akuisisi citra, pemrosesan, klasifikasi, pengakuan, dan pencakupan keseluruhan, pengembalian keputusan yang diikuti dengan pengidentifikasian citra. [13]
Computer Vision adalah suatu pembelajaran menganalisa gambar dan
video untuk memperoleh hasil sebagaimana yang bisa dilakukan manusia. Pada hakikatnya, Computer vision mencoba meniru cara kerja sistem visual manusia (Human Vision). Manusia melihat objek dengan indera penglihaan (mata), lalu citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan matanya. Hasil interpretasi ini mungkin digunakan untuk pengambilan keputusan. [14]
2.11 Real-Time Object Detection
Object detection atau deteksi objek adalah teknologi komputer yang berkaitan
dengan computer vision dan pengolahan citra. Deteksi objek secara real-time maksudnya adalah mendeteksi objek dengan input sebuah video atau dalam kata lain mendeteksi objek pada sekumpulan gambar secara sekuensial.
2.12 Ekstraksi Frame Video
Proses ekstraksi frame video merupakan proses untuk memisahkan gambar pada setiap frame video. Jumlah frame pada setiap video dapat dihitung dengan persamaan berikut :
Jumlah Frame = Frame rate * Duration (6)
dimana :
Frame rate merupakan jumlah frame tiap detik (frame/second atau f/s)
Duration merupakan durasi video dengan satuan detik (second atau s)
Hasil ekstraksi ini nantinya akan digunakan untuk melakukan deteksi objek secara real-time.
2.13 Background Subtraction
Background pada pembahasan ini merupakan sejumlah piksel-piksel
gambar yang diam dan tidak bergerak didepan kamera. Model background yang paling sederhana mengasumsikan bahwa seluruh kecerahan piksel background berubah-ubah secara bebas, tergantung pada distribusi normalnya. Karakteristik background dapat dihitung dengan mengakumulasi beberapa jumlah frame
sehingga akan menemukan jumlah nilai-nilai piksel dalam lokasi s(x,y) dan jumlah square-square sq(x,y) yang memiliki nilai untuk setiap lokasi piksel. Sedangkan
foreground adalah semua objek yang ada selain background dan biasanya
foreground ini ada setelah didapatkannya background.
Output dari background subtraction biasanya adalah inputan yang akan diproses pada tingkat yang lebih lanjut lagi seperti men-tracking objek yang teridentifikasi. Kualitas background subtraction umumnya tergantung pada teknik pemodelan background yang digunakan untuk mengambil background dari suatu layar kamera. Background subtraction biasanya digunakan pada teknik segmentasi objek yang dikehendaki dari suatu layar, dan sering diaplikasikan untuk sistem pengawasan.
objek-objek foreground sebagai perbedaan yang ada antara frame sekarang dan gambar background dari layar statik. Suatu piksel dikatakan sebagai foreground jika:
| � �− � � | > �� ℎ
Pendekatan ini sangat sensitif terhadap threshold, sehingga threshold dapat digunakan untuk mengatur sensifitas suatu kamera dalam menangkap gambar.
2.13.1 Tahapan Proses Background Subtraction
Background subtraction memiliki beberapa tahap sebelum dapat
mendeteksi objek, tahap-tahap dari metode ini adalah sebagai berikut :
Gambar 2.8 Proses Background Subtraction
1. Background Model
Background model merupakan citra latar atau background dari sebuah gambar
yang ingin dideteksi. Contohnya adalah sebagai berikut :
Gambar 2.9 Contoh Citra Background
Citra objek merupakan citra yang didalamnya terdapat objek yang hendak dideteksi. Contoh citra objek adalah sebagai berikut :
Gambar 2.10 Contoh Citra Objek
3. Convert Grayscale
Citra grayscale adalah citra yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian Red = Green = Blue. Nilai tersebut digunakan untuk menunjukkan tingkat intensitas. Warna yang dimiliki adalah warna dari hitam, keabuan dan putih. Tingkat keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mendekati putih. [12]
Pengubahan dari citra berwarna ke bentuk grayscale mengikuti aturan sebagai berikut :
Y = , ∗ R + , ∗ G + , ∗ B … … . .
dimana :
Y = derajat keabuan R = nilai pixel channel Red G = nilai pixel channel Green B = nilai pixel channel Blue
Gambar 2.11 Citra Hasil Konversi Grayscale
4. Background Subtraction
Background subtraction adalah tahap pengurangan setiap nilai piksel citra
current frame dengan setiap nilai piksel citra background, untuk mendapatkan foreground sebagai objek yang dideteksi. Proses pengurangan citra
dilakukansecara absolut dimana perbedaan setiap pixel dari kedua citra akan diperolehdan selalu bernilai positif. Karena teknik ini akan melihat perbedaan untuksetiap pixel di dalam citra, sehingga kedua citra harus memiliki tipe data danukuran yang sama. Background subtraction dapa dilakukan dengan menggunakan persamaan berikut:
, = | , − , | … … … . .
dimana :
Z = nilai piksel absolute B = nilai piksel background C = nilai piksel curent frame
(x,y) = koordinat nilai piksel pada matriks
5. Threshold
Threshold merupakan teknik yang sederhana dan efektif untuk segmentasi
keabuan 0 atau 255). Untuk menentukan nilai threshold dari tiap nilai matriks citra dapat menggunakan persamaan berikut :
�, = { �� �, ≥ �}
�, = { �� �, < �} … … … . .
dimana :
g(x,y) = nilai matrix citra hasil thresholding.
f(x,y) = merupakan nilai matrix citra yang akan di-threshold. T = merupakan nilai threshold (0 – 255)
Gambar 2.12 Ilustrasi Background Subtraction
2.14 UML (Unified Modelling Language)
Pemodelan digunakan dalam proses untuk merancang perangkat lunak sebelum melakukan pengkodean (coding), hal ini bertujuan untuk mempermudah langkah selanjutnya dalam membangun perangkat lunak agar lebih terencana dan penggunaan sumber daya dapat digunakan secara efektif dan efisien.
mendokumentasikan sistem perangkat lunak. UML dapat digunakan untuk memodelkan berbagai jenis perangkat lunak, baik yang berjalan pada perangkat keras, sistem operasi, jaringan komputer maupun pada bahasa pemrograman. Namun konsep UML yang menggunakan class dalam konsep dasarnya, UML lebih cocok untuk menggambarkan perangkat lunak dalam bahasa pemrograman yang berorientasikan objek seperti C++, Java, C# dan VB.NET. namun walau demikian UML tetap dapat digunakan dalam aplikasi yang prosedural spserti C, Delphi atau VB.
2.14.1 Diagram UML
Dalam pemodelan UML terdiri dari beberapa jenis diagram, diantaranya : Use Case Diagram, Activity Diagram, Sequence Diagram, dan Class Diagram.
2.14.1.1 Use Case Diagram
Use case diagram merupakan permodelan untuk menggambarkan kelakuan (behavior) sistem yang akan dibangun. Use case mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem yang akan dibangun. use case digunakan untuk mengetahui fungsi apa saja yang ada didalam sebuah sistem dan siapa saja yang berhak menggunakan fungsi-fungsi tersebut.
Syarat penamaan pada use case adalah nama didefinisikan sesimpel mungkindan dapat dipahami. Ada dua hal utama pada use case yaitu aktor dan use case.
1. Aktor merupakan orang, proses atau sistem lain yang berinteraksi dengan sistem yang akan dibangun.
2. Use case merupakan fungsionalitas yang disediakan sistem sebagai unit-unit yang saling bertukar pesan antarunit-unit atau aktor.
2.14.1.2 Activity Diagram
Activity diagram adalah teknik untuk menggambarkan logika prosedural,
Activity diagram merupakan state diagram khusus, di mana sebagian besar
state adalah action dan sebagian besar transisi di-trigger oleh selesainya state sebelumnya (internal processing). Oleh karena itu, activity diagram tidak menggambarkan behaviour internal sebuah sistem secara pasti, tetapi lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum.
2.14.1.3Sequence Diagram
Sequence diagram menggambarkan interaksi antar objek di dalam dan di
sekitar sistem berupa pesan yang digambarkan terhadap waktu. Sequence diagram terdiri atar dimensi vertikal (waktu) dan dimensi horizontal (objek-objek yang terkait). Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah kejadian untuk menghasilkan output tertentu. Diawali dari apa yang men-trigger aktivitas tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan.
Masing-masing objek, termasuk aktor, memiliki lifeline vertikal. Message digambarkan sebagai garis berpanah dari satu objek ke objek lainnya. Pada fase desain berikutnya, message akan dipetakan menjadi metoda dari class. Activation bar menunjukkan lamanya eksekusi sebuah proses, biasanya diawali dengan diterimanya sebuah message.
Untuk objek-objek yang memiliki sifat khusus, standar UML mendefinisikan simbol khusus untuk objek boundary, controller dan persistent entity.
2.14.1.4Class Diagram
Class Diagram merupakan sebuah diagram yang mendeskripsikan jenis-jenis objek dalam sistem dan berbagai macam hubungan statis yang terdapat diantara mereka. Class diagram juga menunjukkan properti dan operai dari sebuah classdan batasan-batasan yang terdapat dalam hubungan-hubungan objek tersebut
1. Nama kelas/stereotype.
2. Atribut, berupa variabel-variabel yang dimiliki oleh suatu class. 3. Method, berupa fungsi-fungsi yang terdapat di dalam class.
Class diagram menggambarkan struktur sistem dari segi pendefinisian class yang
akan dibuat untuk sistem. Class diagram meiliki tiga relationships, yaitu:
1. Association
Assocciation adalah hubungan antara bagian dari dua kelas. Terjadi association
antara dua kelas jika salah satu bagian dari kelas mengetahui yang lainnya dalam melakukan suatu kegiatan. Di dalam diagram sebuah association adalah penghubung yang menghubungkan dua kelas.
2. Aggregation
Aggregation adalah hubungan antara dua bagian kelas atau lebih dimana salah
satu kelasnya merupakan bagian dari suatu kumpulan. Aggregation memiliki titik pusat yang mencakup keseluruhan bagian.
3. Generalization
Generalization adalah hubungan turunan dengan mengasumsikan satu kelas
Gambar 2.13 Contoh Class Diagram
2.15 Perangkat Lunak Pendukung
2.15.1 Netbean IDE
IDE Netbeans merupakan perangkat lunak yang sering digunakan oleh pengembang aplikasi untuk pemrograman, kompilasi, mencari kesalahan, dan menjalankan aplikasi yang telah dibuat. [16]
Pada dasarnya IDE Netbeans dibangun menggunakan bahasa Java, namun untuk membuat aplikasi yang digunakan, baik untuk aplikasi komputer maupun mobile version, IDE Netbeans mendukung bahasa pemrograman lainnya.
unduhan NetBeans IDE yang terdiri dari paket JAVA SE, JAVA EE, C/C++, HTML5 & PHP, atau paket keseluruhan.
2.15.2 Bahasa Pemrograman Java
Bahasa Pemrograman Java dibuat pada tahun 1995 di Sun Microsystems. Java merupakan bahasa berorientasi objek yang serbaguna. Kode Java dikompilasi dalam format yang disebut bytecode. Bytecode dapat dijalankan di smua komputer yang telah dilengkapi dengan program Java Interpreter dan Java Virtual Machine. Java sangat populer karena pada masa awal internet menjadi populer Java telah menyediakan sarana untuk membuat program (disebut applet) yang berjalan pada Web browser. Bahasa ini mendukung koneksi ke database, menyediakan sarana
untuk membuat aplikasi berbasis windows dan juga dapat dipakai untuk pemroraman jaringan.
2.15.3 Xuggler
35
3.1 Analisis Masalah
Analisis masalah pada penelitian ini adalah bagaimana memproses rekaman dari kamera pengawas untuk mengetahui kondisi kepadatan suatu gerbang tol. Penelitian ini membutuhkan perhitungan jumlah mobil yang terekam untuk selanjutnya diproses kembali. Hasil perhitungan jumlah mobil digunakan sebagai data masukan untuk mengetahui kepadatan pada suatu gerbang tol.
3.2 Analisis Proses
Analisis proses yang akan dilakukan pada penelitian ini dibagi menjadi beberapa tahapan. Pertama adalah pre-processing, lalu dilakukan background registration untuk mendapatkan background images. Setelah mendapatkan background images, dilakukan proses background substraction/foreground detection. Hasil dari proses tersebut akan di thereshold. Setelah itu akan dilakukan pemberian garis jalur dan koordinat untuk menghitung jumlah mobil. Jumlah mobil yang terhitung akan kembali dihitung menggunakan teori antrian untuk menentukan keadaan gerbang tol. Hasil dari proses tersebut akan menghasilkan output apakah gerbang tersebut sedang padat atau tidak.
3.3 Analisis Data Masukan
Data masukan yang akan dianalisis berupa citra background dan video hasil rekaman kamera pengawas gerbang tol yang didapatkan dari website live streaming PT. Jasa Marga. Pada penelitian ini data masukan yang digunakan adalah video hasil rekaman kamera pengawas pada gerbang tol pasteur. Pada video hasil rekaman tersebut akan dilakukan preprocessing yaitu video dirubah menjadi frame-frame untuk proses konversi ke grayscale setelah itu akan masuk ke tahapan background registration untuk menghasilkan background images setelah itu ke tahapan background subtraction. Setelah itu masuk ke tahapan perhitungan dan klasifikasi traffic.
3.3.1 Background Registration
Background registration merupakan tahap persiapan citra background yang akan digunakan pada proses background subtraction. Nilai citra background ini nantinya akan dikurangkan dengan citra video dimana objek mobil akan dideteksi. Pada penelitian ini digunakan background dari hasil capture rekaman kamera pengawas gerbang tol saat tidak ada kendaraan yang melewat. Terdapat 2 citra background yang digunakan adalah sebagai berikut :
Citra background 1 tersebut memliki informasi sebagai berikut :
Tabel 3.1 Informasi Citra Background 1
File Name Bgtest2.jpg
Format JPG
File Size 58,7 KB
Dimensions 357 x 271
Horizontal Resolution 96 ppi Vertical Resolution 96 ppi
Bit Depth 24
Color RGB
Citra background kedua adalah sebagai berikut :
Gambar 3.3 Citra Background 2
Citra background 2 tersebut memliki informasi sebagai berikut :
Tabel 3.2 Informasi Citra Background 2
File Name Bgtest2.jpg
Format JPG
File Size 58,7 KB
Dimensions 357 x 271
Horizontal Resolution 96 ppi Vertical Resolution 96 ppi
Bit Depth 24
3.3.2 Preprocessing
Preprocessing merupakan tahap persiapan untuk proses awal. Input yang berupa video diproses per frame.Preprocessing meliputi 2 tahap, yaitu merubah video menjadi frame dan konversi dari RGB ke grayscale.
3.3.2.1 Ekstrak Video Frames
Video merupakan gabungan gambar-gambar mati yang dibaca berurutan dalam suatu waktu dengan kecepatan tertentu. Gambar-gambar yang digabung tersebut dinamakan frame dan kecepatan pembacaan gambar disebut dengan frame rate, dengan satuan fps (frame per second). Karena dimainkan dalam kecepatan
yang tinggi maka tercipta ilusi gerak yang halus, semakin besar nilai frame rate maka akan semakin halus pergerakan yang ditampilkan. Tahapan awal yaitu mengetahui jumlah frame yang ada pada video.
Sebuah video tentu akan memiliki jumlah frame yang beragam tergantung kualitas kamera digunakan. Untuk kamera pengawas biasanya menggunakan jenis kamera standar yang memiliki kualitas hasil rekaman dan jumlah frame dibawah kamera yang biasa digunakan pada smartphone atau kamera profesional.
Pada langkah ekstraksi video frame, dibutuhkan sebuah library yang dapat memanipulasi masukan berupa video. Library yang digunakan adalah Xuggler. Xuggler merupakan libarary open-source untuk pengembang pemrograman Java yang dapat digunakan untuk memanipulasi video hasil rekaman. Xuggler dapat melakukan ekstraksi pada sebuah video untuk dijadikan potongan-potongan gambar untuk setiap detiknya.
Pada hasil rekaman kamera pengawas gerbang tol PT.Jasa Marga didapat video dengan informasi sebagai berikut :
Tabel 3.3 Informasi Video
File Name rec3.avi
Format Avi
File Size 35,3 MB
Duration 00:01:42
Frame Height 271
Data Rate 2589 kbps
Frame Rate 15 frames/second
Untuk mengetahui jumlah frame pada sebuah video dapat dihitung dengan persamaan (7) :
Jumlah Frame = Frame rate * Duration
dimana :
Frame rate merupakan jumlah frame tiap detik (frame/second atau f/s)
Duration merupakan durasi video dengan satuan detik (second atau s)
Sehingga berdasarkan informasi pada tabel diatas dapat diketahui bahwa jumlah frame pada video tersebut adalah sebagai berikut :
Duration = 00:01:42 = 0 + 60 + 42 = 102 second
Jumlah frame = 15 f/s * 102 s = 1530 frames
Jumlah frame yang tersedia pada video dipengaruhi oleh frame rate dan durasi. Semakin besar frame rate atau durasi dalam menampilkan gambar, maka semakin banyak pula yang diperoleh.
3.3.2.2 Convert Grayscale
Citra background dan citra yang didapat dari frame video hasil rekaman memiliki format gambar RGB. Pada tahap ini setiap frame akan dirubah menjadi grayscale agar lebih mudah diproses pada tahap selanjutnya. Grayscale merupakan warna-warna piksel yang berada dalam rentang gradasi warna hitam dan putih. Untuk merubah gambar RGB menjadi grayscale dapat dilakukan dengan persamaan (8) seperti berikut :
Y x, y = , ∗ R + , ∗ G + , ∗ B
dimana :
Pada citra background diambil citra ukuran 10x10 pixel pada suatu titik :
Nilai pixel citra background 10x10 adalah sebagai berikut : Gambar 3.5 Nilai Pixel Cintra Background RGB
Untuk merubah menjadi grayscale nilai-nilai tersebut dihitung menggunakan persamaan (2.7) sebagai berikut :
Y(0,0) = (0,299*184)+(0,587*175)+(0,114*146) = 174,3 ~ 174
Y(0,1) = (0,299*182)+(0,587*171)+(0,114*143) = 171,0 ~ 171
Y(0,2) = (0,299*177)+(0,587*166)+(0,114*138) = 166,0 ~ 166
Y(0,3) = (0,299*172)+(0,587*161)+(0,114*133) = 161,0 ~ 161
Y(0,4) = (0,299*172)+(0,587*161)+(0,114*133) = 161,0 ~ 161
Y(0,5) = (0,299*177)+(0,587*165)+(0,114*139) = 165,6 ~ 166
Y(0,6) = (0,299*183)+(0,587*171)+(0,114*145) = 171,6 ~ 172
Y(0,7) = (0,299*181)+(0,587*175)+(0,114*143) = 173,1 ~ 173
Y(0,8) = (0,299*188)+(0,587*182)+(0,114*150) = 180,1 ~ 180
Nilai Y(x,y) akan menggantikan 3 nilai piksel RGB menjadi 1 nilai grayscale sehingga untuk pixel pada koordinat (0,0) dengan nilai R=184, G=175, B=176 digantikan dengan nilai pixel Y(0,0) yaitu 174. Begitu pula untuk nilai piksel berikutnya hingga pixel terakhir Y(9,9).
Dengan perhitungan yang sama untuk setiap nilai pixel dalam matriks maka akan menghasilkan matriks citra grayscale sebagai berikut :
174 171 166 161 161 166 172 173 180 181
170 166 162 161 164 169 173 175 179 179
166 161 161 163 168 172 175 178 179 176
163 159 161 167 174 178 179 180 177 173
159 157 161 169 176 178 178 179 174 169
157 159 164 169 173 174 174 178 172 166
159 165 170 172 174 175 176 174 169 164
163 172 177 177 177 177 179 172 167 163
170 178 180 182 182 177 170 165 165 162
171 177 179 179 179 174 167 162 159 153
Setelah perhitungan konversi dari RGB ke grayscale, maka didapatkan citra background hasil grayscale sebagai berikut :
Gambar 3.7 Citra Background Hasil Greyscale
Pada citra hasil dari video frame didapat citra berikut :
Pada citra hasil dari video frame ini diambil citra ukuran 10x10 pixel pada suatu titik yang sama dengan permisalan pada citra background.
Nilai citra 10x10 dari hasil video frame adalah sebagai berikut :
R : 122 Gambar 3.9 Nilai Piksel Citra Frame RGB
Untuk merubah menjadi grayscale nilai-nilai tersebut dihitung menggunakan persamaan (2.7) sebagai berikut :
Y(0,0) = (0,299*122)+(0,587*123)+(0,114*125) = 122,9 ~ 123
Y(0,1) = (0,299*114)+(0,587*114)+(0,114*112) = 113,7 ~ 123
Y(0,2) = (0,299*104)+(0,587*105)+(0,114*99) = 104,0 ~ 104
Y(0,3) = (0,299*111)+(0,587*108)+(0,114*99) = 107,8 ~ 108
Y(0,4) = (0,299*149)+(0,587*147)+(0,114*134) = 146,1 ~ 146
Y(0,5) = (0,299*124)+(0,587*121)+(0,114*106) = 120,1 ~ 120
Y(0,6) = (0,299*128)+(0,587*123)+(0,114*103) = 122,2 ~ 122
Y(0,7) = (0,299*172)+(0,587*165)+(0,114*137) = 163,9 ~ 164
Y(0,9) = (0,299*192)+(0,587*185)+(0,114*156) = 183,7 ~ 184
Nilai Y(x,y) akan menggantikan 3 nilai piksel RGB menjadi 1 nilai grayscale sehingga untuk pixel pada koordinat (0,0) dengan nilai R=122, G=123, B=125 digantikan dengan nilai pixel Y(0,0) yaitu 123. Begitu pula untuk nilai piksel berikutnya hingga pixel terakhir Y(9,9).
Dengan perhitungan yang sama untuk setiap nilai pixel dalam matriks maka akan menghasilkan matriks citra grayscale sebagai berikut :
123 114 104 108 146 120 122 164 179 184
103 113 118 160 163 136 122 160 175 180
85 129 107 148 127 131 115 160 172 177
136 178 103 116 118 144 119 158 172 176
204 197 112 117 145 146 108 161 171 174
221 184 124 126 139 115 106 163 168 168
202 173 126 135 124 103 137 164 166 163
168 146 98 132 120 107 150 167 167 163
132 116 100 105 129 150 157 156 157 156
116 106 104 122 150 164 163 154 152 148
Setelah perhitungan konversi dari RGB ke grayscale, maka didapatkan citra video frame hasil grayscale sebagai berikut :
Gambar 3.11 Citra Video Frame Hasil Grayscale
3.3.3 Background Subtraction
Setelah data inputan berupa video rekaman dan citra background melalui proses ekstraksi video frames dan grayscale maka akan didapatkan kumpulan video frames dan background image. Baik video frames atau background image telah melalui proses grayscale sehingga citra yang dihasilkan merupakan citra grayscale. Selanjutnya, citra video frames dan background akan dilakukan proses background subtraction dan thresholding untuk mendeteksi objek.
3.3.3.1 Background Subtraction (Foreground Detection)
Perhitungan absolut difference dapat dilakukan dengan persamaan (8) sebagai berikut :
, = | , − , |
dimana :
Z = nilai piksel absolute B = nilai piksel background C = nilai piksel curent frame
(x,y) = koordinat nilai piksel pada matriks
Nilai piksel hasil grayscale digunakan kembali pada proses ini. Nilai piksel background adalah sebagai berikut :
174 171 166 161 161 166 172 173 180 181
170 166 162 161 164 169 173 175 179 179
166 161 161 163 168 172 175 178 179 176
163 159 161 167 174 178 179 180 177 173
159 157 161 169 176 178 178 179 174 169
157 159 164 169 173 174 174 178 172 166
159 165 170 172 174 175 176 174 169 164
163 172 177 177 177 177 179 172 167 163
170 178 180 182 182 177 170 165 165 162
171 177 179 179 179 174 167 162 159 153
Sedangkan nilai piksel video frame adalah sebagai berikut :
123 114 104 108 146 120 122 164 179 184
103 113 118 160 163 136 122 160 175 180
85 129 107 148 127 131 115 160 172 177
136 178 103 116 118 144 119 158 172 176
204 197 112 117 145 146 108 161 171 174
221 184 124 126 139 115 106 163 168 168
202 173 126 135 124 103 137 164 166 163
168 146 98 132 120 107 150 167 167 163
132 116 100 105 129 150 157 156 157 156
116 106 104 122 150 164 163 154 152 148
Gambar 3.13 Nilai Piksel Citra Frame Hasil Grayscale
Setiap nilai piksel background dan video frame dihitung dengan persamaan (8) agar diketahui selisih nilai piksel absolut dari kedua citra. Kumpulan tersebut merupakan objek yang dapat disebut sebagai foreground mask. Perhitungannya adalah sebagai berikut :
Z(0,0) = | 174 – 123 | = 51
Z(0,1) = | 171 – 114 | = 57
Z(0,2) = | 166 – 104 | = 72
Z(0,3) = | 161 – 108 | = 53
Z(0,4) = | 161 – 146 | = 15
Z(0,5) = | 166 – 120 | = 46
Z(0,6) = | 172 – 122 | = 50
Z(0,8) = | 180 – 179 | = 1
Z(0,9) = | 181 – 184 | = 3
Perhitungan tersebut dilakukan pada setiap nilai pixel sebagai berikut :
|174-123| |171-114| |166-104| |161-108| |161-146| |166-120| |172-122| |173-164| |180-179| |181-184|
|170-103| |166-113| |162-118| |161-160| |164-163| |169-136| |173-122| |175-160| |179-175| |179-180|
|166-85| |161-129| |161-107| |163-148| |168-127| |172-131| |175-115| |178-160| |179-172| |176-117|
|163-136| |159-178| |161103-| |167-116| |174-118| |178-144| |179-119| |180-158| |177-172| |173-176|
|159-204| |157-197| |161-112| |169-117| |176-145| |178-146| |178-108| |179-161| |174-171| |169-174|
|157-221| |159-184| |164-124| |169-126| |173-139| |174-115| |174-106| |178-163| |172-168| |166-168|
|159-202| |165-173| |170-126| |172-135| |174-124| |175-103| |176-137| |174-164| |169-166| |164-163|
|163-168| |172-146| |177-98| |177-132| |177-120| |177-107| |179-150| |172-167| |167-167| |163-163|
|170-132| |178-116| |180-100| |182-105| |182-129| |177-150| |170-157| |165-156| |165-157| |162-156|
|171-116| |177-106| |179-104| |179-122| |179-150| |174-164| |167-163| |162-154| |159-152| |153-148|
Dari perhitungan tersebut diperoleh matriks hasil pengurangan atau matriks absoulut difference sebagai berikut :
51 57 72 53 15 46 50 9 1 3
67 53 44 1 1 33 33 51 4 1
81 32 54 15 41 41 60 18 7 59
27 19 58 1 56 34 60 22 5 3
45 40 49 52 31 32 70 18 3 5
54 25 40 43 34 59 68 15 4 2
43 8 44 37 50 72 39 10 3 1
5 26 79 45 57 70 29 5 0 0
38 62 80 77 53 27 13 9 8 6
55 71 75 57 29 10 4 8 7 5
Gambar 3.15 Nilai Piksel Hasil Absolute Difference
Setelah perhitungan background subtraction, maka didapatkan citra hasil background subtraction sebagai berikut :
3.3.3.2 Threshold
Setelah melakukan background subtraction selanjutnya dilakukan thresholding. Thresholding merupakan teknik yang sederhana dan efektif untuk segmentasi citra. Proses thresholding sering disebut dengan proses binerisasi. Pada beberapa aplikasi pengolahan citra, terlebih dahulu dilakukan threshold terhadap citra gray level untuk dapat menjadi citra biner (citra yang memiliki nilai level keabuan 0 atau 255). Sebuah citra hasil proses thresholding dapat disajikan dalam histogram citra untuk mengetahui penyebaran nilai-nilai intensitas piksel pada suatu citra/bagian tertentu dalam citra sehingga untuk citra bimodal, histogram dapat dipartisi dengan baik (segmentasi objek dengan background) dan dapat ditentukan nilai threshold-nya.
Rumus untuk menentukan nilai Threshold bisa didapatkan dari persamaan (9) sebagai berikut:
�, = { �� �, ≥ �}
�, = { �� �, < �}
dimana :
g(x,y) = nilai matrix citra hasil thresholding.
f(x,y) = merupakan nilai matrix citra yang akan di-threshold.
Nilai threshold bergantung pada kebutuhan. Pada citra hasil background subtraction selanjutnya akan dilakukan thresholding dengan nilai T=30 sehingga proses perhitungannya adalah sebagai berikut :
51 57 72 53 15 46 50 9 1 3
Gambar 3.17 Nilai Piksel Hasil Perhitungan Absolute Difference
Untuk matriks (0,6) f(0,0) = 50
g(0,0) = {50 > 30} g(0,0) = 1
Untuk matriks (0,7) f(0,0) = 9
g(0,0) = {9 < 30} g(0,0) = 0
Untuk matriks (0,8) f(0,0) = 1
g(0,0) = {1 < 30} g(0,0) = 0
Untuk matriks (0,9) f(0,0) = 3
g(0,0) = {3 < 30} g(0,0) = 0
Dengan perhitungan yang sama untuk setiap nilai pixel dalam matriks dengan nilai T=30 maka akan menghasilkan matriks hasil threshold sebagai berikut :
1 1 1 1 0 1 1 0 0 0
1 1 1 0 0 1 1 1 0 0
1 1 1 0 1 1 1 0 0 1
1 0 1 0 1 1 1 0 0 0
1 1 1 1 1 1 1 0 0 0
1 1 1 1 1 1 1 0 0 0
1 0 1 1 1 1 1 0 0 0
0 1 1 1 1 1 0 0 0 0
1 1 1 1 1 0 0 0 0 0
1 1 1 1 0 0 0 0 0 0
Setelah dilakukan thershold dengan nilai T=30, maka didapatkan citra hasil threshold sebagai berikut :
Gambar 3.19 Citra Hasil Threshold
3.3.4 Pemberian Batas Jalur
Citra hasil threshold menghasilkan citra dengan nilai pixel biner (0 atau 1). Pada proses perhitungan jumlah mobil dapat dilakukan dengan memberikan batas jalur pada citra. Pemberian batas ini dilakukan dengan membuat objek persegi pada citra untuk selanjutnya dihitung jumlah pixel didalam persegi tersebut.
Berdasarkan perhitungan kepadatan pada pembahasan sebelumnya, yang menyebutkan bahwa apabila setiap satu loket pembayaran gerbang tol terdiri dari 1 mobil dilayani dan 5 mobil mengantri maka dapat dikatakan gerbang tol yang diamati tersebut sedang mengalami kepadatan, maka pemberian batas jalur ini dilakukan dengan membuat 4 kotak yang selanjutnya disebut dengan Stage (stage 1, stage 2, stage 3, stage 4) untuk mengetahui jumlah mobil pada masing masing jalur. Jalur yang diamati terdiri dari 3 jalur. Sehingga pemberian kotak pembatas jalur dibuat 12 kotak (4 kotak x 3 jalur). Objek persegi digunakan untuk menghitung pixel berwarna putih atau bernilai 1 yang menandakan bahwa ada objek yang terdeteksi pada kotak tersebut.
artinya mendeteksi mobil pada baris paling bawah dari video lalu kebagian atas secara berurutan. Pemberian kotak jalur ini kemudian disebut dengan kotak Stage 1, Stage 2, Stage 3, dan Stage 4.
1. Stage 1
Pemberian batas jalur stage 1 ini merupakan batas untuk menghitung objek mobil yang terdeteksi pada baris paling bawah video yang artinya stage 1 ini berperan untuk menghitung jumlah mobil yang sedang mengantri paling depan.
Berdasarkan ukuran kendaraan pada tabel 2.2, ukuran kendaraan terbesar adalah 2x13 meter. Pada hasil rekaman video, mobil dengan ukuaran paling besar terekam pada posisi terdepan dengan ukuran citra rata-rata 55x56. Video hasil rekaman memiliki ukuran. Sehingga berdasarkan ukuran tersebut, pada citra hasil background subtraction dan threshold, pemberian batas jalur stage 1 ditempatkan pada posisi sebagai berikut :
Titik Koordinat Kotak Stage 1 jalur ke-1
Koordinat kotak : (61,211) (116,211);(61,267) ;(116,267)
Titik Koordinat Kotak Stage 1 jalur ke-2
Koordinat kotak : (171,211) ;(226,211);(171,267);(226,267)
Titik Koordinat Kotak Stage 1 jalur ke-3
