Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Sistem Pendeteksi Aktivitas Kendaraan Pada Area Parkir Dengan
Jaringan Multi-Camera
DODI WAHYU B – NRP 2206100020 Bidang Studi Telekomunikasi Multimedia
Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS, Keputih – Sukolilo, Surabaya 60111
ABSTRAK
Dengan meningkatnya jumlah penduduk sekarang, maka permintaan akan jasa transportasi semakin tinggi. Oleh karena itu akan terjadi kenaikan kepadatan lalulintas dan pengguna jasa parkir. Permasalahan parkir sangat penting untuk dikaji seperti kebutuhan ruang parkir yang harus tersedia secara memadai dan sistem pemantau ruangan parkir. Oleh karena itu perlu dibangun suatu sistem yg dapat mendeteksi segala bentuk aktivitas kendaraan pada area parkir.
Pada tugas akhir ini akan dibangun suatu sistem deteksi kendaraan pada video pintu masuk dan keluar parkir, serta video pemantauan di ruangan parkir dengan jaringan multi-camera. Video dianalisa dengan menggunakan 4 metode yaitu, Konversi Citra, Background substraction, Normalize 2D Cross-Correlation, vehicle tracking. Keseluruhan metode tersebut akan diaplikasikn menggunkan software Matlab R2009b.
Hasil dari implementasi metode menunjukkan bahwa video yang tidak terdapat kendaraan berdekatan memiliki persentase kendaraan terdekteksi sebesar 100%, sedangkan terdapat kendaraan yang berdekatan dan terpengaruh bayangan memiliki persentase terdeteksi sebesar 75%. Untuk implementasi menggunakan multi-camera dapat mendeteksi objek dengan coverage area lebih luas dibandingkan single-camera. Selain itu untuk penempatan kamera, jika semakin tinggi maka mendapatkan luasan jangkauan sebesar 1,5 kali dari setiap peningkatan 0,5 m dan jika semakin besar sudut pantau mendapatkan luasan 1,8 kali dari setiap peningkatan sudut 15o.
Kata Kunci: aktivitas kendaraan, area parkir, single- camera, multi-camera, video, pendeteksian I. PENDAHULUAN
Pada saat ini permasalahan parkir sangat penting untuk dikaji lebih mendalam, seperti ruang parkir yang dibutuhkan harus tersedia secara memadai. Semakin besar volume lalu lintas yang beraktivitas baik yang meninggalkan atau menuju pusat kegiatan, maka semakin besar pula kebutuhan ruang parkir. Selain itu jika pada ruang parkir tersebut tidak dilengkapi dengan kamera deteksi pemantauan ruangan, maka pengendara tidak mengetahui kondisi ruangan parkir yang kosong. Sehingga dari dua permasalahan tersebut, pihak pemilik tempat parkir harus bisa mengetahui jumlah kendaraan yang keluar masuk parkir untuk memudahkan dalam pengaturan keamanan dan pendeteksian kekosongan ruang parkir untuk meningkatkan pelayanan. Sehingga paada tugas akhir ini akan dibangun suatu sistem pendeteksi aktivitas kendaraan pada area parkir dengan jaringan multi-camera.. Video hasil rekaman itu dianalisa dengan menggunakan 4 teknik yaitu, Konversi Citra, Background
substraction, Normalize 2D Cross-Correlation, vehicle tracking. Keseluruhan teknik tersebut akan diaplikasikn menggunkan software Matlab versi 7.9.0.529 (R2009b). Konversi Citra digunakan untuk merubah format citra yang RGB menjadi grayscale dan kemudian diubah menjadi image binary. Background substraction digunakan untuk memisahkan objek kendaraan dari background di frame pada rekaman video. Untuk metode Normalize 2D Cross-Correlation digunakan untuk mendapatkan nilai korelasi antara objek yang akan dideteksi dengan template yang digunakan, sehingga dapat memperoleh hasil deteksi kendaraan yang lebih akurat. Proses selanjutnya adalah teknik vehicle tracking yang digunakan untuk mendeteksi objek kendaraan pada video. Objek kendaraan yang berada pada video akan dibandingkan dengan template kendaraan yang tersedia. Kemudian setelah didapatkan kesimpulan hasil deteksi objek, maka digunakan untuk mengklasifikasikan kendaraan, menghitung jumlah kendaraan, dan menganalisis kekosongan area parkir pada video.
II. TEORI PENUNJANG
2.1. Kamera Tunggal (Single-Camera)
Single-camera merupakan teknologi yang memanfaatkan penggunaan satu buah (tunggal) kamera. Dikarenakan hanya menggunakan satu buah kamera saja maka pada teknologi ini tidak bisa membentuk suatu jaringan(network). Meskipun pada single-camera tidak bisa membentuk jaringan, tetapi dapat dimanfaatkan untuk aplikasi pemantauan objek atau suatu ruangan dengan space terbatas. Beberapa kekurangan pada pemakaian single-camera sebagai berikut:
1. Keterbatasan coverage area pemantauan,.
2. Keterbatsan sudut pandang hanya pada satu sisi dari objek (2D)
3. Tidak bisa membentuk jaringan (network), hanya terhubung secara single hop.
4. Keterbatasan dalam memperoleh/menyimpan informasi suatu aktivitas selama pemantauan secara live
5. Tidak adanya back-up kamera lain yang terintegrasi otomatis, ketika terjadi kerusakan.
2.2. Jaringan Multi-Camera (multi-camera network) Multi-camera merupakan teknologi yang memanfaatkan penggunaan lebih dari satu buah kamera. Sehingga pada multi-camera bisa membentuk jaringan yang dapat di-control secara langsung oleh admin. Gambar 1 merupakan bentuk jaringan multi-camera. Sehingga dapat didefinisikan bahwa jaringan multi-camera merupakan suatu jaringan yang terorganisasi secara terpusat oleh admin dengan melakukan penyebaran kamera pada titik-titik yang sudah ditentukan.
(a)
(b)
Gambar 1. (a). Maket ruangan yang terintegrasi dengan multi-camera network
(b). Denah Parkir yang terintegrasi dengan multi-camera network
Beberapa hal yang bisa dipelajari dalam jaringan camera adalah konseptual dan algoritmik untuk segala jenis komputer, pemrosesan sinyal, dan komputasi, serta jaringan kabel dan nirkabel(wireless). Sistem
pada multi-camera menggunakan dua buah mode processing architecture yaitu centralized processing dan
processing [1].
Beberapa kelebihan yang dimiliki oleh jaringan camera sebagai berikut:
1. Mampu melakukan pemantauan area area) secara total pada setiap ruangan
2. Dapat melakukan pemantauan dengan sudut pandang lebih dari satu sisi pada satu objek, sehingga dapat menghasilkan informasi citra berbentuk 3D
3. Bisa dilakukan controlling secara terpusat pada jaringan, jadi bisa membentuk suatu jaringan dengan koneksi multi-hop.
4. Adanya back-up dengan kamera lain kerusakan pada salah satu node tersebar.
2.3. Metode-Metode Untuk Pendeteksian Objek 2.3.1. Metode Background Substraction
Proses background substraction adalah proses yang berfungsi untuk menghilangkan objek yang statis pada sebuah citra. Metode background substraction
untuk menentukan kemungkinan adanya suatu bergerak dari sebuah citra dengan perbedaan yang terlihat pada background dan objek, yaitu dengan memisahkan antara background dari foreground pada suatu gambar. dapat ditampilkan dalam bentuk persamaan berikut.
[framei – backgroundi] > Threshold ………
Pada proses background substraction digunakan operasi matrik yaitu operasi pengurangan dengan menghasilkan nilai lebih besar dari threshold [2].
2.3.2. Normalized 2D cross-correlation
Pada proses ini digunakan untuk menentukan n kesamaan antara objek dan template, sehingga mendapatkan nilai korelasi yang digunakan sebagai masukan ke proses
Maket ruangan yang terintegrasi dengan (b). Denah Parkir yang terintegrasi dengan
Beberapa hal yang bisa dipelajari dalam jaringan multi-adalah konseptual dan algoritmik untuk segala jenis komputer, pemrosesan sinyal, dan komputasi, serta untuk Sistem processing mode processing dan distributed Beberapa kelebihan yang dimiliki oleh jaringan
multi-Mampu melakukan pemantauan area (coverage secara total pada setiap ruangan
Dapat melakukan pemantauan dengan sudut dari satu sisi pada satu objek, sehingga dapat menghasilkan informasi citra secara terpusat pada , jadi bisa membentuk suatu jaringan dengan kamera lain, ketika terjadi kamera yang
Metode Untuk Pendeteksian Objek
adalah proses yang yang statis pada background substraction bertujuan untuk menentukan kemungkinan adanya suatu objek dari sebuah citra dengan perbedaan yang terlihat , yaitu dengan memisahkan suatu gambar. Jadi pilkan dalam bentuk persamaan 1 sebagai
……… 1 digunakan operasi dengan menghasilkan nilai
digunakan untuk menentukan nilai sehingga mendapatkan yang digunakan sebagai masukan ke proses
Gambar 2. vehicle tracking Selanjutnya (vehicle tracking normalized 2D cross-correlation pada dengan perintah, C= normcorr2(template,
merupakan koefisien korelasi yang memiliki range nilai dari -1.0 sampai 1.0 [3].
2.3.3. Vehicle Tracking
Suatu sistem monitoring berbasis video harus dapat mengenali objek kendaraan bermotor pada setiap urutan frame video. Vehicle tracking juga dapat mengklasifikasikan kendaraan bermotor berdasarkan jenisnya
mobil. Objek kendaraan bermotor pada video ditandai dengan persegi panjang yang luasa
objek tersebut. Proses vehicle tracking 2.
III. METODE DAN PERANCANGAN SISTEM 3.1. Perencanaan Topologi Jaringan
Komunikasi Single-camera antara buah kamera saja, sedangkan untuk
komunikasi antara server dengan lebih dari satu kamera yang tersebar pada titik-titik tertentu. Pada gambar 3
merupakan contoh cakupan dari topologi jaringan digunakan dalam penelitian.
3.2. Metodologi Penelitian
Metodologi penelitian dari perancangan pendeteksi aktivitas kendaraan ini
Gambar 4. Pada gambar ditunjukkan dua buah topologi dalam melakukan perekaman video, yaitu
multi-camera network beserta cakupannya.
(a)
(b)
Gambar 3. (a). Contoh Cakupan (b). Contoh Cakupan deteksi 1,5 m 2,4 m serve 2,6 m A 3 2 10,6 m vehicle tracking
vehicle tracking). Cara perhitungan pada Matlab dinyatakan 2(template,A). Hasil C merupakan koefisien korelasi yang memiliki range nilai dari
berbasis video harus dapat mengenali objek kendaraan bermotor pada setiap urutan juga dapat mengklasifikasikan kendaraan bermotor berdasarkan jenisnya mobil atau
non-. Objek kendaraan bermotor pada video ditandai anya bergantung pada vehicle tracking terlihat pada gambar
METODE DAN PERANCANGAN SISTEM Perencanaan Topologi Jaringan
antara server dengan satu buah kamera saja, sedangkan untuk multi-camera dengan lebih dari satu kamera yang Pada gambar 3 dibawah ini dari topologi jaringan yang
Metodologi penelitian dari perancangan sistem seperti terlihat pada . Pada gambar ditunjukkan dua buah topologi dalam melakukan perekaman video, yaitu single-camera dan
beserta cakupannya.
Contoh Cakupan Single-camera Cakupan multi-camera
2 m
serve
A
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS Gambar 4. Metodologi Penelitian
Gambar 5. Diagram alir proses pendeteksi template kendaraan
3.3. Proses Pendeteksi Template Kendaraan
Cara kerja diagram alir pada gambar 5 di atas adalah adalah sebagai berikut:
1. Mengambil urutan frame tertentu dari video, kemudian merubah format frame video (RGB) ke format citra biner, kemudian dilakukan background substraction. 2. proses remove small object, untuk menghilangkan objek
kecil yang tidak dibutuhkan sehingga objek yang muncul hanya objek kendaraan saja.
3. Kemudian proses menutup lubang pada objek. Proses ini bertujuan untuk menutup lubang atau citra yang bernilai 0 (warna hitam) pada objek.
4. Diteruskan dengan proses clear border. Proses ini bertujuan agar dihasilkan gambar yang bebas dari noise. 5. Setelah terbentuk objek yang sudah bersih dari noise, maka akan dilakukan pengukuran panjang dan lebar dari objek tersebut, sehingga bisa didapatkan luasan persegi panjang. Dan dengan hasil tersebut maka video dengan urutan frame tersebut disimpan untuk dijadikan template.
3.4. Proses Pendeteksi objek kendaraan
Setiap frame video akan dideteksi apakah memiliki objek bernilai 1 (putih), kemudian akan ditandai dengan persegi panjang berwarna merah dan akan dibandingkan dengan template yang tersedia dengan menggunakan Normalized 2D cross-correlation.
Gambar 6. Diagram alir proses pendeteksi objek kendaraan
Gambar 7. Diagram alir proses menghitung objek Nilai koefisien Normalized 2D cross-correlation berkisar antara -1 sampai 1. Karena memiliki range yang luas, maka perlu dilakukan operasi untuk mempersempit range menjadi 0 sampai 1. Nilai inilah yang digunakan untuk dapat menentukan jenis kendaraan sepeda motor dan mobil. Pada gambar 6 merupakan diagram alir proses pendeteksi objek kendaraan.
3.5. Proses Perhitungan jumlah objek
Proses pada gambar 7 di atas menjelaskan bahwa program melakukan perhitungan jumlah objek pada video yang terdeteksi. Melalui perbandingan luasan persegi panjang dengan template, Sehingga bisa diketahui jumlah kendaraan (sepeda motor dan mobil) yang masuk dan keluar area parkir. Selain itu program juga dapat mendeteksi kekosongan ruangan parkir untuk kendaraan jenis mobil. 3.6. Desain GUI Sistem Pendeteksi Aktivitas Kendaraan
Untuk mempermudah dalam menampilkan hasil pendeteksian aktivitas kendaraan. Maka didesain 3 buah GUI, yaitu Program untuk cover menu seperti pada gambar 8(a), program untuk mendeteksi keluar masuk kendaraan seperti pada gambar 8(b), dan program untuk mendeteksi kekosongan area parkir seperti pada gambar 8(c).
(a)
(b)
Gambar 8. GUI Sistem Pendeteksi Aktivitas Kendaraan Pada Area Parkir
Gambar 9. Bentuk (pola) coverage area oleh kamera Tabel 1. Hasil pengujian dengan ketinggian 1,45 meter No Sdt Tinggi Panjang Lebar1 Lebar2
1 30o 1.45 m 4,1 m 3,6 m 3,2 m 2 45o 1.45 m 6,4 m 5,9 m 5,4 m 3 60o 1.45 m 8,5 m 7,9 m 7,3 m Tabel 2. Hasil pengujian dengan ketinggian 1,95 meter No Sdt Tinggi Panjang Lebar1 Lebar2
1 30o 1.95 m 5,7 m 5,2 m 4,8 m 2 45o 1.95 m 7,8 m 7,2 m 6,7 m 3 60o 1.95 m 10 m 9,4 m 8,9 m IV. DATA DAN ANALISA DATA
4.1. Pengujian parameter tinggi dan sudut dalam Penempatan Kamera
Pada gambar 9 menunjukkan pola coverage kamera yang digunakan. Didapatkan nilai panjang
maksimum (L1) dan lebar minimum (L2). Kemudian dilakukan pengujian terhadap parameter sudut dan ketinggian dari penempatan kamera. Hasil pegujian seperti pada tabel 1 dan tabel 2. jika kamera dengan ketinggian 1,45 m dan sudut 30o mendapatkan luasan sebesar 13,94 m2
1,45m dan sudut 45o mendapatkan luasan sebesar 36,16 m kemudian jika dengan sudut 45o dan tinggi 1,95 memperoleh luasan sebesar 54,21m2. Sehingga untuk peningkatan tinggi 0,5 m dapat menaikkan luasan sebesar 1,5 kali dari luasan sebelumnya, dan setiap peningkatan sudut 15o dapat menaikkan luasan sebesar 1,8 kali.
parameter pengujian tersebut dapat mempengaruhi kemampuan coverage area dari kamera untuk bisa lebih efektif.
4.2. Pengujian Video yang direkam dengan camera pada video di pintu masuk parkir
(c)
GUI Sistem Pendeteksi Aktivitas Kendaraan
area oleh kamera Hasil pengujian dengan ketinggian 1,45 meter
Lebar2 Luasan 3,2 m 13,94 m2 5,4 m 36,16 m2 7,3 m 64,6 m2 Hasil pengujian dengan ketinggian 1,95 meter
Lebar2 Luasan 4,8 m 28,5 m2 6,7 m 54,21m2 8,9 m 91,5 m2
Pengujian parameter tinggi dan sudut dalam coverage area oleh kamera yang digunakan. Didapatkan nilai panjang (p), lebar (L2). Kemudian dilakukan pengujian terhadap parameter sudut dan ketinggian il pegujian seperti pada tabel 1 ketinggian 1,45 m dan sudut
2
, untuk tinggi mendapatkan luasan sebesar 36,16 m2, dan tinggi 1,95 m bisa . Sehingga untuk setiap peningkatan tinggi 0,5 m dapat menaikkan luasan sebesar 1,5 dan setiap peningkatan sudut dapat menaikkan luasan sebesar 1,8 kali. Sehingga parameter pengujian tersebut dapat mempengaruhi kamera untuk bisa lebih
Pengujian Video yang direkam dengan single-video di pintu masuk dan keluar
Tabel 3. Pintu Masuk Tabel 4 No Objek kndrn yang trdteksi Jumlah hasil deteksi Jmlah riil No Objek kndrn yang trd 1 1 1 1 2 1 1 2 3 1 1 3 4 1 1 4 5 2 3 5 6 1 1 6 7 1 1
Pada hasil pengujian aktivitas kendaraan di p seperti pada tabel 3, maka dapat disimpulkan bahwa posisi kendaraan tidak berdekatan dengan kendaraan lain dapat menghasilkan pendeteksian sesuai dengan jumlah riil dengan persentase hasil deteksi 100%
video terdapat kendaraan yang berdekatan maka program tidak dapat mendeteksi kendaraan sesuai jumlah riil dengan persentase 66,67%. Begitu juga dengan hasil rekaman pada video di pintu keluar seperti pada tabel
mampu mendeteksi kendaraan dengan persen disaat pintu masuk, kecuali jika ada objek persentase keberhasilan program sebesar 50%. 4.3. Pengujian Video yang direkam dengan
Dari gambar 10 maka dapat diketahui bahwa, desain menggunakan 2 buah kamera dengan ketinggian dari lantai setinggi 2 meter dan terdapat 2 buah ruangan.
dipantau oleh cam-1 yang ditandai dengan warna untuk ruang II dipantau oleh cam-2
warna merah. Pada masing-masing kamera memiliki jangkauan pemantauan yang sama yaitu sepanjang tetapi pada gambar hanya terbatas 2,5 m
objek yang melewati ruang I, maka objek tersebut masuk dalam area pemantauan pada cam-1.
melewati ruang II, maka cam-2 akan menangkap objek tersebut. Tetapi jika objek memasuki area perpotongan antara cam-1 dan cam-2, maka objek tersebut dapat ditangkap oleh 2 buah kamera secara bersamaan dengan hasil tampilan objek yang berbeda sisi.
Pada tabel 5, terbagi menjadi tiga objek terdeteksi dengan cam-1, terdeteksi dengan
terdeteksi cam-1 cam-2. Pada video pertama dengan total 152 frame dan waktu 302 detik, cam
objek pada frame ke 1-33 dengan durasi waktu 64 detik. 4. Pintu Keluar Objek kndrn yang trdteksi Jumlah hasil deteksi Jmlh riil 1 1 1 1 1 1 1 2 1 1 1 1
Pada hasil pengujian aktivitas kendaraan di pintu masuk , maka dapat disimpulkan bahwa jika posisi kendaraan tidak berdekatan dengan kendaraan lain dapat menghasilkan pendeteksian sesuai dengan jumlah riil dengan persentase hasil deteksi 100%. Sedangkan jika pada video terdapat kendaraan yang berdekatan maka program endaraan sesuai jumlah riil dengan %. Begitu juga dengan hasil rekaman pada seperti pada tabel 4, program hanya mampu mendeteksi kendaraan dengan persentase seperti ada objek yang berdekatan sebesar 50%.
Pengujian Video yang direkam dengan multi-camera maka dapat diketahui bahwa, desain engan ketinggian dari lantai setinggi 2 meter dan terdapat 2 buah ruangan. Untuk ruang I yang ditandai dengan warna orange dan 2 yang ditandai dengan masing kamera memiliki jangkauan pemantauan yang sama yaitu sepanjang 7,8 m, 2,5 m. Sehingga jika ada objek yang melewati ruang I, maka objek tersebut masuk 1. Sedangkan jika objek akan menangkap objek tersebut. Tetapi jika objek memasuki area perpotongan antara , maka objek tersebut dapat ditangkap oleh 2 buah kamera secara bersamaan dengan hasil tampilan objek , terbagi menjadi tiga hasil deteksi, yaitu , terdeteksi dengan cam-2, dan . Pada video pertama dengan total cam-1 dapat menangkap 33 dengan durasi waktu 64 detik.
Gambar 10. Denah ruangan dengan pemantauan jaringan multi-camera
Tabel 5. Hasil pengujian deteksi objek dengan multi-camera Nama
video
Durasi (s) Frame ke Terdeteksi oleh Cam-1 Cam-2 Multi-cam1 00:01 – 01:04 1 – 33 ok - 01:05 – 03:06 34 - 96 ok ok 03:07 – 05:02 97 - 152 - ok Multi-cam2 00:01 – 01:24 1 – 54 ok - 01:24 – 04:29 55 - 149 ok ok 04:30 – 07:07 150 - 217 - ok Sebaliknya untuk cam-2 dapat menangkap objek pada frame ke 97-152 dan dengan durasi waktu 3,5 detik. Cam-1 cam-2 dapat menangkap objek dengan waktu yang bersamaan pada frame ke 34-96 dan dengan durasi waktu 4 detik. Begitu juga untuk video yang kedua, objek mengalami tiga kali pendeteksian yaitu, oleh cam-1, cam-2, dan cam-1 cam-2. Jika menggunakan single-camera, berarti hanya menggunakan 1 buah kamera (cam-1/cam-2), maka kemampuan sistem dalam mendeteksi objek hanya terbatas pada jangkauan pemantauan kamera. Jumlah frame dan durasi waktu yang ditangkap kamera lebih sedikit. Sehingga dapat disimpulkan dari pengujian multi-camera tersebut dapat digunakan sebagai salah satu metode untuk melakukan perluasan pemantauan suatu ruangan (coverage area) dalam hal semakin besar jumlah frame dan durasi waktu objek bisa dipantau oleh kamera dengan ruangan yang semakin luas. 4.4. Pengujian Pengaruh Posisi Objek Pada Citra
Pada gambar 11 terlihat sketsa background yang menjelaskan tentang suatu citra background dengan ukuran piksel sesuai dengan kamera yang digunakan yaitu 320 x 240 piksel. Pada pengujian ini bertujuan untuk dapat mengetahui pengaruh dari posisi objek pada hasil deteksi.
Gambar 11. Sketsa Background
Tabel 6. Hasil Pengukuran Posisi Objek pada Citra Nama video Frame
ke -
Parameter jarak(piksel) Hasil deteksi X Y A B Vertical_ atas 4 151 140 4 186 tidak 5 154 143 10 175 terdeteksi 65 150 138 144 13 terdeteksi 66 152 139 152 8 tidak Horizont al_kanan 29 9 244 92 94 tidak 30 10 242 90 95 terdeteksi 80 226 11 95 91 terdeteksi 84 230 6 93 92 tidak Mtr_msk 1 55 269 8 148 71 tidak 59 265 10 150 70 terdeteksi 131 11 210 172 28 terdeteksi 135 6 220 170 25 tidak Mbl_msk 1 31 196 5 130 40 tidak 32 185 9 128 39 terdeteksi 54 40 96 126 6 tidak
Dimana X, jarak terhadap panjang piksel antara objek terluar dengan sisi tepi piksel bernilai 0 /noise, Y adalah jarak terhadap panjang piksel antara objek terluar dengan sisi tepi piksel bernilai 320 /noise, sedangkan untuk A, jarak terhadap lebar piksel antara objek terluar dengan sisi tepi piksel bernilai 0 /noise, dan B jarak terhadap lebar piksel antara objek terluar dengan sisi tepi piksel bernilai 240 /noise.
Dari tabel 6 di atas maka dapat disimpulkan bahwa objek akan dapat terdeteksi dengan program jika berada pada posisi dengan jarak >= 10 piksel dari sisi tepi citra/noise pada citra. Berdasarkan data di atas jika pada background yang akan dideteksi tidak terdapat noise berupa pengaruh lingkungan atau pencahayaan, maka urutan frame-frame yang bisa dideteksi oleh program dapat ditentukan antara, >= frame ke-5 dan <= (end_frame – 5) dengan syarat pada frame ke-1 objek sudah memasuki background.
4.5. Pengujian program pendeteksi kekosongan area parkir
Dikarenakan pengaruh posisi dan banyaknya noise yang terdapat pada pengujian pertama seperti pada gambar 12 (a) maka dilakukan perubahan tempat dalam perekaman video parkir. Perekaman kedua dilakukan di ruangan laboratorium komunikasi multimedia, background yang digunakan memiliki ukuran yang lebih kecil dengan skala 1:20 dengan background aslinya. Sedangkan untuk objek kendaraan yang digunakan dengan skala 1:22,5 yaitu untuk ukuran kendaraan panjang sebenarnya 4,5m dan lebar 1,8m, kemudian untuk objek kendaraan mainan yang digunakan dengan panjang 20cm dan lebar 8cm seperti gambar 12 (b).
(a) (b)
Gambar 12. Sketsa objek yang diskalakan
320 240 X Y A B 40cm 60cm 1200cm 800cm
Tabel 7. Hasil pengujian program pendeteksi kekosongan area parkir Nama video Frame ke- Area parkir Kpsts prkr Hasil deteksi Jmlh riil Vid_pa rkir1 40 3 1 Vid_pa rkir2 30 3 2 Vid_pa rkir3 35 3 2 Vid_pa rkir4 20 3 3
Dengan tabel 7 di atas maka dapat ditarik kesimpulan bahwa program hanya mampu mendeteksi kekosongan area parkir jika posisi objek tidak berdekatan dan sisi terluar objek berada >= 10 piksel dari sisi tepi citra/noise
objek memenuhi syarat-syarat tersebut maka kemampuan program dalam mendeteksi bisa mencapai
keberhasilan 100%. Tetapi jika terdapat objek yang tidak sesuai dengan syarat tersebut di atas. Maka
program hanya mampu mendeteksi sebesar 66,67 V. PENUTUP
5.1. Kesimpulan
1. Penempatan kamera berdasarkan tinggi dan besar sudut pemantauan mempengaruhi dalam memaksimalkan coverage Area kamera. Dengan ketinggian 1,45 m dan sudut 30o mendapatkan luasan sebesar 13,94m sedangkan dengan sudut 45o mendapatkan luasan sebesar 36,16 m2. Kemudian jika dengan
dan sudut 45o bisa memperoleh luasan sebesar 54,21m Sehingga untuk setiap peningkatan tinggi 0,5 menaikkan luasan sebesar 1,5 kali dari sebelumnya, setiap peningkatan sudut 15o dapat menaikkan luasan sebesar 1,8 kali.
2. Tidak semua frame pada video dapat dideteksi, dikarenakan pada frame tersebut, kendaraan belum atau sudah melewati background tetapi terekam pada video dan kendaraan berada pada posisi < 10 piksel dari garis tepi frame atau noise.
3. Bayangan yang muncul pada kendaraan divideo, mempengaruhi bentuk kendaraan itu sendiri. Sehingga dimensi kendaraan menjadi lebih besar. Hal ini mengakibatkan penentuan tetapan luasan dimensi (piksel) kendaraan menjadi sulit dalam pendeteksian. 4. Keberhasilan Progam pendeteksi aktivitas kendaraan
dan kekosongan area parkir pada saat kondisi kendaraan tidak berdekatan dengan kendaraan lain memiliki persentase sebesar 100%. Sedangkan video yang terdapat kondisi berdekatan memiliki persentase keberhasilan sebesar 66,67%.
5. Pada pengujian video dengan menggunakan metode multi-camera objek dapat dipantau dengan
area semakin luas, sehingga jumlah
dipantau semakin banyak dan waktu semakin lama, Hasil pengujian program pendeteksi kekosongan
Jmlh Objk trdtksi Prkr ksng 1 2 2 1 2 1 2 1
di atas maka dapat ditarik kesimpulan bahwa program hanya mampu mendeteksi kekosongan area parkir jika posisi objek tidak berdekatan dan sisi terluar noise. Jika posisi aka kemampuan program dalam mendeteksi bisa mencapai persentase 100%. Tetapi jika terdapat objek yang tidak sesuai dengan syarat tersebut di atas. Maka keberhasilan
66,67%.
Penempatan kamera berdasarkan tinggi dan besar sudut pemantauan mempengaruhi dalam memaksimalkan kamera. Dengan ketinggian 1,45 m dan mendapatkan luasan sebesar 13,94m2,
mendapatkan luasan emudian jika dengan tinggi 1,95m bisa memperoleh luasan sebesar 54,21m2. k setiap peningkatan tinggi 0,5m dapat dari sebelumnya, dan dapat menaikkan luasan
pada video dapat dideteksi, endaraan belum tetapi terekam pada berada pada posisi < 10 piksel dari
yang muncul pada kendaraan divideo, mempengaruhi bentuk kendaraan itu sendiri. Sehingga kendaraan menjadi lebih besar. Hal ini mengakibatkan penentuan tetapan luasan dimensi (piksel) kendaraan menjadi sulit dalam pendeteksian.
pendeteksi aktivitas kendaraan dan kekosongan area parkir pada saat kondisi kendaraan tidak berdekatan dengan kendaraan lain memiliki persentase sebesar 100%. Sedangkan video yang terdapat kondisi berdekatan memiliki persentase
Pada pengujian video dengan menggunakan metode objek dapat dipantau dengan coverage semakin luas, sehingga jumlah frame objek dipantau semakin banyak dan waktu semakin lama,
yaitu pada video multi-cam1
sebanyak 96 frame dan 3 detik, tetapi jika dengan camera sebanyak 152 frame dan
5.2. Saran
Saran yang dapat digunakan untuk pengembangan lanjut dari tugas akhir ini adalah:
1. Untuk sistem pendeteksi aktivitas kendaraan jika diaplikasikan untuk perekaman video pada pintu masuk dan keluar parkir, maka penempatan kamera hendaklah membentuk sudut 45o dengan ketinggian 1,95 m. Hal ini dikarenakan pada pengujian dengan sudut tersebut, hasil dari luasan yang paling efektif tidak ter
dan besar.
2. Menambahkan template kendaraan yang bermacam macam jenis model kendaraan dan menggunakan metode pendeteksi yang lebih akurat.
3. Untuk sistem pendeteksi kekosongan area parkir jika diaplikasikan secara langsung pada ruang parkir, maka kondisikan ruangan dalam keadaan mendapatkan pencahayaan dari berbagai arah agar cahaya dalam ruangan rata dan bayangan muncul seminimal mungkin. 4. Agar dapat diaplikasikan sebagai
Surveillance, kamera yang digunakan harus dapat dikenali oleh software Matlab.
DAFTAR PUSTAKA
[1].Aghajan, H. and Cavallaro, A.. Networks Principles and Applications Academic Press
[2].Review of Background Substraction Methodes http://www.staff.it.uts.edu.au/~massimo/BackgroundSub tractionReview-piccardi.pdf
[3].Robert M. Haralick and Linda G Computer and Robot Vision, Wesley, 316-317 pages
RIWAYAT PENULIS
Dodi Wahyu Budiarso, lahir di Ngawi pada tanggal 2
1987, Pada tahun 2000
menamatkan pendidikan Sekolah Dasar di SDN Keraskulon 1 Ngawi, kemudian melanjutkan pendidikan di SLTPN 2 Ngawi dan selesai pada tahun 2003. Penulis menyelesaikan Pendidikan Sekolah Menengah Umum di SMUN 2 Ngawi pada tahun 2006. Dengan anugerah A SWT, penulis dapat melanjutkan studi di PTN Institut Teknologi Sepuluh Nopember Surabaya
Jurusan Teknik Elektro. Penulis mengambil Bidang Studi Telekomunikasi Multimedia dan aktif dalam kegiatan Laboratorium Jaringan dan Laboratorim M
menjadi asisten Praktikum Dasar Sistem Telekomunikasi dan menjadi Koordinator Praktikum Komunikasi Data dan Pengolahan Sinyal Multimedia. Selain itu,
dalam kegiatan kemahasiswaan Himpunan Mahasiswa Elektro ITS dan Badan Eksekutif Mahasiswa ITS.
dengan single-camera detik, tetapi jika dengan
multi-dan 5 detik.
Saran yang dapat digunakan untuk pengembangan lebih Untuk sistem pendeteksi aktivitas kendaraan jika diaplikasikan untuk perekaman video pada pintu masuk dan keluar parkir, maka penempatan kamera hendaklah dengan ketinggian 1,95 m. Hal ini dikarenakan pada pengujian dengan sudut tersebut, hasil dari luasan yang paling efektif tidak terlalu kecil
kendaraan yang bermacam-macam jenis model kendaraan dan menggunakan metode pendeteksi yang lebih akurat.
Untuk sistem pendeteksi kekosongan area parkir jika diaplikasikan secara langsung pada ruang parkir, maka kondisikan ruangan dalam keadaan mendapatkan pencahayaan dari berbagai arah agar cahaya dalam yangan muncul seminimal mungkin. Agar dapat diaplikasikan sebagai Real Time Video , kamera yang digunakan harus dapat
2009. Multi-Camera Networks Principles and Applications. United states :
traction Methodes http://www.staff.it.uts.edu.au/~massimo/BackgroundSubs
Linda G. Shapiro. 1992. , Volume II,.
Addison-Dodi Wahyu Budiarso, lahir di Ngawi pada tanggal 29 Agustus 1987, Pada tahun 2000 penulis menamatkan pendidikan Sekolah Dasar di SDN Keraskulon 1 Ngawi, kemudian melanjutkan pendidikan di SLTPN 2 Ngawi dan selesai pada tahun 2003. Penulis menyelesaikan Pendidikan Sekolah Menengah Umum di SMUN 2 Ngawi pada tahun 2006. Dengan anugerah Allah , penulis dapat melanjutkan studi di PTN Institut Surabaya dengan mengambil Jurusan Teknik Elektro. Penulis mengambil Bidang Studi Telekomunikasi Multimedia dan aktif dalam kegiatan Laboratorium Jaringan dan Laboratorim Multimedia, seperti menjadi asisten Praktikum Dasar Sistem Telekomunikasi dan menjadi Koordinator Praktikum Komunikasi Data dan Pengolahan Sinyal Multimedia. Selain itu, Penulis juga aktif dalam kegiatan kemahasiswaan Himpunan Mahasiswa
n Eksekutif Mahasiswa ITS.
