PENGHITUNGAN KEPADATAN KENDARAAN DI JALAN TOL MENGGUNAKAN METODE GAUSSIAN MIXTURE MODEL DAN KALMAN FILTER

PENGHITUNGAN KEPADATAN KENDARAAN DI JALAN TOL MENGGUNAKAN

METODE GAUSSIAN MIXTURE MODEL DAN KALMAN FILTER

Muhammad Jendro Yuwono1_{, Bedy Purnama}2_{, Febryanti Sthevanie}3 1,2,3 _{Prodi S1 Teknik Informatika, Fakultas Teknik, Universitas Telkom}

1_{muhammadjendroyuwono@hotmail.com,} 2_{bedypurnama@telkomuniversity.ac.id,} 3_{stevanie@telkomuniversity.ac.id}

Abstrak

Tingkat kepadatan volume kendaraan yang terdapat di jalan tol menjadi acuan dalam mengetahui informasi kepadatan kendaraan di jalan tol. Untuk mengetahui cara penghitungan ataupun cara pendeteksian kepadatan kendaraan terserbut, perlu adanya metode yang efisien untuk mengetahui tingkat kepadatan kendaraan yang melintas di jalan tol. Karena pemantauan yang dilakukan oleh pihak kepolisian, dinas perhubungan, maupun pihak penyelenggara jalan tol saat ini menggunakan berbasis video pengintai yang masih dipantau oleh manusia / orang secara manual. Maka dari itu perlu adanya sistem yang dapat menghitung kepadatan objek kendaraan yang terdapat di jalan tol. Seperti yang telah dilakukan pada penelitian sebelumnya dimana metode yang digunakan adalah edge detection, mampu menghasilkan tingkat akurasi hingga 80% dalam menghitung kepadatan kendaraan di jalan tol[6]. Metode edge detection menggunakan resource yang tinggi dalam keperluan komputasi, ini menjadi kelemahan penggunaan edge detection sebagai metode dalam kasus tersebut[6]. Dalam hal ini penelitian bertujuan untuk mengimpementasikan metode Gaussian Mixture Model dan Kalman Filter dalam kasus penghitungan kendaraan di jalan tol. metode GMM digunakan untuk mensubstraksi background dan foreground. Serta metode Kalman Filter yang digunakan untuk tracking kecepatan untuk memenuhi standar klasifikasi kepadatan jalan tol di Indonesia[8]. Dari hasil penelitian diperoleh tingkat akurasi rata rata sebesar 90.79%, dengan menggunakan parameter – parameter metode Gaussian Mixture Model yaitu Model GMM sebesar 3 threads, Threshold sebesar 0.05 dan Learning Rate sebesar 0.04. Dan parameter yang digunakan pada metode Kalman Filter yaitu state covariance matrix sebesar [1 1], process noise matrix sebesar [25 10] dan measurement noise sebesar 25.

Kata Kunci—CCTV, vehicle counting, jalan tol, statistik kepadatan, Gaussian Mixture Model. 1. PENDAHULUAN

Seiring berkembangnya waktu, tingginya tingkat populasi penduduk mulai menjadi masalah khususnya di kota-kota. Salah satunya adalah kemacetan yang mulai meraja. Mobilitas penduduk yang tinggi, semakin bertambahnya jumlah kendaraan setiap tahun dan minimnya pembangunan infrastruktur jalanan menambah parahnya kemacetan yang ada. Tidak hanya di jalan-jalan biasa, jalan tol atau yang biasa disebut jalan bebas hambatan pun sudah mulai mengalami kemacetan. Informasi tentang kondisi kepadatan jalan tol tentu sangat dibutuhkan oleh pihak terkait guna memaksimalkan pelayanan jalan tol. Tingkat pelayanan ini didasarkan pada karakteristik operasi yang tertuang dalam peraturan Menteri Perhubungan nomor KM 14 Tahun 2006[8].

Karena pemantauan yang dilakukan oleh pihak kepolisian, dinas perhubungan, maupun pihak penyelenggara jalan tol saat ini menggunakan video pengintai yang masih dipantau oleh manusia / orang secara manual, maka dari itu perlu adanya sistem yang dapat menghitng kepadatan kendaraan yang terdaoat di jalan tol.

Dalam hal ini penelitian bertujuan untuk mengimpementasikan metode Gaussian Mixture Model dan Kalman Filter dalam kasus penghitungan kendaraan di jalan tol. berdasarkan penelitian sebelumnya yang menggunakan metode Gaussian Mixture Model dan Kalman Filter[3][9]. Metode GMM digunakan untuk mensunbstraksi background dan foreground. Serta metode Kalman Filter yang digunakan untuk tracking kecepatan untuk memenuhi standar klasifikasi kepadatan jalan tol diIndonesia[8]. Sehingga pendeteksi kepadatan dapat bekerja dengan baik dan handal.

METODE/ALGORITHM/TOOLS , DST.

Pada penelitian ini beberapa metode telah digunakan antara lain Gaussian Mixture Model, dan Kalman Filter. Penjelasan setiap metode akan di jelaskan sebagai berikut:

2.1 Gaussian Mixture Model

Gaussian Mixture Model (GMM) adalah sebuah tipe density model yang terdiri dari komponen fungsi fungsi Gaussian [10]. Komponen fungsi ini terdiri dari weight yang berbeda untuk menghasilkan multi-model density.Pada penelitian ini GMM digunakan untuk memodelkan warna-warna foreground dari tiap pixel. Tiap pixel memiliki GMM-nya sendiri dan data yang diolah adalah warna pixel yang didapat dari input. Model-model GMM terbentuk dari data warna pixel berdasarkan waktu. Model yang terbentuk dibagi menjadi 2 bagian, model foreground dan model non-foreground. Model foreground adalah model yang mencerminkan foreground. Jumlah model GMM yang digunakan mempengaruhi jumlah model foreground.Semakin besar jumlah model GMM yang dipakai semakin banyak model foreground yang dimiliki oleh suatu pixel. Terdapat beberapa tahap proses untuk metode ini yaitu tahap pencocokan input terhadap distribusi dan tahap pemilihan distribusi yang mencerminkan foreground. Di dalam tahap pencocokan terdapat tahap update parameter.

Pada tahap ini input dicocokkan dengan semua distribusi sampai ditemukan distribusi yang paling cocok. Suatu pixel dikatakan masuk dalam suatu distribusi jika nilai pixel tersebut masuk dalam jarak 2.5 standar deviasi dari sebuah distribusi.

𝜇 − 2.5 ∗ 𝜎 < 𝑋 < 𝜇 + 2.5 ∗ 𝜎 … (1)

Dimana:

Xt: vektor dari warna pixel (R,G,B) pada waktu t

𝜇

:vektor nilai mean (R,G,B) dari Gaussian ke kth

𝜎

: standar deviasi dari Gaussian ke kth

Apabila pixel tidak cocok dengan semua distribusi yang ada maka pixel tersebut dianggap sebagai foreground dan dibuat suatu distribusi baru dengan menggantikan distribusi yang paling tidak mencerminkan foreground. Distribusi baru memiliki nilai mean sesuai dengan nilai pixel, nilai varians yang tinggi, dan nilai weight yang kecil.Nilai awal yang diberikan pada variabel tersebut sangat mempengaruhi performa dari algoritma GMM.

Pada tahap update akan di lanjutkan dengan penyesuaian nilai dari parameter-parameter GMM yang nantinya digunakan untuk mengolah input selanjutnya. Nilai yang di-update terdiri dari weight, mean, dan varian. Nilai weight di-update tiap waktu. Untuk mengupdate nilai weight digunakan rumus [10]:

𝜔

,

= (1 − 𝑎)𝜔

,

+ 𝑎(𝑀

,

) … (2)

Dimana:

𝜔

_, : nilai weight dari Gaussian ke kth _{pada waktu t}

𝑎 :learning rate dari nilai Mk,t adalah 1 untuk model yang cocok, dan 0 untuk model lainnya

Setelah nilai weight di-update dilakukan normalisasi sehingga total weight dari semua distribusi tidak lebih dari 1. Nilai mean dari suatu distribusi di-update setiap ada nilai pixel yang cocok dengan distribusi tersebut. Untuk meng-update nilai mean digunakan rumus [10]:

𝜇 = (1 − 𝜌)𝜇

+ 𝜌𝑋 … (3)

Dimana

𝜌 = 𝑎𝜂(𝑋 |𝜂 , Σ ) … (4)

Dimana:

𝜂(𝑋|𝜇, Σ) =

1

(2𝜋) (2𝜋)

𝑒

( ) ( )

… (5)

Dimana:

Σ

_{: covariance matrix}

|Σ|

_{: determinant dari covariance} : transpose matrix

: inverse matrix

𝑒

_{: exponent}

𝜋

_{: phi}

𝑛

_{: ukuran vektor X (R,G,B ) dimana covariance di dapat dari[10]}

Σ

,

= 𝜎 𝐼 … (6)

Dimana:

I : matrix identitas

𝜎

: varians dari Gaussian ke kth

Nilai standar deviasi dari suatu distribusi diupdate setiap ada nilai pixel yang cocok dengan distribusi tersebut. Untuk meng-update nilai standar deviasi digunakan rumus [10]:

𝜎 = (1 − 𝜌)𝜎

+ 𝜌(𝑋 − 𝜇 ) (𝑋 − 𝜇 ) … (7)

Pada tahap ini dipilih model-model yang mencerminkan foreground. Pertama model-model diurutkan berdasarkan   ω/σ2 _{sehingga distribusi yang paling mencerminkan foreground tetap di atas dan yang tidak} mencerminkan foreground ada di bawah yang nantinya digantikan oleh distribusi yang lain. Untuk memilih B distribusi pertama yang dijadikan distribusi foreground digunakan rumus:

𝐵 = arg

𝑚𝑖𝑛

𝑏

(

𝜔 > 𝑇) … (8)

Dimana:

T: proporsi terkecil dari data yang sebaiknya di hitung sebagai foreground[10].

Gambar 2.1 Histogram Grey Level

Histogram diatas dapat kita cari nilai distribusi Gaussiannya dengan memodelkannya seperti di bawah ini:

2.2 Kalman Filter

Kalman Filter merupakan estimator rekursif. Ini berarti bahwa hanya estimasi state dari langkah waktu sebelumnya dan pengukuran saat ini yang dibutuhkan untuk menghitung estimasi kondisi saat ini. dengan demikian, tidak ada riwayat pengamatan atau perkiraan diperlukan. Kalman Filter memiliki dua fitur khas. Salah satunya adalah model matematika yang dijelaskan dalam hal konsep state-space. Konsep lain adalah bahwa solusi dihiutng secara rekursif. Biasanya Kalman Filter digambarkan dengan model state sistem dan model pengukuran. [2] Modelstate-space dijelaskan sebagai modelstate sistem dan model pengukuran seperti yang ditunjukkan pada persamaan 16 dan 17:

𝑠(𝑡)   =  𝑂(𝑡 − 1)𝑠(𝑡 − 1) + 𝑤(𝑡) … (16)

𝑧(𝑡)   =  𝐻(𝑡)𝑠(𝑡) + 𝑣(𝑡) … (17)

Dimana O(t-1) dan H(t) merupakan state matrix transisi dan matrix pengukuran secara berturut-turut. w(t) dan v(t) merupakan noise Gaussian white dengan rata-rata nol. Kalman Filter memiliki 2 fase yaitu: langkah prediksi dan langkah koreksi. Langkah prediksi bertanggung jawab untuk memproyeksikan ke depan kondisi saat ini, memperoleh prior estimasi state S(t-). Tugas langkah koreksi adalah untuk umpan balik. Ini menggabungkan pengukuran aktual ke dalam sebuah prior estimasi untuk mendapatkan estimasi improved posterior S(t+) . Yang mana sesuai dengan persamaan 18.

𝑆 (𝑡) = 𝑆 (𝑡) + 𝑘(𝑡)[𝑧(𝑡) − 𝐻(𝑡)𝑆 (𝑡)] … (18)

Yang mana k(t) pembobotan dan dideskripsikan pada persamaan 19.

𝑘(𝑡) =

𝑝 (𝑡)𝐻(𝑡)(𝑡)

𝐻(𝑡)𝑝 (𝑡)𝐻(𝑡) + 𝑅(𝑡)

… (19)

Dalam (19), p(-t) adalah prior kovarian kesalahan estimasi. Hal ini akan didefinisikan pada persamaan (20).

𝑃 (𝑡) = 𝐸[𝑒 (𝑡)𝑒 (𝑡) ] … (20)

Dimana e-(t) = s(t) – s-(t) adalah prior kesalahan estimasi. Selain itu, kovarian error estimasi didefinisikan seperti ditunjukkan dalam persamaan 21.

𝑃 (𝑡) = 𝐸[𝑒 (𝑡)𝑒 (𝑡) ] … (21)

Dimana e+(t) = s(t) – s+(t) adalah posterior estimasi error.

Langkah prediksi dan langkah koreksi dilaksanakan secara berulang seperti ditunjukkan oleh persamaan 22, 23, 24, 25, dan 26. Langkah prediksi:

𝑆 (𝑡) = 𝑂(𝑡 − 1)𝑠 (𝑡 − 1) … (22)

𝑝 (𝑡) = 𝑂(𝑡 − 1)𝑝 (𝑡 + 1)𝑂(𝑡 − 1) + 𝑄(𝑡 − 1) … (23)

Langkah koreksi:

𝑘(𝑡) = 𝑝 (𝑡)𝐻(𝑡) [𝐻(𝑡)𝑝 (𝑡)𝐻(𝑡) + 𝑅(𝑡)]

… (24)

𝑠 (𝑡) = 𝑠 (𝑡)𝑘(𝑡)[𝑧(𝑡) − 𝐻(𝑡)𝑠 (𝑡)] … (25)

𝑝 (𝑡) = [1 − 𝑘(𝑡)𝐻(𝑡)]𝑝 (𝑡) … (26)

Siklus prediksi-koreksi ini terus berulang-ulang. Pada persamaan 24 perhitungan error R(t) dan perolehan Kalman k(t) berada pada rasio terbalik. Semakin kecil R(t), perolekan k(t) bobot semakin besar. Dalam hal ini, pengukuran yang lebih dipercaya sedangkan hasil prediksi kurang. Namun sebagai priori estimasi error p-(t) mendekati nol, perolehan k(t) bobot sisa kurang berat. Penghitungan aktual adalah kurang dipercaya dan kurang, sedangkan hasil prediksi lebih dipercaya lagi dan lagi.

3 PEMBAHASAN

3.1 Perancangan Proses dan Implementasi

Kegiatan yang telah di lakukan adalah menganalisis kecepatan dan kepadatan kendaraan yang terdapat di dalam area yang telah di tentukan dan menghasilkan sebuah status yang telah di analisis. Video yang di gunakan adalah video yang sudah di simpan di dalam media penyimpanan. Tidak hanya itu, aplikasi ini juga dapat mendeteksi adanya mobil serta menghitung kendaraan tersebut dan menghitung kecepatan dari kendaraan yang sedang berjalan di jalan tol (Highway / Toll Road).

Gambar 3.3 Diagram Alur

a. InputVideo Rekaman

Video rekaman hasil dari CCTV di inputkan.

b. Ekstraksi Frame

Video di ekstraksi berdasarkan frameframe citra 2 dimensi yang di analisa ke tahap selanjutnya

c. Output Data Frame

Data tentang video yang telah di substraksi berupa gambar frame.

d. GMM Foreground Substraction

Mengenali foreground dan background dengan menggunakan metode GaussianMixtureModel

e. Deteksi Batasan Area Jalan Tol

Mendeteksi dan memilih area batasan pixel yang di analisis kepadatan dan kecepatannya.

f. Kalman Filter Object Tracking

Tracking objek yang telah di ketahui blob foregroundnya dengan menggunakan metode Kalman Filter.

g. Tracking Kecepatan

Menganalisa tingkat kecepatan dari hasil tracking oleh Kalman Filter h. Output Data Kecepatan

Menghasilkan informasi analisa kecepatan kendaraan

i. Analisa Kepadatan

Menganalisa tingkat kepadatan dari data kecepatan dan area yang di pilih.

j. Output Informasi Kepadatan

Menghasilkan informasi dari analisa kecepatan dan kepadatan.

3.2 Analisa Output a. OutputGMM

GMM yang telah di pilih dan di konfigurasi menghasilkan blob blob hitam dan putih yang di analisa nilai F1 score nya dengan rumus[11]:

𝐹1   =

2 ∗ 𝑇𝑃

2 ∗ 𝑇𝑃 + 𝐹𝑃 + 𝐹𝑁

… (27)

Dimana : F1: F1 Score TP: True Positive FP: False Positive FN: False Negative

True positive, false positive, false negative didapat dengan menggunakan perbandingan antara titik pixel citra blob hasil dari aplikasi dan dengan citra blob yang telah di definisikan secara manual.

Gambar 3.4 Citra Blob Manual

Gambar 3.5 Citra Blob Aplikasi Tabel 3.1 Confusion Matrix

Confusion Manual : Aplikasi

True Positive 0:0 atau 1:1

False Positive 1:0

False Negative 0:1

b. Output Kalman Filter

Kalman Filter digunakan untuk tracking sebuah objek yaitu kendaraan. Output yang di hasilkan dari Kalman Filter adalah sebuah langkah prediksi posisi yang di dapat dari frame frame yang di gunakan oleh objek asli. [1]

Citra Asli Frame1 Prediksi frame 2 Prediksi frame 3

Gambar 3.6 Langkah prediksi Kalman Filter

Dari jarak antara centroid yang telah di ketahui, diperoleh nilai nilai yang di gunakan untuk proses pengambilan kesimpulan dengan menggunakan probability density function (pdf), dari grafik pdf dapat diketahui tingkat akurasi dari Kalman Filter. Jika jarak pixel yang di peroleh semakin mendekati angka nol, maka dapat disimpulkan sebuah konfigurasi Kalman Filter tersebut presisi dan akurat.

c. Output Aplikasi

Keluaran yang dihasilkan dari penelitian ini adalah aplikasi yang memberikan sebuah informasi yang di tampilkan di video output tersebut, dengan keluaran berupa klasifikasi tingkat kepadatan sesuai dengan poin – poin seperti berikut[7]:

Tabel 3.2 Analisa Output

Tingkat pelayanan Karakteristik operasi terkait  Klasifikasi kepadatan

 Kecepatan  ≥  100   Km/Jam  Max Kendaraan 1400 kend/jam kend/km  Lancar B  Arus stabil dengan kecepatan tinggi  Kecepatan   ≥   90   Km/Jam  Max kendaraan 2000 kend/jam  Kepadatan 15 – 22 kend/km  Lancar C  Arus stabil  Kecepatan   ≥   80   Km/Jam  Max kendaraan 3000 kend/jam  Kepadatan 23-37 kend/km  Sedang D  Arus tidak stabil

dan peka terhadap perubahan  Kecepatan 60 – 80 Km/Jam  Max kendaraan 3600 kend/jam  Kepadatan 38 – 60 kend/km  Sedang

E  Arus tidak stabil  Kecepatan 50 – 60 Km/Jam  Max kendaraan 4000 kend/jam  Kepadatan 61 – 80 kend/km  Padat F  Arus tidak stabil

 Kecepatan 50 – 60 Km/Jam  Max kendaraan 4000 kend/jam  Kepadatan > 80 kend/km  Padat

Tahap training dilakukan sebanyak kombinasi dari konfigurasi yang di gunakan. Pada tahap training menghasilkan analisa training berupa nilai positive rate nya dengan perhitungan dan spesifikasi berikut:

 True Positive : deteksi citra satuan kendaraan  True Negative : deteksi citra kendaraan oklusi  False Positive : kendaraan yang tidak terdeteksi  False Negative : deteksi objek bukan kendaraan

Positive rate didapat dari persamaan:

𝐴𝐶𝐶 =

(𝑇𝑟𝑢𝑒  𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝑇𝑟𝑢𝑒  𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒)

((𝑇𝑟𝑢𝑒  𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒  𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒) + (𝑇𝑟𝑢𝑒  𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒 + 𝐹𝑎𝑙𝑠𝑒  𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒))

… (28)

Dari hasil training mendapatkan nilai positive rate, kemudian setelah nilai positive rate tertinggi diketahui, maka konfigurasi tersebut digunakan dalam tahap testing. Testing dilakukan dengan menggunakan video yang berbeda dengan video testing. Dilakukan untuk menguji nilai nilai konfigurasi yang tertinggi.

Perhitungan akurasi dan error rate dapat di ketahui ketika pengujian terhadap sistem di lakukan dengan membandingkan jumlah kendaraan yg terdeteksi oleh sistem dengan jumlah nyata

Sesuai dengan persamaan:

𝐸𝑟𝑟𝑜𝑟  𝑅𝑎𝑡𝑒 =

|𝐽𝑢𝑚𝑙𝑎ℎ  𝑁𝑦𝑎𝑡𝑎 − 𝐽𝑢𝑚𝑙𝑎ℎ  𝑆𝑖𝑠𝑡𝑒𝑚|

𝐽𝑢𝑚𝑙𝑎ℎ  𝑁𝑦𝑎𝑡𝑎

∗ 100% … (29)

|𝐽𝑢𝑚𝑙𝑎ℎ  𝑁𝑦𝑎𝑡𝑎 − 𝐽𝑢𝑚𝑙𝑎ℎ  𝑆𝑖𝑠𝑡𝑒𝑚|

3.3 Output Aplikasi

Kepadatan di peroleh dari perhitungan kecepatan rata – rata setiap 10 detik sekali, yang perhitungannya berdasarkan banyaknya unit kendaraan yang melintas dan rata – rata kecepatan seluruh kendaraan yang melintas. Dan sesuai dengan aturan[7] dan [8] analisa kepadatan di klasifikasikan ke dalam 6 kategori.

Analisa dilakukan dengan menggunakan skenario - skenario pengujian dengan membandingkan data analisa kepadatan sesuai dengan output dari aplikasi dan dengan analisa pengujian kasat mata (aktual). Skenario – scenario yang digunakan adalah sebagai berikut:

Tabel 4.6 Hasil analisa error rate dan accuracy Skenario Durasi Kategori

Tingkat

Kepadatan Selisih _Data Aplikasi Aktual 1 04:10 Lancar 238 266 28 2 01:00 Padat 70 76 6 3 01:00 menuju Padat Macet 39 42 3 4 00:30 menuju Macet Lancar 28 29 1 Jumlah 375 413 38 Error rate 9.21% Accuracy 90.79%

Dari hasil analisa tabel diatas, di ketahui bahwa aplikasi menghasilkan error rate sebesar 9.21% dan nilai accuracy sebesar 90.79%.

4 KESIMPULAN DAN SARAN

4.1 Kesimpulan

Penggunaan metode GMM dan Kalman Filter dengan nilai parameter GMM yaitu model GMM sebesar 3 threads, threshold sebesar 0.04 dan Learning rate sebesar 0.05, serta nilai parameter Kalman Filter yaitu matrix state covariance sebesar [1 1], matrix Process Noise sebesar [25 10] dan measurement noise sebesar 25. Menghasilkan tingkat akurasi rata rata sebesar 90.79 % yang pengujiannya di lakukan pada 4 skenario yang berbeda kategori kepadatannya.

Metode tersebut menghasilkan tingkat akurasi 10,79% lebih tinggi dari penelitian sebelumnya yang menggunakan metode edge detection[6] pada kasus penghitungan kepadatan kendaraan di jalan tol.

4.2 Saran

Dalam kasus yang berkaitan dengan hal ini maka penulis mengajukan beberapa saran untuk pengembangan penelitian ini. Poin poin saran yang diajukan oleh penulis antara lain:

1. Pada penelitian berikutnya, diharapkan dataset yang digunakan adalah video rekaman CCTV dari pihak penyedia jalan tol maupun dinas perhubungan yang mempunyai standar frame per second diatas 20 fps, hal ini digunakan untuk meningkatkan akurasi dari metode Kalman Filter.

2. Dataset yang digunakan sebaiknya citra yang dari sisi atas jalan tol dengan sudut kemiringan lebih dari 60 derajat, dan pengamatan citra sebaiknya dengan point of view pada posisi jalan dengan kondisi lurus. Dimaksudkan agar mengurangi oklusi yang mengganggu sistem.

5. DAFTAR PUSTAKA

Penelitian ini di dukung oleh beberapa sumber ilmiah yang terkait:

[1] Aristyagama, (2013) Tracking Obyek menggunakan Kalman Filter. Universitas Telkom

[2] B.S.L, N. R., & Akbar, D. F. (2014). Object Tracking Berbasis Foreground Substraction dan Kalman Filter. Universitas Brawijaya.

[3] Cao, J., & Li, L. (2009). Vehicle Objects Detection of Video Images Based on Gray-Scale Characteristics. First International Workshop on Education Technology and Computer Science.

[4] Doğan,  S.,  Temiz,  M.  S.,  &  Kü,  S.  (2010).  Real time Speed Estimation of Moving Vehicles from Side View Images from an Uncalibrated Video Camera. Sensors.

[5] Hakim, R. I. (2014). Traffic Density Detection in Video using Combination Value and Saturation (CVS)

Methode. Telkom University.

[6] Lin, M., & Xu, X. (2006). Multiple Vehicle Visual Tracking from a Moving Vehicle. IEEE.

[7] Marga, D. B. (1997). Manual Kapasitas Jalan Indonesia. Jakarta: Direktorat Bina Marga Repubilk Indonesia.

[8] PERHUBUNGAN, M. (2006). PERATURAN MENTERI PERHUBUNGAN NOMOR: KM 14 TENTANG

MANAJEMEN DAN REKAYASA LALU LINTAS DI JALAN. JAKARTA: DEPARTEMEN PERHUBUNGAN.

[9] Singh, B., Singh, D., singh, G., Sharma, N., & Sibbal, V. (2014). Motion Detection for Video Surveillance. IEEE.

[10] Stauffer , C., & Grimson, W. (2001). Adaptive background mixture models for real-time tracking. Massachusetts Institute of Technology.

[11] Zachary, Elkan, & Naryanaswamy, (2014). Thresholding Classifiers to Maximize F1 Score. University of California.