IMPLEMENTASI METODE PCA K NEAREST NEIGHBOUR UNTUK DETEKSI GOLONGAN KENDARAAN BERDASARKAN JUMLAH PASANG GANDAR SKRIPSI FADHLI MUHAMMAD

BERDASARKAN JUMLAH PASANG GANDAR

SKRIPSI

FADHLI MUHAMMAD 151402119

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

2021

BERDASARKAN JUMLAH PASANG GANDAR

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi

FADHLI MUHAMMAD 151402119

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

2021

PERNYATAAN

IMPLEMENTASI METODE PCA – K NEAREST NEIGHBOUR UNTUK DETEKSI GOLONGAN KENDARAAN BERDASARKAN JUMLAH PASANG

GANDAR

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 5 Februari 2021

FADHLI MUHAMMAD

151402119

UCAPAN TERIMA KASIH

Puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah- Nya sehingga penulis dapat menyelesaikan skripsi dengan judul “Implementasi Metode PCA-K Nearest Neighbour Untuk Deteksi Golongan Kendaraan Berdasarkan Jumlah Pasang Gandar” sebagai salah satu syarat untuk mencapai gelar kesarjanaan pada program studi Teknologi Informasi Universitas Sumatera Utara. Shalawat serta salam semoga tercurahkan kepada junjungan Nabi Muhammad SAW beserta seluruh keluarga dan sahabat beliau.

Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan yang dikarenakan oleh keterbatasan kemampuan, fasilitas, waktu dan pengetahuan yang dimiliki peneliti. Oleh karena itu, dengan segala kerendahan hati Penulis mengharapkan segala kritik dan saran yang berguna dalam penyempurnaan sistem ini dimasa yang akan datang.

Penulis juga telah mendapatkan banyak bimbingan, wawasan, dorongan, motivasi, nasehat dan saran dari beberapa pihak selama proses penyusunan skripsi ini. Ucapan terima kasih penulis sampaikan kepada:

1. Bapak Dr. Muryanto Amin, M.Si., selaku Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Drs. Opim Salim Sitompul M.Sc., selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi.

3. Bapak Romi Fadillah Rahmat B.Comp.Sc., M.Sc., selaku Ketua Program Studi Teknologi Informasi.

4. Ibu Sarah Purnamawati ST., M.Sc., selaku Sekrertaris Program Studi Teknologi Informasi dan juga Dosen Penasihat Akademik selama masa kuliah.

5. Bapak Dedy Arisandi ST., M.Kom., selaku Dosen Pembimbing I.

6. Bapak Muhammad Anggia Muchtar ST., MMIT., selaku Dosen Pembimbing II.

7. Seluruh Dosen Program Studi Teknologi Informasi Universitas Sumatera Utara, terima kasih atas ilmu yang telah diberikan.

8. Seluruh Manajemen dan Tata Usaha Program Studi Teknologi Informasi USU.

9. Orang tua, keluarga dan kerabat yang telah membantu penelitian ini.

10. Teman-teman seperjuangan angkatan 2015 Program Studi Teknologi Informasi USU.

11. Kakak-kakak dan adik-adik angkatan yang telah memberi dukungan.

12. Teknisi IT dan penanggung jawab tol Belmera Jasa Marga yang telah memberikan informasi yang dibutuhkan untuk skripsi ini.

Semoga Allah SWT memberikan pahala yang setimpal atas segala dorongan, bantuan, dukungan, semangat dan keyakinan yang sudah diberikan kepada penulis untuk menyelesaikan skripsi ini. Amin.

Medan,1 Februari 2021

Penulis

ABSTRAK

Deteksi golongan kendaraan berdasarkan gandar memungkinkan untuk melakukan klasifikasi kendaraan berdasarkan beban yang akan di bawa oleh kendaraan tersebut.

Namun pada saat ini, klasifikasi jenis kendaraan berat berdasarkan gandar masih dilakukan oleh manusia. Dalam penelitian ini, penulis menggunakan pengolahan citra untuk klasifikasi golongan kendaraan dengan metode PCA-K Nearest Neighbour. Alasan pemilihan algoritma ini adalah karena penelitian sebelumnya menggunakan algoritma K-means Clustering memiliki rumus yang sama dengan K-Nearest Neighbour. Data yang digunakan adalah citra yang ditangkap dari kamera video diproses dengan metode background subtraction untuk memisahkan objek yang bergerak yaitu kendaraan dengan backgroundnya. Metode PCA diperlukan untuk mendapatkan vektor eigen dari kendaraan dan mereduksi dimensinya, sedangkan untuk klasifikasi penulis mencoba menggunakan algoritma klasifikasi K Nearest Neighbours. Untuk deteksi gandar kendaraan penulis menggunakan metode Circular Hough Transform. Hasil pengujian menunjukkan deteksi golongan kendaraan menggunakan metode PCA-K Nearest Neighbours dengan nilai K=1 mendapat akurasi 90%.

Kata Kunci : Deteksi, kendaraan, gandar, pengolahan citra , PCA, K-Nearest

Neighbour

ABSTRACT

Detection of vehicle type based axle allow to do classify vehicle based on the load that will carried by the vehicle. However at this time, classification of heavy vehicle types based on axles is still carried out by humans. In here research, author use image processing for classification of vehicles class with PCA-K Nearest Neighbour Method.

The reason for choosing this algorithm is because previous research use K-Means Clustering have a same formula with K-Nearest Neighbour. The data used is the image captured from the video camera processed by background subtraction method to separate moving object namely vehicle with its background. PCA method is required to obtain eigen vektor from vehicle and reduce its dimensions. Meanwhile, for classification author tries to use classification algorithm of K-Nearest Neighbour. To detect vehicle axles author use Circular Hough Transform method. The Testing Result shows detect vehicle type use PCA-K Nearest Neighbour method with value of K=1 has an accuracy 90%.

Keywords : detection, vehicle, axle, image processing, PCA, K-Nearest Neighbour

DAFTAR ISI

Halaman.

PERSETUJUAN i

PERNYATAAN ii

UCAPAN TERIMA KASIH iii

ABSTRAK v

ABSTRACT vi

DAFTAR ISI vii

DAFTAR TABEL x

DAFTAR GAMBAR xi

BAB 1 PENDAHULUAN

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 5

BAB 2 LANDASAN TEORI

2.1 Pengenalan Jenis Kendaraan 6

2.2 Gandar Kendaraan 6

2.2 Computer Vision 7

2.3 Pengolahan Citra Digital 8

2.4 Preprocessing 9

2.5 Background Subtraction 11

2.6 Fitur Ekstraksi HOG 11

2.7 Circular Hough Transform 11

2.8 K-Nearest Neighbours 12

2.9 Penelitian Terdahulu 12

BAB 3 ANALISIS DAN PERANCANGAN

3.1 Data Yang Digunakan 16

3.2 Analisis Sistem 16

3.3 Input Citra 18

3.4 Segmentasi Kendaraaan 18

3.5 Preprocessing 18

3.6 Principal Component Analysis 20

3.7 Data Model 21

3.8 Fitur HOG 21

3.9 Klasifikasi KNN 22

3.10 Segmentasi Ban Kendaraan 23

3.11 Output 24

3.12 Flowchart System 25

3.13 Usecase Diagram 27

3.14 Diagram Aktivitas 30

3.15 Perancangan Antarmuka 33

3.15.1 Perancangan Antarmuka Tampilan Awal 33

3.15.2 Perancangan Antarmuka Pada Training 34

3.15.3 Perancangan Antarmuka Pada Set Kelas Kendaraan 35

3.15.4 Perancangan Antarmuka Pada Testing 36

3.15.5 Perancangan Antarmuka Pada Test Image 37 BAB 4 IMPLEMENTASI DAN PENGUJIAN

4.1 Implementasi Sistem 38

4.1.1 Spesifikasi Perangkat Keras Yang Digunakan 38

4.1.2 Spesifikasi Perangkat Lunak Yang Digunakan 38

4.1.3 Implementasi Antarmuka 39

4.2 Implementasi Data 46

4.3 Prosedur Operasional 46

4.4 Pengujian Deteksi Golongan Kendaraan 47

BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan 49

5.2 Saran 49

DAFTAR PUSTAKA LAMPIRAN

DAFTAR TABEL

Tabel 2.1 Penelitian terdahulu 14

Tabel 3.1 Defenisi aktor training 27

Tabel 3.2 Defenisi use case training 28

Tabel 3.3 Defenisi aktor testing 29

Tabel 3.4 Defenisi use case testing 29

Tabel 4.1 Spesifikasi perangkat keras 38

Tabel 4.2 Spesifikasi perangkat lunak 38

Tabel 4.3 Pengujian sistem deteksi golongan kendaraan 47

DAFTAR GAMBAR

Gambar 2.1 Contoh gandar kendaraan 7

Gambar 3.1 Arsitektur umum 17

Gambar 3.2 Hasil segmentasi citra dengan backgroundnya 18

Gambar 3.3 Hasil preprocessing grayscale 19

Gambar 3.4 Hasil preprocessing scaling 19

Gambar 3.5 Hasil preprocessing gaussian smoothing 19

Gambar 3.6 Hasil proses ekstraksi fitur hog 22

Gambar 3.7 Kontribusi titik tepi menunjuk ruang akumulator 24

Gambar 3.8 Flowchart sistem training 25

Gambar 3.9 Flowchart sistem testing 26

Gambar 3.10 Use case diagram training 27

Gambar 3.11 Use case diagram testing 28

Gambar 3.12 Diagram aktivitas training 31

Gambar 3.13 Diagram aktivitas testing 32

Gambar 3.14 Rancangan antarmuka tampilan awal 33

Gambar 3.15 Rancangan antarmuka training 34

Gambar 3.16 Rancangan antarmuka set kelas kendaraan 35

Gambar 3.17 Rancangan antarmuka testing 36

Gambar 3.18 Rancangan antarmuka test image

Gambar 4.1 Tampilan halaman awal 39

Gambar 4.2 Tampilan halaman training 40

Gambar 4.3 Tampilan proses training pada command prompt 41

Gambar 4.4 Tampilan training sukses 41

Gambar 4.5 Tampilan set kelas kendaraan 42

Gambar 4.6 Tampilan input video 43

Gambar 4.7 Tampilan halaman testing 44

Gambar 4.8 Tampilan video dijalankan 44

Gambar 4.9 Tampilan hasil deteksi golongan kendaraan 45 Gambar 5.0 Tampilan proses deteksi golongan kendaraan pada python shell 45

Gambar 5.1 Tampilan halaman test image 46

BAB I PENDAHULUAN

1.1. Latar Belakang

Survei yang dilakukan oleh ATTN (Asal Tujuan Transportasi Nasional) pada tahun 2001 hingga 2006 menyatakan hampir 90% pergerakan barang di Indonesia dilakukan dengan transportasi darat, 7% dengan transportasi laut dan sisanya dengan transportasi lainnya.

Pilihan mengantarkan barang dengan transportasi darat adalah pilihan terbaik karena lebih efisien dari sisi biaya pemeliharaan dan jumlah barang sehingga dengan banyaknya perusahaan industri yang menggunakan kendaraan berat membuat kerusakan jalan semakin cepat.

Kerusakan pada jalan yang lebih cepat mengakibatkan waktu tempuh lama, kemacetan ,kecelakaan lalu lintas dan lain-lain (Emor, Lalamentik, & Waani, 2018).

Salah satu usaha dari pemerintah untuk mengatasi hal ini adalah menetapkan jalur-jalur khusus untuk kendaraan roda dua, empat atau lebih dan kebijakan khusus untuk pengendara truk besar, truk tronton, bus dan lainnya. (Agustin, Ratri Dwi Atmaja, &

Azizah, 2017)

Dengan menetapkan kebijakan untuk pengendara roda empat, pemerintah memberlakukan klasifikasi jalan untuk setiap kendaraan yang melintas pada jalur-jalur khusus. Dalam Undang-Undang no 22 tahun 2009 tentang lalu lintas dan angkutan jalan terdapat pengelompokan jalan menurut kelas jalan yang terdiri atas jalan kelas I, jalan kelas II, jalan kelas III dan jalan kelas khusus. Namun karena tidak adanya pengawasan sehingga masih banyak pengendara yang melanggar aturan tersebut

Usaha lainnya dari pemerintah yaitu menetapkan kebijakan khusus untuk pengendara

truk besar, truk tronton, bus dan kendaraan berat lainnya. Kebijakan khusus tersebut

adalah pengoperasian jembatan timbang untuk kendaraan berat berlebih. Pada jembatan

timbang, timbangan yang digunakan statis sehingga mensyaratkan truk untuk diam

kemudian berat kotor kendaraan diukur. Namun sistem seperti itu cukup mahal, tidak

portable, mengganggu jalan, dan memiliki biaya pemeliharaan yang tidak sedikit (Frenze, 2002).

Berdasarkan masalah diatas, diperlukan klasifikasi untuk jenis kendaraan berat seperti yang telah diterapkan di jalan tol. Pihak perusahaan jalan tol telah memberlakukan klasifikasi golongan kendaraan berdasarkan gandar menjadi 5 golongan dengan tarif masing-masing tiap golongan berbeda. Melakukan klasifikasi jenis kendaraan berat berdasarkan gandar bisa diimplementasikan karena jumlah gandar yang digunakan memilki batasan maksimum dari beban yang akan ditanggung kendaraan khususnya kendaraan truk besar. Hal ini disebabkan semakin besar muatan yang dibawa suatu kendaraan, maka semakin banyaknya gandar yang digunakan, Sehingga tarif yang dikenakan pun semakin tinggi.

Sekarang ini klasifikasi jenis kendaraan berat berdasarkan gandar telah dilakukan oleh manusia. Namun sistem tersebut tidak dapat mengatasi masalah-masalah human error atau lalai dalam keadaan tertentu sehingga dapat salah menentukan gandar dari suatu kendaraan. Selain itu dengan menggunakan teknologi dapat memberi pilihan alternatif sehingga aktivitas yang dilakukan manusia yang sebelumnya manual dapat digantikan lebih baik menggunakan teknologi, cepat, murah, tidak mengenal waktu dan terlepas dari sifat manusia.

Untuk meminimalisi resiko kesalahan klasifikasi, maka penulis melakukan pendekatan alternatif berbasis pengolahan citra. Metode yang digunakan pada penelitian ini adalah PCA-KNN. Penelitian sebelumnya yang dilakukan oleh (Gunawan, W, & W, 2016) menggunakan algoritma eigenvehicle(PCA) dengan K-means Clustering mendapatkan akurasi 91%, karena itu disini penulis mencoba menggunakan algoritma yang diperuntukkan khusus klasifikasi dan memilki rumus yang sama dengan K-means clustering yaitu Euclidean Distance.

Pada penelitian ini, citra yang dipakai merupakan citra kendaraan-kendaraan yang

akan menggunakan jalan melewati lokasi-lokasi yang strategis. Kemudian citra akan

diproses oleh komputer untuk diklasifikasikan jenisnya dan ditentukan golongan dengan

ketentuan: Golongan 1 adalah kelompok untuk mobil sedan, truk kecil, dan bus,

Golongan 2 adalah kelompok untuk truk besar dengan gandar 2, Golongan 3 adalah kelompok untuk truk besar dengan gandar 3, Golongan 4 adalah kelompok untuk truk besar dengan gandar 4 , dan Golongan 5 adalah kelompok untuk truk besar dengan gandar 5 atau lebih.

1.2. Rumusan Masalah

Melakukan klasifikasi kendaraan secara manual masih memungkinkan kesalahan- kesalahan pada proses pengklasifikasian. Dengan menerapkan teknologi computer vision dalam sistem deteksi dan klasifikasi kendaraan berdasarkan gandar dapat menggantikan peran manusia yang selama ini masih dilakukan manual.

1.3. Batasan Masalah

Adapun batasan masalah pada penelitian ini adalah sebagai berikut:

1. Sistem hanya melakukan klasifikasi kendaraan menjadi 5 golongan menggunakan citra 2. Pengambilan citra hanya digunakan untuk satu jalur

3. Dalam 1 citra hanya terdapat 1 kendaraan utuh

4. Pengambilan citra dilakukan di siang hari dan bercuaca cerah

5. Sistem hanya mendeteksi lingkaran pada kendaraan sebagai ban kendaraan 6. Citra yang ditangkap mengarah ke sisi samping kendaraan

7. Data training dan data testing diambil dari arah dan posisi objek yang sama 1.4. Tujuan Penelitian

Penelitian bertujuan membangun sistem deteksi golongan kendaraan berdasarkan gandar

menjadi 5 golongan kendaraan menggunakan algoritma PCA-K Nearest Neighbour untuk

mengurangi dampak dari human error

1.5. Manfaat Penelitian

Penelitian ini bermanfaat untuk:

1. Menerapkan metode PCA – K Nearest Neighbour dalam klasifikasi dan deteksi kendaraan berbeda gandar

2. Memberi alternatif yang lebih murah untuk klasifikasi jenis kendaraan berat

3. Meminimalisir resiko terjadinya kesalahan dalam proses klasifikasi kendaraan yang dilakukan secara manual

4. Menjadi referensi penelitian selanjutnya terkait klasifikasi kendaraan berdasarkan gandar

1.6. Metode Penelitian

Tahapan-tahapan yang akan dilakukan dalam penelitian ini adalah sebagai berikut : 1. Studi Literatur

Tahap ini adalah tahap dalam proses perbekalan informasi-informasi yang diperlukan dan pembelajaran informasi mengenai klasifikasi kendaraan berdasarkan Gandar, K- Nearest Neighbour,ImageProcessing,Principal Component Analysis, dan Circular Hough Transform yang diperoleh dari jurnal skripsi, buku serta berbagai sumber referensi lainnya yang berkaitan dengan penelitian ini.

2. Analisis Permasalahan

Pada tahap ini informasi-informasi tersebut dikumpulkan dari berbagai sumber referensi yang berkaitan dengan penelitian di klasifikasi di jalan tol.sehingga dengan meingimplementasikan image processing dapat menyelesaikan masalah yang diutarakan pada penelitian ini.

3. Tahapan Perancangan Sistem

Pada Tahapan ini, dimulailah perancangan sistem untuk mencapai tujuan penelitian

dan dapat menyelesaikan masalah yang telah diutarakan pada penelitian ini.

4. Implementasi

Pada tahap ini, rancangan sistem yang telah dibuat diimplementasi ke dalam bentuk program sesuai dengan arsitektur yang telah dibuat.

5. Pengujian

Pada Tahapan ini dilakukan pengujian sistem untuk memastikan hasil keluaran sesuai

dengan hasil yang diharapkan.

BAB II

LANDASAN TEORI 2.1. Pengenalan jenis kendaraan

Lapisan permukaan jalan biasanya dapat menahan beban kendaraan berat yang melewatinya. Roda-roda pada kendaraan melimpahkan beban dari kendaraan ke lapisan permukaan jalan. Besar beban yang dilimpahkan bergantung pada berat total kendaraan, konfigurasi sumbu, perkerasan jalan, kecepatan kendaraan dan lain-lain. (Sukirman,1999) Beban pada gandar melakukan gaya tekan ke lapisan permukaan jalan dari banyak kendaraan yang lewat membuat jalan meregang secara berulang. Regangan pada jalan berulang yang diakibatkan oleh beban pada gandar kendaraan memiliki batas maksimum yang akhirnya menyebabkan kerusakan pada jalan. (Emor, Lalamentik, & Waani, 2018)

Kerusakan pada jalan melewati batas waktu yang telah ditentukan terjadi diperkirakan karena besarnya muatan kendaraan-kendaraan pengangkut barang yang melintasi jalan.

Hal ini mengakibatkan naiknya biaya pemeliharaan jalan. Seiring dengan biaya pemeliharaan jalan meningkat, maka terjadi penurunan pendapatan yang tidak diperhitungkan sebelumnya sehingga berpengaruh terhadap infestasi pada pembangunan jalan. Hal ini bertentangan dengan rencana pemerintah yang mengharapkan kesehatan ikim infestasi di Indonesia termasuk kebutuhan fasilitas di bidang transportasi umum.

Sehingga diterapkanlah klasifikasi untuk kendaraan yang memiliki muatan berlebih seperti pada jalan tol dan jembatan timbangan. (Iskandar, 2009)

2.2. Gandar Kendaraan

Gandar merupakan komponen utama dari sebuah kendaraan. Gandar atau yang lebih

sering dikenal as roda adalah poros pusat yang terhubung ke roda. Gandar juga yang

mengontrol tenaga untuk menggerakkan roda, sehingga setiap kendaraan harus memiliki

gandar agar dapat beroperasi.

Gambar 2.1 Contoh gandar kendaraan

Gandar depan memegang peranan penting terutama pada kendaraan pengangkut barang. Sekitar 30-40% berat kendaraan diangkut oleh gandar depan. Kegagalan gandar depan menjadi perhatian serius pada kendaraan komersial. Sedangkan gandar rintisan memiliki peran dalam pengendalian arah kendaraan. (Tausif, Bhabhor, & Jani, 2019) 2.3. Computer Vision

Computer Vision adalah antar cabang ilmu pengetahuan yang menggabungkan beberapa bidang komputer dari computer science, signal processing, dan sejumlah bidang matematika dari geometri, statistik dan aljabar. Computer vision merupakan cabang bagian dari kecerdasan buatan (Artificial Intelligence) untuk memahami objek yang direpresentasikan dalam bentuk gambar diam ataupun bergerak (video), sebagai contoh termasuk mengenali wajah seseorang atau objek, navigasi suatu lingkungan, merekonstruksi bentuk tiga dimensi dari pemandangan, atau mengendalikan sebuah perangkat (seperti tangan robot saat menangkap benda). (Gerónimo, Serrat, López, &

Baldrich, 2013)

Source:pinterest.com

Beberapa pekerjaan computer vision yang tidak dapat diterapkan manusia di antaranya:

a. Computer vision dapat melihat warna yang berbeda dalam bentuk pixel

b. Computer vision dapat membedakan dua citra yang mirip persis tetapi tidak sama c. Computer vision mampu mengamati objek citra tanpa berbatas waktu dan dapat

memproses langsung saat dibutuhkan (Oostendorp, Oliver, & Scott, 2012) 2.4. Pengolahan citra digital

Pengolahan citra digital atau image processing yang lebih sering dikenal merupakan teknik dalam pengolahan gambar agar mendapatkan informasi yang dibutuhkan.

Informasi yang dibutuhkan itu bisa jadi adalah sebuah representasi dari gambar yang dilihat oleh mata manusia. Dengan menggunakan informasi itu, maka sistem dapat bekerja secara otomatis dan continue untuk menggantikan peran mata manusia.

Ada beberapa blok dalam memproses citra:

a. Image acquisition

Pada blok ini, apapun yang dilakukan dengan kamera, pengaturan dengan sistem yang dicakup diantaranya tipe kamera, pengaturan kamera, optik, dan sumber cahaya.

b. Pre processing

Pada blok ini, melakukan sesuatu pada citra sebelum pemrosesan yang sebenarnya, seperti konversi gambar dari warna ke skala abu-abu, memotong bagian citra yang tidak diperlukan.

c. Segmentation

Blok ini merupakan ‘jantung’ dari sistem, dimana informasi yang di butuhkan dari suatu gambar di ekstraksi untuk membedakan objek gambar dengan backgroundnya.

d. Representation

Gambar yang sudah diekstraksi dari proses segmentasi tadi di representasikan dalam bentuk numerik.

e. Classification

Blok terakhir, informasi yang sudah diproses sebelumnya akan diproses untuk

diklasifikasi objek yang menarik atau tidak. (Mouslund, 2012)

2.5. Pre-processing

Merupakan tahapan awal sebelum memasuki proses analisis citra.

a. RGB(Red, Green, Blue)

Citra yang berwujud RGB merupakan citra yang ditangkap langsung oleh kamera.

Citra ini terdiri dari tiga matriks yang mewakili nilai-nilai merah, hijau, dan biru untuk setiap pikselnya. Di setiap piksel memiliki warna-warna tertentu atau perpaduan variasi warna berbeda. Jika perpaduan variasi warna itu memiliki total warna 255 ³ = 16.581.375 (16 K) dengan range 0-255 adalah suatu warna pada piksel, maka variasi warna tersebut cukup untuk satu gambar apapun . Dengan jumlah bit yang diperlukan untuk setiap piksel, maka gambar tersebut bisa disebut juga gambar bit warna. (Kusumanto, Tompunu, & Pambudi, 2011)

b. Grayscale

Proses awal yang sering dilakukan pada preprocessing adalah mengubah citra warna yang ditangkap kamera (RGB) ke dalam bentuk monokrom hitam-putih atau abu- abu (grayscale). Pada citra yang berwujud grayscale, di setiap pikselnya mempunyai warna gradiasi mulai dari putih sampai hitam. Pengolahan file gambar dalam bentuk grayscale sangat cocok dilakukan karena grayscale merupakan hasil rata-rata dari gambar warna sesuai dengan persamaan dibawah ini:

I BW (x,y) = I R (x, y)+I G (x, y)+I B (x, y) 3

Dengan I R (x,y) = nilai piksel red titik (x, y) , I G (x,y) = nilai piksel green titik (x, y) , I B (x, y) = nilai piksel blue titik (x, y) sedangkan ( , ) I BW (x, y) = nilai piksel black and white titik (x, y). (Kusumanto, Tompunu, & Pambudi, 2011)

c. Image Filtering

Setelah melakukan proses segmentasi citra, citra yang diambil harus diproses di

filter. Image filtering berguna untuk banyak aplikasi, termasuk menghaluskan,

mengasah, menghilangkan noise, dan edge deteksi. Filter didefenisikan oleh kernel

yang merupakan array kecil yang diterapkan untuk setiap piksel dan tetangganya di

dalamnya sebuah gambar. Filter biasanya diklasifikasikan ke dalam dua jenis: filter linear dan filter non-linear. (Afrose, 2012)

Mean filter adalah filter tingkat rendah. kotak fungsi adalah digunakan untuk mengurangi noise. Hal ini dimulai dengan pemindaian seluruh gambar. untuk setiap piksel, nilai mean dapat diperoleh yang kemudian nilai-nilai piksel disimpan di elemen pusat. Sebagai contoh sebuah matriks 3x3

𝟐 𝟏 𝟗

𝟒 𝟑 𝟖

𝟔 𝟓 𝟕

PIXEL VALUE = ¹

9 (1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9)

Disini elemen pusatnya adalah ‘3’. Nilai 3 tersebut diubah menjadi nilai piksel.

Durasi eksekusi dari mean filter ini terlalu lama dan tidak efisien. Karena itu penghalusan citra dapat dicapai dengan median filter. Untuk mengaburkan dan mengurangi noise digunakanlah operator penghalusan Gaussian. Meskipun pengahalusan Gaussian hampir sama dengan median filter, terdapat perbedaan bahwa penghalusan Gaussian dalam praktiknya pada fungsi yang diubah untuk menentukan nilai piksel. Setelah gambar di pindai, nilai piksel diperoleh dari standar deviasi Gaussian dan nilai tersebut bertukar tempat menjadi elemen pusat. Ukuran kotak fungsi pun berubah dari 1-7 menyiratkan 1x1 hingga 7x7 elemen

𝐺(𝑥, 𝑦) = ( 1

2𝜋𝜎 ² ) 𝑒 ⁻

𝑥 ² +𝑦 ² 2𝜎 ²

X dan Y dalam persamaan diatas menunjukkan elemen lokasi dalam kotak. Noise

median meminimalkan mengubah median dari elemen kotak dan menggantikan

nilainya di elemen penting. (Raza, Selvaperumal, Natarj, Lakshmanan, & Seeralan,

2018)

d. Scaling

Proses scaling hanya mengubah ukuran dari citra. OpenCV menggunakan fungsi cv2_resize() untuk melakukan scaling pada citra. ukuran pada citra bisa diubah ukurannya secara spesifik manual ataupun dengan spesifik dengan skala faktor.

(Mordvintsev & K, 2017) 2.6. Background Subtraction

Untuk mendapatkan citra kendaraan yang utuh untuk data training diperlukan suatu metode untuk memisahkan citra kendaraan dengan backgroundnya. Metode background substraction adalah metode yang digunakan untuk menghilangkan komponen yang tidak diperlukan dari suatu gambar yang ditangkap kamera video statis. Dengan kata lain metode ini dapat mendeteksi objek yang bergerak (kendaraan) berdasarkan perbedaan antara background referensi dengan frame.

2.7. Fitur Ekstraksi HOG

Fitur ekstraksi adalah proses untuk mencari dan mengambil ciri penting dalam suatu citra yang bersifat tekstur, warna ataupun bentuk. Proses ekstraksi fitur merupakan proses yang berperan penting untuk melakukan training pada objek gambar yang akan diinput.

(Amaluddin, Muslim, & Naba, 2015)

Pendeskripsi HOG baru diperkenalkan oleh Dalal dan Triggs. Teknik ini menghitung kemunculan orientasi gradien pada porsi lokal sebuah gambar. penampilan dan bentuk objek lokal seringkali dapat dikarakterisasi cukup baik dengan distribusi dari intensitas lokal gradien atau garis tepi.

2.8. Cicular Hough Transform

Circular Hough Transform (CHT) adalah jenis Hough Transform yang bisa mengekstrak

lingkaran objek pada suatu citra. CHT telah digunakan di beberapa penelitian dalam

mendeteksi posisi ujung jari, pengenalan bola otomatis, deteksi iris untuk pengenalan

wajah dan pendeteksi objek buah kelapa.

Gambar yang diinput harus melalui beberapa tahap dalam preprocessing. Gambar harus ditingkatkan di tahap preprocessing histogram, deteksi tepi dan proses morfologi sebelum melakukan segmentasi. Proses deteksi tepi sangat penting sebagai informasi tepi untuk teknik CHT. Selain itu morfologi opening dan closing diperlukan untuk meminimalkan poin untuk pencocokkan templat dengan objek dan menghilangkan celah pada lingkaran agar bentuk lingkaran dapat teridentifikasi jelas. (Rizon, et al., 2005) 2.9. K-Nearest Neighbour

Algoritma K-NN adalah salah satu yang paling sederhana dan paling umum digunakan di metode pembelajaran mesin. Metode ini merupakan pendekatan penting untuk klasifikasi nonparamatrik dan cukup mudah serta efisien. Aturan klasifikasi menetapkan label kelas untuk sampel yang tidak diketahui dengan memperkirakan k-nearest neighbour nya berdasarkan sampel yang telah diketahui. Algoritma hanya menyimpan contoh pelatihan (x, f(x)) dalam memori, dimana x adalah input dan didefinisikan oleh n vektor fitur berdimensi (a 1 ,a 2 ,a 3 ,...a n ) dan f(x) adalah output yang sesuai. Generalisasi di luar contoh- contoh pelatihan ini ditunda sampai instance baru harus diklasifikasikan.

Diberi sebuah titik queri x q , K-NN mencari contoh k-training yang paling mirip dengan k-terdekat menggunakan jarak euclidean standar sebagai ukuran kesamaan antara setiap contoh training x i , dan titik queri x q :

𝑑(𝑥 q , 𝑥 i ) = √∑(𝑎 r (𝑥 q ) − 𝑎 r (𝑥 i )) ² ,

𝑛

𝑟=1

Dimana sebuah a r adalah nilai r atribut dari x (LiLi, YanXia, & YongHeng, 2008) 2.10. Penelitian Terdahulu

Penelitian yang telah dilakukan sebelumnya terkait klasifikasi golongan kendaraan di jalan tol yaitu Penelitian yang dilakukan oleh Suryatali et al. (2015) dengan judul

“Computer Vision Based Vehicle Detection for Toll Collection System Using Embedded

Linux”. penelitian ini menggunakan algoritma MovingObjectDetection untuk mendeteksi

kendaraan. Peneliti hanya mengkategorikan kendaraan menjadi 2 jenis yaitu, kendaraan mobil berat dan mobil ringan dan menggunakan raspberry PI sebagai pemrosesnya.kekurangan penelitian ini, tidak menunjukkan secara spesifik kendaraan yang diklasifikasikan.

Penelitian lainnya dilakukan oleh (Gaikwad & Sonkamble, 2015) dengan judul

“analysis and classification of vehicle using KNN and Decision Tree”, penelitian menggunakan Threshold, deteksi tepi canny, operasi morphology dan ekstraksi objek berdasarkan area menggunakan countour detection. Hasil penelitian sistem dapat mengklasifikasi kendaraan menjadi 3 jenis yaitu, sepeda motor, mobil, dan kendaraan berat. Menggunakan 3 nilai K berbeda terdapat akurasi tertinggi yaitu K=1 untuk mobil 86%, sepeda motor 90% dan kendaraan berat 83%. peneliti ini menggunakan kamera yang menghadap ke jalan sehingga tidak melakukan segmentasi objek dengan background.

Penelitian selanjutnya dilakukan oleh Jalil et al. (2018) dengan judul “Vehicle Detection, Tracking, and Counting”, penelitian ini dilakukan pada data kamera pengawas lalu lintas dengan menggunakan metode background subtraction, Kalman filter, dan Hungarian Algorithm. Penelitian ini mendapat akurasi 95% untuk deteksi kendaraan dan 89% untuk menghitung kendaraan.Penelitian masih memiliki masalah pada bayangan dari sinar matahari dan noise.

Penelitian lainnya yang dilakukan oleh Rama et al. (2016) dengan judul “Deteksi dan Klasifikasi Kendaraan Menggunakan Algoritma Backpropogation dan Sobel ”, metode yang digunakan adalah deteksi tepi Sobel dan backpropogation dalam mendeteksi objek.

Penelitian dapat menggolongkan kendaraan menjadi 5 golongan dengan akurasi diatas 90%. Penelitian ini tidak menggunakan deteksi gandar dalam menentukan golongan karena kamera menyorot dari sisi depan kendaraan. Selain itu juga kendaraan yang dikenali jenisnya belum spesifik.

Penelitian selanjutnya yang dilakukan oleh Gunawan et al. (2016) dengan

judul”Klasifikasi Jenis kendaran Secara Bertahap dengan Eigenvehicle dan Fuzzy C-

Means Clustering - Hough Transform ”, peneliti ini menggunakan banyak metode antara

lain metode eigenvehicle sebagai metode ekstraksi ciri kendaraan, metode Fuzzy C-Means Clustering untuk memisahkan ban dengan badan kendaraan dan metode Hough Transform untuk deteksi lingkaran ban. Hasilnya sistem dapat mengkategorikan kendaraan di jalan tol menjadi 5 golongan kendaraan sesuai dengan aturan jalan tol yang ada. Akurasi yang didapat dari penelitian ini cukup tinggi yaitu 93%. Kekurangan penelitian ini, Sistem tidak dapat membedakan kendaraan truk dan bus dengan gandar 3.

Tabel 2.1 Penelitian Terdahulu

No. Peneliti Judul Keterangan

1. Suryatali et al Computer Vision Based Vehicle Detection for Toll Collection System Using Embedded Linux

Penelitian ini menggunakan algoritma MovingObjectDetection untuk mendeteksi kendaraan.

Peneliti hanya mengkategorikan kendaraan menjadi 2 jenis yaitu, kendaraan mobil berat dan mobil ringan. Penelitian menangkap gambar dari sisi belakang kendaraan dan menggunakan raspberry PI sebagai pemrosesnya.

kekurangan penelitian ini, tidak menunjukkan secara spesifik kendaraan yang diklasifikasikan 2. Gaikwad &

Sonkamble

analysis and classification of vehicle using KNN and Decision Tree

Penelitian menggunakan Threshold,

deteksi tepi canny, operasi

morphology dan ekstraksi objek

berdasarkan area menggunakan

countour detection. Hasil penelitian

sistem dapat mengklasifikasi

kendaraan menjadi 3 jenis yaitu,

sepeda motor, mobil, dan

kendaraan berat. Menggunakan 3

nilai K berbeda terdapat akurasi

tertinggi yaitu K=1 untuk mobil 86%, sepeda motor 90% dan kendaraan berat 83%.

3. Jalil et al Vehicle Detection, Tracking, and Counting

Penelitian ini dilakukan pada data kamera pengawas lalu lintas dengan menggunakan metode background subtraction, Kalman filter, dan Hungarian Algorithm.

Penelitian ini mendapat akurasi 95% untuk deteksi kendaraan dan 89% untuk menghitung kendaraan.

4. Rama et al Deteksi dan Klasifikasi Kendaraan Menggunakan Algoritma Backpropogation dan Sobel

Metode yang digunakan adalah deteksi tepi Sobel dan backpropogation dalam mendeteksi objek. Penelitian dapat menggolongkan kendaraan menjadi 5 golongan dengan akurasi diatas 90%. Penelitian ini tidak dapat mengenali jenis kendaraan secara spesifik

5. Zhang et al A PCA-based Vehicle Classification Framework

Penelitan ini dilakukan di jalan raya

untuk mengklasifikasi kendaraan

menjadi tiga kategori yaitu

kendaraan penumpang, truk pick-

up dan vans. Dengan setiap training

set kendaraan 30 perbedaan

kendaraan. Peneliti menggunakan

principal component analysis untuk

mengekstrak gambar dan support

vector machine dalam klasifikasi

kendaraan.

BAB III

ANALISIS DAN PERANCANGAN

Bab ini akan membahas tentang analsis dan perancangan dalam aplikasi deteksi golongan kendaraan berdasarkan gandar menggunakan metode PCA - K Nearest Neighbours. Pada tahapan selanjutnya yaitu dilakukan perancangan tampilan antarmuka sistem yang akan dibangun

3.1. Data Yang Digunakan

Data yang digunakan di dalam penelitian ini adalah adalah gambar kendaraan yang diperoleh dari video beresolusi 360p dan berdurasi 30 menit di daerah KIM Medan dan video beresolusi 480p dan berdurasi 30 menit di Jalan Sisingamangaraja yang diambil langsung oleh penulis sendiri. Gambar kendaraan tersebut terdiri atas mobil sedan, angkutan umum, truk kecil, bus dan truk besar yang memiliki jarak antar kendaraan tidak terlalu dekat ataupun berdempetan. Posisi gambar yang ditangkap agak jauh dari jalan dengan arah menghadap ke jalan untuk mendapatkan bagian samping dari kendaraan.

Pada penelitian ini data yang dikumpulkan sebagai data training adalah citra mobil berjumlah 237 buah, citra bus berjumlah 5 buah dan citra truk berjumlah 234 buah sehingga total data training seluruhnya berjumlah 476 buah. Sedangkan data testing yang digunakan berjumlah 117 buah. Jumlah total data yang digunakan pada penelitian ini adalah berjumlah 593 buah.

3.2. Analisis Sistem

Proses dalam mendeteksi golongan kendaraan berdasarkan gandar terdiri dari beberapa

tahap. Tahap pertama yang dilakukan adalah pengumpulan data citra untuk data training

berjumlah 476 buah dan menetapkan data testing 117 buah. Tahap selanjutnya melakukan

preprocessing pada citra yaitu grayscale, image enhancement dengan Gaussian

Smoothing, image scaling. Tahap selanjutnya mengekstraksi data training menggunakan

pca yang kemudian di simpan di data model. Selanjutnya data training pada data model

dan data testing digunakan di tahap klasifikasi K-NN. Tahap selanjutnya menghitung

jumlah ban dan menentukan golongan kendaraan menggunakan metode Circular Hough

Transform jika kendaraan berjenis truk besar, sedangkan untuk kendaraan berjenis selain truk besar maka output menampilkan golongan 1 untuk kendaraan tersebut. Adapun tahap-tahap tersebut dalam bentuk arsitektur umum pada gambar 3.1 berikut.

INPUT

Kamera

Gambar 3.1 Arsitektur Umum Data Model

jika terdeteksi sedan kecil, truk kecil, dan bus

jika terdeteksi truk besar

OUTPUT

Segmentasi Kendaraan

Golongan II/III/IV/V Golongan

I

Background Subtraction

Segmentasi Ban Kendaraan Circular Hough

Transform

Ket:

Training Testing Klasifikasi

KNN

Preprocessing

Grayscale Image

Scaling

HOG

Gaussian Smoothing

Gaussian Smoothing

PCA Mean Kendaraan

Eigenvehicle

3.3. Input Citra

Input citra kendaraan menggunakan kamera video. Kamera ini harus memiliki kualitas video yang baik tetapi tidak beresolusi tinggi. Diletakkan dengan sudut dan posisi yang tepat sehingga dapat mengambil citra kendaraan beserta gandarnya. Selain itu terdapat input untuk gambar yang sudah tersimpan di sebuah folder dimana terdapat citra hasil dari segmentasi kendaraan. Sehingga pengguna memiliki pilihan dalam melakukan input citra kendaraan.

3.4. Segmentasi Kendaraan

Metode segmentasi kendaraan yang digunakan adalah background subtraction dengan model deteksi objek Gaussian Mixture Model(GMM). Metode ini mengasumsikan bahwa setiap nilai intensitas piksel di video bisa dimodelkan dengan GMM sehingga dapat menentukan kemungkinan background dan foreground piksel. Citra hasil segmentasi yang digunakan adalah citra yang tidak terlalu dekat ataupun berdempetan antara satu kendaraan dengan kendaraan lainnya. Selain itu juga ukuran piksel menentukan apakah citra melewati batas threshold objek suatu kendaraan karena jika objek bergerak tersebut dibawah threshold maka objek yang disegmentasi telah diidentifikasi bukan sebuah kendaraan.

Gambar 3.2 Hasil segmentasi citra dari backgroundnya

3.5. Preprocessing

Pada tahap ini terjadi berbagai macam pra proses pada citra yaitu:

a) Grayscale

Pada proses ini image diubah dari RGB menjadi keabuan untuk meringankan beban

saat akan melakukan proses ekstraksi

Gambar 3.3 hasil preprocessing grayscale b) Scaling

Proses pengubahan gambar menjadi ukuran fixed untuk memudahkan dalam proses ekstraksi citra kendaraan dan juga proses pengklasifikasian. Setiap gambar diubah menjadi ukuran 150x150 piksel.

Gambar 3.4 hasil preprocessing Scaling c) Gaussian Smoothing

Untuk mengurangi detail pada gambar serta meningkatkan struktur gambar pada skala yang berbeda, Gaussian Smoothing digunakan untuk memperhalus gambar . Metode ini dilakukan pada citra sebelum di ekstraksi dan pada citra sebelum dideteksi gandarnya.

Gambar 3.5 Hasil preprocessing Gaussian Smoothing

3.6. Principal Component Analysis(PCA)

Data kendaraan yang akan ditraining adalah kendaraan roda empat yang dibedakan menjadi 3 jenis yaitu mobil, bus, dan truk besar. Setiap gambar direpresentasikan sebagai matriks m oleh n matriks dengan m dan n masing-masing adalah tinggi dan lebar kendaraan. Untuk menghitung vektor eigen dengan mudah dari semua matriks gambar, dibutuhkan tempat untuk menyimpan semua citra dalam matriks. Pertama-tama bentuk kembali setiap matriks gambar ke a 1 x m n vektor. Dengan k menjadi jumlah dari citra yang ditraining, semua gambar disimpan ke dalam matriks kolom k I = [I 1 ,I 2 ,....I k ]. Panjang dari I i adalah m x n. Kemudian rata-rata gambar dihitung dari semua training gambar dan perbedaan gambar antara rata-rata gambar dan setiap training gambar

𝑎 = 1

𝑘 ∑ 𝐼 i , 𝜎 i = 𝐼 i − 𝑎

𝑘

𝑖=1

Dimana a adalah average gambar yang diwakili oleh a 1 x m n vektor, σ adalah perbedaan gambar dan I i adalah matriks yang menyimpan semua perbedaan gambar.

Matriks kovarian i adalah

𝐶 = 1

𝑘 ∑ 𝜎 i 𝜎 i 𝑇 = 𝜎𝜎 ^𝑇

𝑘

𝑖=1

Principal component adalah vektor eigen dari C. Vektor eigen yang memiliki keterkaitan terbesar dengan eigenvalue berkontribusi paling besar untuk mengklasifikasi gambar training. Walaupun begitu, perhitungan vektor eigen tidak bisa dilakukan karena

σσ ^T adalah matriks yang terlalu besar. Turk dan Pentland mengusulkan skema untuk mengatasi masalah ini. Misalkan σσ ^T adalah eigen vektor dan λ adalah eigen value terkait, kemudian:

𝜎𝜎 ^T 𝑢 i = 𝜆 i 𝑢 i → 𝜎𝜎 ^T 𝜎𝑢 i = 𝜆 i 𝜎𝑢 i

Dapat dilihat diatas pengurangan σ𝑢 i adalah vektor eigen dari σσ ^T . Metode ini sangat

mengurangi kompleksitasi komputasi saat ukuran dimensi σσ ^T hanya k*k. Terdapat eigen

vektor awal dan eigen vektor akhir dimana merupakan perbedaan utama setiap gambar

training. Setiap training gambar direpresentasikan oleh kombinasi gambar average dan beban vektor eigen. (Peng, Jin, Luo, Xu, & Cui, 2012)

3.7. Data Model

Input untuk sampel yang diketahui dan tidak diketahui itu sama disimpan di Frame.

Untuk sampel yang tidak diketahui adalah citra hasil segmentasi kendaraan dengan background. Sedangkan untuk sampel yang diketahui disimpan di kelasnya dalam Frame

= {mobil, bus, truk} dimana mobil, bus, truk, berisi data citra kendaraan yang sudah di set di kelasnya masing-masing. Frame memilki ukuran I x M+N, dimana I adalah sampel citra kendaraan yang sudah di ketahui , M adalah kelas kendaraan dan N adalah sampel yang tidak di ketahui. Jumlah total sampel yang diketahui sama dengan (M 1 +M 2 +M 3 ).

Dimana, M 1 adalah Jumlah sampel mobil, M 2 adalah Jumlah sampel bus, dan M 3 adalah Jumlah sampel truk.

Proses pada klasifikasi KNN dilakukan setelah didapatkan ekstraksi dari fitur citra kendaraan. Fitur yang diekstraksi adalah input untuk klasifikasi. Fitur tersebut diwakili sebagai Input = {f } Dimana, f adalah Rekonstruksi Citra dari Mean Image+beban Vektor Eigen. f adalah seperangkat fitur invarian kendaraan dengan kombinasi dari mean image dan beban vektor eigen 50% data yang direduksi di setiap kelasnya. Sebuah kelas kendaraan diklasifikasikan dalam Trained = {mobil, bus, truk}.

3.8. Fitur HOG

Ekstraksi hog mengubah citra grayscale menjadi berbentuk gradien berdasarkan histogramnya menghasilkan detail ciri penting dari citra kendaraan. Fitur hog ada pada library OpenCV dengan parameter yang digunakan adalah orientasi, pixel per sel, blok per sel variance dan blok normalisasi.

Untuk setiap blok, sebuah histogram untuk orientasi gradien dibangun. Disini telah

dilakukan voting sudut setiap piksel menjadi sejumlah bin histogram. Menggunakan

sejumlah bin histogram yang lebih tinggi akan mengekstrak lebih detail informasi

orientasi dari citra sehingga akan menghasilkan jumlah fitur yang lebih tinggi. Untuk

mengurangi jumlah fitur tetapi tetap mempertahankan detail penting dalam fitur,

perbedaan jumlah bin histogram digunakan untuk berbagai wilayah pada citra. Jumlah bin

histogram yang lebih tinggi digunakan untuk mengekstrak fitur untuk wilayah merupakan bagian dari objek kendaraan, sedangkan jumlah bin histogram yang lebih rendah untuk bagian sisa daerah.

Citra gradien yang dihasilkan dibagi menjadi 4 x 4 piksel per sel. Setiap kelompok terdiri dari empat sel yang bertetangga membentuk blok. Normalisasi digunakan agar fitur tidak lebih bervariasi dan mengalami perubahan penerangan.

Gambar 3.6 Hasil proses ekstraksi fitur hog

3.9. Klasifikasi KNN

Input gambar kendaraan diklasifikasi berdasarkan jenisnya menjadi 3 kategori yaitu mobil, bus dan truk. Apabila citra kendaraan yang diuji adalah mobil atau bus maka output akan langsung menampilkan kendaraan tersebut golongan I. Jika kendaraan diklasifikasi adalah berjenis truk besar maka citra akan masuk ke proses segmentasi ban kendaraan.

K-NN memprediksi sampel yang tidak diketahui dengan menggunakan data training Trained = {mobil, bus, truk}. Keakuratan klasifikasi peka terhadap angka terdekat K terpilih Nearest = {distance, Class} dikalkulasi dari jarak minimum antara sampel yang diketahui dan tidak diketahui. Nearest adalah vektor dari K-Nearest Neighbour. Sampel yang tidak diketahui disimpan di Testing = {i} dimana i adalah citra hasil segmentasi kendaraan dengan background. Accuracy adalah jumlah terdekat dicocokkan dengan kelas tertentu. Hal itu harus lebih besar dari K/2. Pola referensi R untuk setiap kelas adalah sebagai berikut

𝑅 j = min(𝐴 j ) + max (𝐴 j )

2 𝑊ℎ𝑒𝑟𝑒, 𝑗 = 0,1. . 𝑀

R adalah perbedaan untuk setiap kelas R = {R,R,R}. Toleransi untuk setiap fitur dijelaskan sebagai berikut,

𝑇𝑜𝑙𝑒𝑟𝑎𝑛𝑠𝑖 = 𝑅 − min(𝐴) 𝑂𝑅 𝑇𝑜𝑙𝑒𝑟𝑎𝑛𝑠𝑖 = max(𝐴) − 𝑅

±Toleransi membatasi nilai-nilai fitur dari setiap kelas. Ketika jumlah kelas meningkat dan menjadi spesifik, jangkauan toleransi menurun. Jika fitur dari sampel yang tidak diketahui berada pada jangkauan kelas tertentu, maka itulah kelasnya sampel tersebut. Jangkauan dari setiap kelas K-Nearest Neighbour dianalisis untuk mendeteksi kelas kendaraan. (Gaikwad & Sonkamble, 2015)

3.10. Segmentasi Ban Kendaraan

Setelah citra kendaraan diklasifikasi dan citra kendaraan yang didapat adalah berjenis truk besar maka proses yang dilakukan selanjutnya adalah memisahkan ban dengan kendaraan nya menggunakan metode Circular Hough Transform (CHT). Pada CHT, dilakukan pengubahan titik fitur di ruang gambar menjadi satu set akumulasi votes dalam sebuah paremeter ruang. Kemudian untuk setiap titik fitur, votes adalah akumulasi dari akumulator array untuk semua parameter kombinasi. Elemen array yang berisi jumlah votes tertinggi menunjukkan keberadaan bentuk lingkaran pada ban kendaraan. Pola lingkaran dijelaskan pada persamaan

(𝑥 p − 𝑥 0 ) ² + (𝑦 p − 𝑦 0 ) ² = 𝑟 ²

Dimana x 0 dan y 0 adalah koordinasi pusat dan r adalah jari-jari lingkaran. Contoh

Konvensional CHT dapat dijelaskan pada gambar 3.7

Gambar 3.7 Kontribusi titik tepi menunjuk ruang akumulator

Lingkaran hitam menunjukkan titik tepi yang diatur dalam gambar. Setiap titik tepi berkontribusi jari-jari lingkaran R ke ruang akumulator output yang memiliki puncak dimana lingkaran - lingkaran kontribusi ini tumpang tindih di tengah lingkaran asli. (Rizon, et al., 2005)

Setelah ban disegmentasi dari truk, dilakukan perhitungan pada ban kendaraan tersebut. Kemudian kendaraan tersebut digolongkan berdasarkan ban yang terdeteksi.

3.11. Output

Hasil output yang akan ditampilkan adalah data kendaraan yang sudah diklasifikasi

berupa id kendaraan dan golongan apa kendaraan tersebut.

3.12. Flowchart System

Diagram flowchart pada sistem terbagi atas 2 diagram : a) Training

Diagram flowchart untuk training sistem di tunjukkan pada gambar 3.8

Gambar 3.8 Flowchart sistem training Area sesuai

Background Subtraction

Start

Input Video

Set Kelas Kendaraan

Proses Training

Selesai

Area objek kurang dari Threshold Ambil Frame

Tampilkan Video

b) Testing

Diagram flowchart untuk testing ditunjukkan pada gambar 3.9

Gambar 3.9 Flowchart sistem Testing

Jika kelas kendaraan bukan truk

tidak

ya Area Sesuai

Jika kelas kendaraan truk

HOG Klasifikasi

KNN

Area objek kurang dari Threshold

Circular Hough Transform

Tampilkan Golongan II/III/IV/V Tampilkan

Golongan I Background Subtraction

Video Berhenti

Selesai

Start Input Video

Testing

Tampilkan Video

3.13. Use case Diagram

Diagram use case pada sistem terbagi atas 2 diagram : a. Training

Diagram use case pada Training ditunjukkan pada gambar 3.10

Gambar 3.10 Use case diagram training Penjelasan gambar

1. Aktor

Defenisi aktor pada gambar 3.10 dapat dilihat pada tabel 3.1 Tabel 3.1 Defenisi aktor Training

No Aktor Deskripsi

1 Admin Admin adalah petugas yang memliki hak akses untuk input citra dan training data citra

Admin

Ambil Frame

Set Kelas Kendaraan Input Kamera

Video

Training

2. Pendefinisian Use Case

Defenisi use case pada gambar 3.10 dapat dilihat pada tabel 3.2 Tabel 3.2 Defenisi use case Training

No Use Case Deskripsi

1 Input Kamera Video

Proses dimana Admin membutuhkan input kamera video sebelum proses mengambil data

2 Ambil Frame Proses dimana Admin mengambil frame dari video hasil segmentasi kendaraan dengan background

3 Set Kelas Kendaraan

Proses dimana Admin mengatur citra sesuai kelas kendaraannya

4 Training Proses dimana Admin melakukan training data citra kendaraan dan sistem mengekstrak data citra yang akan di training dan menyimpannya di data model

b. Testing

Diagram use case pada testing ditunjukkan pada gambar 3.11

Gambar 3.11 Use case diagram testing Admin

Testing

Input Kamera Video

Tampilkan hasil deteksi

Simpan

Data

Penjelasan gambar 1. Aktor

Defenisi aktor pada gambar 3.11 dapat dilihat pada tabel 3.3 Tabel 3.3 Defenisi aktor Testing

No Aktor Deskripsi

1 Admin Admin adalah petugas yang akan melakukan input video dan melihat hasil testing

2. Pendefinisian Use Case

Defenisi use case pada gambar 3.11 dapat dilihat pada tabel 3.4 Tabel 3.4 Defenisi use case Testing

No Use Case Deskripsi

1 Input Kamera Video

Proses dimana Admin membutuhkan input kamera video sebelum melakukan proses deteksi golongan kendaraan

2 Testing Proses dimana Admin menekan tombol testing dan sistem melakukan deteksi golongan kendaraan pada pengguna jalan tersebut

3 Tampilkan Hasil Deteksi

Proses pada sistem untuk menampilkan hasil deteksi berupa id dan golongan kendaraan tersebut

4 Simpan Data Proses dimana Admin menyimpan data hasil deteksi

3.14. Diagram Aktivitas

Pada diagram aktivitas terdiri dari dua tabel yaitu diagram aktivitas training dan testing 3.14.1. Diagram Aktivitas Training

Pada diagram aktivitas training dimulai dari admin membuka aplikasi kemudian admin menginput kamera/video yang akan digunakan. Setelah itu admin menangkap frame dari video dan memisahkan frame gambar tersebut dengan background. Kemudian admin mengatur frame kendaraan sesuai dengan kelasnya . Selanjutnya Admin melakukan Training pada Citra. Diagram aktivitas training dapat dilihat pada gambar 3.12

3.14.2. Diagram Aktivitas Testing

Pada diagram aktivitas testing dimulai dari admin membuka aplikasi kemudian admin

menginput kamera/video yang akan digunakan. Kemudian Admin melakukan proses

deteksi golongan kendaraan. Selanjutnya sistem menampilkan hasil deteksi golongan

kendaraan dari citra. Diagram aktivitas testing dapat dilihat pada gambar 3.13

Gambar 3.12 Diagram aktivitas training

SISTEM ADMIN

Membuka Aplikasi

Menampilkan aplikasi

Input Kamera Video

Menjalankan Video

Menangkap

Frame Simpan Frame

Mengatur Kelas Kendaraan

Melakukan Training Citra

Proses

Training

Gambar 3.13 Diagram aktivitas testing

SISTEM ADMIN

Membuka Aplikasi

Menampilkan aplikasi

Input Kamera Video

Menjalankan Video

Melakukan Testing

Mendeteksi Golongan Kendaraan

Tampilkan

Hasil Deteksi

3.15. Perancangan Antarmuka

Perancangan antarmuka yaitu tampilan rancangan sistem deteksi golongan kendaraan yang akan dibangun terdiri atas perancangan antarmuka tampilan awal, perancangan antarmuka pada training, perancangan antarmuka pada set kelas kendaraan, perancangan antarmuka pada testing, dan perancangan antarmuka pada test image

3.15.1. Perancangan Antarmuka Tampilan Awal

Perancangan antarmuka untuk tampilan awal dapat dilihat pada gambar 3.14

Gambar 3.14 Rancangan antarmuka tampilan awal

Perancangan antarmuka untuk tampilan awal apabila pengguna membuka aplikasi. Adapun rincian dari rancangan tampilan antarmuka pada training adalah :

a. Judul Aplikasi adalah tampilan judul program aplikasi b. About untuk tampilan awal saat aplikasi dibuka

c. Input Video adalah menu untuk melakukan input video d. Training adalah menu untuk melakukan training data

Menu

About

Input Video

Training

Testing

Test Image

Judul Aplikasi

Logo

Nama & Nim

e. Testing adalah menu untuk melakukan testing data

f. Test image adalah menu untuk melakukan testing pada data citra yang sudah ada

3.15.2. Perancangan Antarmuka pada Training

Perancangan antarmuka pada training dapat dilihat pada gambar 3.15

Gambar 3.15 Rancangan antarmuka training

Antarmuka pada training dirancang untuk memudahkan admin melakukan training citra. adapun rincian dari rancangan tampilan antarmuka pada training adalah :

a. Data Frame adalah data citra berupa list file hasil segmentasi citra b. Data Mobil adalah list file citra untuk mobil

c. Data Bus adalah list file citra untuk bus d. Data Truk adalah list file citra untuk truk

e. Jlh Data Mobil adalah jumlah total data citra untuk mobil f. Jlh Data Bus adalah jumlah total data citra untuk bus

Menu

Training

Data Frame

Data Mobil

Data Bus

Data Truk

Jlh Data Mobil Jlh Data Bus Jlh Data Truk

About

Input Video Training

Testing

Test Image

g. Jlh Data Truk adalah jumlah total data citra untuk truk h. Training adalah Tombol untuk melakukan training pada citra

3.15.3. Perancangan Antarmuka pada Set Kelas Kendaraan

Perancangan antarmuka pada set kelas kendaraan dapat dilihat pada gambar 3.15

Gambar 3.16 Rancangan antarmuka set kelas kendaraan

Antarmuka pada set kelas kendaraan dirancang memudahkan admin mengatur data citra kendaraan sesuai kelasnya masing-masing. Adapun rincian antarmuka set kelas kendaraan adalah

a. Frame adalah tampilan untuk citra yang akan di diatur kelasnya b. Set ID adalah input teks untuk id citra

c. Set Kelas adalah pilihan untuk mengatur kelas kendaraan pada citra d. Flip adalah tombol untuk membalikkan arah kendaraan dari citra e. Discard adalah tombol menghapus citra

f. Ok adalah tombol untuk selesai Frame

Set ID

Set Kelas

ok

discard

FLIP

3.15.4. Perancangan Antarmuka pada Testing

Perancangan antar muka pada testing dapat dilihat pada gambar 3.16

Gambar 3.17 Rancangan antarmuka testing

Perancangan antarmuka pada testing memudahkan admin untuk melakukan testing citra dari sistem yang akan dibangun. Jika diimplementasikan maka user juga dapat melakukan testing langsung. Rincian perancangan untuk testing adalah :

a. Video adalah tampilan video yang diinput oleh admin

b. Ambil Frame adalah tombol untuk mengambil citra langsung dari video untuk proses training data

c. Testing adalah tombol untuk admin ataupun user melakukan deteksi golongan d. Save data adalah tombol untuk admin menyimpan data kendaraan ke sebuah

database

e. Frame adalah tampilan frame hasil segmentasi kendaraan dengan background f. Grayscale adalah tampilan keabuan dari frame

g. Hog adalah tampilan fitur hog dari frame Menu

Testing

Video

Hasil Deteksi

Frame ^{Grayscale Hog}

Save Data

About

Input Video

Training

Testing

Test Image

Ambil

Frame

h. Hasil Deteksi adalah list hasil deteksi golongan kendaraan

3.15.5. Perancangan Antarmuka pada Test image

Perancangan antar muka pada test image dapat dilihat pada gambar 3.16

Gambar 3.18 Rancangan antarmuka test image

Perancangan antarmuka pada testing memudahkan admin untuk melakukan testing langsung dari citra dari citra yang sudah ada. Rincian perancangan untuk test image adalah :

a. Data Test adalah list file dari frame yang sudah disimpan

b. Testing adalah tombol untuk melakukan testing pada citra dari list file pada data test

c. Frame adalah tampilan frame hasil segmentasi kendaraan dengan background d. Grayscale adalah tampilan keabuan dari frame

e. Hog adalah tampilan fitur hog dari frame

f. Hasil Deteksi adalah list hasil deteksi golongan kendaraan Menu

Testing

Data Test

Hasil Deteksi

Frame ^{Grayscale Hog} About

Input Video

Training

Testing

Test Image

BAB IV

IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi implementasi dan pengujian sistem berdasarkan analisis dan perancangan sistem yang sudah dibahas sebelumnya. Pada bab ini menampilkan hasil sistem yang telah dibangun serta proses pengujian sistem deteksi golongan kendaraan berdasarkan gandar.

4.1. Implementasi Sistem

4.1.1. Spesifikasi perangkat keras yang digunakan

Berikut adalah spesifikasi perangkat keras yang digunakan untuk membangun sistem ini:

Tabel 4.1 Spesifikasi perangkat keras

Perangkat Keras Komponen

ASUS A455L Processor Intel Core i5-5200U @ 2.20 GHz RAM 4 GB

Display Intel (R) HD Graphics 5500 Nvidia GeForce 920M Hardisk 500 GB

Resolusi Layar 1366x768

4.1.2. Spesifikasi perangkat lunak yang digunakan

Berikut adalah spesifikasi perangkat lunak yang digunakan untuk membangun sistem ini:

Tabel 4.2 Spesifikasi perangkat lunak

Perangkat Keras Komponen

ASUS A455L Sistem Operasi Windows 8.1 64 bit Python (3.7.3)

OpenCV (4.1)

PyQT5 (5.11)

4.1.3. Implementasi Antarmuka

Implementasi antarmuka berdasarkan rancangan sistem yang telah dibahas adalah sebagai berikut :

4.1.3.1. Tampilan Halaman Awal

Halaman utama pada gambar 4.1 menampilkan halaman awal saat aplikasi sistem pertama kali dibuka.

Gambar 4.1 Tampilan Halaman Awal

4.1.3.2. Tampilan Antarmuka Training

Gambar 4.2 adalah tampilan untuk melakukan training pada data.

Gambar 4.2 Tampilan halaman training

Gambar 4.3 adalah tampilan ketika training citra sedang di proses di command prompt

dan Gambar 4.4 di tampilkan apabila proses training telah selesai di lakukan.

Gambar 4.3 Tampilan proses training pada command prompt

Gambar 4.4 Tampilan training sukses

4.1.3.3. Tampilan Antarmuka pada set kelas kendaraan

Halaman pada gambar 4.5 di bawah ini adalah tampilan saat admin ingin mengatur kelas kendaraan dari sebuah citra. Halaman ini ditampilkan apabila admin mengklik salah satu file yang ada pada list data frame. Disini admin dapat input id citra yang akan di masukkan pada data model, mengatur kelas kendaraan, membalikkan arah dari citra dan menghapus citra.

Gambar 4.5 Tampilan set kelas kendaraan

4.1.3.4. Tampilan Input Video

Halaman pada gambar 4.6 menampilkan admin melakukan input video.

Gambar 4.6 Tampilan input video 4.1.3.5. Tampilan Antarmuka Testing

pada gambar 4.7 menampilkan tampilan awal antarmuka pada testing.

Gambar 4.7 Tampilan halaman testing Gambar 4.8 menampilkan video yang sudah dijalankan oleh sistem.

Gambar 4.8 Tampilan video dijalankan