PILAR TEKNOLOGI: Jurnal Ilmiah Ilmu-ilmu Teknik Volume 1 Nomor 1 Maret 2016; ISSN : 2502-7042
ANALISIS KEPADATAN LALU LINTAS DENGAN
METODE
TEMPLATE MATCHING
(Studi Kasus : Persimpangan Monjali Yogyakarta)
Setiyo Daru Cahyono
Dosen Fakultas Teknik Universitas Merdeka Madiun Email: cahyono.ds@gmail.com
Abstract
Along with the development of information technology, the more occupations that use information technology to help finish the job. One was at the Department of Transportation to use information technology to solve traffic congestion at signalized intersections. By utilizing information technology, the Department of Transportation can analyze the traffic density is computerized. A system created using Template Matching method to analyze the density of traffic at a signalized intersection. Features analyzed were traffic density based queues of vehicles at a signalized intersection. The data used is a photo of the traffic density at an intersection. The photos will be made digital image processing, feature extraction and pattern recognition using Template Matching. To determine the accuracy of the calculation results of the test performed, so we get a percentage of the system’s success in analyzing the density of traffic at an intersection. The success of the system in analyzing the density of traffic at intersections obtained good results in the amount of 81.67%.
Keyword : Template Matching, Traffic density, vehicle queuing photo
Abstrak
Seiring perkembangan teknologi informasi, maka semakin banyak bidang-bidang pekerjaan yang memanfaatkan teknologi informasi dalam membantu menyelesaikan pekerjaannya. Salah satunya pada Dinas Perhubungan memanfaatkan teknologi informasi dalam mengatasi kemacetan lalu lintas di persimpangan bersinyal. Dengan memanfaatkan teknologi informasi, Dinas Perhubungan dapat melakukan analisa kepadatan lalu lintas secara komputerisasi. Sebuah sistem dibuat menggunakan metode Template Matching untuk menganalisa kepadatan lalu lintas pada sebuah persimpangan bersinyal. Fitur yang dianalisa adalah kepadatan lalu lintas berdasarkan antrian kendaraan pada sebuah persimpangan bersinyal. Data yang digunakan adalah foto kepadatan lalu lintas pada sebuah persimpangan. Foto tersebut akan dilakukan pengolahan citra digital, ekstraksi ciri, dan pengenalan pola menggunakan Template Matching. Untuk mengetahui hasil pengujian dilakukan perhitungan akurasi, sehingga didapatkan prosentase keberhasilan sistem dalam menganalisa kepadatan lalu lintas pada sebuah persimpangan. Adapun keberhasilan sistem dalam melakukan analisa
kepadatan lalu lintas pada persimpangan didapatkan hasil yang cukup baik yaitu sebesar 81,67%.
Kata kunci : Foto antrian kendaraan, Kepadatan lalu lintas, Template Matching
PENDAHULUAN
Pada tahun 2015 Badan Pusat Statistik telah mencatat bahwa penduduk Indonesia mancapai 254,9 juta jiwa. Pertumbuhan penduduk di kota mengalami kenaikan sebesar 1,75% dan di perdesaan sebesar 0,52% [1]. Semakin bertambanyak penduduk akan memberikan dampak kemacetan pada setiap jalan raya. Karena volume kendaraan di jalan raya akan semakin bertambah. Beberapa rambu lalu lintas dan traffic light sudah dibangun untuk dapat mengurangi kemacetan lalu lintas. Kemacetan lalu lintas yang sering terjadi adalah pada persimpangan. Waktu paling rawan terjadi kemacetan lalu lintas adalah pada jam berangkat kerja dan pulang kerja. Polisi lalu lintas pun ikut turun ke jalan untuk membantu mengatur lalu lintas jalan raya. Polisi akan mengatur lama waktu ruas yang akan berjalan, berdasarkan volume kendaraan. Sehingga kemacetan lalu lintas akan sedikit berkurang. Tetapi polisi lalu lintas terkadang masih belum bisa maksimal dalam menangani kemacetan lalu lintas dalam persimpangan, karena kemacetan terjadi tidak hanya pada satu persimpangan, dan jumlah polisi lalu lintas juga terbatas.
Kemacetan disebabkan karena arus lalu lintas jalan raya yang padat. Jika pada persimpangan kemacetan terjadi karena menumpuknya antrian kendaraan pada persimpangan bersinyal tersebut. Sehingga beberapa penelitian telah dilakukan untuk menganalisa kepadatan lalu lintas pada jalan raya.
Sebuah penelitian dilakukan oleh Hadi dan Samara untuk mendeteksi objek kendaraan
pada jalan raya [2]. Pada penelitian tersebut menggunakan metode Hough Transform (HT) dan Connected Component Labeling (CCL) dalam mendeteksi objek kendaraan. HT digunakan untuk mendeteksi batas jalan raya, karena objek yang dideteksi adalah objek yang terdapat dalam jalan raya. Sedangkan CCL digunakan untuk menandai objek-objek yang terdeteksi sebagai kendaraan. Dalam penelitian hanya kendaraan yang berdimensi besar yang akan dideteksi. Sehingga penelitian tersebut memiliki akurasi sebesar 96,43% dalam pendeteksian kendaraan.
Template Matching merupakan metode yang bekerja dengan membandingkan data baru terhadap template acuan. Beberapa penelitian menggunakan Template Matching juga telah dilakukan pada berbagai bidang. Pada bidang transportasi, penelitian dilakukan oleh Ansori, dkk untuk mendeteksi kendaraan bergerak secara real time [3]. Penelitian dalam bidang transportasi juga dilakukan oleh Akbar Y, dkk dengan memanfaatkan Template Matching untuk menganalisis rambu-rambu lalu lintas [4]. Pada penelitian tersebut telah dilakukan pada waktu pagi, siang, sore, dan malam dengan akurasi keseluruhan sebesar 84,09%.
Pada bidang lain tentang keberhasilan pemanfaatan metode Template Matching telah dilakukan oleh Wahyu Nugroho untuk mendeteksi kerusakan PCB dengan tingkat keberhasilan 100% [5]. Keberhasilan 100% juga telah dibuktikan oleh Bowo Leksono, dkk dengan memanfaatkan Template Matching untuk klasifikasi sidik jari [6]. Pemanfaatan Template Matching dapat juga
Volume 1 Nomor 1 Maret 2016 , PILAR TEKNOLOGI 3 Analisis Kepadatan Lalu Lintas Integal Proyeksi, salah satu penelitian yang
memanfaatkan Integral Proyeksi dan Template Matching dilakukan oleh Tito Cahyo untuk mengenali karakter dengan hasil yang baik [7]. Karena Template Matching bekerja dengan mencocokkan dengan template acuan, sehingga dapat juga dikombinasikan dengan perhitungan jarak antara dua vektor, salah satunya dengan memanfaatkan Eucluidean Distance. Penelitian yang memanfaatkan Euclidean Distance salah satunya dilakukan oleh Andaruresmi, dkk untuk mendeteksi tipe wilayah, dengan tingkat akurasi keberhasilan sistem sebesar 86,87% [8].
Mengacu dari penelitian-penelitian sebelumnya, maka pada penelitian ini akan dibuat sebuah penelitian dengan memanfaatkan Template Matching untuk menganalisa kepadatan lalu lintas pada persimpangan bersinyal. Template Matching akan digunakan dengan pendukung metode-metode pengolahan citra digital dan Integral Proyeksi. Sedangkan untuk membandingkan antara dua citra akan digunakan perhitungan jarak Euclidean Distance.
METODE PENELITIAN
Pada penelitian ini akan dilakukan analisa terhadap kepadatan lalu lintas menggunakan metode Template Matching. Beberapa penelitian telah menggunakan Template Matching untuk membantu mengatasi suatu permasalahan. Dalam penelitian ini akan menggunakan Template Matching untuk melakukan analisa terhadap kepadatan lalu lintas. Salah satu fitur untuk melakukan analisa kepadatan lalu lintas adalah jumlah volume kendaraan pada jalan raya.
Kemacetan lalu lintas sering terjadi pada persimpangan bersinyal (traffic light). Sehingga data sekunder yang digunakan pada penelitian ini adalah foto kepadatan lalu lintas pada suatu persimpangan bersinyal. Persimpangan
bersinyal yang dijadikan sebagai tempat studi kasus adalah persimpangan bersinyal Monjali Yogyakarta (Monumen Jogja Monjali Yogyakarta). Data sekunder adalah berupa foto hasil ekstrak dari video hasil pengambilan kamera Dinas Perhubungan Yogyakarta. Dari foto tersebut akan dilakukan analisa kepadatan lalu lintas. Data yang digunakan pada penelitian ini adalah foto hasil estrak video pada jam pagi, siang, dan sore dengan kondisi cuaca cerah. Jam pagi pada pukul 06.00-09.00 WIB, jam siang pada pukul 11.00-14.00 WIB, dan jam sore pada pukul 15.00-18.00 WIB. Kondisi kepadatan lalu lintas pada persimpangan Monjali dapat dilihat pada Gambar 1.
Gambar 1. Kepadatan Lalu Lintas Persimpangan Monjali Yogyakarta Gambar 1 adalah salah foto dari per-simpangan Monjali yang digunakan sistem untuk melakukan analisa kepadatan lalu lintas. Sedangkan sebagai data pendukung dilakukan wawancara dengan Dosen Teknik Sipil Universitas Sebelas Maret. Hasil wawancara terhadap pakar digunakan sebagai data primer yang dapat mendukung keberhasilan pada penelitian ini.
Tahapan dari sistem yang akan dibuat untuk menganalisa kepadatan lalu lintas dapat dilihat pada Gambar 2.
4 PILAR TEKNOLOGI, Volume 1 Nomor 1 Maret 2016 Setiyo Daru Cahyono
Gambar 2. Gambaran Sistem
Pada Gambar 2 telah ditunjukkan
tahapan-tahapan sistem dalam
melakukan analisa kepadatan lalu
lintas pada persimpangan bersinyal.
Dimana citra/gambar yang didapat
dari ekstrak video akan dilakukan
proses pengolahan citra terlebih
dahulu. Dimana citra yang akan
diujikan sebanyak 60 citra yang
terdiri dari 20 citra pada jam pagi, 20
citra pada jam siang, dan 20 citra
pada jam sore. Sebanyak 20 citra pada
jam pagi yaitu 10 citra dengan
kepadatan lalu lintas sepi dan 10 citra
dengan kepadatan lalu lintas ramai,
sebanyak 20 citra pada jam siang
yaitu 10 citra dengan kepadatan lalu
lintas sepi dan 10 citra dengan
kepadatan lalu lintas ramai, dan
sebanyak 20 citra pada jam ramai
yaitu 10 citra dengan kepadatan lalu
lintas sepi dan 10 citra dengan
kepadatan lalu lintas ramai. Citra uji
tersebut akan dilakukan analisa
kepadatan lalu lintas dengan
menggunakan
Template Matching
.
Tahapan pertama yang dilakukan
adalah pengolahan citra digital
terhadap citra-citra uji tersebut.
Beberapa tahapan pengolahan citra
yang dilakukan dapat dilihat pada
Gambar 3.
Gambar 3. Pengolahan Citra Digital
Sistem Analisis Kepadatan Lalu
Lintas
Tahapan-tahapan pengolahan citra
digital pada sistem analisa kepadatan
lalu lintas telah disajikan oleh
Gambar 3. Tahapan pertama yang
dilakukan adalah proses
cropping
.
Dimana akan dilakukan pemotongan
AKUISISI CITRA
PENGOLAHAN CITRA DIGITAL EKSTRAKSI CIRI PENGENALAN POLA : - TEMPLATE MATCHING - EUCLIDEAN DISTANCE HASIL CROPPING PENINGKATAN KONTRAS BINERISASI PENSKALAAN HASIL AKUISISI CITRA
Gambar 2. Gambaran Sistem
Pada Gambar 2 telah ditunjukkan tahapan-tahapan sistem dalam melakukan analisa kepadatan lalu lintas pada persimpangan bersinyal. Dimana citra/gambar yang didapat dari ekstrak video akan dilakukan proses pengolahan citra terlebih dahulu. Dimana citra yang akan diujikan sebanyak 60 citra yang terdiri dari 20 citra pada jam pagi, 20 citra pada jam siang, dan 20 citra pada jam sore. Sebanyak 20 citra pada jam pagi yaitu 10 citra dengan kepadatan lalu lintas sepi dan 10 citra dengan kepadatan lalu lintas ramai, sebanyak 20 citra pada jam siang yaitu 10 citra dengan kepadatan lalu lintas sepi dan 10 citra dengan kepadatan lalu lintas ramai, dan sebanyak 20 citra pada jam ramai yaitu 10 citra dengan kepadatan lalu lintas sepi dan 10 citra dengan kepadatan lalu lintas ramai. Citra uji tersebut akan dilakukan analisa kepadatan lalu lintas dengan menggunakan Template Matching. Tahapan pertama yang dilakukan adalah pengolahan citra digital terhadap citra-citra uji tersebut. Beberapa tahapan pengolahan citra yang dilakukan dapat dilihat pada Gambar 3.
5
Gambar 2. Gambaran Sistem
Pada Gambar 2 telah ditunjukkan
tahapan-tahapan sistem dalam
melakukan analisa kepadatan lalu
lintas pada persimpangan bersinyal.
Dimana citra/gambar yang didapat
dari ekstrak video akan dilakukan
proses pengolahan citra terlebih
dahulu. Dimana citra yang akan
diujikan sebanyak 60 citra yang
terdiri dari 20 citra pada jam pagi, 20
citra pada jam siang, dan 20 citra
pada jam sore. Sebanyak 20 citra pada
jam pagi yaitu 10 citra dengan
kepadatan lalu lintas sepi dan 10 citra
dengan kepadatan lalu lintas ramai,
sebanyak 20 citra pada jam siang
yaitu 10 citra dengan kepadatan lalu
lintas sepi dan 10 citra dengan
kepadatan lalu lintas ramai, dan
sebanyak 20 citra pada jam ramai
lintas sepi dan 10 citra dengan
kepadatan lalu lintas ramai. Citra uji
tersebut akan dilakukan analisa
kepadatan lalu lintas dengan
menggunakan
Template Matching
.
Tahapan pertama yang dilakukan
adalah pengolahan citra digital
terhadap citra-citra uji tersebut.
Beberapa tahapan pengolahan citra
yang dilakukan dapat dilihat pada
Gambar 3.
Gambar 3. Pengolahan Citra Digital
Sistem Analisis Kepadatan Lalu
Lintas
Tahapan-tahapan pengolahan citra
digital pada sistem analisa kepadatan
lalu lintas telah disajikan oleh
Gambar 3. Tahapan pertama yang
dilakukan adalah proses
cropping
.
Dimana akan dilakukan pemotongan
PENGOLAHAN CITRA DIGITAL EKSTRAKSI CIRI PENGENALAN POLA : - TEMPLATE MATCHING - EUCLIDEAN DISTANCE HASIL CROPPING PENINGKATAN KONTRAS BINERISASI PENSKALAAN HASIL AKUISISI CITRA
Gambar 3. Pengolahan Citra Digital Sistem Analisis Kepadatan Lalu Lintas
Tahapan-tahapan pengolahan citra digital pada sistem analisa kepadatan lalu lintas telah disajikan oleh Gambar 3. Tahapan pertama yang dilakukan adalah proses cropping. Dimana akan dilakukan pemotongan terhadap bagian yang akan dilakukan analisa kepadatan lalu lintas saja. Karena pada persimpangan Monjali merupakan jalan raya dua arah. Sehingga fokus penganalisaan dilakukan pada arah yang terdapat pada belakang lampu lalu lintas saja. Sedangkan arah kebalikan akan dilakukan pemotongan. Kemudian akan ditingkatkan kontrasnya agar mendapat citra yang lebih bagus sebelum dilakukan binerisasi. Binerisasi dilakukan untuk membedakan warna antrian kendaraan dan warna background jalan raya. Sehingga didapatkan nilai piksel 1 dan 0. Setelah dilakukan binerisasi, tahapan selanjutnya adalah penskalaan. Dimana gambar dibuat lebih kecil, dengan tidak mengurangi fokus pendeteksian.
Setelah proses pengolahan citra selesai dilakukan, kemudian akan dilakukan proses ekstraksi ciri dengan menggunakan Integral Proyeksi. Adapun proses ekstraksi ciri dilakukan dengan menjumlahkan nilai piksel baris
Volume 1 Nomor 1 Maret 2016 , PILAR TEKNOLOGI 5 Analisis Kepadatan Lalu Lintas dengan kolom. Proses terakhir yang dilakukan
adalah pengenalan pola dengan menggunakan Template Matching. Dimana terdapat 18 citra digunakan sebagai acuan untuk melakukan pengenalan pola, yang terdiri dari 3 citra kepadatan lalu lintas sepi pada pagi hari, 3 citra kepadatan lalu lintas ramai pada pagi hari, 3 citra kepadatan lalu lintas sepi pada siang hari, 3 citra kepadatan lalu lintas ramai pada siang hari, 3 citra kepadatan lalu lintas sepi pada sore hari,dan 3 citra kepadatan lalu lintas sore. Sebanyak 18 citra acuan terlebih dahulu disimpan ke dalam database. Kemudian setiap citra uji akan dibandingkan dengan citra acuan menggunakan rumus 1 [9].
∑
= → → − = N i i i euclidean l l l l dist 1 2 2 1 2 1, ) ( ) ( ...(1) Perbandingan citra tersebut dihitung menggunakan rumus Euclidean Distance. Prosentase kecocokan dilakukan dengan mengalikan 100% terhadap hasil perhitungan menggunakan Euclidean Distance. Se-dangkan untuk pengujian dilakukan dengan penghitungan akurasi. Dimana akan diban-dingan jumlah citra yang dikenali dengan benar dengan jumlah keseluruhan citra yang diujikan, kemudian dikalikan dengan 100%. Dari perhitungan tersebut akan diketahui keberhasilan sistem dalam melakukan analisa kepadatan lalu lintas pada persimpangan bersinyal. Citra yang dikenali benar adalah citra yang dikenali dengan tepat oleh sistem terhadap citra acuan.HASIL DAN PEMBAHASAN
Penelitian untuk menganalisa kepadatan lalu lintas pada persimpangan Monjali telah mendapatkan hasil yang cukup baik. Karena dari beberapa pengujian menunjukkan hasil yang cukup baik, sehingga didapatkan juga akurasi sistem yang baik. Pada penelitian ini, objek yang dianalisa adalah kepadatan lalu
lintas berdasarkan antrian kendaraan pada persimpangan Monjali. Pada persimpangan Monjali memiliki arus jalan dua lajur, sehingga untuk arus yang sebaliknya dilakukan pe-motongan/cropping terlebih dahulu. Salah satu hasil pemotongan citra pada persimpangan Monjali ketika situasi jalan raya dalam keadaan sepi dapat dilihat pada Gambar 4.
Gambar 4. Citra Hasil Cropping
Berdasarkan Gambar 4 dapat ditunjukkan bahwa daerah yang dideteksi adalah antrian kendaraan yang berada di belakang lampu lalu lintas. Setelah didapatkan daerah yang akan dianalisa, akan dilanjutkan pada tahapan pengolahan citra untuk peningkatan kontras, binerisasi dan penskalaan. Kemudian akan dilanjutkan proses ekstraksi ciri dan pengenalan pola dengan template matching.
Untuk melakukan proses template matching, terlebih dahulu dilakukan pe-nyimpanan citra acuan untuk digunakan pem banding pada proses template matching. Sebanyak 18 citra yang disimpan pada database yang digunakan sebagai acuan. Dimana sebanyak 60 citra uji akan dilakukan proses template matching menggunakan acuan pada 18 citra template.
Sebanyak 60 citra yang digunakan untuk pengujian, diambil dari tiga waktu yaitu pagi, siang, dan sore. Dimana saat pagi hari akan
diujikan dua jenis citra yaitu citra pagi sepi dan citra pagi ramai. Perbandingan keberhasilan sistem dalam menganalisa kepadatan lalu lintas pada pagi hari dapat dilihat pada Tabel 1.
Tabel 1. Perbandingan Keberhasilan Analisis Kepadatan Lalu Lintas Waktu Pagi Jenis Citra Jumlah Citra Dikenali Sepi Dikenali Ramai
Pagi Sepi 10 10 0
Pagi Ramai 10 3 7
Pada Tabel 1 telah disajikan perbandingan keberhasilan analisa kepadatan lalu lintas waktu pagi. Sebanyak 10 citra pagi sepi dapat dianalisa sepi sebanyak 10 citra, dan tidak ada citra yang dikenali ramai. Sedangkan sebanyak 10 citra pagi ramai dapat dianalisa ramai sebanyak 7 citra, dan sebanyak 3 citra yang dianalisa sepi. Kemudian untuk perbandingan keberhasilan sistem dalam menganalisa kepadatan lalu lintas pada siang hari dapat dilihat pada Tabel 2.
Tabel 2. Perbandingan Keberhasilan Analisis Kepadatan Lalu Lintas Waktu Siang Jenis Citra Jumlah Citra Dikenali Sepi Dikenali Ramai
Siang Sepi 10 8 2
Siang
Ramai 10 1 9
Tabel 2 telah menyajikan perbandingan keberhasilan analisa kepadatan lalu lintas waktu siang. Sebanyak 10 citra siang sepi dapat dianalisa sepi sebanyak 8 citra, dan dua citra yang dikenali ramai. Untuk 10 citra siang ramai dapat dianalisa ramai sebanyak 9 citra, dan satu citra yang dianalisa sepi. Sedangkan perbandingan keberhasilan sistem dalam menganalisa kepadatan lalu lintas pada sore hari dapat dilihat pada Tabel 3.
Tabel 3. Perbandingan Keberhasilan Analisis Kepadatan Lalu Lintas Waktu Sore Jenis Citra Jumlah
Citra Dikenali Sepi Dikenali Ramai Sore Sepi 10 8 2 Sore Ramai 10 3 7
Untuk perbandingan keberhasilan analisa kepadatan lalu lintas waktu sore dapat dilihat pada Tabel 3. Sebanyak 10 citra sore sepi dapat dianalisa sepi sebanyak 8 citra, dan dua citra yang dikenali ramai. Untuk 10 citra sore ramai dapat dianalisa ramai sebanyak 7 citra, dan 3 citra yang dianalisa sepi.
KESIMPULAN
Penelitian untuk melakukan analisa kepadatan lalu lintas menggunakan Template Matching telah dilakukan. Dimana penelitian menggunakan 18 template sebagai acuan dan menghasilkan keberhasilan sistem yang cukup baik dalam menganalisa kepadatan lalu lintas. Adapun akurasi sistem dalam menganalisa kepadatan lalu lintas pada pagi hari sebesar 85%. Sedangkan akurasi sistem dalam menganalisa kepadatan lalu lintas pada siang hari juga sebesar 85%, dan akurasi sistem dalam menganalisa kepadatan lalu lintas pada sore hari sebesar 75%. Sehingga didapatkan akurasi total sistem dalam melakukan analisa kepadatan lalu lintas menggunakan Template Matching sebesar 81,67%.
DAFTAR PUSTAKA
Akbar, Y., Hidayat, B., Wibowo, SA. 2011. Analisis Identifikasi Rambu-Rambu Lalu Lintas Dengan Pengolahan Citra Digital Menggunakan Metode Template Matching. Universitas Telkom.
Andaruresmi, R., Rizal, A., Magdalena, R. 2009. Identifikasi Tipe Wilayah Berbasis Pengolahan Citra Penginderaan Jarak
Volume 1 Nomor 1 Maret 2016 , PILAR TEKNOLOGI 7 Analisis Kepadatan Lalu Lintas Jauh. Prosiding SENTIA. Politeknik Negeri
Malang.
Ansori, R., Pramadihanto, D., Ramadijanti, N. 2010. Deteksi Kendaraan Bergerak Secara Real Time. Tesis. Institude Teknologi Sepuluh Nopember.
Cahyo, T. 2013. Aplikasi Pengubah Citra Nominal ke Bentuk Terbilang.
Hadi, S., Samara, YR. 2012. Deteksi Objek Kendaraan Pada Citra Dijital Jalan Raya Menggunakan Metode Visi Komputer. Universitas Pelita Harapan.
Hidayano, A., Leksono, B., Isnanto, R. 2011. Aplikasi Metode Template Matching untuk Klasifikasi Sidik Jari. Thesis. Universitas Diponegoro.
Ljubesic, N., dkk. 2008. Comparing Measures of Semantic Similarity. Kroasia.
R, Anton., A, Cholis. 2015. Jumlah Penduduk Indonesia Sudah 254,9 Juta, Laki-laki Lebih Banyak Dari Perempuan.http:// hidayatullah.com/berita/nasional/ re a d / 2 0 1 5 / 1 1 / 2 0 / 8 3 6 3 2 / j u m l a h -pendududari-perempuan.html/, diakses tanggal 5 April 2016.
Wahyu, N. 2004. Deteksi Kerusakan Jalur PCB Menggunakan Metode Template Matching. Skripsi. Universitas Dian Nuswantoro.