Ardan Wicaksono¹, Heroe Wijanto², Gelar Budiman³
¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom
Abstrak
Kata Kunci :
Abstract
At this time road users in major cities of Indonesia requires some information about traffic density and because of the growing period, the number of vehicles users will increase and this will also cause traffic congestion levels are higher as well. To obtain information system about the traffic density, some video samples have been taken to describe the road conditions in traffic jam, dense, medium, and smooth.
In this final project, the author uses the method of Support Vector Machine (SVM) that growing rapidly in pattern recognition. The carried out proccess to identify the traffic conditions on the road is a video capture and data on the road, pre-processing, feature extraction and classification of road traffic conditions. The algorithm used for feature extraction vehicle is Independent Component Analysis, while for the classification of texture characteristics of roads author will use SVM.
The results are shown as the classification of the traffic conditions which are divided into classes each. And this system also can recognize the pattern of road traffic conditions and can identify any particular type of road traffic conditions. Designed system can achieve 100% accuracy rate in identifying image conduct road traffic by using Support Vector Machine (SVM) and Independent Component Analysis (ICA).
Keywords : Traffic Density, Independent Component Analysis (ICA), Support Vector Machine(SVM)
BAB I
PENDAHULUAN
1.1. LATAR BELAKANG
Merujuk penulisan tugas akhir tentang perancangan dan penentuan sistem kepadatan lalu lintas yang dilakukan oleh Denis Sabrina[8] menunjukkan bahwa dalam penentuan kepadatan lalu lintas menggunakan metode frame difference pengaruh intensitas cahaya mendapatkan nilai akurasi maksimal pengujian sebesar 98.77% pada pagi hari, 81.21% pada siang hari, 98.16% pada sore hari dan 27.08% pada malam hari. Dengan melihat hasil diatas penulis berupaya membuat suatu program aplikasi yang bias menyempurnakan hasil penentuan kepadatan lalu lintas hingga 100% agar kebutuhan pengguna jalan dapat terpenuhi secara maksimal.
Semakin meningkatnya pengguna dan jumlah kendaraan di kota kota besar pada waktu tertentu akan menyebabkan kepadatan lalu lintas yang semakin meningkat pula. Apalagi dengan ruas jalan yang kurang mengimbangi dengan jumlah kendaraan yang ada. Sehingga, informasi lalu lintas sangat dibutuhkan oleh pengguna jalan dengan tujuan lokasi tertentu. Selama ini, informasi mengenai keadaan lalu lintas diperoleh secara manual, misalnya aparat lalu lintas yang terjun langsung ke dalam ruas jalan yang bersangkutan, sehingga informasi yang didapatkan adalah asumsi dari aparat itu sendiri. Sehingga, hal ini menyebabkan keterlambatan dalam menghindari kepadatan lalu lintas. Untuk mendapatkan sistem informasi mengenai kepadatan lalu lintas, dilakukan pengambilan beberapa sample gambar dari rekaman video yang dilakukan yang menggambarkan lalu lintas di suatu ruas jalan dalam kondisi sangat lancar, lancar, sedang, dan padat.
Pada tugas akhir ini, penulis akan menggunakan metode SVM (Support Vector
Machine) yang kemampuannya dalam berbagai aplikasi menempatkannya sebagai state of the art dalam pattern recognition dan domain ini merupakan salah satu metoda
pengenalan pola yang berkembang pesat. Support vector machine (SVM) merupakan salah satu metode yang digunakan untuk mendapatkan hipotesis dalam berupa bidang pemisah terbaik yang tidak hanya meminimalkan empirical risk yaitu rata-rata error
pada data penelitian tetapi juga memiliki kemampuan sebuah hipotesis untuk mengklasifikasikan data yang tidak terdapat di dalam data penelitian yang benar. SVM dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on Computational Learning Theory. Konsep dasar SVM sebenarnya merupakan kombinasi harmonis dari teori-teori komputasi yang telah ada puluhan tahun sebelumnya, seperti margin hyperplane, kernel diperkenalkan oleh Aronszajn tahun 1950, dan demikian juga dengan konsep-konsep pendukung lainnya. Akan tetapi hingga tahun 1992, belum pernah ada upaya merangkaikan komponen-komponen tersebut.
Sistem analisis kepadatan lalu lintas ini terdiri dari empat tahap, Image
Acquisition, pre-processing, Feature Extraction dan classification. Pre-processing
berfungsi untuk meminimalisasikan data yang akan diproses nantinya. Salah satu metode yang dapat digunakan dalam Feature Extraction adalah Independent
Component Analysis ( ICA ). ICA dapat menghasilkan performansi yang baik dan dapat
mengurangi redudansi antar piksel dalam penganalisisn citra. Sedangkan SVM digunakan dalam classification.
Dengan menerapkan ICA yang dapat mereduksi dimensi data dan metode klasifikasi SVM yang dapat mencari Hyperplane pemisah terbaik antar kelas maka system analisis kepadatan lalu lintas dapat diimplementasikan dengan menggunakan gabungan dua metode tersebut untuk menghasilkan analisis kepadatan lalu lintas yang lebih baik.
1.2. Tujuan Penulisan
Tujuan dari penulisan tugas akhir ini adalah :
1. Merancang dan melakukan implementasi program aplikasi yang berfungsi untuk analisis kepadatan lalu lintas dengan menggunakan Independent
Component Analysis ( ICA ) dan support vector machine (SVM).
2. Menganalisis performansi program aplikasi untuk menentukan kepadatan lalu lintas di suatu ruas jalan dengan menganalisis tingkat kepadatan dari suatu ruas jalan dengan memperhitungkan tingkat akurasi penelitian.
1.3 Rumusan Masalah
Dalam tugas akhir ini, akan membahas beberapa permasalahan tentang performansi sistem informasi mengenai kepadatan lalu lintas di suatu ruas jalan. Sehingga, yang akan dianalisis yaitu:
1. Bagaimana membuat program aplikasi pengidentifikasian kondisi ruas jalan dengan menggunakan SVM.
2. Bagaimana menganalisis Independent Component Analysis ( ICA ) yang digunakan untuk memperbaiki kualitas dan ekstraksi ciri dari ruas jalan. 3. Bagaimana melakukan klasifikasi terhadap pengolahan citra dengan
menggunakan SVM.
1.4 Batasan Masalah
Dalam penulisan tugas akhir ini, ruang lingkup pembahasan masalah hanya dibatasi pada :
1. Input sistem adalah berupa citra kondisi ruas jalan yang diambil dari camera video, sehingga mencakup luasan sesuai jarak (kondisi lancar, sedang, padat, dan macet) dengan kondisi cuaca yang cukup cerah di
outdoor pada siang dan malam hari.
2. Posisi camera video berada di atas suatu kondisi ruas jalan.
3. Citra dalam bentuk format asli dan pada saat tahap pre-processing citra diubah menjadi citra black and white.
4. Teknik peningkatan kualitas dan ekstraksi ciri yang digunakan jenis
Independent Component Analysis ( ICA ).
5. Identifikasi kepadatan lalu lintas menggunakan metode SVM. 6. Pembagian kondisi citra ruas jalan bersifat subjektif.
1.5 Metodologi Penelitian
a. Studi literatur dan pustaka
1. mempelajari tentang pengolahan citra digital dan pengenalan pola 2. mempelajari tentang Independent Component Analysis ( ICA ) 3. mempelajari tentang support vector machine (SVM)
b. Pengumpulan data
Bertujuan untuk mendapatkan database citra ruas jalan yang akan digunakan sebagai masukan dari sistem.
c. Studi pengembangan aplikasi
Bertujuan untuk menentukan metodologi pengembangan sistem yang akan digunakan dengan pendekatan tersruktur dan melakukan analisis perancangan.
d. Implementasi program aplikasi
Bertujuan untuk melakukan implementasi metode pada program aplikasi sesuai dengan perancangan yang telah dilakukan.
e. Analisis performansi
Bertujuan untuk melakukan analisis performansi pengidentifikasian kepadatan lalu lintas menggunakan filter ICA dan SVM.
f. Pengambilan kesimpulan
Bertujuan untuk menarik kesimpulan setelah melakukan percobaaan hasil analisis
1.6 Sistematika Penulisan
Sistematika penulisan dalam tugas akhir ini adalah :
Bab I PENDAHULUAN
Pada bab ini dijelaskan mengenai gambaran umum masalah yang akan dibahas, latar belakang masalah, tujuan penulisan, perumusan masalah, batasan masalah, metode penyelesaian masalah, dan sistematika penulisan.
Bab II DASAR TEORI
Berisi teori tentang teori yang mendukung dan mendasari penulisan tugas akhir ini, yaitu membahas konsep yang berkaitan dengan ruas jalan, pengolahan citra, independent component analysis ( ICA ) serta
support vector machine (SVM).
Bab III PERANCANGAN SISTEM DAN SIMULASI
Bab ini berisi tentang model implementasi, algoritma dan flowchart, serta blok diagram dalam proses pengambilan gambar dan data di suatu ruas jalan, kemudian dilakukan pengolahan awal, ekstraksi ciri, klasifikasi dengan independent component analysis ( ICA ) serta pengenalan pola dan identifikasi kondisi ruas jalan dengan SVM pada prototype sistem.
Bab IV ANALISIS HASIL SIMULASI
Pada bab ini berisi analisis terhadap hasil yang diperoleh dari tahap perancangan sistem dan simulasi.
Bab V KESIMPULAN DAN SARAN
Bab ini berisi tentang kesimpulan dan saran dari permasalahan bab-bab tersebut di atas.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari pengujian dan analisis sistem yang telah dilakukan untuk menentukan kepadatan lalu lintas dengan menggunakan metode ICA dan SVM, dapat diambil kesimpulan sebagai berikut :
1. Dengan membandingkan hasil yang dilakukan pengujian lain dengan menggunakan metode frame different maka dapat disimpulkan Analisis Kepadatan Lalu lintas dengan menggunakan metode ICA dan SVM mendapatkan hasil yang lebih baik dimana tingkat prosentase keberhasilan mencapai 100% sementara untuk metode frame different akurasi yang dicapai maksimal bernilai 98,77 %.
2. Semakin besar ukuran normalisasi maka akan semakin tinggi pula akurasi keberhasilan pengenalan yang di dapat. Hal ini dikarenakan semakin besar ukuran normalisasi maka akan semakin sedikit informasi pada citra kepadatan lalu lintas yang hilang.
3. Penggunaan ICA masih cukup berpengaruh pada sistem klasifikasi kepadatan lalu lintas ini. Walapun tanpa ICA bisa didapatkan akurasi 100% di ukuran normalisasi 350x450, dengan menggunakan ICA didapatkan akurasi 100% dengan ukuran normalisasi yang lebih kecil yaitu 250x350 dan dengan waktu yang lebih cepat dibandingkan tanpa menggunakan ICA.
4. Pada proses non-realtime normalisasi tidak terlalu berpengaruh terhadap prosentase keberhasilan, yang mempengaruhi prosentase keberhasilan adalah tingkat interval dari rentang waktu yang ditentukan, semakin besar interval
frame, maka akan semakin tinggi juga prosentase keberhasilan pengklasifikasian
kepadatan lalu lintas.
5. Metode SVM multiclass one-against-all mendapatkan akurasi yang lebih baik dibandingkan metode SVM multiclass one-against-one dengan hanya tidak mencapai prosentase keberhasilan 100% di ukuran normalisasi 150x250.
5.2 Saran
Untuk pengembangan tugas akhir ini selanjutnya, dapat dilakukan dengan cara : 1. Menambahkan Jumlah database Ciri untuk menaikkan prosentasi keberhasilan
pada proses non-realtime.
2. Menggunakan proses realtime online untuk mengetahui sejauh mana perbedaan hasil yang diperoleh dengan tugas akhir ini.
3. Menambahkan variasi noise dan posisi pengambilan video untuk memperbanyak
ANALISIS KEPADATAN LALU LINTAS MENGGUNAKAN ICA DAN SVM 61
DAFTAR PUSTAKA
[1] Cristianini, N. Taylor, J.S. An Introduction to Support Vector Machines and
Other Kernel-Based Learning Methods, Cambridge Press University, 2000.
[2] Steve, Gunn R. Support Vector Machines for Classification and Regression, Faculty of Engineering, Science and Mathematics Scholl of electronics and Computer Science, 1998.
[3] P.C, Yuen. J.H, Lai. Face representation using independent component
analysis, Pattern Recognit, vol.35, no.6, pp.1247–1257, 2002.
[4] Vapnik, V.N. The Nature of statistical Learning Theory, 2nd edition, Springer-Verlag, New York Berlin Heidelberg,1999.
[5] Munir, Rinaldi. Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika, Bandung, 2004.
[6] Ahmad, Usman. Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu, Yogyakarta, 2005.
[7] Yuliaservita, Shinta. Analisa Kepadatan Lalulintas Menggunakan Support
Vektor Machine, IT Telkom, Bandung, 2009.
[8] Sabrina, Denis. Perancangan dan Simulasi Sistem Informasi Lalu lintas
Berdasarkan Pengolahan Video Digital Dengan Metode Frame Difference dan SMS Gateway, IT Telkom, Bandung, 2012.
[9] Arhami, Muhammad dan Desiani, Anita. Pemrograman MATLAB, Andi, Yogyakarta, 2005.
