LAPORAN TAHUN TERAKHIR PENELITIAN HIBAH BERSAING
PROTOTIPE SISTEM PENGATUR ISYARAT LALU-LINTAS ADAPTIF TERKOORDINASI UNTUK RUAS JALAN SENOPATI DAN
JALAN SULTAN AGUNG YOGYAKARTA
Tahun ke-3 dari rencana 3 tahun
Pengusul:
Freddy Kurniawan, S.T., M.T. NIDN 0517037601 (Ketua) Haruno Sajati, S.T., M.Eng. NIDN 0522078001 (Anggota 1) Okto Dinaryanto, S.T., M.M., M.Eng. NIDN 0504107202 (Anggota 2)
Dibiayai oleh:
Direktorat Riset dan Pengabdian Kepada Masyarakat Kementerian Riset, Teknologi, dan Pendidikan Tinggi
Nomor: 029/HB-LIT/III/2016 Tanggal 15 Maret 2016
iii
Kemacetan lalu-lintas yang sering terjadi adalah berupa antrian panjang pada sebuah pengatur lalu-lintas. Salah satu penyebab kemacetan tersebut adalah tidak efektifnya pewaktuan pengatur lalu-lintas yang digunakan. Ketidakefektifan pengatur lalu-lintas yang digunakan di Indonesia disebabkan tidak dapatnya sebuah pengatur lalu-lintas mengikuti perubahan volume kendaraan.
Pada tahun pertama skim penelitian ini, telah dibuat prototipe pengatur lalu-lintas dengan pengaturan waktu terjadwal dan terkoordinasi. Sistem ini terdiri dari sebuah prototipe pengatur lalu-lintas master untuk persimpangan Gondomanan, dan pengatur lokal untuk persimpangan Kantor Pos dan Bintaran. Setiap pengatur lalu-lintas mempunyai jadwal pewaktuan pengaturan lalu-lalu-lintas yang telah disesuaikan dengan kepadatan harian dan mingguan di setiap persimpangan. Kerja kedua pengatur lokal telah dapat dikoordinasi oleh pengatur master sehingga pewaktuan keduanya telah dapat sinkron dengan pengatur master. Hasil analisis menunjukkan bahwa penggunaan sistem ini diperkirakan dapat menurunkan waktu tempuh kendaraan hingga 40 %.
Pada tahun kedua, sistem telah dikembangkan dengan menambah sifat adaptif. Sifat ini menjadikan sistem ini dapat menyesuaikan diri dengan perubahan volume kendaraan. Waktu isyarat hijau setiap arah di pengatur lalu-lintas master mengikuti data jumlah kendaraan yang datang dari arah tersebut. Data kepadatan lalu-lintas diambil dari data video streaming yang berasal dari empat kamera yang dipasang di setiap arah. Sebuah algoritma pendeteksi keberadaan obyek di jalan telah digunakan dan dapat mendeteksi keberadaan semua jenis kendaraan.
Pada tahun ketiga penelitian ini, metode pendeteksian kepadatan lalu-lintas dikembangkan dengan didukung tiga algoritma utama. Algoritma pertama mendeteksi bagian citra yang mengandung kendaraan yang sedang bergerak; algoritma kedua melakukan pembentukan citra latar belakang; sedangkan algoritma terakhir mendeteksi daerah citra yang merupakan bagian dari kendaraan sekaligus menghitung kepadatan lalu-lintas. Metode ini telah diuji coba untuk ruas jalan di persimpangan Gondomanan dan menghasilkan data cukup akurat.
iv
Puji syukur kami panjatkan ke hadirat Allah swt atas nikmat dan karunia-Nya laporan penelitian hibah bersaing ini telah dapat kami selesaikan. Dengan telah tersusunnya laporan ini, berarti proses penelitian dosen hibah bersaing dengan judul “Prototipe Sistem Pengatur Isyarat Lalu-Lintas Adaptif Terkoordinasi Untuk Ruas Jalan Senopati dan Jalan Sultan Agung Yogyakarta” telah selesai dilaksanakan. Diharapkan penelitian ini dapat dilanjutkan pada skim penelitian yang lebih tinggi sehingga dapat membantu dalam penanggulangan masalah kemacetan lalu-lintas di Indonesia.
v
HALAMAN PENGESAHAN ... ii
RINGKASAN ... iii
PRAKATA ... iv
DAFTAR ISI ... v
DAFTAR GAMBAR ... vi
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang dan Permasalahan ... 1
1.2 Perumusan Masalah ... 2
1.3 Target Luaran Penelitian ... 3
BAB 2 TINJAUAN PUSTAKA ... 4
BAB 3 TUJUAN DAN MANFAAT PENELITIAN ... 6
3.1 Tujuan Penelitian ... 6
3.2 Manfaat Penelitian ... 6
BAB 4 METODE PENELITIAN ... 7
4.1 Peta Jalan Penelitian ... 7
4.2 Area Pendeteksian ... 9
4.3 Penentuan Kecepatan Kendaraan ... 12
4.4 Pembentukan Citra Latar Belakang di Area Pendeteksian ... 19
4.5 Pendeteksian Obyek di Jalan ... 21
4.6 Penentuan Kepadatan Lalu-lintas ... 24
BAB 5 HASIL DAN LUARAN YANG DICAPAI ... 25
5.1 Penentuan Kecepatan Obyek ... 25
5.2 Pembentukan Latar Belakang ... 26
5.3 Penentuan Kepadatan Lalu-Lintas ... 27
BAB 6 KESIMPULAN DAN SARAN ... 29
6.1 Kesimpulan ... 29
6.2 Saran ... 29
vi
Gambar 1. Diagram fishbone penelitian ... 7
Gambar 2. Blok diagram sistem pengatur isyarat lalu-lintas adaptif terkoordinasi ... 8
Gambar 3. Diagram alir penelitian ... 9
Gambar 4. Pendefinisian area pendeteksian dan nomor ROI ... 10
Gambar 5. Algoritma penentuan kecepatan dan kepadatan lalu-lintas ... 14
Gambar 6. Arah pergerakan obyek ... 15
Gambar 7. Deteksi sisi ROI ... 20
Gambar 8. Diagram alir pembentukan latar belakang ... 21
Gambar 9. Nomor ROI untuk ruas jalan Gondomanan dari arah timur ... 25
Gambar 10. Citra di dan ... 26
Gambar 11. Citra asli dan hasil pembentukan latar belakang sisi utara Gondomanan ... 27
Gambar 12. Citra asli dan hasil pembentukan latar belakang sisi timur Gondomanan ... 27
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang dan Permasalahan
Kemacetan lalu-lintas telah menjadi salah satu permasalahan besar bagi kota-kota metropolitan. Permasalahan ini telah menimbulkan banyak kerugian ekonomi. Salah satu kondisi yang menyebabkan permasalahan ini adalah buruknya pengaturan lalu-lintas pada sebuah persimpangan jalan yang diatur oleh pengatur lalu-lintas. Kemacetan biasa terjadi pada jam-jam sibuk di siang hari berupa antrian panjang di persimpangan yang diatur oleh sebuah pengatur lalu-lintas. Kondisi ini sangat berbeda dengan pada malam hari, biasanya lalu-lintas sangat lengang dan beberapa kendaraan harus tetap menunggu di setiap pengatur lalu-lintas meskipun tidak ada kendaraan lain yang melewati persimpangan tersebut.
Pada penelitian sebelumnya (Kurniawan dkk., 2016), kepadatan lalu-lintas ditentukan dengan menghitung simpangan baku histogram semua titik di area pendeteksian. Nilai kepadatan lalu-lintas dianggap proporsional terhadap nilai simpangan baku tersebut. Metode ini mempunyai kelemahan yaitu tidak dapat menentukan area jalan yang tertutup oleh kendaraan. Dalam kenyataan parameter inilah yang semestinya digunakan untuk menentukan kepadatan lalu-lintas.
Kedua penyebab tersebut telah mulai dapat diatasi dengan digunakannya sistem pengatur lalu-lintas terjadwal dan terkoordinasi. Prototipe sistem yang terdiri dari tiga pengatur lalu-lintas ini telah dibuat pada tahun pertama penelitian ini. Prototipe sistem ini menggunakan pewaktuan yang telah disesuaikan dan diperuntukan untuk persimpangan Kantor Pos, Gondomanan, dan Bintaran kota Yogyakarta. Jadwal pewaktuan isyarat lalu-lintas untuk ketiga persimpangan tersebut berlaku untuk 7 × 24 jam. Dari diagram trayektori kendaraan hasil pengaturan lalu-lintas untuk ketiga persimpangan didapat bahwa sistem ini dapat menurunkan waktu tempuh kendaraan dari persimpangan Kantor Pos ke Gondomanan, dan Bintaran dan sebaliknya hingga 40 % (Kurniawan dkk., 2014).
secara leluasa dikembangkan menjadi sistem pengatur lalu-lintas adaptif (Kurniawan dkk., 2014).
Pengembangan sifat pengatur lalu-lintas menjadi adaptif telah dilakukan pada tahun kedua penelitian ini. Data kepadatan ruas jalan didapat dari sensor kamera. Dari hasil analisis dapat disimpulkan bahwa sistem pengatur lalu-lintas ini sudah dapat mendeteksi kepadatan ruas jalan untuk keempat arah. Metode yang telah dikembangkan adalah dengan mengukur simpangan baku nilai histogram atas citra yang ditangkap oleh kamera. Berdasarkan perubahan nilai simpangan baku juga dapat ditentukan kapan isyarat lampu hijau harus diakhiri untuk menghemat waktu tunggu kendaraan (Kurniawan dkk., 2015).
Metode yang telah dikembangkan pada tahun kedua penelitian ini mempunyai keunggulan dibanding dengan metode yang telah dikembangkan oleh peneliti sebelumnya (Sulaeman dkk., 2008; Primantari, 2010; Afif dkk., 2011, Zaman dkk., 2011; Khairdoost at. el., 2012, Rachmadi dkk., 2012). Metode ini telah terbukti dapat digunakan untuk mendeteksi semua jenis kendaraan, baik kendaraan bermotor maupun kendaraan tidak bermotor seperti sepeda, becak, dan andong (Kurniawan dkk., 2015). Metode ini mendeteksi semua jenis obyek yang ada di suatu ruas jalan.
Pendeteksian kendaraan merupakan hal yang penting dilakukan untuk manajemen lalu-lintas. Dari usaha tersebut, dapat diperoleh data kepadatan lalu-lintas dan kecepatan rata-rata kendaraan. Data ini menjadi masukan pada sistem transportasi cerdas untuk melakukan manajemen lalu-lintas. Data kepadatan lalu-lintas juga dapat secara langsung menjadi masukan bagi sistem pengatur lalu-lintas adaptif.
Berbagai metode pendeteksian kendaraan telah banyak dikembangkan. Teknologi konvensional untuk pengukuran parameter lalu-lintas seperti menggunakan kalang induktor, detektor sonar atau gelombang mikro mempunyai beberapa kelemahan, di antaranya instalasi yang relatif sulit, cenderung rumit, dan tidak dapat mendeteksi kendaraan yang diam atau bergerak lambat. Sementara itu, penggunaan sistem pendeteksian berbasis video, cukup mudah diinstal dan dimodifikasi.
1.2 Perumusan Masalah
1. Bagaimana agar algoritma pendeteksian kendaraan tersebut dapat bekerja secara
real time?
2. Bagaimana menentukan kecepatan kendaraan? 3. Bagaimana menentukan kepadatan lalu-lintas?
1.3 Target Luaran Penelitian
Penelitian ini dibuat dengan beberapa target luaran sebagai berikut:
1. Produk ilmu pengetahuan dan teknologi, yaitu: prototipe sistem pengatur isyarat lalu-lintas adaptif terkoordinasi yang terdiri dari dua pengatur terjadwal dan satu pengatur adaptif.
4
BAB 2
TINJAUAN PUSTAKA
Pengembangan keilmuan computer vision adalah meniru bagaimana manusia melihat, dan melibatkan studi yang sangat kompleks. Manusia melihat melalui mata yang kemudian dibawa ke otak untuk diterjemahkan atau dikenali (Pambudi & Simorangkir, 2012). Telah cukup banyak penelitian pengenalan obyek berbasis
computer vision di antaranya pengolahan citra, neural network, statistik, pengenalan pola, dan anthropometry (Padilla, Filho, & Costa, 2002). Hasil pendeteksi ini telah dikembangkan pada aplikasi-aplikasi lain, misalnya: pengenalan wajah atau pola, menghitung jumlah pengunjung atau penghitung jumlah kendaraan.
Sejumlah penenelitian terkait telah dilakasanakan untuk pemroses citra untuk keperluan pengatur lalu-lintas adaptif. Pada awalnya deteksi obyek dilakukan menggunakan metode-metode deteksi tepi seperti Sobel, Prewitts atau Canni. Deteksi tepi dengan metode-metode tersebut sangat menguras sumber daya karena tingginya komputasi yang dilakukan picture element (pixel) demi pixel (Sajati & Astuti, 2013). Penggunaan deteksi tepi untuk pendeteksian obyek tidak efektif pada obyek bergerak seperti dalam format video dimana pergerakan frame dalam sebuah video dapat mencapai 20 frame per detik (fps). Metode deteksi tepi juga tidak efektif untuk diterapkan sebagai sistem pendeteksian obyek pada object tracking atau fast object tracking.
Beberapa peneliti juga telah mengembangkan metode lain untuk mendeteksi keberadaan kendaraan. Hongjin Zhu telah memperesentasikan metode pendeteksian sisi horisontal atas kendaraan yang sedang bergerak. Dengan menggunakan auto korelasi, dapat dideteksi keberadaan setiap kendaraan meskipun dalam citra beberapa kendaraan terlihat saling tumpang tindih (Zhu H, at. al., 2013). Fazli (2012) telah dapat mebuat pengelompokkan kendaraan berdasarkan jaringan syaraf untuk keperluan pengatur lalu-lintas adaptif. Kemudian pada tahun 2014, Khan dan Askerzade mengimplementasikan sebuah metode pemroses citra dan kendali berdasar logika kabur, dan mengirim hasilnya ke sebuah mikrokontroler pengatur lalu-lintas. Dan pada tahun 2015, Sutjiadi dkk., telah dapat mengekstrak citra latar belakang dengan Algoritma Model Gaussian Mixture untuk keperluan pendeteksian keberadaan kendaraan.
dengan 15 tingkat klasifikasi, 17 macam fitur Haar pada citra berukuran 35 × 20 titik. Hasil pendeteksian kendaraan dapat dijadikan lebih akurat dengan menambah jumlah sampel (Chrag dan Ripal, 2013). Kepadatan lalu-lintas dapat dihitung dengan membandingkan setiap frame citra video dengan citra acuan yang berupa latar belakang jalan (Abbas dkk., 2013). Lebih lanjut, pendeteksian kendaraan dan penelusuran arah kendaraan dapat dilakukan dengan mengekstraks citra pada setiap frame dari video tersebut (Chaple dan Paygude, 2013). Bahkan Sutjiadi dkk. (2015) telah dapat membuat penghitung kendaraan dengan mengekstrak latar belakang secara adaptif menggunakan algoritma model Gaussian Mixture.
Beberapa penelitian yang difokuskan pada karakteristik lalu-lintas di Indonesia juga telah dilakukan. Jatmiko dkk. (2010) telah mempresentasikan arsitektur desentralisasi untuk pengatur lalu-lintas untuk persimpangan yang tidak terstruktur seperti di Jakarta. Sementara itu, di tahun pertama penelitian ini telah dapat terbentuk pengatur lalu-lintas yang dapat mengatur lalu-lintas sesuai jadwal (Kurniawan, 2014).
Di antara banyak penelitian yang telah dilakukan, tidak ada yang dapat digunakan untuk pendeteksian kendaraan di jalan yang diisi oleh bermacam-macam kendaraan. Hampir semua kendaraan yang ada dapat diklasifikasikan, tetapi hal ini membutuhkan sampel sangat banyak dan akan meningkatkan beban komputasi cukup signifikan. Salah satu metode yang dikembangkan untuk mengenali semua kendaraan adalah dengan mengenali semua obyek yang ada di jalan. Untuk keperluan tersebut, telah dikembangkan teknik pengenalan obyek menggunakan metode penghitungan histogram citra jalan. Metode ini telah terbukti dapat mengenali semua obyek di jalan dengan cara membandingkan simpangan baku histogram citra pada saat terdapat banyak obyek dan pada saat tidak ada obyek di jalan tersebut (Kurniawan dkk., 2015).
6
BAB 3
TUJUAN DAN MANFAAT PENELITIAN
3.1 Tujuan Penelitian
Penelitian ini dilakukan dengan tujuan sebagai berikut.
1. Membuat algoritma dan subprogram yang dapat mendeteksi keberadaan semua jenis kendaraan baik bermotor meupun tidak bermotor.
2. Memodifikasi algoritma agar beban komputasi dapat diperkecil sehingga algoritma dapat dieksekusi secara real time.
3. Membuat algoritma untuk menentukan kecepatan kendaraan. 4. Membuat algoritma untuk menentukan kepadatan lalu-lintas.
3.2 Manfaat Penelitian
7
BAB 4
METODE PENELITIAN
4.1 Peta Jalan Penelitian
Penelitian ini dilakukan dengan mengembangkan hasil penelitian tahun kedua. Peta jalan (road map) penelitian ketiga tahun dapat dilihat pada Gambar 1.
Gambar 1. Diagram fishbone penelitian
Pada tahun pertama telah berhasil dibuat prototipe sistem pengatur lalu-lintas terjadwal dan terkoordinasi untuk persimpangan Kantor Pos, Gondomanan, dan Bintaran. Sistem ini telah dapat mengatur lalu-lintas untuk ketiga persimpangan sesuai jadwal pewaktuan isyarat lalu-lintas yang disimpan setiap pengatur lalu-lintas. Jadwal yang diperoleh dari hasil analisis waktu hijau efektif untuk ketiga persimpangan tersebut berlaku selama 7 × 24 jam.
Pada tahun kedua, sistem telah dikembangkan menjadi prototipe sistem pengatur lalu-lintas adaptif. Di sini ditambahkan kamera yang akan memantau kedatangan kendaraan di keempat arah di persimpangan Gondomanan. Kamera tersebut dihubungkan ke sebuah hub agar data video streaming dapat dimasukkan ke sebuah laptop. Data video tersebut akan diproses di sebuah laptop untuk dihitung jumlah kendaraan. Selanjutnya data jumlah kendaraan dikirim ke pengatur lalu-lintas melalui sebuah port USB.
Sistem pengatur lalu-lintas adaptif telah dapat mengatur lalu-lintas berdasar data kepadatan lalu-lintas yang telah diberikan oleh sebuah komputer. Program di komputer dapat menentukan kepadatan suatu ruas jalan dengan mendeteksi semua
Prototipe Sistem Pengatur Lalu-Lintas Adaptif Terkoordinasi
Penelitian yang telah dilakukan sebelumnya
Penelitian hibah bersaing
tahun I hibah bersaing tahun IIIPenelitian yang dilakukan
obyek yang di ruas jalan tersebut. Pada tahun ketiga ini, program penentu kepadatan dikembangkan sehingga hanya akan mendeteksi semua kendaraan yang bergerak; sementara itu obyek lain tidak boleh terdeteksi oleh sistem. Diagram blok sistem ini dapat dilihat pada Gambar 2.
Gambar 2. Blok diagram sistem pengatur isyarat lalu-lintas adaptif terkoordinasi Penelitian tahun pertama dan kedua telah menghasilkan beberapa luaran. Beberapa luaran tersebut yang menjadi masukan pada penelitian di tahun ketiga penelitian ini adalah sebagai berikut.
1. Algoritma dan subprogram pendeteksian semua obyek yang ada di jalan. 2. Prototipe pengatur lalu-lintas adaptif yang dapat menerima data dari komputer. 3. Algoritma dan subprogram sinkronisasi antara pengatur lalu-lintas terjadwal.
Lalu-Selanjutnya pada tahun III ini, dikembangkanlah metode untuk pendeteksian kepadatan dan pergerakan kendaraan. Untuk mewujudkan tujuan penelitian, urutan tahapan penelitian dibuat mengikuti diagram alir sebagaimana Gambar 3.
Gambar 3. Diagram alir penelitian
4.2 Area Pendeteksian
Pendeteksian kepadatan lalu-lintas yang digunakan pada penelitian ini menggunakan pendekatan makroskopis. Kedapatan lalu-lintas tidak dihitung dengan menentukan jumlah kendaraan namun dengan menentukan luas daerah jalan yang tertutup oleh kendaraan dan dibandingkan dengan luas ruas jalan keseluruhan.
4.2.1 Batas Area Pendeteksian
oleh tiga buah garis yang didefinisikan oleh operator sebagaimana Gambar 4. Pendeteksian dilakukan dari kiri atas ke kanan bawah. Keempat garis batas itu meliputi: 1. Garis batas atas (top border), garis ini akan menentukan nilai minimal sumbu y. 2. Garis batas bawah (bottom border), garis ini akan menentukan nilai maksimal
sumbu y.
3. Garis batas kiri (left border), garis ini akan menentukan nilai x minimal pada suatu y tertentu.
Gambar 4. Pendefinisian area pendeteksian dan nomor ROI
Batas kiri ditentukan oleh sebuah garis yang dibentuk oleh sepasang titik. Sebagaimana Gambar 4, batas kiri ditentukan oleh titik A dan B yang membentuk sebuah fungsi pembatas kiri . Gradien mengikuti Persamaan (1), sedangkan
mengikuti Persamaan (2).
(1)
(2)
(0,0) (639,0)
(0,479) (639,479)
ymin
Top border A(xa,ya)
4.2.2 Region of Interest
Daerah pendeteksian dibagi menjadi beberapa Region of Interest (ROI) berupa daerah yang dibatasi oleh sebuah persegi panjang. Panjang dan tinggi setiap ROI ditetapkan sedemikian rupa sehingga bagian depan sebuah mobil akan dicakup oleh minimal dua ROI. Ukuran ROI tidak boleh terlalu kecil agar banyaknya ROI tidak terlalu banyak sehingga memperberat beban komputasi.
Setiap ROI diberi nomor identitas sesuai dengan posisinya. Penomoran ROI mengikuti format dengan merupakan nomor baris dan merupakan nomor kolom. Nilai menentukan jarak ROI terhadap marka depan pengatur lalu-lintas. ROI dengan nilai sama akan mempunyai ukuran yang sama pula. Nilai yang semakin besar menandakan ROI tersebut semakin dekat ke marka depan sehingga kendaraan akan terlihat semakin besar. ROI pada baris ( ) sama dapat mempunyai jumlah kolom ROI berbeda dikarenakan adanya batas-batas area pendeteksian. Hal ini dapat dilihat pada Gambar 4.
Kenaikan nilai akan diikuti dengan kenaikan panjang dan tinggi ROI sesuai dengan kenaikan penampakan kendaraan. Ukuran ROI ditentukan sedemikian rupa sehingga setiap ROI akan mencakup daerah yang sama luasnya di suatu ruas jalan. Gambar 4 merupakan salah satu contoh ROI untuk citra yang mewakili ruas jalan di persimpangan Gondomanan dari arah utara. Dalam video percobaan, nomor ROI ditampilkan menggunakan format .
4.2.3 Penskalaan Titik-titik di ROI
Setiap titik terlihat pada sudut yang berbeda terhadap bidang horisontal, sehingga setiap titik mewakili luas area yang berbeda di ruas jalan. Area yang tercakup oleh sebuah titik dianggap sebuah persegi panjang dengan panjang dan lebar . Titik yang terletak pada koordinat berbeda akan mempunyai nilai dan yang berbeda pula. Nilai keduanya dapat didekati dengan membanding ukuran sebuah ROI pada citra dan ukuran sesungguhnya. Nilai dan yang disebut dengan skala panjang dan lebar sebuah titik dapat ditentukan menggunakan Persamaan (3) dan Persamaan (4).
(3)
= panjang ROI di jalan (dalam satuan meter) = panjang ROI dalam citra (dalam satuan titik)
(4)
dengan
= lebar ROI di jalan (dalam satuan meter) = lebar ROI dalam citra (dalam satuan titik)
Nilai dan ditentukan dengan percobaan. Dari pengamatan dapat ditentukan nilai perbandingan lebar dua ROI dengan nilai berurutan, yaitu . Lebar untuk ROI baris dapat ditentukan mengikuti Persamaan (5)
(5)
dengan
= lebar ROI baris ke-1
= konstanta pengali = nomor baris ROI
Skala lebar titik di mengikuti Persamaan (6).
(6)
dengan
= skala lebar titik di (baris ke-1)
= konstanta pengali
Sistem akan menggambar dari baris ( ) dengan nomor kecil. Semakin tinggi nilai , akan semakin tinggi pula nilai panjang dan lebar ROI. Penentuan skala titik-titik di sebuah ROI ditentukan dari baris ROI tertinggi karena ROI tersebut yang mempunyai ukuran obyek terbesar sehingga mempunyai kemungkinan kesalahan terkecil.
4.3 Penentuan Kecepatan Kendaraan
Didefinisikan dan merupakan ROI baris kolom pada frame saat ini ( ) dan frame sebelumnya ( ). Kedunya mempunyai koordinat sudut kiri atas sama yaitu dan serta mempunyai ukuran sama yaitu P × Q titik. Rerata perbedaan intensitas citra kedua ROI mengikuti Persamaan (7).
∑ ∑ | ( ) |
(7)
dengan
= koordinat sebuah titik di ROI = koordinat sebuah titik di ROI
Gambar 5. Algoritma penentuan kecepatan dan kepadatan lalu-lintas 4.3.1 Penentuan Pergeseran Obyek
Pergeseran sejauh satu titik pada sebuah ROI dapat mewakili pergeseran obyek dengan jarak yang berbeda jika terjadi pada ROI lain dengan nomor baris berbeda. Gambar 6. Arah pergerakan obyek menunjukkan dua obyek A dan B yang berada pada lajur berbeda bergerak pada kecepatan dan arah sama menuju marka depan. Dikarenakan berada cukup dekat dengan kamera, kedua obyek bergerak dalam arah dengan nilai gradien tertentu. dan membentuk sudut dan terhadap bidang horisontal. Gradien keduanya yang berada pada kisaran antara dan , dan dapat ditentukan dengan metode interpolasi.
Gambar 6. Arah pergerakan obyek
Dikarenakan > , maka ruas garis lebih panjang daripada sehingga kecepatan A ke arah akan terlihat lebih tinggi daripada kecepatan B ke arah ,
. Meskipun kedua obyek terlihat mempunyai kecepatan berbeda, namun
pergeseran posisi obyek terhadap bidang vertikal, yaitu mengikuti sumbu , bernilai sama. Kecepatan obyek sesungguhnya dapat ditentukan dengan menghitung kecepatan ke arah sumbu sebagaimana Persamaan (8).
(8)
dengan
= pergeseran obyek ke arah sumbu
= selisih waktu antara dua frame berurutan, yaitu ⁄ detik.
= skala lebar sebuah titik
Dikarenakan nilai mengikuti Persamaan (6), maka kecepatan obyek di ROI baris mengikuti Persamaan (9).
(9)
dengan
= skala lebar titik di (baris ke-1)
= konstanta pengali, ditentukan dari pengamatan
Obyek yang bergerak akan terlihat berbeda pada dua frame yang berurutan. Untuk menghitung kecepatan, sistem terlebih dahulu menghitung pergeseran obyek ROI pada frame saat ini dari frame sebelumnya.
z
AýA
z
Bý
B
α
Bα
AA
A
B
Jika merupakan frame video saat ini dan merupakan frame video sebelumnya, maka dan berturut-turut merupakan ROI baris kolom pada frame saat ini dan frame sebelumnya. Jika obyek dalam dalam kondisi tidak bergerak, maka tidak ada perbedaan citra di dan . Tetapi jika obyek sedang bergerak ke arah marka depan, maka akan terdapat perbedaan pada kedua citra. Citra di pada hakekatnya adalah sama dengan citra di yang digeser ke arah marka depan. Untuk menentukan kecepatan obyek sebagaimana Persamaan (9), sistem akan menentukan nilai pergeseran citra terhadap citra di .
Pada awalnya, dan mempunyai koordinat sama, dan . Sistem akan menggeser koordinat sehingga menuju dari marka depan. Setiap terjadi penggeseran, sistem akan menentukan kemiripan antara dan . ROI pertama yang merupakan ROI pada frame saat ini ada di
koordinat ; sedangkan ROI kedua yang merupakan ROI pada frame sebelumnya telah digeser sehingga mempunyai koordinat .
Jika dan mempunyai ukuran P × Q titik, maka penentuan kemiripan obyek pada kedua ROI dilakukan dengan menentukan rerata selisih absolut setiap titik di terhadap titik yang bersesuaian di mengikuti Persamaan (10).
∑ ∑ | ( ) ( )|
(10)
dengan
= nilai penggeseran dalam arah sumbu = nilai penggeseran dalam arah sumbu
Arah penggeseran adalah menuju marka depan mengikuti gradien pada ROI. Nilai gradien penggeseran mengikuti interpolasi pada Persamaan (11).
(11)
dengan
= nilai yang dihasilkan dari fungsi pembatas Persamaan (2) = nilai yang dihasilkan dari fungsi pembatas kanan
Setiap kali dilakukan penggeseran, sistem akan menghitung nilai . Dengan menetapkan kenaikkan pergeseran ke arah sumbu sebagai indeks pergeseran, maka selisih citra di dan yang telah tergeser ke arah sumbu sejauh mengikuti Persamaan (12).
∑ ∑ | ( ) |
(12)
dengan
= nilai pergeseran dalam arah sumbu menuju marka depan. Sistem mengisi nilai dari 0 hingga pada Persamaan (12) sehingga didapat vektor yang berdimensi . Kemudian pada vektor , sistem menentukan nilai optimum yang akan membuat nilai menjadi minimum. Nilai yang ditetapkan menjadi nilai pergeseran obyek di tersebut diberi notasi . Nilai
tersebut dimasukkan ke untuk kemudian ditentukan nilai kecepatan
obyek sesuai Persamaan (9).
merupakan nilai pergeseran maksimal yang dapat diukur sistem. Nilai
tersebuat akan mempengaruhi nilai kecepatan maksimum yang dapat ditentukan. 4.3.2 Optimasi Penentuan Nilai Awal Pergeseran Obyek
Agar penentuan nilai dapat dilakukan dalam waktu singkat, maka dilakukan optimasi penentuan nilai awal . Usaha ini dilakukan berdasar kenyataan bahwa dikarenakan video mempunyai pesat frame 30 frame/detik, maka obyek pada sebuah ROI pada dua frame berurutan tidak akan mempunyai perbedaan kecepatan cukup berarti. Demikian pula untuk dua ROI yang berurutan searah dengan kecepatan obtek juga tidak akan mempunyai perbedaan pergeseran cukup berarti.
obyek pada frame yang searah dengan . Jika nilai pergeseran obyek di ROI tersebut juga bernilai nol, maka akan diisi dengan satu.
Dengan demikian nilai awal estimasi nilai pergeseran obyek dapat ditentukan menggunakan Persamaan (13) berikut.
{
(13)
dengan:
= nilai estimasi awal pergeseran obyek pada pada frame saat ini
= nilai pergeseran obyek pada pada frame sebelumnya
= nilai pergeseran obyek pada pada frame saat ini
= nilai pergeseran obyek pada pada frame saat ini
Metode ini dapat mempercepat penentuan kecepatan obyek pada sebuah ROI terutama pada saat obyek bergerak dengan kecepatan tinggi.
Setelah nilai ditentukan, sistem akan menentukan yaitu nilai selisih citra di dan yang telah tergeser ke arah sumbu sejauh mengikuti Persamaan (13). Jika nilai tersebut lebih kecil atau sama dengan nilai selisih citra untuk frame sebelumnya
, maka sistem menetapkan
sebagai nilai pergeseran obyek di . Jika tidak, sistem akan menentukan
nilai dan dengan dan . Jika atau lebih kecil dari pada , maka nilai atau akan dijadikan nilai pergeseran obyek. Jika tidak, maka sistem akan mencoba melakukan pergeseran ROI dengan menentukan nilai dan dengan dan . Jika atau lebih kecil dari pada , maka
4.4 Pembentukan Citra Latar Belakang di Area Pendeteksian
Pada penelitian ini pendeteksian dikembangkan dengan cara mendeteksi citra obyek dengan latar belakang. Sebelum algoritma ini dieksekusi, sistem akan terlebih dahulu mengeksekusi pembentukan latar belakang. Pendeteksian obyek pada sebuah ROI secara akurat dapat dilakukan dengan mendeteksi adanya perbedaan citra di ROI tersebut dengan latar belakang. Metode pengurangan dengan latar belakang ini sudah banyak digunakan dan terbukti mempunyai ketepatan tinggi (Buch dkk., 2011). Usaha untuk membentuk latar belakang dijelaskan pada uraian berikut.
Pertama, jika terdapat sebuah citra ROI yang tidak mengalami pergeseran, maka terdapat dua kemungkinan obyek yang terkandung pada ROI tersebut. Kemungkinan pertama adalah obyek pada ROI tersebut adalah kendaraan yang dalam kondisi tidak bergerak, kemungkinan kedua adalah latar belakang berupa ruas jalan.
Adanya pergerakan obyek ditentukan dengan menghitung nilai pergeseran obyek pada suatu ROI pada frame saat ini terhadap ROI pada frame sebelumnya. Jika obyek pada kedua ROI tersebut pada posisi yang sama, maka perbedaan keduanya akan menjadi minimal. Sistem mendeteksi bergeraknya obyek dengan cara menghitung perbedaan kedua ROI tersebut.
Didefinisikan dan merupakan ROI baris kolom pada frame saat ini ( ) dan frame sebelumnya ( ). Keduanya mempunyai koordinat sudut kiri atas sama yaitu dan serta mempunyai ukuran sama yaitu P × Q titik. Perbedaan kedua ROI dapat ditentukan dengan menghitung rerata perbedaan intensitas setiap titik di kedua ROI yang menempati koordinat sama sebagaimana Persamaan (7).
∑ ∑ | ( ) |
(16)
dengan
= absis sebuah titik di ROI = ordinat sebuah titik di ROI
Fakta kedua adalah jika terdapat sebuah kendaraan yang sedang bergerak pada sebuah ROI, maka tidak mungkin ada obyek dalam keadaan diam di depan atau di belakang obyek tersebut. Jika obyek tersebut dalam keadaan diam, maka citra di ROI tersebut kemungkinan besar merupakan latar belakang. Sebagaimana susunan ROI pada Error! Reference source not found., pernyataan tersebut dapat diformulasikan menjadi Persamaan (15).
( ) {
}
(14)
Fakta terakhir adalah jika citra di suatu ROI merupakan bagian dari latar belakang, titik-titik terluar di ROI tersebut tidak mungkin mempunyai perbedaan intensitas cukup berarti dengan titik di luar ROI yang bersebelahan langsung dengan titik tersebut. Pengujian dilakukan dengan cara menggunakan algoritma deteksi tepi sebagaimana Gambar 7. Daerah abu-abu merupakan titik-titik terluar ROI; sedangkan daerah yang diarsir merupakan titik-titik di luar ROI yang bersebelahan langsung dengan titik-titik di ROI.
Gambar 7. Deteksi sisi ROI
Algoritma deteksi tepi akan menghitung perbedaan intensitas citra antara titik di daerah abu-abu dan titik di daerah yang diarsir. Titik yang terletak di keempat sudut ROI akan dibandingkan dengan dua titik di luar ROI yang bersebelahan langsung. Kemudian algoritma ini menghitung jumlah titik terluar ROI yang mempunyai perbedaan melebihi ambang untuk setiap bagian sisi ROI. Jika salah satu sisi ROI mempunyai jumlah titik melebihi ambang, maka citra di ROI tersebut dianggap sebagai bukan bagian dari latar belakang.
Jika citra pada sebuah ROI dianggap bagian dari latar belakang, maka citra tersebut disalin ke citra latar belakang.
4.5 Pendeteksian Obyek di Jalan
Gambar 8. Diagram alir pembentukan latar belakang
Pendeteksian obyek di sebuah ROI dilakukan dengan menentukan selisih citra di ROI tersebut dengan citra latar belakang pada koordinat yang bersesuaian. Jika selisih citra tersebut melebihi batas, maka ROI tersebut dinyatakan mempunyai obyek di dalamnya. Algoritma pendeteksian obyek ini baru dijalankan setelah citra latar belakang yang dicakup oleh semua ROI dapat terbentuk.
4.5.1 Penentuan Adanya Obyek berdasar Simpangan Baku ROI
Sebuah ROI yang tidak terdapat obyek di dalamnya akan mempunyai titik-titik dengan intensitas hampir homogen. Nilai simpangan baku intensitas titik-titik tersebut menjadi cukup kecil. Jika pada ROI tersebut terdapat obyek yang mempunyai intensitas berbeda dari latar belakang, maka titik-titik pada ROI akan mempunyai nilai intensitas tidak homogen lain. dinyatakan mengandung sebuah obyek jika nilai simpangan
Background Initiation
Background construction complete?
Detect traffic density
N
Y
Bacground update Start
baku intensitas titik-titik di ( ̅ ) melebihi nilai simpangan baku ROI dalam keadaan tanpa obyek ( ̅ ).
Untuk menentukan nilai simpangan baku, nilai rerata intensitas semua titik di sebuah ROI harus ditentukan terlebih dahulu. Nilai rerata intensitas semua titik di mengikuti Persamaan (16).
̅ ∑ (15)
dengan
= nilai intensitas titik ke- (0, 1, 2, … 255) = jumlah titik pada ROI tersebut
Nilai simpangan baku intensitas titik-titik di mengikuti Persamaan (17).
√ ∑ ̅ (16)
dengan
̅ = rerata nilai intensitas semua titik di
= nilai intensitas titik ke- di ROI tersebut = jumlah titik pada ROI tersebut
Rerata simpangan baku semua ROI pada area pendeteksian mengikuti Persamaan (18).
̅ ∑ ∑
(17)
dengan
= nilai simpangan baku intensitas di = jumlah ROI yang ada
Pada saat tidak terdapat obyek pada suatu ruas jalan, nilai ̅ menjadi miminum. Pada saat sistem ini dijalankan, sistem menghitung nilai ̅ dan menyimpannya sebagai nilai simpangan baku pada saat tidak terdapat obyek ( ). Pada saat sistem memproses sebuah frame berikutnya, jika nilai ̅ lebih kecil daripada
maka nilai diperbarui dengan ̅. Langkah ini akan dijalankan setiap
pula, seluruh ROI atau paling tidak sebagian besar ROI hanya berisi pemandangan latar belakang berupa ruas jalan dan sistem menyimpulkan bahwa area pendeteksian saat itu tidak mengandung obyek berupa kendaraan.
Dengan memberikan nilai konstanta pengali , maka metode ini akan menjadi lebih fleksibel untuk digunakan. Dengan demikian, jika > , maka disimpulkan terdapat obyek pada . Nilai tergantung pada kondisi warna jalan dan marka jalan.
4.5.2 Penentuan Adanya Obyek berdasar Rerata Intensitas ROI
juga dinyatakan mengandung obyek di dalamnya jika nilai rerata
intensitas titik-titik di ROI tersebut ( ̅ ) bernilai jauh di bawah atau di atas nilai rerata intensitas titik-titik di semua ROI pada saat area pendeteksian tidak mengandung obyek di dalamnya ( ̅ ). Sebagaimana telah disebutkan sebelumnya bahwa pada saat nilai simpangan baku menjadi minimal, maka sistem menyimpulkan bahwa area pendeteksian saat itu tidak mengandung obyek berupa kendaraan. Pada saat inilah sistem menyimpan nilai intensitas rerata titik-titik di semua ROI mengikuti Persamaan (19).
̅ ∑ ∑ ̅
(18)
Dengan memberikan suatu konstanta pengali untuk menambah fleksibilitas sistem, maka sistem menyimpulkan ada obyek pada jika ̅ ̅ atau ̅ ̅ . Metode ini cukup efektif digunakan pada siang hari untuk mendeteksi
kendaraan yang terlihat besar dan mempunyai warna hitam atau putih sehingga mempunyai nilai simpangan baku rendah. Dari hasil percobaan, nilai yang tepat untuk
adalah 1,5.
Sementara itu, pada malam hari, keberadaan kendaraan ditandai dengan adanya cahaya lampu kendaraan yang mengakibatkan nilai rerata intensitas ROI meningkat. Pada kondisi ini, sistem menyimpulkan ada obyek pada jika ̅
̅ . Dari hasil percobaan, nilai yang tepat untuk adalah 5.
Dalam percobaan untuk ruas jalan Godomanan, nilai ̅ untuk siang hari adalah sekitar 160; sedangkan pada malam hari sekitar 30.
4.6 Penentuan Kepadatan Lalu-lintas
Kepadatan lalu-lintas ditentukan dengan menghitung perbandingan antara ROI yang mengandung obyek di dalamnya dengan jumlah semua ROI. Nilai kepadatan dihitung untuk setiap kategori ROI mengikuti Persamaan (20).
(19)
dengan
25
BAB 5
HASIL DAN LUARAN YANG DICAPAI
Algoritma ini telah dicoba untuk mendeteksi kepadatan dan kecepatan lalu-lintas di simpang empat Gondomanan dari arah utara dan timur. Gambar 4 merupakan nomor ROI untuk citra di ruas jalan Gondomanan dari arah utara; sedangkan Gambar 9 merupakan nomor ROI untuk citra ruas jalan persimpangan Gondomanan dari arah timur.
Gambar 9. Nomor ROI untuk ruas jalan Gondomanan dari arah timur
Untuk ruas jalan persimpangan Gondomanan dari timur sebagaimana Gambar 9, nilai terbaik pada siang dan malam hari adalah 1,3. Nilai yang diperoleh sistem pada siang hari sekitar 20; sedangkan pada malam hari sekitar 7.
5.1 Penentuan Kecepatan Obyek
Beberapa percobaan telah dilakukan untuk membuktikan kinerja metode yang diajukan ini. Untuk percobaan ini digunakanlah video rekaman ruas jalan dari arah timur di persimpangan Gondomanan. Metode pendeteksian ini diuji coba untuk menentukan kepadatan dan kecepatan kendaraan yang menuju marka depan.
dengan Persamaan (5) dan Persamaan (6), ROI baris ke-8 mempunyai = 0,040 dan = 0,053, berarti sebuah titik di ROI tersebut mewakili area dengan ukuran panjang dan lebar 4,0 cm × 5,3 cm.
Penentuan kecepatan kendaraan ditentukan dengan menghitung nilai pergeseran obyek pada suatu ROI pada frame saat ini terhadap ROI pada frame sebelumnya. Berikut merupakan bagaimana sistem mendeteksi kecepatan obyek yang ada pada pada frame ke-13. Gambar 10 merupakan citra di dan . Sistem menghitung berdasar Persamaan (12).
1 2 3 4 5 6 7 8
17,1 11,4 4,2 11,3 17,5 22,3 25,0 28,3
Gambar 10. Citra di dan
Pada saat sistem memproses , sistem membandingkan antara citra di dan yang telah digeser-geser dengan . Terlihat pada
Gambar 10, bahwa dengan nilai = 3 akan didapat nilai terkecil. Ini berarti citra mempunyai kesamaan tertinggi dengan citra yang telah digeser 3 titik ke bawah.
Kecepatan obyek di dapat ditentukan menggunakan Persamaan (9),
= 206 m/s. 5.2 Pembentukan Latar Belakang
Gambar 11. Citra asli dan hasil pembentukan latar belakang sisi utara Gondomanan Sementara itu, Persamaan (10) merupakan citra hasil pembentukan latar belakang untuk ruas jalan dari timur persimpangan Gondomanan. Citra tersebut dapat terbentuk setelah algoritma pembentukan citra latar belakang dijalankan untuk 601 frame atau sekitar 20 detik.
Gambar 12. Citra asli dan hasil pembentukan latar belakang sisi timur Gondomanan Terbentuknya citra tersebut dapat berlangsung cepat dikarenakan pada saat itu, lalu-lintas dari arah utara mendapat isyarat hijau sehingga algoritma mendapat kesempatan untuk menangkap citra pada beberapa ROI yang tidak mengalami pergerakan. Pada saat lalu-lintas sangat sibuk dan hampir tidak ada celah kosong yang luas pada ruas jalan, algoritma pembentukan latar belakang membutuhkan waktu lebih lama untuk membentuk latar belakang.
5.3 Penentuan Kepadatan Lalu-Lintas
Error! Reference source not found. merupakan citra selisih dengan latar belakang dan citra hasil pendeteksian kepadatan pada ruas jalan dari sisi utara.
29
BAB 6
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Dari uraian yang telah dipaparkan di muka dapat diambil beberapa kesimpulan sebagai berikut.
1. Algoritma yang dibuat telah dapat digunakan untuk menentukan pergeseran semua obyek yang ada di video rekaman lalu-lintas.
2. Algoritma tersebut dapat digunakan pada siang dan malam hari.
6.2 Saran
Dari uraian yang telah dipaparkan di muka dapat diambil beberapa kesimpulan sebagai berikut.
1. Algoritma pendeteksian kendaraan ini dikembangkan untuk menentukan kecepatan dan kepadatan lalu-lintas pada video rekaman lalu-lintas.
30
DAFTAR PUSTAKA
Afif, Al., Faris, Rachmadi, M. Febrian, Ma’sum, M. Anwar, Wibowo, Adi, Jatmiko, Wisnu, 2011, Implementasi Sistem Pengaturan Lampu Lalu Lintas Terdistribusi dengan Optimasi Pengenalan dan Penjejakan Kendaraan Berbasis Pemrosesan Video, Prosiding Konferensi Nasional Sistem dan Informatika, 12 November, Bali.
Asmaa O., Mokhtar K., Abdelaziz O., 2013, Road traffic density estimation using microscopic and macroscopic parameter, Image and Vision Computing 31, pp. 887–894.
Basuki, Imam, Siswandi, 2008, Biaya Kemacetan Ruas Jalan Kota Yogyakarta, Jurnal Teknik Sipil, Vol. 9 No. 1, Oktober, hal. 71 – 80, ISSN 1411-660X.
Buch N., Velastin SA., Orwell J., 2011, A Review of Computer Vision Techniques for the Analysis of Urban Traffic, IEEE Transactions On Intelligent Transportation Systems, Vol. 12, No. 3, p. 920–939.
Dobre, Ciprian, 2012, Using Intelligent Traffic Lights to Reduce Vehicle Emissions, International Journal of Innovative Computing, Information and Control, Vol. 8, No. 9.
Hanggara, Yoga, 2012, Urai Macet, Tambah ATCS, Situs Resmi Dishubkominfo DIY, 25 Juli, online: http://dishub-diy.net/perhubungan/urai-macet-tambah-atcs.html, diakses 22 Februari 2013.
Jianming HM., Qiang W., Qi Z., Jiajie Z., Yi, 2012, Traffic congestion identification based on image processing, IET Intelligent Transport Systems, Vol. 6, Iss. 2, pp. 153–160.
Khairdoost, Nima, S., Monadjemi, Amirhassan, Davarzani, Zohreh, Jamshidi, Kamal, 2013, GA Based PHOG-PCA Feature Weighting for On-Road Vehicle Detection, International Journal of Information and Electronics Engineering, Vol. 3, No. 1, January,p. 104-108.
Kurniawan F., Dermawan D., Dinaryanto O., Irawati M., Pre-Timed and Coordinated Traffic Controller Systems Based on AVR Microcontroller, Telkomnika, Vol. 12, No. 4, Desember 2014, ISSN: 1693-6930, p. 787-794.
Kurniawan F., Dermawan D., Dinaryanto O., Sistem Pengatur Lalu-lintas Terjadwal dan Terkoordinasi untuk Persimpangan Gondomanan, Kantor Pos, dan Bintaran, Proseding Seminar Nasional Rekayasa Teknologi Industri dan Informasi (ReTII) ke-9, 13-14 Desember 2014, hal. 179-187.
Kurniawan, F., Sajati, H., Dinaryanto, O., 2016, Adaptive Traffic Controller Based On Pre-Timed System, Telkomnika, Vol. 14, No. 1, hal. 56-63.
Kurniawan, F., Sajati, H., Dinaryanto, O., 2016, Adaptive Traffic Controller Based On Pre-Timed System, Telkomnika, Vol. 14, No. 1, hal. 56-63.
Kurniawan, Freddy, Adiprasetya, Rahmad Al Hasibi, 2007, Konsep pengatur lalu-litas Adaptif terkoordinasi Kepadatan untuk Solusi Minimalisasi Durasi Waktu Tunggu Kendaraan, Jurnal Ilniah Semesta Teknik, Vol. 10, No. 2, November, ISSN 1411-061X, hal. 126 – 135.
Lan, J., Li, J., Hu, G., Ran, B., Wang, L., 2014, Vehicle Speed Measurement Based on Gray Constraint Optical Flow Algorithm, Optik, 125, pp. 289-295.
Mandellos, NA., Keramitsoglou, I., Kiranoudis, CT., 2011, A background subtraction algorithm for detecting and tracking vehicles, Expert Systems with Applications 38, pp. 1619–1631.
Nadernejad E., Sharifzadeh S., Hassanpour H., 2008, Edge Detection Techniques: Evaluations and Comparisons, Applied Mathematical Sciences, Vol. 2, no. 31, pp. 1507 – 1520.
Padilla, R., Filho, C. F., & Costa, M. G., 2002, Evaluation of Haar Cascade Classifiers Designed for Face Detection, World Academy of Science, Engineering and Technology, Vol. 6.
Primantari, Luky FA, 2010, Koordinasi Pengaturan Lampu Lalu Lintas (Studi kasus: Ruas Jalan Prof. Dr. Sorharso - Adi Sucipto - A.Yani - Adi Soemarmo), Jurnal Teknik Sipil dan Arsitektur, Vol. 8 No. 12.A, ISSN 0852-2561, hal. 13 – 30. Rachmadi, M. Febrian, F. Al Afif, M. Anwar Ma’sum, M. Fajar, and A. Wibowo,
2012, Beagleboard Embedded System For Adaptive Traffic Light Control System With Camera Sensor, Journal of Computer Science and Information, Vol. 5, Issue 2, ISSN 2088-7051, hal. 63 – 71.
Sajati, H., Astuti, Y., 2013, Analisis dan Perancangan Software untuk Menentukan Warna Kendaraan Gelap dan Terang, Jurnal Ilmiah Angkasa, Vol. 5, No. 2, November, hal. 59 – 67.
Sugiyanto G., Malkhamah S., Munawar A., Sutomo H., Pengembangan Model Biaya Kemacetan bagi Pengguna Mobil Pribadi di Daerah Pusat Perkotaan Yogyakarta, Jurnal Transportasi, Vol. 11, No. 2, Agustus 2011, ISSN 1411-2442, hal. 87-94.
Sutjiadi R, Setyadi E, Lim R., (2015). Adaptive Background Extraction for Video Based Traffic Counter Application Using Gaussian Mixture Models Algorithm, TELKOMNIKA Indonesian Journal of Electrical Engineering, 13(3): p. 1006-1013
Uddin MS., Das AK., Taleb MA, 2015, Real-time Area Based Traffic Density Estimation by Image Processing for Traffic Signal Control System: Bangladesh Perspective, 2nd International Conference on Electrical Engineering and Information & Communication Technology (ICEEICT), May 2015.
Zaman, Big, Jatmiko, Wisnu, Wibowo, Adi, Ima, Elly Matul, 2011, Implementation Vehicle Classification On Distributed Traffic Light Control System Neural Network Based, Proceedings International Conference on Advanced Computer Science and Information System (ICACSIS), p. 107-112, ISBN: 978-979-1421-11-9, Desember.
a. Prototipe Pengatur Lalu-lintas Sinkron
b. Laptop Acer Aspire 2930z: Dual Core, 2 GHz, 4 GB RAM, 240 GB SSD
c. Downloader mikrokontroller ATmega128A
d. Kamera SJ6000 dengan spesifikasi: IP Camera support, FHD (1920 x 1080 30fps), Optical Zoom: < 10x, Rechargeable Battery 900mAh, Wireless application
e. Tripod dan monopod
3 buah 1 buah
1 buah 1 buah
1 buah 2. Perangkat Lunak:
a. Windows 8.1 64-bit b. Proteus 8.1
c. Matlab 2015a 64-bit
d. Downloader mikrokontroller ATmega128A
A. Identitas Diri
1
Nama Lengkap (dengan gelar) Freddy Kurniawan, S.T., M.T. L2
Jenis Kelamin L3
Jabatan Fungsional Lektor4
NIK 0301315
NIDN 05170376016
Tempat dan Tanggal Lahir Yogyakarta, 17 Maret19767
E-mail freddykurniawan@stta.ac.id8
Nomor Telepon/ HP (0274) 411244 / 081227024329
Alamat Kantor Jl. Janti, Blok R, Kompleks Lanud Adisutjipto, Yogyakarta10
Nomor Telepon/Faks (0274) 451262 / (0274) 45126511
Lulusan yang telah Dihasilkan S1=21 orang S2 = - orang S3= - orang12
Mata Kuliah yg diampu1. Teknik Digital
Bidang Ilmu Teknik Elektro Teknik Elektro -
Tahun Masuk 1994 2005 -
2. Ir. Sujoko Sumaryono, M.T. -
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir
No. Tahun Judul Penelitian Pendanaan
2 2014 Prototipe Sistem Pengatur Isyarat Lalu-Lintas Adaptif Terkoordinasi untuk Ruas Jalan Senopati dan Jalan Sultan Agung Yogyakarta
Dikti (Hiber tahun I)
54
3 2013 Prototipe Sistem Pengatur Isyarat Lalu-Lintas Sinkron dengan Variasi Pola Pengaturan untuk Simpang Empat
4 2012 Sistem Pemonitor Daya dan Faktor Daya Listrik Berbasis Mikrokontroler
Internal STTA 1,5
5 2011 Impementasi Pengukur Nilai Tegangan dan Arus RMS Jala-Jala Listrik Berbasis Mikrokontroler ATmega8535
Internal STTA 1.0
6 2010 Analisis Ketepatan Pengukur Nilai Arus RMS Jala-Jala Listrik Berbasis
Mikrokontroler ATmega8535
Kopertis V 1,675
D. Pengalaman Pengabdian Kepada Masyarakat Dalam 5 Tahun Terakhir
No. Tahun Judul Pengabdian Kepada Masyarakat Pendanaan
Sumber* Jml (Juta Rp)
1 2013 Pelatihan Pembuatan Quadcopter Mode X
dengan Wireless Camera STTA 0,5
2 2011 Perancangan Robot Line Follower STTA 0,34
3 2010 Membuat Robot Line Follower STTA 1.0
4 2008 Pengenalan Teknologi Informasi dan
Komputer STTA 1.0
E. Publikasi Artikel Ilmiah Dalam Jurnal Dalam 5 Tahun Terakhir
No. Judul Artikel Ilmiah Nama Jurnal Volume/
Nomor/Tahun 1 Pre-Timed and Coordinated Traffic Controller
Systems Based on AVR Microcontroller
“Angkasa” November 2012 4 Implementasi Pengukur Nilai Tegangan RMS
Jala-jala Listrik berbasis Mikrokontroler
Jurnal Ilmiah
“Angkasa”
Vol. 3, No. 1, Mei 2011 5 Pembangkit Frekuensi Rendah Presisi berbasis
Mikrokontroler
Jurnal Ilmiah
“Angkasa”
Vol. 2, No. 2, November 2010 6 Analisis Ketepatan Penghitung Frekuensi
dengan Metode Pencacahan Berbasis
F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir
No. Nama Pertemuan Ilmiah /
Seminar Judul Artikel Ilmiah
Waktu dan Dan Arus RMS Jala-Jala Listrik Berbasis Mikrokontroler ATmega8535
G. Karya Buku dalam 5 Tahun Terakhir
No. Judul Buku Tahun Jumlah
Halaman Penerbit
- - - - -
H. Perolehan HKI dalam 5 – 10 Tahun Terakhir
Tahun Terakhir
No. Judul/Tema/Jenis Rekayasa Sosial
Lainnya yang Telah Diterapkan Tahun
Tempat Penerapan
Respons Masyarakat
- - - - -
J. Penghargaan dalam 10 tahun Terakhir (dari pemerintah, asosiasi, atau institusi
lainnya)
No Jenis Penghargaan
Institusi Pemberi Penghargaan
Tahun
1 Dosen Favorit STTA STTA
Yogyakarta 2011
2 Dosen Pembimbing Lomba Kontes Muatan
Roket Indonesia (lolos seleksi peluncuran) Dikti 2011
3 Dosen Pembimbing Lomba Kontes Muatan
Roket Indonesia (lolos seleksi peluncuran) Dikti 2010
4 Dosen Pembimbing Lomba Kontes Muatan
1. Nama Lengkap Haruno Sajati, S.T., M.Eng.
2. Jenis Kelamin L
3. Jabatan Fungsional Asisten Ahli
4. NIP Yayasan 040941
5. NIDN 0522078001
6. Tempat dan Tanggal Lahir Yogyakarta, 22 Juli 1980
7. E-Mail jati@stta.ac.id
8. Nomor Telepon 0838 685 7876
9. Alamat Kantor Lanud Adisutjipto Blok R
10. Nomor Telepon (0274) 451262
11. Lulusan yang Telah Dihasilkan S1 = 130 orang
12. Mata Kuliah yg Diampu 1. Keamanan Jaringan Komputer 2. Pemrograman Web
Universitas Gadjah Mada Universitas Gadjah Mada
Bidang Ilmu Teknik Elektro Teknik Elektro
Tahun Masuk - Lulus 2002 – 2005 2010 – 2012 Judul Penelitian Membangun Koneksi
berbasis IPv6 pada Redhat dan FreeBSD
Pemodelan Lingkungan Virtual untuk Interaksi Avatar Berbasis Context Pada Proyek Digital Life at Campus (DiL@C)
Nama Pembimbing Sri Suning
Kusumawardhani, S.T., M.T. Ir. Sujoko Sumaryono, M.T.
Ir. Lukito Edi Nugroho, M.Sc. Ph.D
Dr. Ridi Ferdiana, S.T., M.T.
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir
No. Tahun Judul Penelitian Pendanaan
Sumber Jml
1 2015 Prototipe Sistem Pengatur Isyarat Lalu-Lintas Adaptif Terkoordinasi untuk Ruas Jalan Senopati dan Jalan Sultan Agung Yogyakarta
Dikti (Hiber tahun II)
Delay Dan Throughput Pada Video Streaming Menggunakan IPv4 Dan IPv6 Tunneling
4. 2013 Analisis Dan Perancangan Software Pengenalan Pola Menggunakan Metode Deteksi Tepi Sobel Untuk Menentukan Warna
5. 2012 Pemodelan Testbed Generic-Contect
Menggunakan Framework Avatar Pada Virtual Environment
STTA Rp. 1.500.000
D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir
No. Tahun Judul Pengabdian Kepada Masyarakat Pendanaan
Sumber Jml
1. 2014 Pelatihan Ms Access 2007 Bagi Anak-Anak Panti Asuhan Nurul Haq Gedong Kuning Banguntapan Yogyakarta
STTA Rp. 3.000.000
2. 2013 Pelatihan Desain Pesawat Terbang 3 Dimensi bagi Siswa Siswi SMA Negeri I Banguntapan Yogyakarta
STTA Rp. 1.500.000
3. 2012 Pelatihan Pengenalan Desain Grafis Bagi Siswa-Siswi SMP Negeri 3 Berbah Sleman
STTA Rp. 1.500.000
4. 2011 Pelatihan Komputer Microsoft Office, Internet Browsing Dan Desain Grafis Menggunakan Corel Draw Bagi Karang Taruna Jogja Taruna Tama
STTA Rp. 2.000.000
E. Publikasi Artikel Ilmiah Dalam Jurnal alam 5 Tahun Terakhir
No. Tahun Judul Artikel Ilmiah Nama Jurnal Volume/ Nomor/
Tahun
1. 2014 Analisis Pemrosesan Paralel Untuk Kompresi Video Pada Jaringan
Proyek Digital Life at Campus (DiL@C)
Universitas Atma Jaya Yogyakarta
F. Pemakalah Seminar Dalam 5 Tahun Terakhir
No Nama Pertemuan Ilmiah/ Seminar
Judul Artikel Ilmiah Waktu dan Tempat
2 Seminar Hasil Penelitian Dosen Pemula
3 Seminar Hasil Penelitian Dosen Pemula
G. Karya Buku Dalam 5 Tahun Terakhir
No Judul Buku Tahun Jumlah Halaman Penerbit
- - - - -
H. Perolehan HKI Dalam 5-10 Tahun Terakhir
No Judul/ Tema HKI Tahun Jenis Nomor P / ID
1
Nama Lengkap (dengan gelar) Okto Dinaryanto, S.T., M.M., M. Eng2
Jenis Kelamin L3
Jabatan Fungsional Asisten Ahli4
NIK 0202085
NIDN 05041072026
Tempat dan Tanggal Lahir Purbalingga, 4 Oktober 19727
E-mail oktodinaryanto@yahoo.co.id8
Nomor Telepon/ HP 081227312019
Alamat Kantor Jl. Janti, Blok R, Kompleks Lanud Adisutjito, Yogyakarta10
Nomor Telepon/Faks (0274) 451262 / (0274) 45126511
Lulusan yang telah Dihasilkan S1=30 orang S2 = - orang S3= - orang12
Mata Kuliah yang diampuFisika Dasar
Sifat-Sifat Aliran Slug Ditinjau dari Karakteristik Lokal (Visualisasi, Liquid Hold-Up,
Signal Processing) pada Pipa
Horizontal. 2. Dr. Eng. Deendarlianto, ST, M.Eng.
-
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir
No. Tahun Judul Penelitian Pendanaan
Sumber* Jml (Juta Rp) 1. 2011 Pengaruh Jenis Burner terhadap Konsumsi
Bahan Bakar LPG
Sumber* Jml (Juta Rp)
1. 2008 Pengenalan Teknologi Informasi dan
Komputer STTA 1.0
E. Publikasi Artikel Ilmiah Dalam Jurnal Dalam 5 Tahun Terakhir
No. Judul Artikel Ilmiah Nama Jurnal Volume/
Nomor/Tahun 1 Optimasi Desain Fan Pendingin terhadap
Pendinginan Radiator
Jurnal Ilmiah
“Angkasa”
Vol. 1, No. 1, 2009
2 Pengaruh Jenis Burner terhadap Konsumsi Bahan Bakar LPG
Jurnal Ilmiah
“Angkasa”
Vol. 2, No. 1, 2010
F. Pemakalah Seminar Ilmiah (Oral Presentation) Dalam 5 Tahun Terakhir
No. Nama Pertemuan
Ilmiah / Seminar Judul Artikel Ilmiah
Waktu dan Tempat
1. - - -
G. Karya Buku dalam 5 Tahun Terakhir
No. Judul Buku Tahun Jumlah
I. Pengalaman Merumuskan Kebijakan Publik/Rekayasa Sosial Lainnya dalam 5
Tahun Terakhir
No. Judul/Tema/Jenis Rekayasa Sosial
Lainnya yang Telah Diterapkan Tahun
Tempat Penerapan
Respons Masyarakat
No Jenis Penghargaan
Institusi Pemberi Penghargaan
Tahun
1
Program Studi Teknik Elektro, Sekolah Tinggi Teknologi Adisutjipto email: freddykurniawan@stta.ac.id
2
Program Studi Teknik Informatika, Sekolah Tinggi Teknologi Adisutjipto email: jati@stta.ac.id
3
Program Studi Teknik Mesin, Sekolah Tinggi Teknologi Adisutjipto email: oktodinaryanto@yahoo.co.id
Abstract
Various methods for the traffic density detection in heavy traffic have been developed widely. However, allmost of then suffer from any drawbacks, especially for traffic that contains all kinds of vehicles. In this research study, we developed a novel method of traffic density detection using macroscopic approach. This method used the vehicle movement detection algorithm, the background construction algorithm, and the traffic density detection algorithm. The first algorithm is used to detect parts of the image containing moving vehicle by determining the difference between the two consecutive frames. Then the background construction algorithm detects the image parts lying in front or behind the moving vehicle that have no movement. An edge detector is used to verify whether it can be used as part of the background image. After the background image is constructed, traffic density detection is done by comparing every parts of the image covered by detection area with the corresponding background image. By comparing the image area covered by vehicle and the background image, we can determine the traffic density. This method has been proven to be able to determine the traffic density with high accuracy.
Keywords: macroscopic approach, background construction, edge detector, background, moving vehicle
1 PENDAHULUAN
Pendeteksian kendaraan merupakan hal yang penting dilakukan untuk manajemen lalu-lintas. Dari usaha tersebut, dapat diperoleh data kepadatan lalu-lintas dan kecepatan rata-rata kendaraan. Data ini menjadi masukan pada sistem transportasi cerdas untuk melakukan manajemen lalu-lintas. Data kepadatan lalu-lintas juga dapat secara langsung menjadi masukan bagi sistem pengatur lalu-lintas adaptif.
Berbagai metode pendeteksian kendaraan telah banyak dikembangkan. Teknologi konvensional untuk pengukuran parameter lalu-lintas seperti menggunakan kalang induktor, detektor sonar atau gelombang mikro mempunyai beberapa kelemahan, di antaranya instalasi yang relatif sulit, cenderung rumit, dan tidak dapat mendeteksi kendaraan yang diam atau bergerak lambat. Sementara itu, penggunaan sistem
pendeteksian berbasis video, cukup mudah diinstal dan dimodifikasi.
2 KAJIAN LITERATUR
Pendekatan mikroskopis dapat ditempuh pada daerah yang tidak terlalu padat dan pada citra yang ditangkap, tumpah tindih kendaraan tidak terlalu banyak. Namun untuk daerah yang sangat padat, pendekatan ini dapat menghasilkan data kurang akurat dan membutuhkan waktu lama.
Alternatif lain adalah menggunakan pendekatan makroskopis. Salah satu usaha untuk membentuk pendeteksian kepadatan lalu-lintas yang menggunakan pendekatan makroskopis adalah penggunaan simpangan baku histogram intensitas (Kurniawan dkk., 2016). Metode ini cukup mudah diterapkan dengan algoritma yang sederhana. Dari histogram proyeksi citra ruas jalan, dapat ditentukan distribusi kecepatan pada ruas jalan tersebut. Metode ini dapat dikembangkan untuk mendeteksi adanya kemacetan lalu-lintas (Jianming et. El., 2012). Namun metode ini tidak dapat membedakan antara keberadaan kendaraan dengan latar belakang yang mempunyai tingkat keabuan beragam.
Contoh lain yang menggunakan pendekatan makroskopis adalah dengan menganalisis tekstur citra. Tekstur citra ruas jalan akan selalu berbeda dengan adanya jenis kendaraan yang berbeda. Dari tekstur ini dapat ditentukan adanya kemacetan di ruas jalan tersebut (Wei dan Hong-ying, 2016).
3 METODE PENELITIAN
Pendeteksian kepadatan lalu-lintas yang digunakan pada penelitian ini menggunakan pendekatan makroskopis. Kedapatan lalu-lintas tidak dihitung dengan menentukan jumlah kendaraan namun dengan menentukan luas daerah jalan yang tertutup oleh kendaraan dan dibandingkan dengan luas ruas jalan keseluruhan.
Kamera pendeteksi ditempatkan di sisi kiri sebuah jalan di persimpangan. Video yang diperoleh mempunyai ukuran 640 × 480. Video yang digunakan menggunakan pesat frame 30 frame/detik, sehingga dua frame berurutan mempunyai perbedaan waktu ⁄ detik = 33 milidetik. Kamera ini dapat sekaligus dapat digunakan untuk pemantau
atas ke kiri bawah. Keempat garis batas itu meliputi:
1. Garis batas atas (top border), garis ini akan menentukan nilai minimal sumbu y. 2. Garis batas kiri (left border), garis ini Sebagaimana Gambar 1, batas kiri ditentukan oleh titik A dan B yang membentuk sebuah
Daerah pendeteksian dibagi menjadi beberapa Region of Interest (ROI) berupa daerah yang dibatasi oleh sebuah persegi panjang. Panjang dan tinggi setiap ROI ditetapkan sedemikian rupa sehingga bagian depan sebuah mobil akan dicakup oleh minimal dua ROI. Ukuran ROI tidak boleh terlalu kecil agar banyaknya ROI tidak terlalu banyak sehingga memperberat beban komputasi.
Nilai yang semakin besar menandakan ROI tersebut semakin dekat ke marka depan sehingga kendaraan akan terlihat semakin besar. ROI pada baris ( ) sama dapat mempunyai jumlah kolom ROI berbeda dikarenakan adanya batas-batas area pendeteksian. Beberapa ROI dengan nilai sama menandakan ROI-ROI tersebut sejalur dalam arah ke marka depan. Hal ini dapat dilihat pada Gambar 1.
Kenaikan nilai akan diikuti dengan kenaikan panjang dan tinggi ROI sesuai dengan kenaikan penampakan kendaraan. Ukuran ROI ditentukan sedemikian rupa sehingga setiap ROI akan mencakup daerah yang sama luasnya di suatu ruas jalan. Gambar 1 merupakan salah satu contoh ROI untuk citra yang mewakili ruas jalan di persimpangan Gondomanan dari arah utara. Dalam video percobaan, nomor ROI ditampilkan menggunakan format .
3.1 Pembentukan Citra Latar Belakang di Area Pendeteksian
Pendeteksian obyek pada sebuah ROI secara akurat dapat dilakukan dengan mendeteksi adanya perbedaan citra di ROI tersebut dengan latar belakang. Pembentukan latar belakang hanya dilakukan di area pendeteksian yang tercakup oleh ROI. Usaha untuk membentuk latar belakang dilakukan berdasar beberapa fakta berikut.
Pertama, jika terdapat sebuah citra ROI yang tidak mengalami pergeseran, maka terdapat dua kemungkinan obyek yang terkandung pada ROI tersebut. Kemungkinan pertama adalah kendaraan yang dalam kondisi tidak bergerak, kemungkinan kedua adalah latar belakang berupa ruas jalan.
kedua ROI tersebut pada posisi yang sama, maka perbedaan keduanya akan menjadi minimal. Sistem mendeteksi bergeraknya obyek dengan cara menghitung perbedaan kedua ROI tersebut.
Didefinisikan dan merupakan ROI baris kolom pada frame saat ini ( ) dan frame sebelumnya ( ). Keduanya mempunyai koordinat sudut kiri atas sama yaitu dan serta mempunyai ukuran sama yaitu P × Q titik. Perbedaan kedua ROI dapat ditentukan dengan menghitung rerata perbedaan intensitas setiap titik di kedua ROI yang menempati koordinat sama sebagaimana Persamaan (3). tidak mengalami pergerakan. Citra yang mempunyai britghness dan contrast yang berbeda dapat memerlukan adanya nilai yang berbeda.
Fakta kedua adalah jika terdapat sebuah kendaraan yang sedang bergerak pada sebuah ROI, maka tidak mungkin ada obyek dalam keadaan diam di depan atau di belakang obyek tersebut. Jika obyek tersebut dalam keadaan diam, maka citra di ROI tersebut kemungkinan besar merupakan latar belakang. Sebagaimana susunan ROI pada Gambar 1, pernyataan tersebut dapat diformulasikan menjadi Persamaan (4).
daerah yang diarsir merupakan titik-titik di luar ROI yang bersebelahan langsung dengan titik-titik di ROI.
Gambar 2 Deteksi sisi ROI
Algoritma deteksi tepi akan menghitung perbedaan intensitas citra antara titik di daerah abu-abu dan titik di daerah yang diarsir. Titik yang terletak di keempat sudut ROI akan dibandingkan dengan dua titik di luar ROI yang bersebelahan langsung. Kemudian algoritma ini menghitung persentase jumlah titik terluar ROI yang mempunyai perbedaan melebihi ambang untuk setiap bagian sisi ROI. Jika salah satu sisi ROI mempunyai jumlah titik melebihi ambang, maka citra di ROI tersebut dianggap sebagai bukan bagian dari latar belakang.
Jika citra pada sebuah ROI dianggap bagian dari latar belakang, maka citra tersebut disalin ke citra latar belakang pada lokasi yang bersesuaian.
Gambar 3 Diagram alir pembentukan latar belakang
Pendeteksian obyek di sebuah ROI dilakukan dengan menentukan selisih citra di ROI tersebut dengan citra latar belakang pada koordinat yang bersesuaian. Jika selisih citra tersebut melebihi batas, maka ROI tersebut dinyatakan mempunyai obyek di dalamnya. Algoritma pendeteksian obyek ini baru dijalankan setelah citra latar belakang yang dicakup oleh semua ROI dapat terbentuk.
3.3 Penentuan Kepadatan Lalu-lintas
Kepadatan lalu-lintas ditentukan dengan menghitung perbandingan antara ROI yang mengandung obyek di dalamnya dengan jumlah semua ROI. Nilai kepadatan dihitung untuk setiap kategori ROI mengikuti Persamaan (5).