APLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES
PROPOSAL SKRIPSI
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
BAB 1 PENDAHULUAN
1.1Latar Belakang
Perkembangan teknologi komputer sekarang sangat pesat, ini ditandai dengan hampir semua pengolahan data dan informasi telah dilakukan dengan komputer karena semakin beraneka ragam permasalahan informasi yang harus ditangani. Sebelum adanya komputer, kertas sangat memegang peran penting dalam bidang komunikasi
dan informasi. Tetapi setelah komputer ditemukan dan dengan perkembangan
teknologi komputer, maka alat penyampaian informasi beralih menggunakan
komputer.
Sistem deteksi mobil merupakan suatu teknologi yang sangat membantu dalam berbagai bidang terutama lalulintas yaitu sistem deteksi mobil dalam pemantauan kondisi lalulintas jalan raya. Selain itu, deteksi mobil juga digunakan pada sistem
parkir untuk menghitung jumlah mobil. Berbagai metode telah dikembangkan untuk memaksimalkan hasil deteksi mobil yang umumnya menggunakan camera digital (webcam).
Pemantauan lalulintas, pengaturan tempat parkir merupakan sedikit dari sekian
banyak bidang memanfaatkan teknologi komputer dengan bantuan camera digital. Dalam penerapannya, teknologi sangat membantu pekerjaan-pekerjaan diatas, sebagai contoh adalah teknologi car counting pada sistem lalulintas dan teknologi deteksi dan menghitung jumlah mobil yang memasuki area parkir atau melewati pintu jalan bebas hambatan.
1.2Rumusan Masalah
Yang menjadi permasalahan dalam penelitian ini adalah menghitung kendaraan roda empat yang melewati areal tertentu.
1.3Batasan Masalah
1. Hanya menghitung jumlah kendaraan roda empat dengan kecepatan dibawah 70 Km /Jam.
2. Pendeteksian dilakukan pada siang hari dengan tingkat kecerahan yang optimum.
3. Kamera yang digunakan adalah jenis IP Camera/webcam dengan resolusi minimal 3 MP.
1.4Tujuan
Tujuan dari penelitian ini adalah mendeteksi kendaraan roda empat dan menghitung jumlahnya dengan menggunakan metode Viola-Jones.
1.5Manfaat Penelitian Manfaat penelitian ini adalah:
1. Diperolehnya sebuah perangkat lunak yang dapat menghitung jumlah kendaraan roda empat dengan cepat.
2. Mempermudah memperoleh data jumlah kendaraan yang memasuki areal tertentu dengan menggunakan camera.
1.6Tinjauan Pustaka
1.6.1 Metode Viola – Jones
Cascade classifier. Haar Like Feature yaitu selisih dari jumlah piksel dari daerah di dalam persegi panjang. Contoh Haar Like Feature disajikan dalam Gambar 1.
Gambar 1. Contoh Haar Like Feature
Nilai Haar Like Feature diperoleh dari selisih jumlah nilai piksel daerah gelap dengan jumlah nilai piksel daerah terang:
F Harr = ∑ F white - ∑ F Black...(1)
F Harr = Nilai fitur total
∑ F white = Nilai fitur pada daerah terang ∑ F Black = Nilai fitur pada daerah gelap
Integral Image yaitu suatu teknik untuk menghitung nilai fitur secara cepat dengan mengubah nilai dari setiap piksel menjadi suatu representasi citra baru, sebagaimana disajikan dalam Gambar 2.
Gambar 2. Integral image (x,y)
Berdasarkan Gambar 2, citra integral pada titik (x,y) (ii(x,y)) dapat dicari menggunakan persamaan (2):
ii(x,y)=∑x’ ≤ x, y’ ≤ y i(x’,y’)...(2) Keterangan
ii(x,y)= Citra integral pada lokasi x,y i(x’,y’)= nilai piksel pada citra asli
Perhitungan nilai dari suatu fitur dapat dilakukan secara cepat dengan
menghitung nilai citra integral pada empat buah titik sebagaimana disajikan dalam Gambar 3.
Gambar 3. Perhitungan Nilai Fitur
Jika nilai integral image titik 1 adalah A, titik 2 adalah A+B, titik 3 adalah A+C, dan di titiki 4 adalah A+B+C+D, maka jumlah piksel di daerah D dapat diketahui dengan cara 4+1 –(2+3). Algoritma Adaboost learning, digunakan untuk meningkatkan kinerja klasifikasi dengan pembelajaran sederhana untuk menggabungkan banyak classifier lemah menjadi satu classifier kuat. Classifier lemah adalah suatu jawaban benar dengan tingkat kebenaran yang kurang akurat. Sebuah classifier lemah dinyatakan:
h ( x) = 1,
0,jika pjfj(x) <
( )
...(3)
Keterangan :
Hj(x) = adalah klasifikasi lemah
pj = adalah parity ke j
qj = adalah threshold ke j
x = adalah dimensi sub image misalnya 24x24
Langkah-langkah untuk mendapatkan sebuah classifier kuat dinyatakan dalam suatu algoritma sebagai berikut:
1. Diberikan contoh gambar (x1,y1), … (xn,yn) dimana yi= 0 untuk contoh positif
dan yi= 1 untuk contoh negatif
Dimana m dan l adalah jumlah negatif dan positif
3. Untuk t=1,…,T
Menormalkan bobot sehingga wt adalah distribusi probabilitas
w
, ← ,
∑ ,
...(5)
Untuk setiap fitur, j melatih classifier hj, untuk setiap fitur tunggal
Kesalahan (єj) dievaluasi dengan bobot wt
∑ | ℎ( ) |...(6)
Pilih classifier ht dengan error terkecil dimana ei = 0 untuk xi adalah
klasifikasi benar, dan ei= 1 untuk yang lain.
Perbaharui bobot:
, = , ...(7)
Dimana
...(8)
Didapatkan sebuah Classifier kuat yaitu
h( x) = 1,
0,Σ ℎ ( ) ≥ ... (9)
dimana = log
Cascade classifier adalah sebuah metode untuk mengkombinasikan classifier yang kompleks dalam sebuah struktur bertingkat yang dapat meningkatkan kecepatan pendeteksian obyek dengan memfokuskan pada daerah citra yang berpeluang saja. Struktur cascade classifier disajikan Gambar 4.
Gambar 4 menjelaskan proses penyeleksian keberadaan obyek. Di asumsikan suatu
sub image di evaluasi oleh classifier pertama dan berhasil melewati classifier tersebut, hal ini mengindikasikan sub image berpotensi terkandung obyek dan dilanjutkan pada classifier ke dua sampai dengan ke-n, jika berhasil melewati keseluruhan classifier, maka disimpulkan terdapat obyek yang dideteksi. Jika tidak, proses evaluasi tidak dilanjutkan ke classifier berikutnya dan disimpulkan tidak terdapat obyek.
1.6.2 OpenCV (Intel® Open Source Computer Vision Library)
OpenCV merupakan singkatan dari Intel Open Source Computer Vision Library yang sekurang-kurangnya terdiri dari 300 fungsi-fungsi C, bahkan bisa lebih. Software ini gratis, dapat digunakan dalam rangka komersil maupun non komersil, tanpa harus membayar lisensi ke intel. OpenCV dapat beroperasi pada komputer berbasis Windows ataupun Linux. Library OpenCV adalah suatu cara penerapan bagi komunitas open source visionyang sangat membantu dalam kesempatan meng-update penerapan computer vision sejalan dengan pertumbuhan PC (personal computer) yang terus berkembang. Software ini menyediakan sejumlah fungsi-fungsi image processing, seperti halnya dengan fungsi-fungsi analisis gambar dan pola.
Beberapa contoh aplikasi dari OpenCV adalah pada Human-Computer Interaction (interaksi manusia komputer); Object Indentification (Identifikasi Objek), Segmentation (segmentasi) dan Recognition (pengenalan); Face Recognition (pengenalan wajah); Gesture Recognition (pengenalan gerak isyarat), Motion Tracking (penjajakan gerakan), Ego Motion (gerakan ego), dan Motion Understanding (pemahaman gerakan); Structure From Motion (gerakan dari struktur); dan Mobile Robotics (robot-robot yang bergerak).
Pengenalan wajah pada OpenCV menggunakan metode yang disebutkan oleh metode Viola-Jones (Viola, 2001), juga disebut sebagai Haar cascade classifier.
Pendekatan ini untuk mendeteksi objek dalam gambar dengan menggabungkan empat konsep yaitu:
a. Segi empat sederhana, disebut dengan Haar feature.
b. Sebuah Integral gambar untuk mempercepat menemukan feature. c. Metode AdaBoost machine-learning.
Bentuk yang Viola dan Jones gunakan adalah berdasarkan Haar wavelets.
clasifikasi ini menggunakan gelombang segiempat tunggal (satu interval tinggi dan yang satunya interval rendah) dalam dua dimensi, gelombang persegi adalah pasangan dari segiempat yang berdekatan satu putih yang satunya hitam seperti pada Gambar 2.5.
Gambar 2.5 Klasifikasi Haar digunakan dalam OpenCV (Resources, 2014)
Sebelum melakukan pengenalan, gambar wajah didapat terlebih dahulu sebelum di proses. Hal ini memungkinkan untuk mendapatkan sebuah hasil yang benar dalam sebuah gambar kurang dari 10%. Hal ini sangat penting dilakukan beberapa teknik kedalam standarisasi gambar. Banyak algoritma pengenalan wajah sangat sensitif terhadap kondisi cahaya. Sama halnya dengan model rambut, dandanan, perputaran sudut, ukuran dan emosi yang dapat mempengaruhi proses
pengenalan. Metode pengenalan yang digunakan adalah Eigenface, dan metode ini bekerja dengan gambar skala keabu-abuan. Langkah yang penting untuk mengambil gambar sebelum di proses adalah sebagai berikut:
a. Gambar wajah di potong dan ukurannya disesuaikan. b. Gambar di rubah ke skala ke abu-abuan
c. Histogram equalization
pembelajaran gambar kedalam kumpulan dari Eigenface yang mewakili perbedaan
antara gambar pembelajaran dan rata-rata gambar wajah.
pada mata pelajaran biologi.
Saran
Desain dan
pembuatan aplikasi multimedia
pembelajaran ini masih belum sempurna, sehingga diharapkan dapat dikembangkan
dengan lebih baik lagi oleh para user,
misalnya saja dalam tampilan,
penambahan gambar, animasi dan lain-lain.
1.8 Metode Penelitian 1.8.1 Implementasi Aplikasi
Gambar 3. Arsitektur Umum Menghitung Jumlah Mobil
Keterangan:
1. Input file citra adalah pemilihan file citra oleh user yang berformat JPG maupun BMP.
2. Resize citra adalah normalisasi ukuran dimensi citra (lebar x tinggi) agar sesuai dengan sistem.
Input File Citra
Resize Citra
Grayscale
Fitur Haar
Citra Integral
Cascade of Classifier
Objek mobil/bukan
Hitung Jumlah Pra-process
Viola-Jones
Baca Nilai Piksel Citra
3. Baca nilai piksel citra adalah pembacaan nilai intensitas piksel citra
4. Grayscale adalah konversi piksel citra dari citra warna yang terdiri dari 3 komponen warna RGB menjadi satu.
5. Fitur Haar adalah mencari fitur-fitur pada citra yang memiliki tingkat pembeda yang tinggi.
6. Citra Integral adalah mencari nilai perbedaan antara kotak putih dan hitam yang biasa disebut dengan threshold.
7. Cascade of Classifier adalah mengklasifikasikan sub image menggunakan satu fitur. Jika hasil nilai fitur dari filter tidak memenuhi kriteria yang diinginkan maka sub image bukan merupakan mobil.
DAFTAR PUSTAKA
Al-Fatta, H. 2009. Rekayasa Sistem Pengenalan Wajah. Yogyakarta: Penerbit ANDI.
Bradski, G. & Kaehler, A.2008. Learning OpenCV, First Edition. Published by O’Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472.
Dwiprasetyo, J, Hariadi, M. 2012. Pengenalan Wajah Dan Komputer Vision. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012. Semantik 2012 Semarang, 23 Juni 2012.
Irianto, K. D. 2010. Pendeteksi Gerak Berbasis Kamera Menggunakan Open CV Pada Ruangan. Jurnal Ilmiah KomuniTi,Vol. 2, No. 1, Juni 2010. Universitas Muhammadiyah Surakarta.
Jain, L.C. 1999, Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, New Jersey, CA.
Putra, D. 2010. Pengolahan Citra Digital.Yogyakarta. Penerbit: ANDI.
Rachmad, A. 2008. Pengolahan Citra Digital Menggunakan Teknik Filtering Adaptive Noise Removal Pada Gambar Bernoise. Jurnal ISBN : 978-979-3980-15-7 Yogyakarta, 22 November 2008.
Robin, 2007, Sistem Pengolahan Citra dan Deteksi wajah pada Sistem Pengenalan Wajah, Erlangga, Jakarta.
Santoso H. & Harjoko A, .2013. Haar Cascade Classifier dan Algoritma Adaboost Untuk Deteksi Banyak Wajah Dalam Ruang Kelas. Jurnal Teknologi Vol. 6 No. 2 tahun 2013.
Sutoyo. T. 2009. Teori Pengolahan citra digital, Yogyakarta: Penerbit ANDI.
Triatmoko, A. H. , Pramono, S. H. & Dachlan, H. S. 2014. Penggunaan Metode Viola-Jones dan Algoritma Eigen Eyes dalam Sistem Kehadiran Pegawai. Jurnal EECCIS Vol. 8, No. 1, Juni 2014.
Viola, M. J. P., 2001.Rapid object detection using a boosted cascade of simple feature, Accepted Conference on Computer Vision and Pattern Recognition.
