KLASIFIKASI JENIS KENDARAAN BERBASIS CITRA MENGGUNAKAN METODE GABOR WAVELET DAN LINEAR DISCRIMINANT ANALYSIS (LDA)
Syisi Rosniar¹, Ade Romadhony², Bedy Purnama³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Salah satu solusi untuk menhindari kemacetan di gerbang tol adalah dengan penggunaan Electronic Toll Collection (ETC). ETC merupakan salah satu pelayanan secara otomatis yang dapat digunakan oleh pengguna jalan tol untuk membayar di gerbang tol. Pengguna ETC menggunakan Gardu Tol Otomatis (GTO).Penggunaan GTO hanya dapat digunakan untuk kendaraan golongan I non-bus.
Golongan kendaraan yang diklasifikasikan pada tugas akhir ini terdiri dari 3 golongan, yaitu golongan I, II, dan III. Citra yang digunakan berupa citra kendaraan yang melewati gardu jalan tol. Metode yang digunakan pada tugas akhir ini adalah Gabor Wavelet dan Linear Discriminant Analysis (LDA). Metode Gabor Wavelet digunakan sebagai proses ekstraksi ciri untuk
mendapatkan ciri penting dari sebuah citra dan hasil proses tersebut akan menjadi inputan untuk klasifikasi LDA. Sebelum proses ekstraksi ciri, dilakukan proses preprocessing yaitu background subtraction untuk mendapatkan foreground. LDA memiliki waktu komputasi yang relative cepat. Proses training menggunakan 120 data latih, sedangkan untuk testing menggunakan 40 citra uji. Hasil penelitian menunjukkan bahwa penggabungan metode Gabor Wavelet dan LDA pada
klasifikasi jenis kendaraan memiliki akurasi pengenalan terbaik sebesar 70% pada citra uji. Kata Kunci : klasifikasi kendaraan, background subtraction, Gabor Wavelet, Linear Discriminant Analysis(LDA)
Abstract
One solution to avoiding congestion at toll gates is the use of Electronic Toll Collection (ETC). ETC is one of the services that can be used automatically by toll road users to pay at toll gates. ETC users using Gardu Tol Otomatis (GTO). GTO can only be used for vehicle class I non-bus. Classes of vehicles that are classified in this thesis consists of three groups, namely group I, II, and III. The image is used in the form of images of vehicles passing through the toll road
substation. The method used in this thesis is the Gabor Wavelet and Linear Discriminant Analysis (LDA). Gabor Wavelet is used as a method of feature extraction process to get the important characteristics of an image and process the results will be input for LDA classification. Before the process of feature extraction, preprocessing is performed background subtraction process to get the foreground. LDA has a relatively fast computation time. The process of data using 120 training practice, while for testing using 40 test images.
The results showed that the incorporation of Gabor Wavelet method and LDA in the classification of types of vehicles have the best recognition accuracy of 70% on the test images.
Keywords : vehicle classification, background subtraction, Gabor wavelet, Linear Discriminant Analysis (LDA)
Powered by TCPDF (www.tcpdf.org)
1
1.
Pendahuluan
1.1 Latar belakang masalah
Masyarakat di kota-kota besar selalu menggunakan jalan tol untuk beraktivitas.Salah satu penyebab utama terjadinya kemacetan di jalan tol adalah saat melakukan pembayaran di suatu gerbang tol.Saat ini solusi yang sudah diterapkan untuk mengantisipasi hal tersebut yaitu dengan menerapkan penggunaan Electronic Toll Collection (ETC). ETC merupakan salah satu pelayanan secara otomatis yang dapat digunakan oleh pengguna jalan tol untuk membayar di gerbang tol.ETC menggunakan e-Toll Card yang menggantikan penggunaan Kartu Tanda Masuk (KTM) manual dan penggunaannya sangat terbatas[4].
Pengguna ETC tidak mengunakan gardu tol biasa, tetapi menggunakan Gardu Tol Otomatis (GTO)[2,4]. Akan tetapi, penggunaan GTO hanya dapat digunakan untuk kendaraan golongan I non-bus saja karena dibatasi dengan portal yang diletakkan dibagian atas[4]. Karena GTO hanya dapat dilewati oleh kendaraan golongan 1 non bus saja, maka masih terjadi kemacetan saat melakukan pembayaran di gardu tol sehingga terjadi kemacetan di jalan tol.
Oleh karena itu, dibuatlah suatu sistem yang dapat mengetahui jenis golongan kendaraan yang memasuki gerbang tol secara akurat dalam waktu yang singkat tanpa adanya peletakan portal. Dengan peletakan kamera pada posisi yang tepat di gardu tol, maka dapat diketahui jenis-jenis kendaraan yang melewati gardu tol.Salah satu caranya yaitu dengan memanfaatkan pengolahan citra digital.Gambar yang digunakan sebaiknya memilki resolusi yang besar supaya informasi yang diperoleh lebih banyak. Akan tetapi, gambar yang memiliki resolusi besar membutuhkan proses yang lama karena dimensi gambarnya.Metode Gabor Wavelet dapat meminimalisasi dimensi citra[5]. Gabor Wavelet digunakan sebagai proses ekstraksi ciri untuk mendapatkan ciri penting dari sebuah citra dan hasil proses tersebut akan menjadi inputan untuk klasifikasi LDA. Linear Discriminant Analysis (LDA) merupakan salah satu metode klasifikasi yang memiliki waktu komputasi yang relative cepat[17].
1.2 Perumusan masalah
Permasalahan yang akan menjadi objek penelitian pada Tugas Akhir ini adalah sebagai berikut :
1. Bagaimana membangun sistem yang mampu mengklasifikasi setiap citra kendaraan yang masuk melalui gardu tol kedalam golongan kendaraan tertentu.
2. Bagaimana tingkat akurasi dan performansi sistem dengan menggunakan metode Gabor Wavelet dan LDA dalam menangani klasifikasi kendaraan berbasis citra.
2
1.3 Tujuan
Tujuan dari penulisan tugas akhir ini adalah :
1. Melakukan implementasi dan analisis Gabor Waveletdan LDA dalam
mengklasifikasi citra kendaraan kedalam golongan tertentu.
2. Menganalisis performansi sistem dengan parameter tingkat akurasi dan waktu yang dibutuhkan sistem untuk mengklasifikasi citra kendaraan.
3. Menganalisa performasi sistem berdasarkan parameter Gabor Wavelet agar
menghasilkan tingkat akurasi yang tinggi.
1.4 Batasan masalah
1. Hanya mengkalsifikasi 3 jenis golongan kendaraan saja, yaitu:
a. Golongan I : sedan, mini sedan, niaga/minibus, pickup, bus dan truk kecil.
b. Golongan II : truk gandar dua. c. Golongan III : truk gandar tiga.
2. Sistem hanya menangani kalsifikasi golongan kendaraan yang masuk ke jalan tol, yaitu roda empat atau lebih.
3. Tools yang digunakan adalah Matlab R2009a.
4. Citra yang menjadi masukkan adalah kendaraan yang di-capture dalam keadaan cuaca cerah menggunakan kamera digital. Format gambar yang digunakan adalah JPEG berukuran 307 x 230 pixel.
5. Menggunakan data dari tugas akhir sebelumnya yaitu “Klasifikasi Jenis
Kendaraan Menggunakan Principal Component Analysis (PCA) dan
Learning Vector Quantization (LVQ)”. 6. Pengambilan gambar tidak bersifat realtime.
7. Posisi pengambilan gambar dari sisi diagonal depan kendaraan disesuaikan dengan kondisi pintu gerbang tol.
8. Teloransi jarak kamera dengan bagian depan kendaraan saat pengambilan gambar sebesar 2 - 4 meter.
1.5 Metodologi penyelesaian masalah
Metodologi yang digunakan dalam penelitian tugas akhir ini adalah : 1. Studi literatur
Mempelajari dasar teori dari literatur-literatur mengenai pengklasifikasian kendaraan, tentang pengolahan citra digital dan pengenalan pola, serta mempelajari tentang Gabor Waveletdan LDA.
2. Pengumpulan data
Proses mendapatkan dan pengumpulan data citra latih kendaraan yang akan digunakan sebagai masukan sistem yang langsung dilakukan di gerbang tol. Citra kendaraan berupa gambar kendaraan yang diambil dari berbagai posisi dari setiap jenis kendaraan.
3 3. Analisis sistem
Dalam tahap ini dilakukan identifikasi serta analisis kebutuhan sistem. Mulai dari proses tahapan input sampai dengan dengan outut.
4. Perancangan sistem
Menentukan metodologi pengembangan sistem yang digunakan dengan pendekatan terstruktur.
5. Implementasi program sistem
Melakukan implementasi metode pada program aplikasi sesuai dengan perancangan yang telah dilakukan. Implementasi pada aplikasi sesuai dengan perancangan sistem yang telah ditentukan sebelumnya yaitu, proses pengolahan citra mulai dari preprocessing, ekstraksi ciri (Gabor Wavelet), hingga proses learning dan klasifikasi (LDA). Implementasi aplikasi menggunakan program Matlab.
6. Pengujian aplikasi
Setelah aplikasi selesai dibangun, selanjutnya dilakukan pengujian aplikasi.Pengujian dilakukan dengan menggunakan data citra yang telah dikumpulkan sebelumnya.
7. Evaluasi aplikasi
Setelah data pengujian terkumpul, selanjutnya dilakukan evaluasi dan analisa performansi apakah sudah sesuai dengan yang diinginkan. Jika tidak harus dilakukan perbaikkan sehingga nantinya dihasilkan aplikasi yang handal.
8. Penyusunan laporan
Pada tahap ini dilakukan pembuatan laporan dan dokumentasi dari sistem yang dibangun.
Powered by TCPDF (www.tcpdf.org)
25
5.
Kesimpulan dan Saran
5.1 Kesimpulan
Berdasarkan hasil implementasi, pengujian dan analisis yang telah dilakukan, maka dapat diambil kesimpulan, yaitu:
1.
Tahapan dan parameter pada preprocessing sangat berpengaruh terhadap akurasi sistem. Terbukti dengan menggunakan parameter yang berbeda-beda, akurasi sistem mengalami penurunan dan kenaikan persentase yang cukup signifikan. Hal ini disebabkan oleh output preprocessing yang dihasilkan berbeda-beda sehingga berpengaruh terhadap nilai ekstraksi ciri. Oleh karena itu, hasil klasifikasi sistem juga berbeda-beda.2. Parameter Gabor Wavelet yang mempengaruhi di dalam proses ekstraksi ciri yaitu frekuensi, nilai orientasi dan ukuran kernel konvolusi. Semakin besar parameter frekuensi dan ukuran kernel konvolusi yang digunakan, maka semakin baikhasil akurasi. Parameter Gabor Wavelet yang menghasilkan akurasi terbaik yaitu nilai frekuensi adalah 4, sudut orientasi 90° dan ukuran kernel konvolusi 23x23.
3. Berdasarkan hasil pengujian, penggunaan metode Gabor Wavelet dan LDA dalam menangani klasifikasi jenis kendaraan menghasilkan akurasi 70% untuk data uji.
5.2 Saran
1. Untuk menghasilkan foreground yang lebih baik, maka diperlukan metode lain yang lebih baik dalam background subtraction pada tahappreprocessing. 2. Untuk meningkatkan akurasi, perlu diteliti setiap tahapan dalam background
subtraction.
3. Untuk meningkatkan akurasi, proses ekstraksi ciri diperlukan metode yang lebih baik dari Gabor Wavelet.
Powered by TCPDF (www.tcpdf.org)
26
Daftar Pustaka
[1] ________. http://jasamarga.com/annual_report/ar2009/images/60.jpg.
Diakses tanggal 6 November 2012.
[2] ________. Keputusan Menteri Pekerjaan Umum Tahun 2007 tentang
Golongan Jenis Kendaraan Bermotor Pada Jalan Tol yang Sudah Beroperasi.
[3] Farida A’isyah, Rida. Aplikasi Pengenalan Karakter pada Kode Label IT
Telkom Berbasis K-Nearest Neighbour (K-NN) dan Gabor Wavelet. 2012. IT Telkom, Bandung
[4] Iqbal, Razi. Klasifikasi Kendaraan menggunakan Principal Component Analysis (PCA) dan Learning Vector Quantization (LVQ).2010. IT Telkom, Bandung
[5] Jonathan Parousia, Peter. Identifikasi Tanda Tangan menggunakan Metode
Filter 2D Gabor Wavelet dan Algoritma Propagasi Balik Lavenberg Marquardt. 2011. IT Telkom, Bandung.
[6] Karsaman Hermawan, Rudy. Evaluasi Penerapan Sistem Pengumpulan
Tol Elektronis (Electronic Toll Collection System) di
Indonesia.
http://eprints.undip.ac.id/25058/1/02-Rudi_Hermawan_31_agustus.pdf . Diakses tanggal 6 November 2012.
[7] Kartu Pembayaran Elektronik Tol Kurangi Antrean
Kendaraan?.http://mobil.otomotifnet.com/read/2012/06/14/331482/43/7/K
artu_Pembayaran_Elektronik_Tol_Kurangi_Antrean_Kendaraan. Diakses tanggal 6 November 2012.
[8] Linear Discriminant Analysis (LDA).
http://ilmu-komputer.net/linear-discriminant-analysis-lda/. Diakses tanggal 6 November 2012.
[9] Linear Discriminant Analysis (LDA), http://www.dtreg.com/lda.htm. Diakses tanggal 6 November 2012.
[10] Munir, Rinaldi. Pengantar Pengolahan Citra.
http://informatika.stei.itb.ac.id/~rinaldi.munir/Buku/Pengolahan%20Citra %20Digital/Bab-1_Pengantar%20Pengolahan%20Citra.pdf. Diakses tanggal 6 November 2012.
[11] Pratama, Ivan Nur. Identifikasi Iris Mata Menggunakan Filter 2Dgabor Wavelet dan Jaringan Saraf Tiruan Learning Vector Quantization (LVQ). IT Telkom, Bandung. 2006.
[12] Sivabalakrishnan.M and Dr.D.Manjula. An Efficient Foreground Detection
Algorithm for Visual Surveillance System. 2009.
27
[13] Taufik Syawaluddin, Mochammad. Pengenalan Plat Nomor Otomatis
Menggunakan Principal Component Analysis (PCA) dan Learning Vector Quantization (LVQ). 2010. IT Telkom, Bandung
[14] Tekmono, Kardi. Linear Discriminant Analysis Numerical Example.
http://people.revoledu.com/kardi/tutorial/LDA/Numerical%20Example.ht ml. Diakses tanggal 24 Desember 2012.
[15] Tyas Saksono, Hanung. Pendeteksian Kanker Paru-Paru dengan
Menggunakan Transformasi Wavelet dan MetodeLinear Discriminant Analysis (LDA).
[16] Wijaya, Marvin Ch. dan Agus Prijono. Pengolahan Citra Digital
Menggunakan Matlab. 2007. Informatika: Bandung.
[17] Yunita, Nourma. Deteksi dan Klasifikasi Kondisi Cuaca berdasarkan Pencitraan Langit berbasis Pengolahan Citra Digital menggunakan Metode Linear Discriminant Analysis (LDA). 2011. IT Telkom, Bandung
Powered by TCPDF (www.tcpdf.org)