Eksperimen Penerapan Sistem Traffic Counting dengan Algoritma YOLO (You Only Look Once) V.4.
Yovi Pratama, Errissya Rasywir*
Fakultas Ilmu Komputer, Program Studi Teknik Informatika, Universitas Dinamika Bangsa, Jambi, Indonesia Email: 1[email protected], 2,*[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Traffic Counting atau pencacahan kendaraan lalu lintas adalah kegiatan menghitung kendaraan di jalan pada suatu waktu. Traffic counting ini dilakukan untuk mengetahui pola lalu lintas, data lalu lintas, komposisi serta mengukur kinerja lalu lintas. Dengan eksperimen algoritma YOLO V.4, perubahan-perubahan posisi, ukuran dan volume objek yang dideteksi dapat dilakukan pada beberapa pengujian. Walaupun tidak seluruh hasil penggunaan algoritma ini sempurna pada semua data, namun didapatkan hasil cenderung baik. Hal ini berhubungan dengan layanan yang terdapat berupa lapisan convolutional pada YOLO menurunkan ukuran atau mengurangi dimensi gambar dengan menggunakan kotak jangkar, algoritma ini juga dapat meningkatkan akurasi. Eksperimen algoritma YOLO V.4 memanfaatkan model pemindaian fitur citra dengan menggunakan konsep sudut dan arah secara matematis. Dari hasil eksperimen yang dilakukan dalam penelitian ini, diperoleh hasil deteksi yang mempunyai akurasi yang cukup baik pada hasil pemisahan frame-frame dari video data. Transformasi posisi, dimensi, komposisi dan direksi yang tidak beraturan tetap dapat ditangkap sebagai fitur yang sama. Kemampuan YOLO dalam feature engineering merupakan suatu pengakuan yang telah berhasil dibuktikan dalam penelitian ini.
Kata Kunci: Citra; Kendaraan; Deteksi; YOLO; Eksperimen
Abstract−Traffic counting is the activity of counting traffic (vehicles) that pass on the road in a certain period. The purpose of traffic counting is to collect traffic data, determine traffic characteristics, determine vehicle composition and measure traffic performance. With the YOLO V.4 algorithm, changes in the position, size and volume of the detected object can be carried out in several tests. Although not all the results of using this algorithm are perfect on all data, the results tend to be good. This is related to the services provided in the form of a convolutional layer on YOLO reducing downsample or reducing image dimensions by using anchor boxes, this algorithm can also increase accuracy. The YOLO V.4 algorithm utilizes an image feature scanning model using the concepts of angles and directions mathematically. From the results of experiments carried out in this study, obtained detection results that have a fairly good accuracy in the results of separating frames from video data.
Irregular transformations of position, dimension, composition and direction can still be captured as the same feature. YOLO's ability in feature engineering is an acknowledgment that has been successfully proven in this research.
Keywords: Image; Vehicle; Detection; YOLO; Experiment
1. PENDAHULUAN
Traffic Counting atau pencacahan jumlah dan jenis kendaraan dilakukan untuk mengumpulkan data lalu lintas, mengetahui karakteristik lalu lintas, mengetahui komposisi kendaraan dan untuk mengukur kinerja lalu lintas [1].
Kegiatan ini dimanfaatkan untuk mengukur kinerja jalan, membuat desain jalan (lebar, kecepatan desain, kelandaian, radius tikungan), mendesain struktur konstruksi jalan dan jembatan serta dapat digunakan untuk kebijakan di bidang manajemen dan rekayasa lalu lintas (seperti Contra flow, tidal flow dan One Way System) [2]–[4]. Selain itu, hasil dari traffic counting juga dapat digunakan untuk mengatur angkutan barang dan penumpang [3]. Kegiatan Traffic Counting pada umumnya dilakukan dengan dua cara yakni dengan penghitungan manual (dengan alat tulis) dan penghitungan mekanik (dengan alat counter)[2]. Namun, telah diketahui bahwa kegiatan tersebut masih mempunyai celah kesalahan penghitungan dan akurasi yang dihasilkan, serta juga masih mempunya nilai error yang cukup tinggi. Penelitian ini menawarkan Sistem Traffic Counting yang dapat melakukan pencacahan jenis kendaraan, jumlah kendaraan pada satuan waktu tertentu secara otomatis dengan memanfaatkan data video CCTV yang terpasang di sudut ruas jalan di lampu merah.
Sebelumnya telah dilakukan pada beberapa penelitian terdahulu yang telah melakukan penghitungan kendaraan di jalan lalu lintas. Penelitian tersebut antara lain adalah penelitian yang melakukan perhitungan sederhana untuk menghitung kendaraan menggunakan Deep Learning with YOLO V3. Dengan model Pembelajaran Jauh diperoleh bahwa algoritma YOLO berhasil melakukan pembelajaran mendalam dan menghasilkan nilai perhitungan yang sangat baik [1]. Selanjutnya adalah penelitian yang melakukan deteksi kendaraan pada persimpangan jalan untuk menggunakan YOLO V3 dan juga melakukan pemotongan gambar untuk menghitung serta melakukan pengelompokan jenis kendaraan [2]. Penelitian berikutnya adalah penelitian yang melakukan penerapan tools API tensorflow untuk mendeteksi objek, penelitian ini menggunakan algoritma YOLO V3 [3]. Penelitian lain yang dijadikan rujukan untuk meriset adalah penelitian yang mengecek jumlah kendaraan di jalur SSA Kota Bogor. Penelitian ini menggunakan algoritma pembelajaran mendalam YOLO V3 [4]. Secara keseluruhan, dari penelitian-penelitian tersebut yang melakukan pengecekan jumlah kendaraan memperoleh hasil yang baik dengan menggunakan algoritma YOLO V3. Dalam penelitian ini, kami menggunakan algoritma YOLO versi terbaru yakni versi YOLO V4. Kami menggunakan algoritma ini untuk menguji fitur algoritma YOLO V4 yang baru di tawarkan. Fitur tersebut adalah fitur pengurangan dimensi atau ukuran gambar menggunakan kotak jangkar yang disebut bisa meningkatkan akurasi deteksi objek.
Penelitian ini dilakukan untuk menguji eksperimen algoritma You Only Look Once (YOLO) V.4 untuk melakukan pecacahan kendaraan dengan membangun Sistem Traffic Counting yang secara otomatis dapat mendeteksi citra kendaraan sehingga dapat diketahui jenis dan jumlahnya. Berbeda dengan cara manual, sistem ini dapat melakukan pencacahan tanpa terikat waktu kerja manusia, karena telah dijalankan secara otomatis.
sebagai eksperimen algoritma YOLO yang paling populer dengan akurasi sangat tinggi di pengolahan citra. Saat ini toolbox untuk eksperimen algoritma You Only Look Once (YOLO) V.4 telah disediakan dalam berbagai platform bahasa pemrograman untuk digunakan. Evaluasi ketepatan Sistem Traffic Counting ini diharapkan dapat menjadi penujang proses kegiatan di bidang manajemen dan rekayasa lalu lintas. Selain itu, produk ini diharapkan dapat membantu pihak manajemen yang membutuhkan hasil evaluasi serta sebagai upaya perbaikan proses bisnis pada suatu instansi agar dapat meningkatkan performa kinerjanya.
Penelitian ini melakukan pemanfaatan tool library Bahasa pemrograman Phyton dengan algoritma You Only Look Once (YOLO) yang terbukti tangguh dan sangat baik untuk saat ini. Oleh karena itu, pada penelitian ini dilakukan analisis dan implementasi Sistem Traffic Counting untuk Jalan Lalu Lintas dengan Algoritma YOLO (You Only Look Once) v.4.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian Traffic Counting dengan Eksperimen Algoritma YOLO V.4
Berikut ini adalah arsitektur dari penelitian analisis dan implementasi sistem traffic counting untuk jalan lalu lintas dengan eksperimen Algoritma YOLO.
Gambar 1. Bagan Alur Penelitian Sistem Traffic Counting.
Pada gambar 1 di atas ditampilkan langkah metodologi penelitian ini. Sebelum memulai penelitian, dilakukan observasi masalah dan kebutuhan yang diperlukan pada Sistem Traffic Counting. Pada penelitian ini juga dilakukan analisis penerapan eksperimen algoritma YOLO V.4 untuk melakukan Traffic Counting pada citra dalam video offline rekaman lalu lintas.
2.2 Pengumpulan Data untuk Sistem Traffic Counting
Terdapat beberapa jenis kegiatan survei yang dilakukan dalam proses penghitungan lalu lintas, antara lain: Survei Penghitungan Lalu Lintas di Ruas Jalan atau dikenal Traffic Counting survey, dan Survei Penghitungan Lalu Lintas di Persimpangan (Survai Gerakan Membelok) atau (Classified Turning Movement Counting). Dalam melakukan Traffic Counting pada penelitian ini, digunakan parameter “Volume Lalu Lintas” [4], [5]. Volume lalu lintas merupakan jumlah kendaraan yang melewati satu titik waktu tertentu seperti jam, hari dan sebagainya.
Dengan diketahuinya data volume dari lalu lintas yang telah dijelaskan sebelumnya, maka terdapat beberapa manfaat yang diperoleh antara lain adalah untuk mengukur kinerja jalan, untuk membuat desain jalan (lebar, kecepatan desain, kelandaian, radius tikungan), untuk mendesain struktur konstruksi perkerasan jalan dan jembatan, untuk membuat kebijakan di bidang manajemen dan rekayasa lalu lintas (Contra flow/tidal flow dan One Way System) serta dapat mengatur angkutan barang dan penumpang [3], [6], [7].
2.3 Penerapan Eksperimen Algoritma YOLO v.4 untuk Sistem Traffic Counting.
Tahapan ini adalah tahapan pembangunan sistem traffic counting untuk jalan lalu lintas dengan eksperimen algoritma YOLO (You Only Look Once) V.4 menggunakan Bahasa pemrograman Phyton dan database MYSQL.
Pada eksperimen algoritma YOLO, terdapat sebuah fully connected layer yang digunakan untuk memprediksi koordinat blok piksel citra wajah secara langsung setelah convolutional layer [8], [9].
Gambar 2. Visualisasi Langkah Alur Proses dalam Eksperimen Algoritma YOLO V.4 [1].
Gambar 3. Visualisasi Representasi Blok Citra pada Eksperimen Algoritma YOLO V.4 [11].
Gambar 2 merupakan visualisasi langkah alur proses dalam eksperimen algoritma YOLO V.4 [1] dan gambar 3. visualisasi representasi blok citra pada eksperimen algoritma YOLO V.4 [11]. Lapisan convolutional pada YOLO menurunkan ukuran atau mengurangi dimensi gambar dengan kanal 32 sehingga dengan menggunakan ukuran gambar 416 x 416 sehingga didapatkan pemetaan pendiri sebesar 13 x 13. Dengan menggunakan kotak jangkar, eksperimen algoritma ini juga dapat meningkatkan akurasi. Eksperimen YOLO hanya dapat memprediksi 98 blok piksel per citra tetapi dengan bantuan tersebut dapat memperkirakan lebih dari 1000 citra [1], [5], [7].
(a) (b)
Gambar 4. (a) Visualisasi Deteksi Citra Objek Algoritma YOLO V.4 [1]. (b) Visualisasi Deteksi Orang dan Kendaraan untuk Sistem Traffic Counting Eksperimen Algoritma YOLO V.4 [7].
Gambar 4 bagian (a) adalah visualisasi deteksi citra objek eksperimen algoritma YOLO V.4 [1]. Sedangkan gambar 4 bagian (b) visualisasi deteksi orang dan kendaraan untuk sistem Traffic Counting Eksperimen Algoritma YOLO V.4 [7]. Eksperimen algoritma YOLO menghapus fully connected layer dengan menggunakan tools IDE bernama R-CNN, dan menambahkan fungsi kotak jangkar, yang secara efektif meningkatkan tingkat recall.
Setelah YOLO menghilangkan satu pooling layer untuk membuat output dari convolutional layer maka dihasilkan resolusi yang lebih tinggi [2], [7], [10], [11].
2.4 Implementasi Sistem Traffic Counting Dengan Eksperimen Algoritma YOLO v.4
Pada bagian ini dibangun pemodelan dan pembangunan sistem traffic counting dengan menggunakan usecase diagram, activity diagram dan class diagram [5], [12], [13]. Pada penelitian ini, untuk penerapan eksperimen algoritma YOLO v.4, digunakan bahasa pemrograman Phyton. Terdapat tolos dan library untuk menjalankan YOLO v.4 dengan methode, fungsi dan prosedur yang disiapkan Phyton. Gambar 5 berikut merupakan contoh cuplikan kode program untuk running eksperimen algoritma Phyton:
Gambar 5. Cuplikan Program Fungsi Pemanggilan Dataset Eksperimen Algoritma YOLO V.4 [7].
Kemudian, secara metode teknis pelaksaaan pencacahan kendaraan pada citra menggunakan eksperimen algoritma YOLO ini dilakukan oleh tim programmer penelitian ini.
2.5 Analisis Hasil Sistem Traffic Counting Dengan Eksperimen Algoritma YOLO v.4.
Pada tahapan ini dilakukan kegiatan analisis hasil sistem traffic counting dengan eksperimen algoritma YOLO v.4.
Pada teknik yang umum dilakukan untuk kegiatan Traffic Counting, biasanya terdapat periode yang digunakan sebagai waktu pengukuran lalu lintas kendaaran dijalan [14], [15]. Waktu perhitungan lalu lintas kendaraan di lalu lintas antara lain adalah setiap periode waktu 15 menit. Namun periode perhitungan yang dianjurkan perlu dilaksanakan selama 7 x 24 jam, untuk menggambarkan karakteristik volume lalu lintas dalam satu minggu (weekday dan weekend). Terdapat juga pengukuran yang dilakukan pada satu hari, dalam hari kerja saja. Jadi pengukuran tersebut dilakukan sesuai dengan periode ketika memang waku bekerja saja [15], [16]. Namun, penghitungan tersebut dilakukan apabila kegiatan Traffic Counting secara tradisional, yakni dengan cara menggunakan alat penghitung tradisional, lalu petugas penghitung menekan penanda jumlah setiap ada kendaraan lewat pada periode waktu yang ditentukan.
Dalam melakukan Traffic Counting, terdapat juga beberapa kategori pengelompokan jenis kendaraan.
Beberapa kategori pengelompokan antara lain [17], [18]:
1. Pengelompokan jenis kendaraan disesuaikan dengan tujuan survei;
2. Menghitung umur beban pada suatu ruas jalan;
Terdapat juga beberapa pengelompokan lokasi Traffic Counting antara lain : 1. Pencacahan dilakukan pada suatu ruas jalan , dan di simpang jika mungkin
2. Titik pencacahan dilakukan pada ruas jalan yang melintasi batas-batas wilayah studi.
3. Titik pencacahan pada ruas jalan dilakukan pada ruas jalan yang relatif lurus dan tidak berdekatan dengan simpang.
Dalam melakukan traffic counting secara manual biasanya digunakan alat dan bahan sederhana seperti peta lokasi survei (ruas dan simpang), formulir survei, papan alas, alat tulis, alat penghitung dan alat pengukur waktu seperti stopwatch [5], [19]. Data yang ditarget kan dalam melakukan pencacahan kendaraan antara lain adalah jenis data seperti kendaraan ringan (seperti sedan, taxi, jeep, kijang, angkutan kota), jenis kendaraan berat (seperti bus sedang, bus besar, truk sedang, truk besar), jenis kendaraan sepeda motor serta jenis kendaraan tidak bermotor (seperti becak, delman, sepeda, gerobak). Cara melakukan pencacahan pada umumnya terdapat dua cara yakni [3]:
1. Penghitungan Manual
Merupakan metode penghitungan volume lalu lintas dengan menggunakan pensil atau counter yang dituliskan pada lembar formulir survai (biasanya membuat tanda batang dalam kelompok 5).
2. Penghitungan Mekanik
Merupakan metode penghitungan volume lalu lintas dengan bantuan alat mekanik, berupa detektor dan alat penghitung.
2.6 Evaluasi Sistem Traffic Counting Eksperimen
Dalam penelitian ini, sistem traffic counting dengan memanfaatkan eksperimen algoritma YOLO v.4 dilakukan dengan tahapan proses sebagai berikut [20]:
1. Pendeteksian citra kendaraan pada lalu lintas;
2. Pelatihan citra lalu lintas kendaraan (traffic Image);
3. Generate model pelatihan;
4. Pengujian citra lalu lintas kendaraan (traffic Image);
5. Hasil pencacahan jumlah dan jenis kendaraan (traffic counting) pada video offline.
Pemrosesan pencacahan jumlah dan jenis kendaraan (traffic counting) dalam penelitian ini termasuk ke dalam bentuk klasifikasi multi-class hasil eksperimen YOLO V4. Data masukan yang berupa data citra diklasifikasikan menjadi jenis kendaraan (traffic counting). Pengukuran kinerja dengan menggunakan confussion matrix ini mempunyai empat hasil pengukuran yakni [21]:
1. True Negative (TN) hasil eksperimen YOLO V4:
TN adalah jumlah data citra traffic counting hasil eksperimen YOLO V4 yang diklasifikasikan salah (negatif) dan terdeteksi dengan benar.
2. False Positive (FP) hasil eksperimen YOLO V4:
FP adalah jumlah data citra traffic counting hasil eksperimen YOLO V4 yang diklasifikasikan salah (negatif) namun terdeteksi sebagai data klasifikasi benar (positif).
3. True Positive (TP) hasil eksperimen YOLO V4:
TP adalah jumlah data citra traffic counting hasil eksperimen YOLO V4 yang diklasifikasikan salah terdeteksi benar.
4. False Negative (FN) hasil eksperimen YOLO V4:
FN adalah jumlah data citra traffic counting hasil eksperimen YOLO V4 yang diklasifikasikan benar (positif) dan terdeteksi dengan salah.
3. HASIL DAN PEMBAHASAN
Hasil penelitian ini dilakukan berdasarkan hasil dari observasi masalah untuk kebutuhan menghitung jumlah kendaraan secara otomatis. Di mana data yang digunakan adalah data video offline kendaraan lalu lintas dengan penerapan suatu eksperimen algoritma. Untuk melakukan hal tersebut, oleh karena itu dilakukan studi literatur mengenai deteksi objek khususnya jumlah kendaraan, eksperimen algoritma YOLO V4, pemrograman bahasa Python dan evaluasi sistem. Setelah dianalis tahapan dan rancangan struktur penelitian yang dilakukan, selanjutnya dilakukan implementasi menghitung jumlah kendaraan secara otomatis dengan eksperimen algoritma YOLO V4.Sistem yang dibangun ini adalah sistem traffic counting dengan eksperimen algoritma YOLO V.4. pada sistem ini dilakukan pelatihan data citra dari data video offline lalu lintas serta perancangan database untuk sistem penghitungan jumlah kendaraan otomatis. Dari model yang dihasilkan dengan eksperimen algoritma YOLO V.4, maka dilakukan tahapan pengujian dari data yang digunakan untuk menghitung jumlah kendaraan secara otomatis.
Berikut ini dijelaskan hasil penelitian sesuai tahapan dengan implementasi bahasa python.
3.1 Hasil Penerapan YOLO v.4 pada Sistem Traffic Counting
Berikut ini adalah cuplikan kode program untuk sistem Traffic Counting menggunakan eksperimen YOLO v.4 pada Sistem Traffic Counting untuk pengambilan data video dari penyimpanan. Data video berisi rekaman kendaraan pada lampu lalu lintas saat kendaraan berhenti sebagai data pengujian.
Gambar 6. Cuplikan Kode Program Fungsi untuk Pengambilan Video pada Eksperimen Algoritma YOLO v.4 Gambar 6 adalah cuplikan baris kode program pada Sistem Traffic Counting untuk pengambilan data video dari penyimpanan. Data video berisi rekaman kendaraan pada lampu lalu lintas saat kendaraan berhenti sebagai data pengujian. Terdapat beberapa library yang digunakan dalam mengeksekusi eksperimen algoritma YOLO V.4 ini. Beberapa packages yang digunakan antara lain packages ‘cv2’, packages ‘os’, dan packages ‘re’. Packages tersebut mengandung fungsi dan mehode yang digunakan dalam alur eksperimen algoritma YOLO V.4. Video yang telah ditangkap dari sumber data selanjutnya akan dipecah menjadi frame-frame yang banyak. Setiap frame ini akan dikenakan deteksi jumlah kendaraan oleh eksperimen algoritma YOLO V.4.
Gambar 7. Cuplikan Kode Program Pengolahan Frame Video pada Eksperimen Algoritma YOLO v.4
Gambar 7 adalah cuplikan kode program yang mengolah hasil pemotongan video menjadi setiap frame untuk dikenakan deteksi jumlah kendaraan dengan eksperimen algoritma YOLO V.4. Adapun citra pada setiap frame adalah gambar berwarna dengan kanal RGB (Red, Green dan Blue). Dalam eksperimen algoritma YOLO V.4 diperlukan pengubahan citra menjadi citra grayscale atau citra dengan skala keabuan. Pada gambar 10, sintak
‘roi_gray’ adalah sintak untuk mencari Region of Interest (ROI ) dari citra frame pada citra yang berskala keabuan atau frame grayscale. sintak ‘roi_color’ adalah sintak untuk mencari Region of Interest (ROI ) dari citra frame pada citra RGB.
Gambar 8. Cuplikan Kode Program Pembobotan dan Set Output Layer pada Eksperimen Algoritma YOLO V.4 Gambar 8 merupakan kode program untuk memuat label kelas citra dengan model YOLO yang dilatih.
Terdapat fungsi yang menginisialisasi daftar warna untuk mewakili setiap label kelas yang mungkin. Untuk mendapatkan jalur ke bobot YOLO dan konfigurasi model diperlukan memuat detektor objek YOLO yang dilatih pada dataset data (10 kelas kendaraan). Untuk mendapatkan region yang memuat gambar input yang tepat maka diambil dimensi spasialnya.
Gambar 9. Cuplikan Kode Program Pembangunan Loop dan Ektraksi ID Kelas serta Probabilitas pada Eksperimen Algoritma YOLO V.4
Gambar 9 adalah cuplikan kode program pembangunan loop dan ektraksi id kelas serta probabilitas pada algoritma YOLO V.4. Pada kode program sebuah loop berada di atas masing-masing output layer. Loop diletakan di atas setiap pendeteksian dan ekstraksi ID kelas serta probabilitas dari deteksi citra kendaraan. Untuk memisahkan hasil deteksi citra kendaraan yang lemah dengan eksperimen algoritma YOLO V.4, maka perlu memastikan yang objek terdeteksi menggunakan probabilitas lebih besar dari probabilitas minimum serta skala blok pembatas koordinat terhadap ukuran gambar.
Gambar 10. Hasil Pemotongan Frame dari Video Rekaman Lalu Lintas Kendaraan yang digunakan.
Gambar 10 adalah hasil pemotongan frame dari video rekaman lalu lintas kendaraan yang digunakan untuk dideteksi objek kendaraannya dengan eksperimen algoritma YOLO V.4. Terdapat perubahan posisi objek yang akan di deteksi. Begitu juga dengan jumlah volume objek yang akan dideteksi. Dengan eksperimen algoritma YOLO V.4, perubahan-perubahan posisi, ukuran dan volume objek yang dideteksi dapat dilakukan pada beberapa pengujian. Walaupun tidak seluruh hasil penggunaan eksperimen algoritma ini sempurna pada semua data, namun didapatkan hasil cenderung baik.
(a) (b) (c)
Gambar 11. (a)Grafik Scater Plot Visualisasi Penangkapan ROI Citra Model EksperimenAlgoritma YOLO v.4, (b)Koordinat Visualisasi Pemindaian posisi ROI, (c) Visualisasi Model Algoritma YOLO V.4 menangkap Objek
yang akan dideteksi
Gambar 11 bagian (a) adalah grafik scater plot visualisasi penangkapan roi citra model algoritma YOLO v.4. Pada gambar 11 bagian (b) merupakan koordinat visualisasi pemindaian posisi ROI. Sedangkan pada gambar 11 bagian (c) adalah visualisasi model algoritma YOLO V.4 menangkap objek yang akan dideteksi. Ketiga gambar ini merupakan suatu analisis yang tidak dapat dipisahkan. Eksperimen algoritma YOLO V.4 memanfaatkan model pemindaian fitur citra dengan menggunakan konsep sudut dan arah secara matematis. Dengan contoh ROI pada gambar 11 bagian C, maka nilai tangkapan fitur yang didaftarkan pada suatu koordinat grafik dapat dipetakan seperti gambar 11 bagian (a).
Gambar 12. Hasil Running Eksperimen Algoritma YOLO V.4 pada Citra Sampel
Pada gambar 12 adalah hasil running algoritma YOLO V.4 pada Citra Sampel. Eksperimen ini dilakukan pada video bergerak yang berisi rekaman lalu lalang kendaraan roda empat. Pada setiap perubahan detik terjadi pula perubahan posisi, perubahan ukuran objek, perubahan warna dan juga perubahan jumlah dan komposisi objek.
Namun, dari hasil running yang dilakukan, diperoleh bahwa eksperimen algoritma YOLO V.4 tetap mampu mendeketi objek yang sama saat bergerak sekalipun beriring dengan transformasi posisi, volume, direksi dan ukuran pada objek.
Gambar 13. Grafik Hue, Saturation dan Value dari Objek yang di Deteksi Eksperimen Algoritma YOLO V.4 Gambar 13 adalah visualisasi grafik hue, saturation dan value dari objek yang di deteksi eksperimen algoritma YOLO V.4. dapat dilihat pada line chart ketiganya. Eksperimen algoritma YOLO tetap dapat menangkap nilai hue dan nilai saturation secara terus-menerus tanpa terjeda selama pergerakan objek. Hal ini dapat dilihat dengan kesempurnaan dari line chart yang dibentuk dari hasil tangkapan nilai hue dan nilai saturation.
Pada gambar dapat dilihat bahwa terdapat tiga variabel data yang terus-menerus ditangkap antara lain nilai hue dan nilai saturation ketika adanya objek kendaraan atau tanpa adanya objek kendaraan. Selain itu, juga disimpan nilai differensiasi dari objek-objek tersebut yang nanti juga dapat digunakan sebagai simpanan nilai fitur.
Gambar 14. Region of Interest pada Citra Sampel Model Eksperimen Algoritma YOLO v.4
Gambar 14 adalah Tampilan region of Interest (ROI) atau daerah yang diuji, yang ditangkap oleh eksperimen algoritma YOLO V.4. Bagian ROI ini digunakan dalam proses feature engineering oleh algoritma.
Ddari hasil tangkapan yang di running dapat dilihat bahwa keberhasilan algoritma benar-benar dapat diandalkan.
4. KESIMPULAN
Penelitian ini dilakukan untuk menguji pemanfaatan eksperimen algoritma You Only Look Once (YOLO) V.4 untuk melakukan pecacahan kendaraan dengan membangun Sistem Traffic Counting yang secara otomatis dapat mendeteksi citra kendaraan sehingga dapat diketahui jenis dan jumlahnya. Berbeda dengan cara manual, sistem ini dapat melakukan pencacahan tanpa terikat waktu kerja manusia, karena telah dijalankan secara otomatis.
Sebagaimana algoritma YOLO adalah metode paling terkenal untuk saat ini dengan akurasi sangat tinggi di pengolahan gambar digital. Saat ini toolbox eksperimen algoritma You Only Look Once (YOLO) V.4 telah disediakan dalam berbagai platform bahasa pemrograman untuk digunakan. Dengan eksperimen algoritma YOLO V.4, perubahan-perubahan posisi, ukuran dan volume objek yang dideteksi dapat dilakukan pada beberapa pengujian. Eksperimen algoritma YOLO V.4 memanfaatkan model pemindaian fitur citra dengan menggunakan konsep sudut dan arah secara matematis. Dari hasil eksperimen yang dilakukan dalam penelitian ini, diperoleh hasil deteksi yang mempunyai akurasi yang cukup baik pada hasil pemmisahan frame-frame dari video data.
Transformasi posisi, dimensi, komposisi dan direksi yang tidak beraturan tetap dapat ditangkap sebagai fitur yang sama. Kemampuan YOLO dalam feature engineering merupakan suatu pengakuan yang telah berhasil dibuktikan dalam penelitian ini. Walaupun tidak seluruh hasil penggunaan algoritma ini sempurna pada semua data, namun didapatkan hasil cenderung baik. Hal ini berhubungan dengan layanan yang terdapat berupa lapisan convolutional pada YOLO menurunkan ukuran atau mengurangi dimensi gambar dengan menggunakan kotak jangkar, algoritma ini juga dapat meningkatkan akurasi.
UCAPAN TERIMAKASIH
Terima kasih disampaikan kepada Kemendikbud /BRIN yang telah mendukung terlaksananya penelitian ini dalam skema PDP tahun 2021 dengan ID Proposal: 868c096d-8f83-4105-bf8f-35f0a5e1cca0 yang berjudul”Analisis dan Implementasi Sistem Traffic Counting untuk Jalan Lalu Lintas Kota Jambi dengan Algoritma YOLO (You Only Look Once) V.4.”.
REFERENCES
[1] G. Oltean, C. Florea, R. Orghidan, and V. Oltean, “Towards Real Time Vehicle Counting using YOLO-Tiny and Fast Motion Estimation,” SIITME 2019 - 2019 IEEE 25th Int. Symp. Des. Technol. Electron. Packag. Proc., no. October, pp.
240–243, 2019, doi: 10.1109/SIITME47687.2019.8990708.
[2] P. Shinde, S. Yadav, S. Rudrake, and P. Kumbhar, “Smart Traffic Control System Using YOLO,” Int. Res. J. Eng.
Technol., vol. 6, no. 12, pp. 169–172, 2019.
[3] R. Firmansyah, “Usability Testing Dengan Use Questionnaire Pada Aplikasi Sipolin Provinsi Jawa Barat,” Swabumi, vol.
6, no. 1, pp. 1–7, 2018, doi: 10.31294/swabumi.v6i1.3310.
[4] E. Ardhianto and W. Hadikurniawati, “Implementasi Metode Image Subtracting dan Metode Regionprops untuk Mendeteksi Jumlah Objek Berwarna RGB pada File Video,” J. Teknol. Inf. Din., vol. 18, no. 2, pp. 91–100, 2013, doi:
0854-9524.
[5] H. Wang, X. Lou, Y. Cai, Y. Li, and L. Chen, “Real-time vehicle detection algorithm based on vision and LiDAR point cloud fusion,” J. Sensors, vol. 2019, 2019, doi: 10.1155/2019/8473980.
[6] L. Bruno, G. Parla, and C. Celauro, “Image analysis for detecting aggregate gradation in asphalt mixture from planar images,” Constr. Build. Mater., vol. 28, no. 1, pp. 21–30, 2012, doi: 10.1016/j.conbuildmat.2011.08.007.
[7] X. Ding and R. Yang, “Vehicle and Parking Space Detection Based on Improved YOLO Network Model,” J. Phys. Conf.
Ser., vol. 1325, no. 1, 2019, doi: 10.1088/1742-6596/1325/1/012084.
[8] C. Höschl and J. Flusser, “Robust histogram-based image retrieval,” Pattern Recognit. Lett., vol. 69, pp. 72–81, 2016, doi: 10.1016/j.patrec.2015.10.012.
[9] A. Borji, S. Izadi, and L. Itti, “ILab-20M: A Large-Scale Controlled Object Dataset to Investigate Deep Learning,” Proc.
IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-Decem, pp. 2221–2230, 2016, doi:
10.1109/CVPR.2016.244.
[10] H. Bunyamin, Heriyanto, S. Novianti, and L. Sulistiani, “Topic clustering and classification on final project reports: A comparison of traditional and modern approaches,” IAENG Int. J. Comput. Sci., vol. 46, no. 3, pp. 1–6, 2019.
[11] M. Ju, H. Luo, Z. Wang, B. Hui, and Z. Chang, “The application of improved YOLO V3 in multi-scale target detection,”
Appl. Sci., vol. 9, no. 18, 2019, doi: 10.3390/app9183775.
[12] G. Jo et al., “A Unified Framework for Augmented Reality and Knowledge-Based Systems in Maintaining Aircraft,” in Proceedings of the Twenty-Sixth Annual Conference on Innovative Applications of Artificial Intelligence, 2014, pp. 2990–
2997.
[13] H. Pourghassem and S. Daneshvar, “A framework for medical image retrieval using merging-based classification with dependency probability-based relevance feedback,” Turkish J. Electr. Eng. Comput. Sci., vol. 21, no. 3, pp. 882–896, 2013, doi: 10.3906/elk-1010-876.
[14] Y. Hartiwi, E. Rasywir, Y. Pratama, and P. A. Jusia, “Eksperimen Pengenalan Wajah dengan fitur Indoor Positioning System menggunakan Algoritma CNN,” J. Paradig. UBSI, vol. 22, no. 2, 2020.
[15] Hendrawan, A. Haris, E. Rasywir, and Y. Pratama, “Sistem Pakar Diagnosis Penyakit Tanaman Karet dengan Metode Fuzzy Mamdani Berbasis Web,” J. Media Inform. Budidarma, vol. 4, no. 4, pp. 1225–1234, 2020, doi:
10.30865/mib.v4i4.2521.
[16] E. Rasywir, R. Sinaga, and Y. Pratama, “Evaluasi Pembangunan Sistem Pakar Penyakit Tanaman Sawit dengan Metode Deep Neural Network ( DNN ),” vol. 4, pp. 1206–1215, 2020, doi: 10.30865/mib.v4i4.2518.
[17] H. A. Jalab and R. W. Ibrahim, “Texture enhancement based on the Savitzky-Golay fractional differential operator,”
Math. Probl. Eng., vol. 2013, 2013, doi: 10.1155/2013/149289.
[18] D. N. M. Cardoso, G. A. Giraldi, and L. A. P. Neves, “Integrating Content-Based Image Retrieval into SBIM System,”
IEEE Lat. Am. Trans., vol. 13, no. 8, pp. 2763–2769, 2015, doi: 10.1109/TLA.2015.7332160.
[19] J. W. Yodha and A. W. Kurniawan, “Pengenalan Motif Batik Menggunakan Deteksi Tepi Canny Dan K-Nearest Neighbor,” Techno.COM, vol. 13, no. 4, November, pp. 251–262, 2014.
[20] M. White, M. Tufano, C. Vendome, and D. Poshyvanyk, “Deep learning code fragments for code clone detection,” in Proceedings of the 31st IEEE/ACM International Conference on Automated Software Engineering, 2016, pp. 87–98, doi:
10.1145/2970276.2970326.
[21] V. N. Sari, L. Y. Astri, and E. Rasywir, “Analisis Dan Penerapan Algoritma Naive Bayes Untuk Evaluasi,” J. Ilm. Mhs.
Tek. Inform., vol. 2, no. 1, pp. 53–68, 2020.
