Traffic IP Camera untuk Menghitung Kendaraan Roda Empat Menggunakan Metode Luasan Piksel

(1)

Jurusan Teknik Elektro, Fakultas Teknik Industri Institut Teknologi Sepuluh Nopember (ITS)

Jl. Arief Rahman Hakim, Surabaya 60111

Email: arifku[at]te.its.ac.id dan zaini[at]te.its.ac.id

Ringkasan—Kemacetan yang terjadi pada persimpangan jalan raya sering diakibatkan oleh sistem pewaktuan yang tidak efisien. Sistem pewaktuan yang tidak efisien ini dapat diatasi dengan menerapkan Smart Traffic Light pada persimpangan jalan raya. Smart Traffic Light merupakan suatu sistem terintegrasi yang membutuhkan suatu kondisi kepadatan jalan sebagai sumber masukan. Kondisi kepadatan jalan bisa didapatkan menggunak-an beberapa cara salah satunya dengmenggunak-an menggunakmenggunak-an sensor kamera. Tugas akhir ini bertujuan untuk dapat mengintegra-sikan IP Camera dan sistem penghitungan kendaraan berbasis Single Board Computer untuk menjadi sebuah Traffic IP Camera sehingga dapat digunakan untuk menghitung kendaraan secara live atau langsung. Traffic IP Camera akan dibangun pada sebuah SBC (Single Board Computer) dengan citra masukan yang berasal dari IP camera, yang mana SBC akan berlaku sebagai media pengolahan citra untuk mendeteksi kendaraan sekaligus client yang bertugas mengirimkan kondisi terakhir jalan yang dipantau menuju sebuah SBC server yang akan mela-kukan perhitungan jumlah kendaraan. Metode yang digunakan pada sistem untuk mendeteksi kendaraan adalah menggunakan metode luasan piksel. Berdasarkan hasil pengujian secara live, menunjukkan bahwa sistem Traffic IP Camera yang diajukan dapat menghasilkan perhitungan kendaraan roda empat dengan tingkat akurasi hingga 82.18% pada waktu siang hari dan tingkat akurasi hingga 88.30% pada waktu malam hari.

Kata kunci—Smart Traffic Light, Traffic IP Camera, IP Came-ra,Single Board Computer.

I. PENDAHULUAN

Kemacetan yang terjadi pada persimpangan jalan raya sering diakibatkan oleh sistem pewaktuan yang kurang efisien. Sistem pewaktuan yang efisien ini dapat diatasi dengan menerapkan Smart Traffic Light pada persimpangan jalan raya. Smart Traffic Lightmerupakan suatu sistem terintegrasi yang mem-butuhkan suatu kondisi kepadatan jalan sebagai masukan.

Kondisi kepadatan jalan bisa didapatkan melalui beberapa cara, antara lain seperti menggunakan induksi magnet yang tertanam pada jalan raya atau dengan perhitungan manual secara statistic. Namun kedua cara tersebut masih dinilai ku-rang responsif. Cara lain untuk mendapatkan kepadatan jalan adalah dengan menggunakan sensor kamera. Berdasarkan hasil penelitian yang dilakukan oleh Ahmad Zaini [1], didapatkan hasil pendeteksian kendaraan yang baik hingga 87.5%.

Tujuan dari penelitian ini untuk mengintegrasikan IP Came-radan sistem penghitungan kendaraan berbasis Single Board Computer untuk menjadi sebuah Traffic IP Camera sehingga dapat digunakan untuk menghitung kendaraan secara live atau langsung.

II. DESAIN DANIMPLEMENTASIPENELITIAN

Desain sistem yang akan dibangun adalah sebuah Traffic IP Camera yang terdiri dari sebuah IP Camera dan sebuah Single Board Computer. IP Camera sendiri berfungsi untuk memberikan citra masukan yang kemudian akan diolah oleh Single Board Computer. Proses pendeteksian kendaraan dila-kukan pada Single Board Computer yang nantinya dikirimkan menuju sebuah Single Board Computer lainnya yang berfungsi sebagai Server yang menghitung kendaraan berdasarkan data yang diterima dari SBC Client. Pengerjaan sistem ini dibagi dalam beberapa tahapan:

A. Penentuan Region of Interest

Penentuan ROI atau daerah deteksi merupakan hal yang sangat penting untuk memfokuskan daerah yang ingin diamati. ROI nantinya akan digunakan sebagai daerah pengamatan un-tuk menenun-tukan ada tidaknya kendaraan yang melintas. Daerah deteksi dibuat menggunakan fungsi pustaka cv::rect untuk menghasilkan sebuah daerah berbentuk rectangle. Parameter yang butuhkan adalah x, y, width, dan height. Proses penentuan daerah deteksi nantinya akan ditangani oleh aplikasi web.

B. Perancangan metode rekonstruksi citra latar

Rekonstruksi citra latar merupakan suatu metode pengolah-an citra digital untuk menemukpengolah-an sebuah citra latar dari suatu rekaman atau streaming video. Rekonstruksi citra latar ini sangat diperlukan dalam proses segmentasi, terutama pada pro-ses Background Subtraction [2]. Syarat utama yang diperlukan dalam rekonstruksi citra latar adalah sebuah video yang steady (tidak bergerak) agar pembuatan citra latar dapat berjalan dengan baik. Metode yang akan digunakan untuk melakukan proses rekonstruksi citra latar adalah dengan menggunakan bantuan fungsi dari pustaka OpenCV.

Fungsi yang digunakan adalah fungsi cv::accumulateWeighted. Accumulate Weighted merupakan fungsi OpenCV untuk menghitung jumlah bobot piksel dari citra digital masukan dan kemudian dilakukan rata-rata berjalan (Running average) terhadap citra tersebut. Visualisasi proses Background Reconstruction dapat dilihat pada gambar 1.

(2)

Gambar 1. Proses rekonstruksi citra latar

C. Perancangan metode pendeteksi kendaraan

Tahapan pertama, citra masukan yang didapat diubah menja-di citra grayscale kemumenja-dian menja-dilakukan Background Subtraction dengan citra latar yang didapatkan dari proses Background Re-construction. Digunakan fungsi cv::asdiff dari pustaka Open-CV untuk mendapatkan perbedaan absolut dari tiap piksel antar kedua citra. Hasil dari Background Subtraction dapat dilihat pada Gambar 2.

Gambar 2. Proses Subtraksi citra latar

Tahapan selanjutnya dilakukan beberapa proses Image Se-gmentationterhadap citra hasil proses Background Subtraction sebelumnya. Dilakukan proses Thresholding pada citra hasil proses Background Subtraction. Threshold yang digunakan adalah binary threshold untuk mengubah citra menjadi citra biner. Digunakan metode OTSU Threshold sebagai nilai am-bang batas untuk proses ini. Metode Otsu Threshold dapat menentukan secara otomatis nilai Threshold berdasarkan nilai intensitas histogram citra masukan.

Gambar 3. Citra hasil proses Thresholding

Proses selanjutnya adalah proses Erosion dan Dilation pada citra hasil Thresholding. Tahapan ini bertujuan untuk meng-hilangkan noise sekaligus ”menutup” piksel kendaraan yang ”bolong” pada pada citra hasil Thresholding.

Tahapan selanjutnya adalah proses pendeteksian kendaraan. Proses ini adalah proses untuk menentukan ada tidaknya kendaraan yang melintas pada daerah deteksi. Algoritma untuk pendeteksian kendaraan dapat dilihat pada gambar 5. Proses

Gambar 4. Citra hasil proses Dilation

pertama yang dilakukan adalah menghitung nilai N yaitu jumlah piksel yang bernilai 255 pada ROI atau daerah deteksi. Selanjutnya dilakukan pengecekan apakah jumlah piksel yang bernilai 255 melebihi nilai threshold kendaraan. Nilai thresho-ld kendaraan didapatkan dari jumlah piksel pada prosentase luas daerah deteksi. Apabila nilai N melebihi nilai threshold kendaraan, nilai Flag diberi nilai 1. Flag merupakan nilai untuk menandakan bahwa terdeteksi kendaraan pada daerah deteksi, 1 menandakan terdeteksi kendaraan dan 0 menan-dakan tidak ada kendaraan. Temp merupakan nilai kondisi Flagsebelumnya. Proses selanjutnya adalah mengecek apabila terjadi perubahan nilai Flag dari 1 menjadi 0. Apabila nilai Flag bernilai 0, dan kondisi Flag tidak sama dengan nilai Temp, pada kondisi ini kendaraan dianggap telah melintas pada daerah deteksi.

Gambar 5. Algoritma pendeteksian kendaraan

III. HASILPENGUJIAN

Pengujian dibagi menjadi beberapa tahapan pengujian: a. Pengujian Background Reconstruction.

(3)

ri proses Background Reconstruction terhadap jumlah fra-me yang digunakan. Pengujian dilakukan dengan fra-mengubah jumlah frame yang akan digunakan pada proses Background Reconstructionkemudian menghitung waktu yang dibutuhkan untuk melakukan proses tersebut. Pengujian dilakukan secara livesehingga citra masukan merupakan citra hasil tangkapan IP Camera.

Tabel 1

Tabel waktu yang dibutuhkan proses Background Reconstruction dalam satuan detik Pengujian ke Frame 50 100 200 250 300 1 3 6 12 15 19 2 3 7 12 16 19 3 3 6 12 16 19

Gambar 6. Citra latar hasil Background Reconstruction menggunakan 50 frame

B. Pengujian Citra Latar

Pengujian ini untuk mengetahui seberapa baik citra latar hasil Background Reconstruction pada pengujian sebelumnya

untuk digunakan sebagai citra latar yang akan digunakan pada proses Segmentation.

C. Pengujian ketepatan program secara live

Pengujian ini dilakukan untuk mengetahui kemampuan sis-tem yang dirancang dalam melakukan proses pendeteksian kendaraan. Pengujian dilakukan dengan mengubah sensivitas

(4)

Gambar 11. Citra hasil Background Subtraction denga citra latar 50 frame

deteksi untuk mengetahui galat yang dihasilkan pada sensivitas yang berbeda. Pengujian dilakukan pada waktu yang berbeda untuk mengetahui pengaruh dari pencahayaan matahari.

Tabel 2

Tingkat ketepatan perhitungan sistem pada pagi hari Sensivitas

Deteksi Akurasi

80% 80.95%

90% 61.90%

Tabel 3

Tingkat akurasi perhitungan sistem pada siang hari Sensivitas

Deteksi Akurasi

80% 68.92%

90% 59.74%

Tabel 4

Tingkat akurasi perhitungan sistem pada malam hari Sensivitas

Deteksi Akurasi

80% 82.14%

90% 78.33%

IV. KESIMPULAN

Hasil pengujian secara live dijalan pada resolusi 640x512 dan 25 FPS, menunjukkan bahwa sistem yang diajukan dapat menghasilkan perhitungan kendaraan roda empat dengan ting-kat akurasi hingga 82.18% pada waktu siang hari dan tingting-kat akurasi hingga 88.30% pada waktu malam hari.

(5)

sensor,” Transportation research record: journal of the transportation research board, no. 1917, pp. 173–181, 2005.

[4] G. Bradski and A. Kaehler, Learning OpenCV: Computer vision with the OpenCV library. ” O’Reilly Media, Inc.”, 2008.

[5] T.-H. Chen, Y.-F. Lin, and T.-Y. Chen, “Intelligent vehicle counting method based on blob analysis in traffic surveillance,” in Innovative Com-puting, Information and Control, 2007. ICICIC’07. Second International Conference on. IEEE, 2007, pp. 238–238.

[6] W. W. Mullins and R. F. Sekerka, “Morphological stability of a particle growing by diffusion or heat flow,” Journal of applied physics, vol. 34, no. 2, pp. 323–329, 1963.

[7] ´A. Serrano, C. Conde, L. J. Rodr´ıguez-Arag´on, R. Montes, and E. Ca-bello, “Computer vision application: real time smart traffic light,” in Computer Aided Systems Theory–EUROCAST 2005. Springer, 2005, pp. 525–530.