Achmad Yusuf Zunaidi, Harianto,Madha Christian Wibowo
RANCANG BANGUN PENDETEKSI TEMPAT PARKIR KOSONG
BERBASIS CITRA DIGITAL
Achmad Yusuf Zunaidi1) Harianto 2) Madha Christianto3)
Program Studi/JurusanSistemKomputer STMIK STIKOM Surabaya Jl. Raya KedungBaruk 98 Surabaya, 60298
Email : 1)yusuf.zuna@yahoo.com, 2)Harianto@stikom.edu, 3)Madha@stikom.edu
Abstract: Large parking area and many cars parked can be problems when someone want to find the empty
parking spot. That condition could make someone looking around the parking area to search an empty spot. At this time, many parking area are equipped with CCTV (Closed Circuit Television) camera. But recently, CCTV is only used to monitor the parking situation. Actually, the images produced by CCTV can be used to detect an empty parking spot and the results from it will be informed to someone who wants to park. This research designed a system that can detect and inform an empty parking spot using background subtraction method. This system is composed by three main part, those are camera, computer, and display. General process of system is camera will capture situation of the parking area and send the images to computer. Then computer will process the images so that system can detect empty parking spot. The result is showed in a display that anyone can know the empty parking spots. From the experiment, system produced 150 correct data (valid data) from 150 trials with a minimum percentage is 35% white pixel obtained from multiple testing (testing to get accurate results).
Keywords : parking, image , camera , background subtraction method Luasnya lahan parkir dan banyaknya
jumlah mobil di tempat parkir dapat menjadi kendala bagi pengendara mobil untuk mengetahui lahan parkir di bagian mana yang masih kosong, sehingga pengendara harus mengelilingi lahan parkir untuk mencari tempat yang kosong.
Pada saat ini tempat parkir telah dilengkapi dengan kamera Close Circuit Television (CCTV) yang berguna hanya untuk memantau keadaan parkir tersebut.
Untuk mengoptimalkan fungsi kamera pada tempat parkir maka dibuat sistem yang memanfaatkan hasil citra yang didapatkan dari kamera untuk diproses sehingga menghasilkan sistem yang dapat mendeteksi dan memberikan informasi lahan parkir terhadap pengendara mobil yang hendak parkir.
Pengolahan citra adalah sistem yang diterapkan untuk mengolah data citra yang didapatkan dari kamera pada lahan parkir tersebut.
Proses pendeteksian lahan parkir yang kosong dimulai dengan pengambilan citra sampel yang kemudian dikurangkan/ disubtraksi dengan citra baru dengan menggunakan metode background
subtraction. Dari proses subtraksi tersebut didapatkan hasil berupa gambar objek yang berbeda antara citra sampel dengan citra baru. Dari hasil
tersebut sehingga dapat proses lebih lanjut untuk proses pendeteksian lahan yang kosong.
Citra baru akan terus diperbarui setiap beberapa menit untuk memperbarui informasi parkir. Sehingga informasi lahan parkir yang kosong bisa selalu update sesuai kondisi yang ditangkap oleh kamera.
Penggunaan sistem pengolahan citra dengan menggunakan library OpenCV dan memanfaatkan citra dari kamera sebagai input dinilai lebih efisien dibandingkan penggunaan sensor benda sebagai penerima input dalam sistem pendeteksian lahan parkir yang kosong. Hal ini dikarenakan pemasangan sensor benda pada masing-masing lahan parkir membutuhkan biaya yang jauh lebih banyak dibandingkan dengan pemasangan kamera.
Dari sistem pendeteksian lahan parkir kosong menggunakan kamera akan menghasilkan sebuah sistem yang dapat membedakan lahan parkir yang berisi mobil dan lahan parkir kosong yang selanjutnya akan diinformasikan ke pengendara mobil yang hendak memasuki parkir. Sehingga orang yang hendak parkir bisa langsung menuju ke salah satu nomor lahan parkir yang telah diinformasikan sistem melalui display jadi tidak perlu lagi berkeliling mencari lahan parkir yang kosong.
JCONES Vol. 2, No. 1 (2013) 26-34
Journal of Control and Network Systems
Situs Jurnal : http://jurnal.stikom.edu/index.php/jconeMETODE
Model penelitian yang akan dilakukan adalah model penelitian pengembangan. Untuk mempermudah dalam memahami sistem yang akan dibuat dapat dijelaskan melalui blok diagram pada Gambar 1.
Gambar 1. Blok Diagram Sistem Dari Gambar 1. Merupakan proses dari pengambilan gambar atau citra terhadap lahan parkir sampai dengan hasil pendeteksian yang ditampilkan pada display.
Sebagai input, citra didapatkan dari kamera yang terpasang pada miniatur. Kemudian diproses menggunakan console application Visual C++ 2008 dengan memanfaatkan library OpenCV. Citra yang diperoleh adalah citra keadaan blok parkir mobil. Setelah mendapatkan citra tersebut, maka selanjutnya citra akan diproses untuk kemudian disubtraksi/dikurangkan (subtraction) dengan citra sampel (citra blok tanpa mobil). Dari hasil subtraksi tersebut dilakukan klasifikasi benda yang teridentifikasi merupakan mobil atau tidak. Pada akhirnya akan ditampilkan informasi pada PC berupa output nomor tempat yang kosong (diasumsikan bahwa setiap tempat parkir terdapat nomor urut), selain itu juga citra yang diambil secara
streaming akan ditampilkan pada layar PC.
Pengambilan Citra Sampel
Citra sampel yang dimaksud adalah citra kondisi parkir saat dalam keadaan tanpa adanya mobil. Citra sampel tersebut digunakan untuk data yang akan disubtraksi dengan citra update. Pengambilan citra sampel dilakukan secara manual dan akan disimpan pada direktori D:\\pict_TA dan file tersebut diberi nama background.jpg. Ketika program berjalan program akan memuat citra sampel menggunakan fungsi cvLoadImage dan disimpan dalam variabel img. format variabel img
adalah Iplimage. Berikut potonganprogram untuk memuat citra sampel
.
IplImage*img=cvLoadImage(
"D:\\pict_TA\\background.jpg"
);
Penerimaan Data Citra
Setiap data citra yang dikirimkan dari kamera diakses dengan pointer CvCapture dan menggunakan fungsi cvCaptureFromCAM(1).
Angka 0 pada fungsi cvCaptureFromCAM(0) merupakan indeks dari kamera yang digunakan. Berikut adalah potongan program untuk proses penerimaan data citra dari kamera menggunakan. CvCapture*capture=cvCaptureFromCAM(0);
Data citra yang ditangkap adalah data citra dengan ruang warna RGB dan disimpan langsung pada variabel Iplimage (Intel Image
Processing Library) yaitu stuktur data untuk
penyimpanan data citra pada OpenCV.
Proses Update Citra Kondisi Parkir
Flowchart proses update data setiap 5 menit
sekali adalah sebagai berikut. kamera PC display lahan parkir A fc = false Streaming kamera Akses menit (time sistem) !fc and menit % 5== 0 B fc = false start
Gambar 2. Flowchart Update Citra Kondisi Parkir proses streaming dijalankan dan ketika proses
streaming mencapai 5 menit atau kelipatannya maka
program akan menyimpan hasil capture citra kondisi yang baru
.
Proses Akses Pixel
Library OpenCV telah menyediakan function untuk Background Subtraction yaitu cvSub(source1, source2, dest, NULL) tetapi hasil subtraksi yang didapatkan tidak maksimal sehingga perlu dilakukan proses subtraksi secara manual. Dalam proses Background Subtraction secara manual langkah yang pertama adalah mengakses RGB per pixel pada citra sampel dan citra update.
Pada saat sudah mendapatkan nilai RGB dari tiap-tiap pixel maka dilakukan proses subtraksi. Setelah proses subtraksi maka pixel-pixel hasil subtraksi tersebut harus dikembalikan ke bentuk semula yaitu dalam format image untuk diproses ke tahap selanjutnya.
Background Subtraction
Berikut merupakan flowchart dari proses
background subtraction untuk dapat mengetahui
perbedaan yang terdapat pada citra sampel dan citra update. B fc = true BG = citra A N x = x++ y = y++ Hasil subtraksi region 1 Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 9 < x < = 330 Y 49 < y < 451 Citra update Citra sampel start A start start Citra sampel start Citra update Citra sampel 49 < y < 451 Citra update Citra sampel 49 < y < 451 Citra update Citra sampel N Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 9 < x < = 330 Y 49 < y < 451 Citra update Citra sampel Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) N Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 9 < x < = 330 Y 49 < y < 451 Citra update Citra sampel Hasil subtraksi region 1 Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) N Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 9 < x < = 330 Y 49 < y < 451 Citra update Citra sampel x = x++ y = y++ Hasil subtraksi region 1 Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) N Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 9 < x < = 330 Y 49 < y < 451 Citra update Citra sampel x = x++ y = y++ Hasil subtraksi region 1 Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) N Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 9 < x < = 330 Y 49 < y < 451 Citra update Citra sampel A x = x++ y = y++ Hasil subtraksi region 1 Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) N Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 9 < x < = 330 Y 49 < y < 451 Citra update Citra sampel A x = x++ y = y++ Hasil subtraksi region 1 Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) N Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 9 < x < = 330
Y 49 < y < 451
Citra update Citra sampel
Gambar 3. Flowchart Background Subtraction
Pada Gambar 3. merupakan Flowchart
Background Subtraction. Dalam Flowchart
tersebut telah ditentukan koordinat pixel untuk masing-masing area/region dengan rincian berikut.
a. Area/region 1, berada diantara koordinat x,y(10<=x<=330 ,50<=y<=450)
b. Area/region 2, berada diantara koordinat x,y(480<=x<=800, 50<=y<=450)
c. Area/region 3, berada diantara koordinat x,y(940<=x<=1240, 50<=y<=450)
Proses Konversi ke Grayscale
Grayscale adalah suatu format citra atau
gambar yang tiap-tiap pixel gambar hanya terdiri dari 1 channel warna. Proses perubahan warna dari RGB menjadi Grayscale bertujuan untuk mempermudah proses selanjutnya yaitu proses perubahan Grayscale menjadi biner. Sehingga setelah proses subtraksi berhasil dilakukan maka langkah selanjutnya ialah melakukan konversi format gambar dari RGB menjadi Grayscale. Untuk mengubah RGB menjadi Grayscale dapat digunakan rumus.
Grayscale = 0.299R + 0.587G + 0.114B (1)
atau dapat menggunakan algoritma dengan merata-rata nilai ketiga buah channel RGB.
(Awcock, G.W. 1996)
Perubahan gambar RGB menjadi Grayscale menggunakan library openCV pada visual C++ menggunakan perintah sebagai berikut.
cvCvtColor(region1,gimask1,CV_RGB2 GRAY);
Pada perintah tersebut sudah terdapat dua
frame yaitu region1 dan gimask1. region1 adalah frame RGB hasil subtraksi sedangkan gimask1
adalah frame yang disediakan untuk Grayscale yang akan dibuat. Sehingga maksud dari potongan perintah tersebut adalah mengubah gambar region1 menjadi Grayscale dengan fungsi CV_RGB2GRAY lalu disimpan pada frame bernama gimask1.
Proses Thresholding
Untuk
melakukan penghitungan pixel putih pada masing-masing region, maka data citra dikonversikan ke dalam citra biner dengan memanfaatkan thresholding. Thresholding adalah proses mengubah suatu citra berwarna atau berderajat keabuan (Grayscale) menjadi citra biner atau hitam putih, sehingga dapat diketahui daerah mana yang termasuk objek dan background dari citra secara jelas (Gonzales dan Woods, 2002).Pada library OpenCV telah disediakan
function untuk memproses thresholding, yaitu
dengan menggunakan cvThreshold. Berikut merupakan baris perintah thresholding.
N a N Y Y x = x++ y = y++ Hasil subtraksi area 2 Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel 479 < x < 801 49 < y < 451 A N a N Y Y x = x++ y = y++ Hasil subtraksi area 3 Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) Akses g pixel Akses b pixel Akses r pixel Akses Green pixel
Akses Blue pixel Akses Red pixel
939 < x < 1239
49 < y < 451
cvThreshold(gimask1, im_bw, 30, 255, CV_THRESH_BINARY); (Wijaya, MC. 2009)
Pada perintah tersebut gambar Grayscale dari frame
gimask1 dirubah menjadi biner
(CV_THRESH_BINARY) dengan threshold 30 dan disimpan pada frame im_bw. Threshold bertujuan mengubah pixel diatas threshold untuk menjadi pixel bernilai 255 sedangkan dibawah threshold dirubah menjadi 0, dengan demikian didapatkanlah gambar biner.
Penghitungan Pixel Putih
Proses untuk menghitung pixel warna putih pada 3 area/region dari gambar hasil subtraksi yang telah dibinerkan. Pada awalnya variabel counter diberi nilai 0. Setelah melakukan proses subtraksi citra sampel dengan citra update dan telah dilakukan proses grayscale serta thresholding, selanjutnya memeriksa koordinat pixel. Jika koordinat y tepat pada range koordinat y area 1 maka proses akan mengakses pixel dan nilainya dimasukkan pada variabel ptr. Selanjutnya jika koordinat x berada pada koordinat x area 1 maka nilai variabel ptr dimasukkan ke dalam variabel value untuk diperiksa apakah bernilai 255 (warna putih). Apabila value bernilai 255 maka nilai variabel counter dan pixel ditambahkan 1. Tetapi apabila koordinat x tidak berada pada koordinat x area 1 maka koordinat akan diperiksa kembali untuk mengetahui apakah berada di area 2 atau area 3 atau tidak berada di koordinat 3 area tersebut. Untuk proses penghitungan pixel di area 2 maupun 3 sama seperti halnya di area 1. Sedangkan jika diluar koordinat 3 area tersebut maka tidak akan diproses lebih lanjut. Berikut adalah potongan program untuk menghitung pixel pada salah satu area.
for ( y = 50 ; y <= 450 ; y++) { uchar* ptr = (uchar*)(im_bw->imageData+im_bw->widthStep*y ); for ( x = 10 ; x <= 330 ; x++) {value = ptr[x]; if (value == 255) white1++; pixel1++; } }
Pada potongan program tersebut terdapat variabel im_bw yaitu variabel yang menampung
frame biner hasil subtraksi area 1.
Penghitungan pixel sangat penting dilakukan untuk proses selanjutnya yaitu identifikasi benda. Karena identifikasi benda dilakukan dengan menghitung prosentasi pixel putih pada masing-masing area.
Proses Identifikasi Benda
Untuk menentukan benda yang teridentifikasi merupakan mobil atau tidak maka terlebih dahulu total pixel putih (white1 untuk area 1, dst) dibagi dengan total keseluruhan pixel (pixel1 untuk area 1, dst) dari masing-masing area sehingga didapatkan prosentasi pixel putih pada tiap-tiap area. Kemudian nilai dari hasil bagi masing-masing area tersebut akan ditampung di variabel Hasil1 (untuk area 1), Hasil2 (untuk area 2) dan Hasil3 (untuk area 3). Setelah ditampung ke dalam variabel maka hasil akan dibandingkan dengan batas minimum prosentasi yang telah ditentukan yaitu 38% atau 0,38.
Jika prosentasi pixel putih pada area 1 kurang dari 0,38 maka area tersebut dianggap tidak ada mobil dan pada list nomor parkir akan ditampilkan nomor 1 untuk menginformasikan kepada pengguna parkir bahwa tempat parkir nomor 1 dapat ditempati. Jika prosentasi pixel putih lebih dari 0,38 maka area tersebut dianggap terdapat mobil dan akan dilanjutkan untuk mengeksekusi proses selanjutnya yaitu mengidentifikasi pada area yang lain. List parkir akan menginformasikan bahwa parkir telah penuh apabila prosentasi pixel putih pada semua area parkir melebihi 0,38. Berikut adalah potongan program untuk identifikasi benda.
Perancangan Perangkat Keras
Perangkat keras pada Tugas Akhir ini berupa miniatur tempat parkir mobil. Sebelum proses pembuatan miniatur telah dilakukan riset untuk mengetahui desain dan ukuran tempat parkir tersebut, selanjutnya dicari ukuran yang tepat untuk diterapkan dalam bentuk miniatur menggunakan skala perbandingan sehingga hasil program bisa mendekati hasil sesungguhnya apabila diterapkan secara real.
Dari hasil riset diperoleh data yaitu panjang lokasi parkir 50 m dengan tinggi 2,1 m dan lebar 9 m. Dari hasil tersebut ditentukan dimensi miniatur dan didapatkan skala perbandingan 1:25, sehingga panjang miniatur menjadi 2 m, tinggi 8,4 cm, dan lebar 36 cm. Hasil dimensi miniatur tersebut diperoleh dari penghitungan sebagai berikut: Diketahui: Panjang sesungguhnya (PM) : 50 m = 5000 cm Tinggi sesungguhnya (TM) : 2,1 m = 210 cm Lebar sesungguhnya (LM) : 9 m = 900 cm Skala 1:25 Dicari : Pm, Tm, Lm Penyelesaian: Panjang miniatur (Pm) = 5000/25 = 200 cm = 2 m Tinggi miniatur (Tm) = 210/25 = 8,4 cm Lebar miniatur (Lm) = 900/25 = 36 cm
Dari hasil perhitungan tersebut dibuat miniatur seperti pada Gambar 4 dan 5.
Gambar 4.View Miniatur Dari Atas
Gambar 5.View Miniatur Dari Samping
PENGUJIAN SISTEM
Pengujian sistem dilakukan untuk mengetahui sistem pada aplikasi apakah sudah dapat berjalan sesuai dengan yang diharapkan. Dimulai dari memperbarui citra update, hingga output berupa list nomor parkir yang kosong dapat sesuai.
Pengaksesan webcam dari PC diperlukan untuk mendapatkan input citra yang tertangkap dari
webcam. Gambar 6 dan Gambar 7 merupakan hasil capture proses update citra
.
Gambar 6 Capture Citra Parkir Pukul 15:35
Gambar 7 Capture Citra Parkir Pukul 15:39
Pada Gambar 7. menunjukkan bahwa data telah di update yaitu kondisi awal pada blok tersebut terdapat 2 mobil pada pukul 15:35 (Gambar 4.2). Kemudian terdapat 1 mobil lagi parkir pada blok tersebut sehingga pada saat update data maka file image “update.jpg” pada direktori D:\\Pict_TA juga akan berubah mengikuti kondisi saat proses update terakhir.
Sebelum proses pengolahan citra lebih lanjut maka dilakukan juga pengujian proses penentukan koordinat titik acuan masing-masing area sebagai proses yang sangat berpengaruh terhadap proses berikutnya. Gambar 9 merupakan hasil capture proses pencarian titik koordinat acuan masing-masing area secara manual dengan memberi tanda persegi di tiap-tiap area.
Gambar 8. Capture Citra Sampel
Waktu 15: 35
Gambar 9. Capture Citra Setelah Ditandai Batas Tiap Area
Pada Gambar 9. menunjukkan bahwa proses menentukan koordinat dari masing-masing area berhasil dilakukan dengan memberi tanda persegi pada masing-masing area. Persegi biru merupakan koordinat area 1, persegi ungu merupakan koordinat area 2 dan persegi kuning merupakan koordinat area 3.
Proses selanjutnya adalah background
subtraction yang selanjutnya hasilnya akan diubah
menjadi grayscale kemudian dibinerkan melalui proses thresholding. Dari gambar hasil thresholding tersebut akan dihitung nilai pixel putih dan total
pixel pada masing-masing area.
Gambar 11 merupakan hasil proses penghitungan
pixel warna putih dari masing-masing area.
Gambar 10. Capture Citra Kondisi Parkir
Gambar 11. Capture Hasil Penghitungan Pixel Putih
Setelah proses penghitungan pixel putih dan total pixel masing-masing area kemudian dari masing-masing area akan dicari presentase warna
pixel putih dari masing-masing area untuk proses
identifikasi benda. Tabel 1 merupakan hasil proses identifikasi benda berbagai kondisi.
Tabel 1. Hasil Identifikasi Benda kondisi area Total
pixel putih Total pixel Hasil ket 1 1787 1634 1631 1609 1615 42411 42411 42411 42411 42411 0,04217 0,03855 0,03846 0,03792 0,03807 E E E E E 2 2002 1926 1906 1897 1906 39396 39396 39396 39396 39396 0,05082 0,04880 0,04383 0,04819 0,04383 E E E E E 3 1546 1532 1498 1484 1528 39396 39396 39396 39396 39396 0,03926 0,03881 0,38028 0,03773 0,03877 E E E E E 1 28715 28649 28408 28588 28689 42411 42411 42411 42411 42411 0,67713 0,67554 0,66987 0,6742 0,67643 I I I I I 2 3123 3022 3022 3032 3068 39396 39396 39396 39396 39396 0,07928 0,07670 0,07670 0,07698 0,07783 E E E E E 3 1694 1620 1615 1652 1677 39396 39396 39396 39396 39396 0,04292 0,04113 0,04096 0,04198 0,04265 E E E E E
Total pixel putih area 1 : 19267
Total pixel putih area 2 : 26747
Total pixel putih area 3 : 20296
1 18831 18379 18330 18270 18161 42411 42411 42411 42411 42411 0,44409 0,43357 0,43245 0,43089 0,42821 I I I I I 2 31560 30221 30145 29713 29467 39396 39396 39396 39396 39396 0,80113 0,76712 0,76555 0,75427 0,74796 I I I I I 3 2339 2253 2189 2223 2192 39396 39396 39396 39396 39396 0,05641 0,05567 0,05665 0,05341 0,05712 E E E E E 1 18638 18077 17982 17869 17801 42411 42411 42411 42411 42411 0,43946 0,42623 0,42399 0,42133 0,41973 I I I I I 2 7226 6941 6893 6928 6948 39396 39396 39396 39396 39396 0,18342 0,17618 0,17497 0,17585 0,17636 E E E E E 3 22608 22582 22421 22328 23745 39396 39396 39396 39396 39396 0,57386 0,57320 0,56912 0,56676 0,60277 I I I I I 1 1921 1949 1924 1898 1833 42411 42411 42411 42411 42411 0,04529 0,04595 0,04536 0,04475 0,04574 E E E E E 2 20172 20298 20313 20347 20290 39396 39396 39396 39396 39396 0,51203 0,51523 0,51561 0,51647 0,51502 I I I I I 3 1824 1815 1864 1871 1864 39396 39396 39396 39396 39396 0,04627 0,04607 0,04731 0,04749 0,04731 E E E E E 1 1858 1797 1780 1793 1726 42411 42411 42411 42411 42411 0,04381 0,04237 0,04197 0,04228 0,04069 E E E E E 2 23903 23514 23313 23421 23458 39396 39396 39396 39396 39396 0,60674 0,59686 0,59176 0,59476 0,59544 I I I I I 3 19821 19173 18958 18964 19036 39396 39396 39396 39396 39396 0,50312 0,48667 0,48127 0,48137 0,48319 I I I I I 1 1970 1849 42411 42411 0,04645 0,04359 E E 1804 1784 1773 42411 42411 42411 0,04254 0,04206 0,04180 E E E 2 4980 4686 4664 4578 4608 39396 39396 39396 39396 39396 0,12641 0,11895 0,11838 0,11620 0,11696 E E E E E 3 21392 20541 20031 19902 19705 39396 39396 39396 39396 39396 0,54299 0,51911 0,50845 0,50518 0,50018 I I I I I 1 19174 18865 18911 18897 18794 42411 42411 42411 42411 42411 0,4521 0,44481 0,44589 0,44556 0,44314 I I I I I 2 20243 19768 19558 19512 19440 39396 39396 39396 39396 39396 0,51383 0,50178 0,49645 0,49528 0,49345 I I I I I 3 21319 20664 20338 20314 20295 39396 39396 39396 39396 39396 0,54115 0,52452 0,51624 0,51564 0,51038 I I I I I 1 18994 18881 18901 18911 18866 42411 42411 42411 42411 42411 0,44786 0,44519 0,44566 0,44589 0,44484 I I I I I 2 20188 19344 19371 19610 19441 39396 39396 39396 39396 39396 0,51244 0,49101 0,4917 0,49776 0,49271 I I I I I 3 8983 6684 6581 6678 6432 39396 39396 39396 39396 39396 0,22802 0,16966 0,16705 0,16951 0,16326 E E E E E 1 1836 1804 1877 1856 1839 42411 42411 42411 42411 42411 0,04329 0,04254 0,04426 0,04376 0,04336 E E E E E 2 22395 22263 22839 22735 22678 39396 39396 39396 39396 39396 0,56846 0,56511 0,56554 0,57708 0,57564 I I I I I 3 9499 9473 9500 9499 9473 39396 39396 39396 39396 39396 0,24112 0,24046 0,24114 0,24112 0,24046 E E E E E Pada Tabel 1 terdapat keterangan I dan E. I adalah keterangan status parkir yang terdapat mobil sedangkan E adalah keterangan status parkir yang kosong. Pada tabel tersebut terdapat area,
nilai total white pixel , nilai total pixel, nilai presentase (hasil) dan status. Untuk penjelasan yang dimaksud area di Tabel 1 adalah hasil akhir citra masing-masing area (slot tempat parkir) yang diperoleh dari proses Background Subtraction yang telah dikonversi ke grayscale dan biner. Sedangkan yang dimaksud total white pixel merupakan nilai hasil penghitungan jumlah keseluruhan pixel berwarna putih pada masing-masing area. Untuk penjelasan total pixel adalah jumlah pixel secara keseluruhan pada masing-masing area
.
Sedangkan yang dimaksud nilai presentase (hasil) adalah hasil pembagian total white pixel dengan total pixel.Pada sistem ini telah ditentukan batas minimal presentase warna pixel putih adalah 35% dari nilai total pixel keseluruhan. Nilai 35% sebagai batas minimal presentase warna pixel putih didapatkan dari hasil beberapa kali pengujian (pengujian untuk mendapatkan hasil yang akurat). Sehingga apabila pada area tersebut terdapat objek yang mempunyai presentase pixel putih 35% atau lebih maka area tersebut dinyatakan terdapat mobil. Sebaliknya apabila presentase pixel putih dibawah 35% maka dinyatakan area tersebut masih kosong.
Pada Tabel 1 terlihat bahwa ketika proses update citra dan ketika ada benda lain atau manusia yang berada di tempat parkir yang kosong (pada 2 kondisi citra yang terakhir pada Tabel 4.2 ) maka tidak dianggap mobil dan tetap dianggap kosong tempat tersebut. Hal tersebut terlihat dari nilai presentase pixel putih pada area yang terdapat benda lain yang berada dibawah batas minimal yang telah ditentukan yaitu 0,35 atau 35 %.
SIMPULAN
Adapun kesimpulan yang dapat dituliskan dari hasil sistem yang telah dibuat antara lain sebagai berikut: 1. Program dapat membedakan tempat yang
kosong dan yang terisi penuh. Selain itu ketika diberi kondisi gangguan seperti terdapat orang berdiri di tempat parkir yang kosong maupun ketika baru ada mobil keluar dari tempat kosong tersebut maka program tetap menganggap tempat tersebut kosong. Untuk sistem ini ditentukan batas minimal presentase
pixel putih sebesar 35% yang didapatkan dari
beberapa pengujian (pengujian untuk mendapatkan hasil yang akurat).
2. Metode Background Subtraction dapat diimplementasikan pada pendeteksian tempat parkir yang kosong menggunakan kamera. Setelah dilakukan 150 kali percobaan didapatkan hasil 150 data sudah benar dan sesuai.
DAFTAR PUSTAKA
Awcock, G.W. 1996. Applied Image
Processing.Singapore.McGraw-Hill Book.
Bradsky G dan Kaehler A. 2008. Learning
OpenCV. U.S.A : O’Reilly Media. Inc.
Gonzales, R.C., dan R. E. Woods.2002. Digital Image Processing (edisi ke-2). Prentice Hall, New Jersey.
Munir, Rinaldi. 2004.Pengolahan Citra Digital
dengan Pendekatan Algoritmik.Bandung
:Informatika Bandung..
Saphiro L dan Sthockman G. 2000. Computer
Vision. The University Of Washington.
Taylor dan Francis. 2007. Color Image
Processing Method And Application.
Boca Raton : CRC Press.
Umbaugh, Scoot. 1998. Computer Vision and
Image Processing. U.S.A : Prentice Hall,
