SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
BUDI YANTO 10109117
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
iii
KATA PENGANTAR
Alhamdulillah, puji syukur kehadirat Allah Swt. yang melimpahkan segala rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan skripsi yang menjadi salah satu syarat untuk menyelesaikan program studi Teknik Informatika jenjang Strata -1 Universitas Komputer Indonesia (UNIKOM) Bandung. Shalawat serta salam
semoga tetap tercurah kepada penutup para nabi, Muhammad Shallallahu ‘alaihi
wa sallam, keluarga, sahabat dan para pengikutnya hingga hari kiamat.
Penulis menyadari bahwa dalam menyelesaikan skripsi ini tidak lepas dari peran berbagai pihak yang telah banyak memberikan bantuan, nasehat, bimbingan dan dukungan. Dalam kesempatan ini penulis ingin mengucapkan terima kasih yang tak terhingga khususnya kepada:
1. Allah SWT atas berkah dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir ini.
2. Kedua orang tua dan Kakak tercinta, terima kasih yang tak terhingga atas segala dukungan serta doanya sehingga penulis memiliki semangat untuk dapat menyelesaikan tugas akhir ini.
3. Bapak Iskandar Ikbal S.T, M.Kom selaku ketua penguji yang telah memberikan masukan dan saran-saran dalam penyusunan tugas akhir ini. 4. Tati Harihayati M., S.T., M.T. selaku dosen wali yang telah memberikan
masukan dan juga arahan-arahan dari awal masuk perkuliahan sampai akhir perkuliahan hingga tugas akhir ini dapat diselesaikan.
5. Seluruh dosen teknik informatika Universitas Komputer Indonesia yang telah mengajar saya
6. Bapak Fahmi yang telah banyak memberikan doa, motivasi dan dorongan dalam penyeleasaian skripsi ini.
iv
v
DAFTAR LAMPIRAN………vii
BAB 1……….1
1.5. Metodologi Penelitian………..2
1.5.1. Metode Pengumpulan Perangkat Lunak………..3
1.6. Sistematika Penulisan………..4
BAB II……….6
KAJIAN PUSTAKA………...6
2.1. Traffic………..6
2.2. Elemen Arus Lalu Lintas……….8
2.1.1. Karakteristik Arus Lalu Lintas………9
2.1.2. Arus Berdasarkan Jenis Fasilitas Jalan………9
2.1.3. Volume……...……….9
2.2. Computer Vision………10
2.3. Open Computer Vision (OpenCV) ………11
2.4. Background Substraction………...13
vi
2.6. Video………19
BAB 3………...22
ANALISIS DAN PERANCANGAN………...22
3.1. Analisis Masalah………..22
3.2. Analisis Proses………..22
3.3. Analisis Data Masukan……….22
3.3.1. Preprocessing………23
3.3.2. Segementasi………..26
3.4. Analisis Non Fungsional………..38
3.4.1. Analisis Kebutuhan Perangkat Keras………...38
3.4.2. Analisis Kebutuhan Perangkat Lunak………..38
3.4.3. Analisis Kebutuhan Fungsional………...38
3.5. Perancangan Sistem……….46
3.5.1. Perancangan Struktur Menu………47
3.5.2. Perancangan Antar Muka………....47
3.5.3. Perancangan Jaringan Semantik………..49
BAB 4………..50
IMPLEMENTASI DAN PENGUJIAN SISTEM………50
4.1. Implementasi Sistem………50
4.1.1. Implemetasi Perangkat Keras………...50
4.1.2. Implementasi Perangkat Lunak………50
4.1.3. Implementasi Antarmuka……….51
4.1.4. Implementasi Antar Muka Tampilan Menu Utama……….51
4.2. Pengujian Sistem………..51
4.2.1. Pengujian Alpha………...52
4.2.2. Skenario Pengujian Alpha………52
4.2.3. Kasus dan Hasil Pengujian BlackBox………..52
vii
4.2.5. Pengujian Memproses Sampel Video Dan Mendeteksi Objek…53
4.3. Kesimpulan Pengujian Alpha………...53
BAB 5………...54
KESIMPULAN DAN SARAN………54
5.1. Kesimpulan………...54
5.2. Saran……….54
xiv
[1].E.T, L. (2007). Fuzzy C-Means Untuk Clustering Data (Studi Kasus : Data Performance Mengajar Dosen). Seminar Nasional Teknologi 2007, 1-7.
[2].Hadi S, &. S. (2012). Deteksi Objek Kendaraan Pada Citra Digital Jalan Raya. Jurnal Ilmiah Ilmu Komputer, 2.
[3].M, I. (2008). Perbandingan Metode Pendeteksi Tepi Studi Kasus : Citra USG Janin. Seminar Nasional Komputer dan Sistem Intelejen (KOMMIT), 366-373.
[4].Ramadevi, Y. (2010). Segmentation And Object Recognition Using Edge Detection Techniques. International Journal of computer science & information technology(IJCSIT), 153-161.
[5].Thiang S. (2011). Character Recognition Using Fuzzy Clustering. Konferensi Nasional Sistem Informasi (KNSI), 1-4.
1 1.1. Latar Belakang
Lalu lintas merupakan gerak lintas bolak balik manusia atau barang dengan menggunakan kendaraan atau ruang di darat, baik dengan alat gerak ataupun kegiatan lalu lintas di jalan yang dapat menimbulkan permasalahan seperti terjadinya kecelakaan dan kemacetan lalu lintas. Ada tiga komponen terjadinya lalu lintas yaitu manusia sebagai pengguna, kendaraan dan jalan yang saling berinteraksi dalam pergerakan kendaraan yang memenuhi persyaratan kelaiakan dikemudikan oleh pengemudi mengikuti aturan lalu lintas yang ditetapkan berdasarkan peraturan perundangan yang menyangkut lalu lintas dan angkutan jalan melalui jalan yang memenuhi persyaratan geometrik.
Lalu lintas pada setiap tahunnya membutuhkan data statistik untuk pelebaran jalan sesuai kapasitas pengguna jalan yang tiap tahunnya selalu meningkat. Untuk mendapatkan data statistik lalu lintas maka diperlukan adanya perhitungan dititik-titik yang banyak dilalui kendaraan. Pelaksanaan survei tersebut biasanya dilakukan oleh seorang pengamat yang akan turun langsung ke lokasi untuk mendapatkan data statistik lalu lintas. Tetapi dalam perhitungan tersebut dimungkinkan terjadinya human error, karena dalam proses perhitungan terlalu padatnya jumlah kendaraan yang lewat.
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah yang ada pada saat ini adalah sebagai berikut:
1. Bagaimana menghitung Traffic / lalu lintas dijalan raya dengan camera / video?
1.3. Maksud dan Tujuan
Adapun maksud dan tujuan dari penelitian ini, ditinjau dari latar belakang yang ada, maka didapatkan sebagai berikut :
1.3.1. Maksud
Maksud dari penelitian ini adalah untuk mencegah terjadinya kesalahan dalam perhitungan traffic di jalan raya.
1.3.2. Tujuan
1. Membuat sistem yang dapat menghitung traffic di jalan raya.
1.4. Batasan Masalah
Dari permasalahan yang telah dipaparkan diatas memiliki beberapa batasan yang dapat diuraikan seperti berikut:
1. Sistem yang dibangun berbasis desktop 2. Objek kendaraan yang dideteksi roda empat
3. Objek video yang digunakan hanya beberapa contoh dari persimpangan jalan di kota bandung
4. Pengambilan video dilakukan pada siang hari pada pukul 12.00-13.00 WIB dengan durasi 5 menit
1.5. Metodologi Penelitian
Metodologi penelitian yang digunakan dalam pelaksanaan tugas akhir ini adalah sebagai berikut:
1. Tahap Studi Kepustakaan
perancangan dan realisasi sistem deteksi. Literatur berasal dari ebook, jurnal-jurnal, dan artikel-artikel yang ada di internet.
2. Tahap Pengumpulan Data
Pada tugas akhir ini, data yang dibutuhkan adalah sampel video yang diambil pada suatu ruas jalan dan dilakukan pada siang hari.
3. Tahap Perancangan dan Realisasi Sistem
Merancang dan merealisasikan sistem deteksi kendaraan yang dapat menghitung jumlah kendaraan sesuai jenisnya.
4. Tahap Pengujian dan Analisis
Melakukan serangkaian pengujian pada sistem. Parameter-parameter yang diuji pada tugas akhir ini diantaranya keberhasilan dalam menghitung jumlah kendaraan secara keseluruhan dan jumlah pada setiap kendaraan. Setelah itu, dilakukan analisis tingkat akurasi berdasarkan interval, data latih, dan perhitungan waktu komputasi.
5. Penyusunan Buku Tugas Akhir
Pada tahap ini disusun buku sebagai yang memuat informasi-informasi mengenai pelaksanaan Tugas Akhir yang meliputi konsep, teori, realisasi, hasil analisis, dan kesimpulan.
1.5.1. Metode Pengumpulan Perangkat Lunak
Metode pengembangan perangkat lunak yang digunakan adalah metode Sekuensial Linier atau Waterfall. Adapun tahap-tahap dalam metode tersebut adalah sebagai berikut :
a. System Engineering (Rekayasa Sistem)
langkah serta kebijakan apa saja yang berkaitan dengan pengembangan sistem tersebut.
b. Analysis (Analisis)
Melakukan analisis terhadap permasalahan yang dihadapi dan menetapkan kebutuhan perangkat lunak.
c. Design (Perancangan)
Menghasilkan rancangan yang memenuhi kebutuhan yang ditentukan selama tahapan requirements analisis. Hasil akhirnya berupa spesifikasi rancangan yang sangat rinci sehinggga mudah diwujudkan pada saat pemrograman.
d. Coding (Pengkodean)
Pada tahap ini proses penterjemahan dari keperluan data atau pemecahan masalah yang telah dirancang ke dalam bahasa pemrograman komputer menggunakan perangkat lunak bantu yaitu Borland C++
e. Testing (Uji Coba)
Melakukan pengujian dari sistem traffic lalu lintas untuk menemukan kesalahan yang mengkin terjadi selama pengembangan, sehingga aplikasi yang dibuat dapat berjalan dengan baik. Ini dilakukan dengan cara melihat kondisi jalan dan kondisi arus lalu lintas yang ada di persimpangan jalan.
f. Maintenance (Pemeliharaan)
Tahap ini merupakan tahap akhir dimana perangkat lunak yang telah selesai diimplementasikan dapat terjadi perubahan-perubahan atau penambahan-penambahan yang disesuaikan dengan keinginan user.
1.6. Sistematika Penulisan
BAB I PENDAHULUAN
Bab ini merupakan pendahuluan yang menjelaskan tentang latar belakang masalah, identifikasi masalah, maksud dan tujuan, batasan masalah, metodologi penelitian serta sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab II ini merupakan tinjauan umum yang di dalamnya menjelaskan tentang landasan teori yang dipakai, mulai dari sejarah singkat intansi, struktur organisasi intansi, visi dan misi intansi, teori-teori yang berhubungan dengan permasalahan berdasarkan studi pustaka yang dilakukan.
BAB III ANALISA DAN PERANCANGAN
Pada bab ini berisi tentang analisis kebutuhan dalam membangun aplikasi ini yang sesuai dengan metode pembangunan perangkat lunak yang digunakan. Selain itu terdapat juga perancangan antarmuka untuk aplikasi yang akan dibangun sesuai dengan hasil analisis dan perancangan aplikasi pendeteksi objek kendaraan.
BAB IV IMPLEMENTASI DAN PENGUJIAN
Pada bab ini berisi tahap implementasi dari perancangan sebelumnya kemudian melakukan pengujian aplikasi yang telah dibuat.
BAB V KESIMPULAN DAN SARAN
7 2.1. Traffic
Lalu lintas (traffic) adalah kegiatan lalu-lalang atau gerak kendaraan, orang, atau hewan di jalanan. Masalah yang dihadapi dalam perlalu-lintasan adalah keseimbangan antara kapasitas jaringan jalan dengan banyaknya kendaraan dan orang yang berlalu-lalang menggunakan jalan tersebut. Jika kapasitas jaringan jalan sudah hampir jenuh apalagi terlampaui, maka yang terjadi adalah kemacetan lalu lintas.
- Komponen lalu lintas
Ada tiga komponen terjadinya lalu lintas yaitu manusia sebagai pengguna, kendaraan dan jalan yang saling berinteraksi dalam pergerakan kendaraan yang memenuhi persyaratan kelaikan dikemudikan oleh pengemudi mengikuti aturan lalu lintas yang ditetapkan berdasarkan peraturan perundangan yang menyangkut lalu lintas dan angkutan jalan melalui jalan yang memenuhi persyaratan geometrik.
1. Manusia Sebagai Pengguna
Manusia sebagai pengguna dapat berperan sebagai pengemudi atau pejalan kaki yang dalam keadaan normal mempunyai kemampuan dan kesiagaan yang berbeda-beda (waktu reaksi, konsentrasi dll). Perbedaan-perbedaan tersebut masih dipengaruhi oleh keadaan phisik dan psykologi, umur serta jenis kelamin dan pengaruh-pengaruh luar seperti cuaca, penerangan/lampu jalan dan tata ruang.
2. Kendaraan
3. Jalan
Jalan merupakan lintasan yang direncanakan untuk dilalui kendaraan bermotor maupun kendaraan tidak bermotor termasuk pejalan kaki. Jalan tersebut direncanakan untuk mampu mengalirkan aliran lalu lintas dengan lancar dan mampu mendukung beban muatan sumbu kendaraan serta aman, sehingga dapat meredam angka kecelakaan lalu-lintas.
1. Paramater Arus lalu lintas
Parameter lalu lintas adalah suatu ukuran yang digunakan untuk menjadi tolak ukur dari kegiatan lalu lintas dalam sistem transportasi.
Parameter arus lalu lintas dapat digolongkan menjadi dua kategori, yaitu:
a. Parameter makroskopis, yang mencirikan arus lalu lintas sebagai suatu kesatuan ( system ), sehingga diperoleh gambaran operasional system secara keseluruhan.
Contoh : tingkat arus ( flow rates ), kecepatan rata-rata ( averange speeds ), tingkat kepadatan ( desity rates ).
b. Parameter mikroskopis, yang mencirikan perilaku setiap kendaraan dalam arus lalu lintas yang saling mempengaruhi.
Contoh : waktu antara ( team headway ), kecepatan masing-masing ( individual speed ), jarak antara ( space headway ).
2. Arus
Arus adalah jumlah kendaraan yang melintas suatu titik pada suatu ruas jalan dalam waktu tertentu dengan membedakan arah dan lajur. Satuan arus adalah kendaraan/waktu atau smp/waktu
lalu lintas akan mengalami perbedaan karakteristik akibat dari perilaku pengemudi atau kebiasaan pengemudi. Arus lalu lintas pada suatu ruas jalan karakteristiknya akan bervariasi baik berdasar lokasi maupun waktunya, oleh karena itu perilaku pengemudi akan berpengaruh terhadap perilaku arus lalu lintas. dalam menggambarkan arus lalu lintas secara kuantitatif dalam rangka untuk mengerti tentang keragaman karakteristiknya dan rentang kondisi perilakunya, maka perlu suatu parameter. Parameter tersebut harus dapat didefenisikan dan diukur oleh insinyur lalu lintas dalam menganalisis, mengevaluasi, dan melakukan perbaikan fasilitas lalu lintas berdasarkan parameter dan pengetahuan pelakunya.
b. Diukur pada waktu yang pendek c. Membedakan arah
Volume :
d. Tidak membedakan lajur
e. Diukur pada waktu yang panjang (lama) f. Tidak membedakan arah
2.2. Elemen Arus Lalu Lintas 1. Karatkeristik pemakai jalan A. Penglihatan
B. Waktu persepsi dan reaksi C. Karakteristik lainnya 2. Kendaraan
A. Kendaraan rencana
D. Persamaan jarak mengerem dan reaksi E. Klasifikasi jalan menurut fungsi F. Ciri geometrik jalan
2.1.1. Karakteristik Arus Lalu Lintas 1. Variasi arus dalam waktu
A. Variasi arus lalu lintas bulanan B. Variasi arus lalu lintas harian C. Variasi arus lalu lintas jam-jaman
D. Variasi arus lalu lintas kurang dari satu jam E. Volume jam perancangan
F. Volume perancangan menurut arah 1. Variasi arus dalam ruang
2. Variasi arus terhadap jenis kendaraan
2.1.2. Arus Berdasarkan Jenis Fasilitas Jalan
Arus berdasarkan jenis fasilitas jalan dibedakan menjadi 2, yaitu: 1. Arus tak terganggu ( Uninterupted Flow )
Arus lalu lintas dihasilkan oleh interaksi antar kendaraan dengan karakteristik system geometric jalan raya, pola arus lalu lintas hanya dikontrol oleh karakteristik tata guna lahan yang membangkitkan perjalanan. Tidak ada factor eksternal yang secara periodic menghentikan sementara arus lalau lintas tersebut.
1. Jalan bebas hambatan (jalan tol) 2. LRT di link
2.1.3. Volume
kendaraan maka semua tipe-tipe kendaraan tersebut harus dikonversi ke dalam satuan mobil penumpang (smp). Konversi kendaraan ke dalam satuan smp diperlukan angka faktor ekivalen untuk berbagai jenis kendaraan. Faktor ekivalen mobil penumpang
2.2. Computer Vision
Computer vision adalah sebuah disiplin ilmu yang mempelajari bagaimana merekonstruksi, menginterprestasikan, dan memahami sebuah tampilan 3 dimensi dari tampilan 2 dimensinya dalam hal sifat dari struktur tampilan tersebut. Computer vision berkaitan dengan pemodelan dan meniru penglihatan manusia dengan menggunakan perangkat lunak dan perangkat keras pada komputer. Computer vision menggabungkan ilmu pengetahuan dalam bidang komputer, teknik elektro, fisiologi, biologi dan ilmu kognitif. Diperlukan ilmu dari semua bidang tersebut untuk memahami dan menyimulasikan pengoperasian sistem penglihatan manusia. Untuk mendekati kemampuan manusia dalam menangkap informasi, sebuah teknologi computer vision haru terdiri dari banyak fungsi pendukung yang berfungsi secara penuh. Fungsi – fungsi pendukung tersebut antara lain:
a. Proses penangkapan citra/gambar (image acquisition).
Image acquisition pada manusia dimulai dengan mata, kemudian informasi visual diterjemahkan ke dalam suatu format yang kemudia dapat dimanipulasi oleh otak. Seperti proses tersebut, computer vision membutuhkan sebuah mata untuk menangkap sebuah sinyal visual. Pada umumnya mata pada computer vision adalah sebuah kamera video. Kamera menerjemahkan sebuah scene atau
brightness sepanjang garis sinyal tersebut. karena komputer tidak bekerja
dengan sinyal analog, maka sebuah konverter analog to digital (ADC), dibutuhkan untuk memproses semua snyal tersebut oleh komputer. ADC ini akan mengubah sinyal analog yang dipresentasikan dalam bentuk informasi sinyal tunggal kedalam sebuah aliran (steam) sejumlah bilangan biner. Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan diproses.
b. Proses pengolahan citra (image processing).
Pada proses ini computer vision akan melibatkan sejumalh manipulasi utama (initial manipulation) dari kata binary yang dihasilkan pada proses image acquisition, image processing membantu peningkatan dan perbaikan kualitas
image, sehingga dapat di analisa dan diolah lebih jauh secara lebih efisiien. Image processing akan meningkatan perbandingan sinyal terhadap noise (signal – to – noise – ratio = s/n) sinyal – sinyal tersebut adalah informasi yang akan merepresentasikan objek yang ada dalam image. Sedangkan noise adalah segala bentuk interferensi dan pengaburan, yang terjadi pada suatu objek. c. Analisa data citra (image analysis).
Pada tahap ini scene akan diekplorasi ke dalam bentuk karakteristik utama dari objek melalui sesuatu proses investigasi. Sebuah program komputer akan mulai melihat melalui bilangan biner yang merepresentasikan informasi visual untuk mengidentifikasikan fitur – fitur spesifik dan karakteristiknya. Pada proses yang lebih khusus, program image analysis digunakan untuk mencari tepian batas – batas objek dalam image. Sebuah tepian (edge) terbentuk antara objek dan latar belakannya atau antara dua objek yang spesifik. Tepi ini akan terdeteksi sebagai akibat dari perbedaaan level brightness pada sisi yang berbeda dengan salah satu batasnya.
d. Proses pemahaman data citra (image understanding).
menggunakan program pencarian (search program) dan teknik penyesuaian pola (pattern matching techiques).
2.3. Open Computer Vision (OpenCV)
OpenCV adalah sebuah library yang berisi fungsi – fungsi pemograman untuk teknologi computer vision secara real time. OpenCV bersifat open source, bebas digunakan untuk hal – hal yang bersifat akademis dan komersial. Didalam nya teradapat interface untuk C++, C, python, dan nantinya java yang dapat berjalan pada Window, Linux, Android, dan Mac. Terdapat lebih dari 2500 algoritma dalam OpenCV, digunakan di seluruh dunia, telah lebih dari 2.5 juta kali diunduh, dan digunakan lebih dari 40 ribu orang. Penggunaannya antara lain pada seni interaktif, inspeksi tambang, menampilkan peta di web melalui teknologi robotik. Pada awalnya OpenCV ditulis menggunakan bahasa C namun sekarang secara menyeluruh sudah menggunakan antarmuka bahasa C++ dan seluruh pengembangannya terdapat dalam format bahasa C++. Contoh aplikasi dari OpenCV yaitu interaksi manusia dan komputer, identifikasi, segmentasi, dan pengenalan objek; pengenalan wajah; pengenalan gerakan; penelusuran gerakan, gerakan diri, dan pemahaman gerakan; struktur dari gerakan; kalibrasi stereo dan beberapa kamera serta komputasi mendalam; robotik. Fitur – fitur yang terdapat pada OpenCV antara lain:
1. Manipulasi data image (alokasi, rilis, duplikasi, pengaturan, konversi). 2. Image dan I/O video (masukan berbasis file dan kamera, keluaran
image/video file).
3. Manipulasi matriks dan vektor serta aljabar linear (produk, solusi, eigenvalues, SVD).
4. Beragam struktur data dinamis (daftar, baris, grafik).
6. Analisis struktur (komponen yang berhubungan, pengolahan kontur, tranformasi jarak, variasi momen, tranformasi hough, perkiraan polygonal, menyesuaikan garis, delaunay traingulation).
7. Kalibrasi kamera (menemukan dan menelusuri pola kalibrasi, dasar estimasi matriks, estimasi homografi, korespondensi stereo).
8. Analisi gerakan (optical flow, segmentasi gerakan, penelusuran) 9. Pengenalan objek (metode eigen, HMM).
10.Pelabelan image (garis poligon, gambar teks).
11.Modul – modul yang terdapat pada OpenCV antara lain: 12.cv – fungsi utama OpenCV.
13.cvaux – fungsi penolong OpenCV.
14.cxcore – pendukung struktur data dan aljabar linear. 15.highgui – fungsi GUI
2.4. Background Substraction
Background subtraction merupakan salah satu tugas penting yang pertama kali
di kerjakan pada aplikasi computer vision. 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. Tujuan dari background subtraction itu sendiri adalah untuk menghasilkan urutan frame dari kamera dan mendeteksi seluruh objek foreground. Suatu deskripsi pendekatan yang telah ada tentang background
subtraction adalah mendeteksi objek-objek foreground sebagai perbedaan
yang ada antara frame sekarang dan gambar background dari layar statik. Suatu piksel dikatakan sebagai foreground jika :
Suatu pendekatan lain dalam mendapatkan background adalah dengan Model Running average. Dibandingkan model yang lainnya seperti Model Average atau Median, model ini lebih unggul karena lebihmembutuhkan sedikit memori daripada model-model yang lainnya. Model running average mempunyai rumus sebagai berikut :
�
�+1=�∗�1+ 1−� ∗�1a adalah tingkat pembelajaran, biasanya mempunyai nilai 0,05, sedangkan �� adalah background dan F adalah frame.
1. Foreground Segmentation
Foreground segmentation adalah memisahkan bagian foreground dari
background dengan melihat dari setiap pixel warna foreground yang kontras terhadap background. Pada setiap pixel (x,y) berwarna abu – abu dapat diidentifikasikan sebagai kendaraan bergerak apabila pixel tersebut tidak memiliki korespondensi terhapat komponen background. Pada saat sebuah kendaraan dengan bayangannya bergerak, maka pixel yang bukan termasuk dalam background dapat dikategorikan sebagai bagian dari kendaraan dan bayangannya, jika tidak maka bagian foreground tersebut dapat dikatakan salah.
2.5. CCTV
Gambar 2.1 Rekaman CCTV A. Fungsi CCTV
Masalah keamanan sistem informasi yang dihadapi. Beberapa masalah keamanan sistem informasi yang biasa dijumpai pada perusahaan-perusahaan besar adalah :
1. CCTV ini sering digunakan untuk pengawasan di daerah-daerah yang memerlukan keamanan, seperti bank, kasino, dan bandar udara militer atau instalasi. Dalam dunia industri, peralatan CCTV dapat digunakan untuk mengamati bagian dari proses yang jauh dari ruang control. CCTV sistem dapat beroperasi terus menerus atau hanya diperlukan untuk memantau aktivitas tertentu. CCTV menjadi populer untuk
2. Industri proses yang mengambil tempat dalam kondisi yang berbahaya bagi manusia sering diawasi oleh CCTV. Ini biasnya digunakan dalam industri kimia, bagian reactors atau fasilitas untuk manufaktur dari bahan bakar nuklir. Penggunaan kamera thermographik memungkinkan operator untuk mengukur suhu dari proses.
4. Transport keselamatan. Sebuah sistem CCTV dapat diinstal di mana sebuah operator mesin tidak langsung dapat mengamati orang yang mungkin langsung mengamati operasi mesin. Misalnya, pada sebuah kereta kereta bawah tanah, kamera CCTV dapat digunakan operator untuk mengkonfirmasi bahwa orang yang jelas dari mereka sebelum menutup pintu dan masuk ke kereta.
5. Retensi, penyimpanan dan pelestarian. Dalam jangka panjang penyimpanan data arsip rekaman dari CCTV merupakan sebuah hal yang dianggap penting dalam pelaksanaan sebuah sistem CCTV. Rekaman disimpan untuk beberapa tujuan. Pertama, tujuan utama untuk mereka yang diciptakan (misalnya, untuk memantau sebuah fasilitas). Kedua, mereka perlu mempertahankan suatu bukti penting.
A. Elemenen CCTV
- Elemen Perancangan CCTV
Ditunjukkan dalam gambar di bawah ini sistem terdiridari 5 elemen yang perlu dipertimbangkan bila digunakan dalam perancangan sistem CCTV meliputi :
1. Pengambilan gambar lingkungan 2. lensa kamera
3. media transmisi 4. monitor
5. manajemen sinyal video dan peralatan pengendali. - Pencahayaan
Tanpa cahaya yang tepat kamera tidak dapat melaksanakan tugas dengan baik yaitu memberikan gambar yang diinginkan
B. Klasifikasi kamera berdasarkan pencahayaan
Full video : kamera yang dapat menangkap peristiwa dengan hasil ketetapan tinggi
Usable video (usable image): kamera yang tidak dapat menangkap peristiwa dengan informasi tinkat minimum diperlukan.
C. Peralatan CCTV
Kamera Dan Lensa Kamera berfungsi menangkap dan mengambil gambar dan mengubahnya menjadi sinyal listrik
.
D. Kamera CCTV berdasarkan Image Sensor
Teknologi CCDpada umumnya dalam aplikasi CCTV meliputi : -MOS
-Interline transfer -Frame transfer.
Kamera dengan teknologi MOS ( Metal Oxide Semiconductor )akhir-akhir ini sensitivitas dan resolusi aplikasi rendah. Fungsi kamera inisangat memuaskan dalam terang, menerangi. Bayangan-bayanganmenyebabkan permasalahan untuk kamera MOS, hilangnya detailgambar dalam area yang lebih gelap. Teknologi MOS mempunyai resistansi pada panjang gelombang infra merah, kamera mampumenghasilkan gambar tajam, keriting. Kamera CCD interline transfer menggunakan pengembangan MOS.Piksel gambar disusun dalam kolom dan baris, masing-masingdipisahkan oleh ruang kecil. CCD menggunakan ruang ini untukmemindahkan muatan dari penginderaan piksel sebenarnya ke areapenyimpan. Tidak
sebagaimana halnya kamera MOS akhir yangrendah, kamera interline transfer CCD memiliki sensitivitas inframerah yang dapat ditingkatkan dengan menambahkan filter
.
E. Kamera CCTV berdasarkan format Gambar:
Analog CCTV ( yaitu kamera yang mengirimkan continuous streaming video melalui Kabel Coaxial format Analog, kurang tepat untuk system CCTV )
Digital CCTV ( yaitu kamera yang mengirimkan discrete streaming video melalui Kabel UTP terhubung dengan internet format Digital, memberikan Fitur-fitur tambahan dalam system CCTV )
Kamera CCTV berdasarkan Lokasi penempatan:
1. Indoor Camera adalah kamera yang ditempatkan di dalam gedung, umumnya berupa Dome (Ceiling) Camera,Standard Box Camera.
2. Outdoor camera
Outdoor camera adalah kamera yang ditempatkan di luar gedung dan memiliki casing yang dapat melindungi kamera terhadap hujan, debu, maupun temperatur yang extreme. Umumnya berupa Bullets Camera yang telah dilengkapi dengan Infra Red Led (Infra Red Camera). Disamping outdoor camera, standard box camera juga sering kali ditempatkan di luar dengan menggunakan tambahan Outdoor Housing.
Gambar 2.5 Indoor Camera
2.6. Video
Video adalah teknologi untuk menangkap, merekam, memproses, mentransmisikan dan menata ulang gambar bergerak. Biasanya menggunakan film seluloid, sinyal elektronik, atau media digital. Video juga bisa dikatakan sebagai 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 satufps.
1. Jenis – jenis video
Pada dasarnya terdapat dua jenis video dalam layer computer yaitu :
- Video analog
merupakan produk dari industri pertelevisian dan oleh sebab itu dijadikan sebagai standar televise.
- Video digital
adalah produk dari industri computer dan oleh sebab itu dijadikan standar data digital. Integrasi Penuh dari video digital dalam kamera dan komputer mengurangi nemtuk televisi analog dari video dari produksi multimedia dan platform pengiriman, jika kamera video anda menggerakkan sinyal output digital, Anda dapat merekam video
Anda langsung ke disk, yang siap untuk diedit. Jika sebuah video klip disimpan sebagai data pada hard disk, CD-ROM atau perangkat penyimpanan massal lain, Dunia video kini telah mengalami perubahan dari analog ke digital. Pada konsumen rumahan dan perkantoran kita dapat menikmati kualitas video digital yang prima lewat hadirnya teknologi VCD dan DVD (Digital Versatile Disc), sedangkan dunia broadcasting kini juga lambat laun mengalihkan teknologinya kearah DTV (Digital Television).
- Video IP
Adalah video yang dilewatkan melalui IP. Terdapat tiga kategori video pada saat mereka dipancarkan pada publik baik melewati satelit, melalui kabel, dan melalui IP atau format radio analog.
- Video Ram
Disingkat dengan VRAM. Tipe spesial dari DRAM yang memungkinkan akses direct high speed memory melalui sirkuit video. Jenis memori ini lebih mahal bila dibandingkan chips DRAM yang konvensional.
- Videotex
Istilah yang dibuat ITU untuk menjelaskan peralatan TV yang digunakan untuk menampilkan data berbasis komputer, baik dikirimkan lewat telepon atau lewat kanal pemancar.
- Video Out Fitur
25
ANALISIS DAN PERANCANGAN
3.1. Analisis Masalah
Analisis masalah pada penelitian ini adalah sulitnya mengimplementasikan perhitungan kendaraan. Hal ini disebabkan karena sulitnya untuk mendeteksi kontur kendaraan dan juga mengukur zona lebar jalan yang sedang di tempati objek kendaraan.
3.2. Analisis Proses
Analisis proses yang akan dilakukan pada penelitian kali ini dibagi menjadi 3 tahapan Bagian pertama adalah pre-processing, bagian kedua Segmentasi dan bagian ketiga adalah perhitungan atau counting. Setelah itu
output dari proses perhitungan berupa data statistik lalu-lintas dikirim ke modul integrasi.
3.3. Analisis Data Masukan
Pada penelitian ini yang akan dianalisis adalah data masukan. Data yang dimasukan berupa video hasil rekaman kamera,kemudian video akan dirubah menjadi frame-frame untuk proses convert ke grayscale setelah itu akan masuk
tahap counting / perhitungan kendaraan.
3.3.1. 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. Pada tahap pertama inisialisasi, inisialisasi diperlukan untuk memilih background, mendefinisikan background yang akan ditetapkan sebagai acuan proses analisis. lalu akan digunakan sebagai referensi untuk menentukan lalu lintas tersebut lancar dan padat, yaitu daerah pada citra dimana kendaraan akan dihitung ketika melewatinya Tahap berikutnya adalah konversi dari rgb ke grayscale .
3.3.1.1. Video Dijadikan Frame
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.
Pada perekaman melalui kamera akan menghasilkan video yang berukuran tinggi dan mempunyai frame rate yang tinggi juga. Untuk mempermudah proses analisa, maka perlu pengkompresian untuk memudahkan prosesnya Untuk mengetahui informasi – informasi yang terdapat pada video pertama, dapat kita lihat pada properties Gomplayer dan VLC media player. Berikut ini adalah tabel informasi dari video original.
Tabel 3.1 Informasi Video Sampel
Parameter Satuan
Format Avi
Overall Bite 241Kbps
Format Video Audio Video Interleave
Code Id Dx50
Codec ID/Info Dx50
Width 178 pixel
Height 144 pixel
Display Aspect Ratio 5:3
Frame Rate 30.000 fps Bits(pixel*frame) 0.306 Stream size 5.78MiB
Untuk mengetahui jumlah frame dari video sampel 1 tersebut maka dapat menggunakan rumus
fps * duration = jumlah frame
Dari informasi tabel tersebut dapat diketahui bahwa jumlah frame tersebut adalah sebagai berikut:
Jumlah frame = 30.000 frame/s * 3 minutes, 26second
= 6180 frame
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.
3.3.1.2. Convert Grayscale
Pada tahap ini merubah inputan yang berupa image frame yang masih RGB menjadi grayscale agar lebih mudah untuk diproses. Grayscale adalah warna-warna piksel yang berada dalam rentang gradasi warna-warna hitam dan putih. Grayscale didapat dari konversi RGB image dengan rumusan sebagai berikut :
Y=0,2*R+0,5*G+0,2*B
R = nilai pixel chanel Red
G = nilai pixel chanel Green
B = nilai pixel chanel Blue
Analisis perhitungan
Agar dapat melakukan tahap perhitungan grayscale maka dibutuhkan citra masukan. Berikut ini merupakan citra masukan data 1, yaitu citra image_frame_1.
Perhitungan nilai matrix (0.0)
Y=0,2*118+0,5*114+0,2*138 Y=23,6+57+27,6
Y=108,2=108
Perhitungan nilai matrix (0.1)
Y=0,2*110+0,5*106+0,2*130=101 Y=22+53+26
Y=100,2=101
Perhitungan nilai matrix (0.2)
Y=0,2*107+0,5*103+0,2*123=97 Y=21,4+51,5+24,6
Y=97,5=97
Tabel 3.2 Citra RGB Image frame 1 dengan ukuran 3x3
R=118 G=114 B=138 R=110 G=106 B=130 R=107 G=103 B=123
R=110 G=106 B=126 R=227 G=223 B=247 R=220 G=216 B=240
R=215 G=211 B=231 R=220 G=216 B=236 R=150 G=116 B=200
didapatkan hasil matrix sebagai berikut:
Tabel 3.3 Matrix Grayscale 3x3 108 101 97
100 206 200 194 199 128
Maka dari perhitungan rumus diatas didapatkan cittra grayscale sebagai berikut:
3.3.2. Segementasi
Segmentasi dari program ini adalah mendapatkan obyek dengan cara background substract. Background substract bekerja dengan cara mengurangkan citra referensi dengan current frame saat ini. akan tetapi hasil dari background subtract masih belum bisa untuk dihitung. Tahapan selanjutnya absolute difference hasil dari background substract setelah itu akan di-threshold setelah threshold melakukan erotion dan dilation untuk mengurangi noise. Setelah noise berkurang, setiap obyek akan dipisahkan menggunakan Connected component.
3.3.2.1. Absolut Difference
Pada proses pengurangan background dengan current frame. Fungsi absolute different digunakan untuk menghitung nilai absolut selisih dari dua array atau
citra. Absolute digunakan untuk menghindari adanya nilai negatif. Rumus untuk menentukan nilai absolut bisa didapatkan dari persamaan sebagai berikut:
(a)Za=A-B
(c)Zc=|A-B|
Dimana Z=array
a=image_frame_1(X)
b=image_frame_2(Y)
c=hasil(A+B)
agar dapat melakukan perhitungan absolute difference maka dibutuhkan 2 citra masukan yang sudah diproses ke grayscale. berikut ini merupakan citra masukan data 1 yang sudah di convert ke grayscale, yaitu image_frame_1 dan yang kedua image_frame_2
Matrix (A) 108 101 97 100 206 0
194 199 128
Tabel Matrix 3.4 (A) citra image_frame_1 (B) citra image_frame_2 Perhitungan untuk mencari Za
Perhitungan Matrix (0,0)
Z=A-B
Matrix (B) 114 122 105
86 115 81 100 81 100
A B
Z=0
Perhitungan Matrix (0,1)
Z=A-B
Z=101-122
Z=0
Perhitungan matrix (0,2)
Z=A-B
Z=97-105
Z=0
Dengan menggunakan rumus yang sama pada semua piksel maka akan didapatkan hasil matrix sebagai berikut:
Tabel 3.5 tabel Z (a)
0 0 0
14 91 0
94 118 28
Perhitungan untuk mencari Zb
Perhitungan Matrix (0,0)
Z=B-A
Z=114-108
Z=6
Perhitungan Matrix (0,1)
Z=B-A
Perhitungan matrix (0,2)
Z=B-A
Z=105-97
Z=8
Dengan menggunakan rumus Z=B-A maka akan di dapatkan pada semua piksel maka akan dihasilkan matrix sebagai berikut:
Tabel 3.6 Z (b) 6 21 8
0 0 0
0 0 0
Perhitungan untuk mencari Zc
Perhitungan Matrix (0,0)
Z= |A+B|
Z=0+6
Z=6
Perhitungan Matrix (0,1)
Z=|A+B|
Z=0+21
Z=21
Perhitungan matrix (0,2)
Z=|A+B|
Dengan menggunakan rumus Zc=|A+B| maka akan di dapatkan pada semua piksel tidak ada nilai negatif.
Tabel 3.7 Z (c) 6 21 8
14 91 119
94 118 28
3.3.2.2. Thresholding
Thresholding citra adalah suatu metode yang digunakan untuk memisahkan antara obyek dan backgroundnya. 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 rumus sebagai berikut:
g(x,y)={1if f(x,y)>=T}
g(x,y)={0if f(x,y)<=T}
T=125
Analisis perhitungan:
Tabel 3.8 Image_frame_1
Perhitungan nilai matrix 0,0 G=(x,y)={ 0 if f(x,y) < =T } G= 112 < 125
G=0
Perhitungan nilai matrix 0,1 G=(x,y)={ 0 if f(x,y) < =T } G= 123 < 125
G=0
Perhitungan nilai matrix 0,2 G=(x,y)={ 0 if f(x,y) < =T } G= 108 < 125
G=0
Perhitungan nilai matrix 1,0 G=(x,y)={ 1 if f(x,y) > =T } G= 238 > 125
G=1
G=(x,y)={ 1 if f(x,y) > =T } G= 221 > 125
G=1
Perhitungan nilai matrix 2,0 G=(x,y)={ 1 if f(x,y) > =T } G= 219 > 125
G=1
Perhitungan nilai matrix 2,1 G=(x,y)={ 1 if f(x,y) > =T } G= 229 > 125
G=1
Perhitungan nilai matrix 2,2 G=(x,y)={ 1 if f(x,y) > =T } G= 216 > 125
G=1
Dengan menggunakan rumus
g(x,y)={1if f(x,y)>=T}
g(x,y)={0if f(x,y)<=T}
T=125
pada semua piksel maka akan didapatkan hasil nilai matrix threshold sebagai berikut:
Tabel 3.9 Image_frame_1
Maka dari perhitungan rumus diatas didapatkan citra threshold sebagai berikut:
0 0 0
1 1 1
3.3.2.3. Dilasi
Dilasi merupakan sebuah operasi yang mengembangkan (memperbesar) atau mempertebal objek dalam suatu citra biner. Dilasi dibutuhkan untuk mengembalikan bagian obyek yang terbuang pada saat proses erosi Rumus untuk menentukan nilai Dilasi bisa didapatkan dari rumus sebagai berikut:
⨁ = { | = + , ∈ , ∈ }
Penjelasan rumus, A Dilasi B= c Dimana C adalah a+b dan a himpunan dari matrix A dan b himpunan dari Matrix B
Analisis perhitungan
Agar dapat melakukan tahap perhitungan dilasi maka dibutuhkan citra masukan. Berikut ini merupakan citra masukan data 1, yang telah melalui beberapa tahapan menjadi threshold dan bernilai citra biner
Perhitungan dilasi dapat dilakukan sebagai berikut:
Citra Image_biner_B Citra Image_biner_A
Pertama dapatkan himpunan dari citra_image_biner_A
A=(1,3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3),(4,1),(4,2),(4,3),(4,4),(6,1),(6,2),(6,3 )
Kedua dapatkan himpunan dari citra_image_biner_B
A=(0,3),(1,1),(1,2),(1,3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3),(3,4),(5,1),(5,2),(5,3 )
Maka perhitungan A+(0,0) yaitu matrix yang menetap pada koordinat nya
C=(1,3)+( 0,0)=(1,3)
C=(2,1)+( 0,0)=(2,1)
C=(2,2)+( 0,0)=(2,2)
C=(2,3)+( 0,0)=(2,3)
C=(3,1)+( 0,0)=(3,1)
C=(3,2)+( 0,0)=(3,2)
C=(3,3)+( 0,0)=(3,3)
C=(4,1)+( 0,0)=(4,1)
C=(4,2)+( 0,0)=(4,2)
C=(4,3)+( 0,0)=(4,3)
C=(4,4)+( 0,0)=(4,4)
C=(6,1)+( 0,0)=(6,1)
C=(6,2)+( 0,0)=(6,2)
C=(6,3)+(0,0)=(6,3)
Maka perhitungan A+(-1,0) yaitu matrix yang digeser ke kanan 1 kali
C=(2,2)+(-1,0)=(1,2)
C=(2,3)+(-1,0)=(1,3)
C=(3,1)+(-1,0)=(2,1)
C=(3,2)+(-1,0)=(2,2)
C=(3,3)+(-1,0)=(2,3)
C=(4,1)+(-1,0)=(3,1)
C=(4,2)+(-1,0)=(3,2)
C=(4,3)+(-1,0)=(3,3)
C=(4,4)+(-1,0)=(3,4)
C=(6,1)+(-1,0)=(5,1)
C=(6,2)+(-1,0)=(5,2)
C=(6,3)+(-1,0)=(5,3)
3.3.2.4. Erosi
Erosi adalah menyusutkan atau menipiskan objek dalam suatu image biner. Digunakan untuk membuang bagian dari citra yang bukan obyek namun dideteksi sebagai obyek pada saat thresholding. Juga untuk menghilangkan white noise dan noise lain yang berukuran kecil pada citra. Rumus untuk menentukan nilai Erosi bisa didapatkan dari rumus sebagai berikut:
� = { | , ⊆ }
Penjelasan rumusnya A erosi B = c Dimana C hasil Erosi B yang Ditranslasikan pada matrix A
Sampel yang digunakan adalah sampel hasil dari dilasi maka perhitungannya akan seperti berikut:
B(1,3)={(1,3),(0,3)}
B(2,1)={(2,1),(1,1)}
B(2,2)={(2,2),(1,2)}
Citra_biner_A Citra_biner_B
Gambar 3.7 (A) adalah image_frame_1 dan (B) adalah image_frame_1 yang digeser ke kanan 1 kali dan (C) adalah dilasi hasil gabungan (A) dan (B)
B(3,1)={(3,1),(2,1)} B(3,1)={(3,1),(2,1)}
B(3,2)={(3,2),(2,2)} B(3,2)={(3,2),(2,2)}
B(3,3)={(3,3),(2,3)} B(3,3)={(3,3),(2,3)}
B(4,1)={(4,1),(3,1)} B(4,1)={(4,1),(3,1)}
B(4,2)={(4,2),(3,2)} B(4,2)={(4,2),(3,2)}
B(4,3)={(4,3),(3,3)} B(4,3)={(4,3),(3,3)}
B(4,4)={(4,4),(3,4)}
B(6,1)={(6,1),(5,1)}
B(6,2)={(6,2),(5,2)}
B(6,3)={(6,3),(5,3)}
Maka erosi yang dipilih untuk mendapatkan nilai dari suatu erosi adalah mengambil nilai titk koordinat yang ada pada nilai matrix A, menurut jarak dan arah tertentu, karena jarak dan arah nya yaitu koordinat (x,y) pada matrix a maka hasilnya adalah sebagai berikut
B(2,3)={(2,3),(1,3)} B(2,3)={(2,3),(1,3)}
B(3,1)={(3,1),(2,1)} B(3,1)={(3,1),(2,1)}
B(3,2)={(3,2),(2,2)} B(3,2)={(3,2),(2,2)}
B(3,3)={(3,3),(2,3)} B(3,3)={(3,3),(2,3)}
B(4,1)={(4,1),(3,1)} B(4,1)={(4,1),(3,1)}
B(4,2)={(4,2),(3,2)} B(4,2)={(4,2),(3,2)}
Maka terdapat perbedaan dari suatu objek yang telah di dilasi dan di erosi pada citra yang akan di analsis
3.4. Analisis Non Fungsional
Kebutuhan non fungsional yang dibutuhkan untuk membangun sistem ini mencakup 2 hal yaitu kebutuhan perangkat keras dan perangkat lunak
3.4.1. Analisis Kebutuhan Perangkat Keras
Adapun kebutuhan perangkat keras yang diperlukan untuk menjalankan sistem ini adalah:
1. Processor minimal core 2 duo 2,13 Ghz 2. Memory 1Gb atau lebih
3. Webcam minimal 2Mp atau lebih
4. Hardisk minimal 320 MB untuk Net Framework
3.4.2. Analisis Kebutuhan Perangkat Lunak
Perangkat lunak yang dibutuhkan untuk menjalankan aplikasi ini adalah:
1. Sistem Operasi Window 7 atau lebih 2. Net 4 Framework
3. Library OpenCV 2.3.1 atau lebih
Citra_biner_dilasi_A Citra_biner_erosi_B
Analisis kebutuhan fungsional bertujuan untuk menguraikan proses kegiatan dan kebutuhan yang akan diterapkan pada sistem yang akan dibangun. Kebutuhan fungsionalitas pada aplikasi data mart yang akan dibangun terdiri dari use case diagram, activity diagram, sequence diagram, dan class diagram.
3.4.3.1. Use Case Diagram
Use case diagram merupakan gambaran fungsionalitas atau perilaku dari
sistem. Berikut use case diagram pada aplikasi dapat dilihat pada gambar 3.9
Deskripsi pendifinisian aktor dan deskripsi pendefinisian use case pada sistem dapat dilihat pada Tabel 3.10 dan Tabel 3.11
Tabel 3.10 Definisi use case
Tabel 3.10 Definisi use case Tabel 3.11 Definisi use case
No Aktor Deskripsi
1 Pengguna Orang yang bertugas untuk melakukan menganalisis data video
3.4.3.2. Skenario Use Case
Skenario use case mendeskripsikan langkah-langkah dalam proses sistem, baik dilakukan aktor terhadap sistem maupun yang dilakukan oleh sistem terhadap aktor. Penjelasan skenario use case adalah sebagai berikut :
1. Skenario Use Case Tambah Data Video
Skenario use case untuk tambah data video dapat dilihat pada tabel 3.12.
2. Skenario Use Case Proses Video
Skenario use case untuk proses video dapat dilihat pada tabel 3.13
4 Perhitungan data Fungsionalitas untuk proses perhitungan data dari video yang diinputkan
5 Ektraksi ciri Fungsionalitas untuk mendaptakan nilai ektraksi ciri dari video yang diinputkan
4 Perhitungan C-means
Fungsionalitas untuk proses perhitungan data dari ektrasi ciri suatu video untuk
Untuk mendapatkan klasifikasi kendaraan
Tabel 3.12 Skenario Use Case Diagram Tambah Data Video
Use Case Name Tambah Data Video
Goal In Context Pengguna masuk kedalam sistem
Description Fungsionalitas ini digunakan oleh pengguna agar dapat
masuk kedalam sistem
Related Use Case Input Video, Proses Video, Perhitungan Data
Successfull End Condition Pengguna dapat masuk ke dalam sistem.
Failed End Condition Pengguna gagal masuk ke dalam sistem.
Actor Pengguna
Trigger Pengguna menekan tombol Tambah Data Video
Main Flow Step Action
1 Sistem menampilkan halaman tambah data
video
Ektension Step Branching Action
1.1 Sistem menampilkan pesan kesalahan
2.1.1.1. Activity Diagram
Activity diagram memodelkan aliran kerja dari urutan aktivitas dalam suatu proses yang mengacu pada use case diagram yang ada. Penjelasan masing-masing activity diagram adalah sebagai berikut :
1. Activity diagram tambah data video
Activity diagram Tambah Data Video merupakan aktifitas yang dilakukan
oleh pengguna untuk dapat masuk ke dalam sistem. Activity diagram dari tambah data video dapat dilihat pada gambar 3.10
Description Fungsionalitas ini digunakan oleh sistem untuk memproses
video original
Related Use Case -
Successfull End Condition Sistem dapat memproses video original
Failed End Condition Sistem gagal memproses video original
Actor Pengguna
Trigger Pengguna menekan tombol proses video
Main Flow Step Action
1 Sistem menampilkan proses video
Ektension Step Branching Action
2. Activity Diagram Input Video
Activity Diagram Input video merupakan aktifitas yang dilakukan oleh pengguna untuk menginputkan video kedalam sistem. Activity diagram input video dapat dilihat pada gambar 3.11
3. Activity Diagram Proses Video
pengguna untuk memproses suatu video. Activiy diagram proses video dapat dilihat pada gambar 3.12
Sequence diagram menggambarkan interaksi antar masing-masing objek pada
setiap use case dalam urutan waktu. Interaksi ini berupa pengiriman serangkaian data antar objek yang saling berinteraksi. Berikut penjelasan dari masing-masing sequence diagram.
1. Sequence Diagram Input Video
Sequence diagram input video dapat dilihat pada gambar 3.13
2. Sequence Diagram Proses Video
sequence diagram proses video dapat dilihat pada gambar 3.14
2.1.1.3. Class Diagram
Class diagram menggambarkan struktur dan hubungan antar objek-objek yang
ada pada sistem. Struktur ini meliputi atribut-atribut dan metode-metode yang ada pada masing-masing kelas. Class player dan Class MainWindow yang akan dibangun dapat dilihat pada Gambar 3.15
3.5. Perancangan Sistem
Pada sub bab ini akan membahas tentang perancangan sistem untuk Aplikasi Penghitung Kendaraan Menggunakan OpenCv. Sub bab ini terdiri dari perancangan struktur menu, perancangan antar muka, perancangan pesan, perancangan jaringan semantik, dan perancangan method.
Berkut ini adalah perancangan struktur menu dari aplikasi perhitungan kendaraan yang akan dibangun dapat dilihat pada Gambar 3.16
3.5.2. Perancangan Antar Muka
Perancangan antar muka merupakan desain tampilan yang akan dilihat oleh pengguna dari sistem yang akan dibuat. Berikut perancangan antar muka pada aplikasi perhitungan kendaraan ini diantaranya :
1. Perancangan halaman utama tambah data video Halaman Utama dapat dilihat pada gambar 3.17
2. Halaman input video dapat dilihat pada gambar 3.18
AO1 - Klik tombol tambah
data video untuk masuk A02 yaitu Input Video
Video Untuk memanggil file video yang akan diproses.
- Klik Tombol Proses untuk memproses
- Klik tombol proses ektraksi ciri untuk mendapatkan klasifikasi kendaraan, - Panjang dan lebar
kendaraan deteksi
akan dibangun dapat dilihat pada gambar 3.19
3.5.3. Perancangan Jaringan Semantik
Perancangan jaringan semantik merupakan sebuah gambaran grafis yang berupa node-node yang menggambarkan aliran menu-menu yang ada di aplikasi perhitungan kendaraan perancangan jaringan semantik dapat dilihat pada Gambar 3.20
Keterangan
jaringan semantik :
A01: Tambah Data Video
A02: Input Video
A03: Proses Video
P01: Pesan kesalahan input video file
P02: Pesan kesalahan input video belum dipilih
Gambar 3.19 Perancangan Pesan
53
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
4.1. Implementasi Sistem
Tahap implementasi merupakan tahap kelanjutan dari kegiatan perancangan sistem. Wujud dari hasil implementasi ini nantinya adalah sebuah sistem yang siap untuk diuji dan digunakan.
4.1.1. Implemetasi Perangkat Keras
Spesifikasi perangkat keras (hadware) yang digunakan untuk mengimpleme-
ntasikan aplikasi Perhitungan Traffic Dijlan raya ini dapat dilihat pada tabel
4.1
4.1.2. Implementasi Perangkat Lunak
Spesifikasi perangkat lunak (software) yang digunakan untuk mengimplemen-
tasikan Perhitungan Traffic Dijlan raya ini dapat dilihat pada tabel 4.2 Tabel 4.1 Perangkat Keras Yang Digunakan Perangkat Keras Keterangan
Processor 2.22 GHz
Memory DDR 2 GB
Harddisk 160 Gb
Video card Onboard
Monitor Resolusi 1152x864
Mouse Optic 1 buah
Keyboard Keyboard 1 buah
Camera Resolusi 320x240
Tabel 4.2 Perangkat Lunak yang digunakan
Perangkat Lunak Keterangan
Window 8 Profesional Sebagai Sistem Operasi
C++ Sebagai Bahasa Pemograman
Compiler Microsoft Visual Studio Ultimate 2010 & QT Creator
4.1.3. Implementasi Antarmuka
Pada tahap ini dilakukan penerapan hasil perancangan antarmuka kedalam sistem yang dibangun dengan menttunakan perangkat lunak yang telah dipaparkan pada sub bab implementasi perangkat lunak. Berikut ini beberapa tampilan antarmuka yang telah diimplementasikan.
4.1.4. Implementasi Antar Muka Tampilan Menu Utama
Implementasi antarmuka tampilan menu utama digunakan untuk menginputkan video, memproses video, dan mendeteksi objek mobil yang ada didalamnya dan proses ektraksi ciri pada video. Implementasi antarmuka tampilan menu utama dapat dilihat pada gambar 4.1
4.2. Pengujian Sistem
Pengujian sistem dilakukan bertujuan untuk menemukan kesalahan atau kekurangan pada perangkat lunak yang telah diuji. Pengujian bermaksud untuk mengetahui perangkat lunak yang dibuat sudah memenuhi kriteria yang sesuai dengan tujuan perancangan perangkat lunak tersebut. Dalam penelitian ini pengujian yang dilakukan terhadap sistem yaitu pengujian secara fungsional
(alpha). Metode yang digunakan dalam pengujian ini adalah pengujian blackbox yang berfokus pada persyaratan fungsional dari sistem yang dibangun.
4.2.1. Pengujian Alpha
Pengujian alpha dilakukan pada sisi pengembangan yang merekam semua kesalahan dan masalah pemakaian. Pengujian alpha dilakukan pada sebuah lingkungan yang terkendali.
4.2.2. Skenario Pengujian Alpha
Rencana pengujian adalah pengujian terhadap fungsionalitas yang terdapat dalam aplikasi, apakah fungsionitas tersebut sesuai yang diharapkan atau tidak. Rencana pengujian dari sitem yang dibangun dapat dilihat pada Tabel 4.3
4.2.3. Kasus dan Hasil Pengujian BlackBox
Kasus dan hasil pengujian berisi pemaparan dari rencana pengujian yang telah disusun pada skenario pengujian. Pengujian ini dilakukan secara blackbox dengan hanya memperhatikan masukan ke dalam sistem dan keluaran dari masukan tersebut. Berdasarkan rencana pengujian, maka dapat dilakukan pengujian blackbox pada aplikasi sebagai berikut :
4.2.4. Pengujian Menginputkan Sampel Video
Pengujian Penginputan Sampel video digunakan untuk memproses sampel video atau video uji, sebagai acuan untuk proses ektraksi ciri maupun deteksi objek. Pengujian penginputan video sampel yang benar dapat dilihat pada tabel 4.4 dan Gambar 4.4
Tabel 4.3 Skenario Pengujian Alpha
No Fungsionalitas yang diuji Butir Uji Jenis Pengujian 1 Menginputkan video Memilih video yang akan di
inputkan
BlackbBox
2 Memproses video Memproses Video yang sudah diinputkan
Tabel 4.4 Pengujian Menginputkan Sampel Video
Gambar 4.4 Pengujian Menginputkan Sampel Video
No Data Masukan Hasil yang
diharapkan
Hasil Pengujian 1
C:\Users\Aaron\Documents\build-
percobaanpertama- Desktop_Qt_5_4_2_MSVC2010_OpenGL_32bit-Debug
Video berhasil menconvert ke beberapa file yang
ditentukan dan menghasilkan proses ektraksi ciri berupa nilai akurasi dari suatu area objek yang dideteksi
4.2.5. Pengujian Memproses Sampel Video Dan Mendeteksi Objek Pengujian Pemrosesan Sampel video digunakan untuk mendeteksi objek yang ada dalam video, sebagai acuan untuk proses video yang diconvert ke beberapa file video, seperti, video HSV dan Video Binary yang digunakan untuk deteksi objek. Pengujian pemrosesan video sampel yang benar dapat dilihat pada Tabel 4.5 dan gambar 4.5
Gambar 4.5 Pengujian Memproses Sampel Video Tabel 4.5 Pengujian Memproses Sampel Video
No Data Masukan Hasil yang diharapkan Hasil Pengujian 1
C:\Users\Aaron\Documents\build-
percobaanpertama-Desktop_Qt_5_4_2_MSVC2010_ OpenGL_32bit-Debug
4.3. Kesimpulan Pengujian Alpha
59
BAB 5
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan penelitian mengenai metode algoritma “Background Substraction”
untuk “Perhitungan Traffic di Jalan Raya Pada Webcam Secara Real Time menggunakan OpenCV” maka dapat dibuat kesimpulan:
1. Algoritma “Background Substraction” belum dapat digunakan untuk melakukan perhitungan dan menerapkan menerapkan metode background substraction
2. Berdasarkan hasil pengujian bahwa semakin besar perubahan cahaya yang terdapat pada video, maka akan terdapat noise dan gangguan yang sangat besar. Oleh karena itu penulis menerapkann metode background substraction yang akan mempermudah background awal dan background akhir. Yang akan menghandle dari perubahan cahaya yang ada video.
5.2. Saran
Adapun saran yang dapat diberikan untuk pengembangan selanjutnya antara lain adalah sebagai berikut:
1. Proses Perhitungan traffic dan kendaraan masih belum bisa tercapai.
NIM : 10109117 Nama Lengkap : Budi Yanto Jenis Kelamin : Laki-laki
Tempat & Tgl Lahir : Bandung, 11 Maret 1991
Alamat : Dusun Cibolang, RT 01 RW 07, Kec. Cisarua Desa Kebonkalapa, Kabupaten Sumedang No. Telepon / HP : (+62) 81221583528
E-mail : b.yanto61@yahoo.com
Riwayat Pendidikan
1997 - 2003 : SDN Cisalak 3 2003 - 2006 : SMPN 5 Sumedang 2006 - 2009
2009 - 2015
: :
SMAN 3 Sumedang
Universitas Komputer Indonesia (UNIKOM)
Demikian riwayat hidup ini saya buat dengan sebenar-benarnya dalam keadaan sadar tanpa paksaan.
Bandung, 19 Agustus 2015
