KLASIFIKASI KENDARAAN MOBIL DAN BECAK MENGGUNAKAN METODE EDGE DETECTION DAN
SUPPORT VECTOR MACHINE
Annisa’ Sulistyowati1, Rahmat Widadi2, Dodi Zulherman3
123Institut Teknologi Telkom Purwokerto Jl. DI Panjitan 128 Purwokerto
1[email protected], 2[email protected], 3[email protected]
Abstract - Beberapa perusahan-perusahaan besar dalam bidang automotif berlomba-lomba menciptakan mobil tanpa awak atau biasa disebut autopilot. Mobil dengan autopilot ini adalah salah satu teknologi yang memungkinkan berkendara tanpa adanya pengemudi yang akan mengemudikan mobil tersebut. Kebutuhan utama dalam perkembangan teknologi tanpa awak ini adalah bagaimana mobil ini bisa membedakan objek-objek yang ada dijalan raya. Penelitian ini dibuat suatu sistem yang dapat mengklasifikasikan bentuk atau jenis kendaraan yang ada di jalan raya. Kendaraan yang akan diteliti pada penelitian ini adalah mobil dan becak.
Pendeteksian mobil dan becak ini diharapkan dapat menjadikan karakteristik di Banyumas. Alasan mengapa penelitian ini mendeteksi becak dikarenakan, becak merupakan kendaraan yang istimewa .Sistem ini menggunakan metode HOG sebagai deteksi tepi dari objek dan SVM untuk mengelompokkan fitur-fitur dari objek yang akan dideteksi. Dari hasil yang diperoleh bahwa pengujian pada sistem ini melakukan uji sebanyak 125 citra untuk data testing, 50 citra terdeteksi sebagao mobil, 25 citra becak tetapi terdeteksi mobil, dan 50 citra terdeteksi sebagai becak. Hasil accuracy sistem ini adalah 80%, recall sebesar100 dan precission sebesar 66.67%.
Kata Kunci :Computer Vision, HOG, Autopilot .
I. PENDAHULUAN
Seiring dengan perkembangan jaman, teknologi tidak hanya dipakai dalam bidang komputer saja, namun hampir semua aspek kehidupan tidak lepas dari perkembangan teknologi.
Pemantauan lalu lintas, pengaturan tempat parkir merupakan sedikit dari sekian banyak bidang yang memanfaatkan teknologi.
Dalam penerapannya, teknologi sangat membantu pekerjaan- pekerjaan kita. Sistem otomasi kendaraan juga menjadi kebutuhan untuk perkembangan teknologi, misalnya mobil tanpa awak atau biasa disebut autopilot. Tesla adalah salah satu perusahaan yang mampu menghasilkan kemajuan berarti dalam proyek mobil canggih. Perusahaan mobil listrik ini sudah merilis sistem autopilot, yang berfungsi mengendalikan mobil untuk tujuan
spesifik seperti kendali otomatis di jalan tol, perpindahan jalur dan parkir otomatis. Perkembangan mobil tanpa awak ini yang menjadi salah satu kebutuhannya adalah bagaimana mobil ini bisa membedakan objek-objek yang ada dijalan raya[1].
Mobil dengan teknologi autopilot ini sebenarnya sudah dikembangkan hanya saja teknologi yang sekarang belum sempurna, dikarenakan teknologi yang sekarang belum bisa membedakan mana objek yang didepannya, hanya bisa mendeteksi kecepatan dan jarak dari mobil disekitar dengan menggunakan sensor, oleh karena itu perlu dikembangkan lagi teknologi yang bisa membaca atau mendeteksi jenis dari kendaraan yang ada di jalan raya, sehingga dapat mengatasi tingkat keamanan dalam berkendara. Manfaat dalam pendeteksian objek ini bisa membantu pemerintah dalam hal tidak pelanggaran di lalu lintas
Penelian deteksi kendaraan telah dilakukan oleh peneliti Frans Irawan [5] digunakan metode ekstraksi fitur Histogram of oriented Gradient (HOG) dan metode klasifikasi Support Vector Machine (SVM) untuk deteksi mobil pada citra digital. Terdapat 2 macam tipe HOG pada tahapannya yaitu Rectangular HOG (R- HOG) dan Circular HOG (C-HOG), dimana pada penelitian ini digunakan C-HOG. Hasil ekstraksi fitur HOG kemudian akan diklasifikasi menggunakan SVM. SVM yang digunakan adalah linear SVM. Hasil penelitian menunjukkan bahwa tingkat akurasi rata-rata yang dicapai untuk mendeteksi mobil pada citra ialah sebesar 97,25%.
Pada penelitian kali ini Metode HOG, metode HOG ini salah satu metode dari ekstrasi ciri yang digunakan dalam Pengolahan citra untuk mendeteksi sebuah objek. . Untuk melakukan proses pendeteksi kendaraan ini diperlukan proses pengolahan citra. Pengolahan Citra ini adalah sebuah metode
untuk mengolah citra yang tujuannya untuk mendapatkan informasi dari citra itu sendiri. Pengolahan Citra ini dimulai dari proses ekstraksi fitur untuk mendapatkan nilai ciri dari kendaraann lalu dilakukanlah proses klasifikasi untuk menentukan sebuah obyek. Input yang diperlukan untuk pendeteksian ini adalah dalam bentuk video, dimana video ini akan diproses menggunakan Library OpenCV. Proses yang dilakukan adalah mengenali jenis kendaraan seperti mobil dan becak. Program ini akan menggunakan Bahasa Pemograman Python dan menggunakan Library OpenCV di Visual Studio dan menggunakan metode SVM dan HOG.
II. METODE PENELITIAN
Secara garis besar, penelitian ini ditujukan untuk mengacu pada Gambar 1. berikut :
1. Diagram Blok Sistem
Pada gambar 3.1 adalah diagram blok yang akan dilakukan untuk mendapatkan suatu sistem yang akan dirancang
Akuisi Citra Proses Pengolahan Citra Mengenali Jenis
Kendaraan
Gambar 1. Diagram Alur Penelitian
Pada sistem ini langkah pertama adalah melakukan akuisi citra video yang didapat dari ATCS Purwokerto untuk mengambil citra berupa kendaraan yang melintasi area Kebon Dalem, lalu citra langsung melakukan proses pengolahan citra dengan metode HOG dan SVM untuk mendapapatkan sebuah citra yang dapat mengenali jenis kendaraan berupa mobil atau becak.
2. Pemodelan Sistem
Dalam tahap ini dirancang Dalam tahap ini dirancang kebutuhan dalam pengklasifikasian mobil dan becak berdasarkan metode SVM .
Pemodelan Sistem dalam Penelitian ini adalah :
Data Citra
Preprocessing
Ekstrasi Ciri
Data Ekstrasi
Data Citra
Prepocessing
Ekstrasi Ciri
Membandingkan
Jenis Kendaraan
DATA LATIH DATA UJI
Gambar 2. Pemodelan Sistem
a. Data Citra
Citra mobil pada tugas akhir ini, dicapture dengan menggunakan kamera digital. Pengambilan citra dilakukan di Kebon Dalem. Pengambilan gambar dilakukan di saat cuaca cerah, dan citra yang dihasilkan yaitu citra berwarna dalam format *.jpg.
b. Proses Preprocessing
Proses awal dari sistem ini adalah pengolahan data akuisisi citra, pengambilan data dengan menggunakan media kamera dari ATCS Purwokerto. Citra tersebut dijadikan sebagai data latih atau data input yang berupa gambar bentuk mobil tampak depan dengan format
*.jpg. gambar ini adalah adalah hasil pemotongan (croping manual) dari gambar mobil dan becak. Setelah citra terbaca pada opencv, proses selanjutnya adalah mengubah file feature¬_image ke format RGB. Lalu proses seanjutnya adalah mengeset parameter untuk edge detection hog dan mengambil hog_feature dari sample sebelumnya. Proses selanjutnya adalah spatial orientation binning, dalam membuat histogram membutuhkan nilai dari gradien dan nilai itu akan didapat dari nilai setiap piksel didalam sebuah citra.
Citra tersebut akan dibagi menjadi cells dengan ukuran cell yang telah ditentukan. Pada tiap cell yang ada pada citra akan dibuat sebuah histogram yang fungsinya untuk mengetahui nilai-nilai yang ada pada cell tersebut,
dikarenakan pada setiap cell itu memiliki nilai yang berbeda-beda. Fungsi dari bin dalam pembuatan histogram adalah untuk mengetahui nilai-nilai dari setiap gradiennya. Dalam penelitian ini menggunakan 32 bin orientation.
Pemrosesan awal (preprocessing) tujuannya adalah untuk mendapatkan ciri atau karakteristik dari suatu citra. Tahap ini berfungsi untuk meningkatkan kualitas dari setiap citra agar memudahkan proses ke tahap selanjutnya. Tahap ini tujuannya adalah untuk mengurangi noise yang ada.
c. Proses Ekstrasi Ciri
Proses ekstraksi ciri dilakukan setelah proses preprocessing .Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra.
Proses ini berkaitan dengan klasifikasi jenis mobil dan becak ke dalam sekelompok nilai ciri yang sesuai.
Proses ektraksi ciri ini menggunakan metode hog.
d. Sistem Klasifikasi
Proses klasifikasi dilakukan setelah didapatkan hasil dari proses ekstrasi ciri. Hasil dari ekstrasi berupa vector ciri yang nantinya akan menjadi input pada proses klasifikasi. Klasifikasi disini menggunakan Classify SVM. Untuk citra positif yang terdeteksi mobil atau becak bernilai 1 dan citra negative yang tidak terdeteksi becak atau mobil bernilai -1
e. Analisis Bentuk
Pada proses deteksi mobil dan becak ini menggunakan parameter yang terbaik setelah melalui proses pengujian. Untuk proses deteksi ini menggunakan sliding window untuk mengecek perpixel dalam ukuran window yang berukuran 32x32 pixel.
3. Presentase Keberhasilan
Dalam membangun sebuah sistem pendeteksian mobil dan becak ini diharapkan memiliki nilai akurasi, presisi dan recall yang baik.
Untuk mengetahui seberapa baik sistem kita dilakukanlah pengukuran tingkat akurasi, presisi, dan recall dengan menggunakan rumus sebagai berikut :
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃
𝑇𝑃+𝐹𝑁 (1)
𝑃𝑟𝑒𝑐𝑖𝑠𝑠𝑖𝑜𝑛 = 𝑇𝑃
𝑇𝑃+𝐹𝑃 (2)
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃+𝑇𝑁
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 (3)
III. HASIL DAN ANALISA 1. Hasil Pengujian
Berikut adalah beberapa hasil dari pengujian yang dilakukan. Dapat dilihat pada gambar 4.1 ini adalah contoh sample mobil yang akan dideteksi. Foto ini sebagai sample untuk di extract dengan menggunakan HOG, dan sebagai dataset dalam proses SVM.
Gambar 3 Sample gambar
Pada gambar 4 ini merupakan hasil dari proses HOG (Histogram of Oriented Gradient). Dapat dilihat bahwa terdapat garis-garis yang ada mewakili garis-garis yang ada pada mobil dengan setiap garis mewakili ukuran 8x8 dengan orientasinya sebesar 9.
Gambar 4 HOG
Setelah proses awal pada HOG dari merubah citra RGB menjadi citra grayscale, lalu dilanjutkan dengan menghitung nilai gradien dari setiap piksel yang ada. Setelah mendapat nilai dari sebuah gradien, proses selanjutnya adalah menentukan jumlah bin orientasi yang digunakan untuk membuat histogram. Proses ini bias disebut juga dengan Spatial Orientation Binning. Pada proses ini dapat dilihat pada gambar 5
Gambar 5 Bin spatial
Pada gambar 6 adalah grafik dari Histogram pada setiap cell dalam sebuah citra.
Gambar 6 Color Histogram
Pada gambar 4.4 merupakan hasil dari pendeteksian becak dengan menggunakan HOG dan diklasifikasikan dengan SVM.
Kemudian becak yang terdeteksi ditandai dengan bentuk persegi yang bewarna biru.
Gambar 7 Hasil Deteksi Becak
Setelah dapat mendeteksi becak langkah selanjutnya adalah mendeteksi mobil. Dapat dilihat pada gambar 4.5 merupakan hasil dari pendeteksian mobil dengan menggunakan HOG dan diklasifikasikan dengan SVM. Kemudian mobil yang terdeteksi ditandai dengan bentuk persegi yang bewarna merah.
Gambar 8 Hasil Deteksi Mobil
2. Pengujian Pada Citra Training
Pengujian dilakukan pada citra data training sebanyak 120 citra dengan ukuran 64X64 piksel. Hasil dari pengujian ini dianalisis untuk mendapatkan nilai accuracy, recall, dan precision. Citra training ini digunakan untuk proses dari ekstrasi fitur yang menggunakan HOG. Beberapa contoh dari citra training positive dan negative yang digunakan dalam sistem ini. Untuk gambar 9 merupakan contoh dari citra positif dan untuk gambar 10 adalah contoh dari citra negative
Gambar 9 Citra Positif
Gambar 10 Citra Negatif
Tabel 1 Confusion Matriks pada data training Predicted = Yes Predicted = No
Actual = Yes 84 (TP)
0 (FN)
Actual = No 0 (FP)
71 (TN)
Pengujian pada citra training ini sebanyak 155 citra dengan ukuran 64X64 piksel yang mana 84 adalah citra mobil yang terdeteksi sebagai mobil, dan sebanyak 71 citra yang becak yang terdeteksi sebagai becak.
𝑃𝑟𝑒𝑐𝑖𝑠𝑠𝑖𝑜𝑛 = 84
84+0= 100%
𝑅𝑒𝑐𝑎𝑙𝑙 = 84
84+0= 100%
Hasil Precision yang didapatkan adalah 100% dan untuk recall sebanyak 100%.
3. Pengujian Pada Citra Testing
Pengujian ini dilakukan untuk data citra testing sebanyak 125 citra dengan ukuran 640x480 pixel. Jika bagian citra merupakan mobil atau becak maka citra tersebut akan diberikan tanda persegi warna merah untuk bagian yang terdeteksi mobil dan warna biru untuk citra yang terdeteksi sebagai becak. Hasil pengujian dapat dilihat pada table 2
Tabel 2 Confusion Matriks Pada Data Testing Predicted = Yes Predicted = No Actual = Yes 50
(TP)
0 (FN)
Actual = No 25 (FP)
50 (TN)
Untuk pengujian pada citra testing dilakukan pengujian sebanyak 125 citra, memiliki hasil pengujian sebanyak 50 citra berhasil terdeteksi sebagai mobil (TP), 25 citra becak tetapi terdeteksi sebagai citra mobil, sedangkan 50 citra berhasil terdeteksi sebagai becak.
𝑃𝑟𝑒𝑐𝑖𝑠𝑠𝑖𝑜𝑛 = 50
50+25= 66.67%
𝑅𝑒𝑐𝑎𝑙𝑙 = 50
50+0= 100%
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 50 +50
50+50+25+0= 80%
Untuk hasil dari sistem ini didapatkan nilai precission sebanyak 66.67%, sedangkan untuk recall hasilnya 100% dan untuk nilai accuracy sebanyak 80%.
IV. KESIMPULAN
Berdasarkan dari hasil pengujian dan analisis deteksi becak dan mobil yang menggunakan metode HOG dan SVM, maka dapat diambil kesimpulan sebagai berikut:
1. Metode dari ekstrasi fitur Histogram of Oriented Gradient atau biasa disebut HOG dan metode klasifikasi Support Vector Machine atau biasa disebut SVM dapat diterapkan untuk bias mendeteksi sebuah mobil dan becak.
2. Pengujian dilakukan pada 125 citra dengan ukuran 640x480 piksel, dengan hasil accuracy sebesar 80%, recall sebesar 100% dan Precision sebesar 66.67%.
REFERENSI
[1] D. R. Ariyus, Komunikasi Data. Yogyakarta: ANDI Yogyakarta, 2008.[1] Autopilot [Online].
Available : https://www.tesla.com/en_JO/autopilot [Diakses : 23 Juli 2020].
[2] Chu, Y. X., Liu, X. G., & Gao, C. H. (2011). Multiscale models on time series of silicon content in blast furnace hot metal based on Hilbert-Huang transform. Proceedings of the 2011 Chinese Control and Decision Conference,
CCDC 2011, 842–847.
https://doi.org/10.1109/CCDC.2011.5968300
[3] Fatmawati, I., Utaminingrum, F., & Kurniawan, W.
(2019). Deteksi Kendaraan Roda Empat Untuk Mendukung Keamanan Berkendara Menggunakan Histogram of Oriented Gradients dan Support Vector Machine Berbasis Raspberry Pi. 3(2), 1860–1866.
[4] Han, J., Kamber, M., & Pei, J. (2011). Data Mining Techniques, Third Edition. 847.
[5] Informasi, F. T. (2017). 5113100067-Undergraduate Theses.
[6] Irawan, F., Purnomo, A., & Alamsyah, D. (2015). Deteksi Mobil pada Citra Digital Menggunakan C-HOG dan Support Vector Machine. GI MDP & MDP BUSINESS Journal, x, 1–12.
[7] Leidiyana, H. (2013). Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor. Jurnal Penelitian Ilmu Komputer, System Embedded & Logic, 1(1), 65–76.
[8] Permata, C., & Eddy, I. K. (2012). Deteksi Mobil Menggunakan Histogram of Oriented Gradient. 1–6.
[9] Pranoto, M. B., Ramadhani, K. N., & Arifianto, A.
(2017). Face Detection System Menggunakan Metode Histogram of Oriented Gradients ( HOG ) dan Support Vector Machine ( SVM ) Face Dtection System using Histogram of Oriented Gradients ( HOG ) Method amd Support Vector Machine ( SVM ). E-Proceeding of Engineering, 4(3), 5038–5045.
[10] Prianggodo, L. B. (2016). Perancangan Object Tracking Robot Berbasis Image Processing Menggunakan Raspberry Pi.
[11] R. Munir, “Pengolahan Citra Digital dengan Pendekatan Algoritmik,” Bandung: Penerbit Informatika, 2004.
[12] Triasanti, D. (2000). Konsep dasar python. Python, 1–6.
https://doi.org/aa
