RANCANG BANGUN DAN ANALISIS SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION SKRIPSI

Transkripsi

1 UNIVERSITAS INDONESIA RANCANG BANGUN DAN ANALISIS SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION SKRIPSI HELMIRIAWAN FAKULTAS TEKNIK UNIVERSITAS INDONESIA DEPARTEMEN TEKNIK ELEKTRO TEKNIK KOMPUTER DEPOK JUNI 2012

2 UNIVERSITAS INDONESIA RANCANG BANGUN DAN ANALISIS SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION SKRIPSI Diajukan sebagai salah satu syarat memperoleh gelar sarjana. HELMIRIAWAN FAKULTAS TEKNIK UNIVERSITAS INDONESIA DEPARTEMEN TEKNIK ELEKTRO TEKNIK KOMPUTER DEPOK JUNI 2012

3 iii

4 iv

5 v

6 vi

7 ABSTRAK Nama : Helmiriawan Program Studi : Teknik Komputer Judul : Rancang Bangun dan Analisis Sistem Pemantau Lalu Lintas Menggunakan OpenCV dengan Algoritma Canny dan Blob Detection Skripsi ini berisi perancangan, pembuatan, dan analisis sistem pemantau lalu lintas dengan teknologi computer vision menggunakan OpenCV. Sistem memberitahukan kondisi kemacetan jalan yang dipantau dalam empat level (lengang, ramai lancar, padat merayap, dan macet). Penelitian dilakukan menggunakan OpenCV sebagai library pemograman bahasa C++ dengan algoritma Canny dan Blob Detection untuk mendeteksi kendaraan menggunakan kamera pemantau pada posisi vertikal dari samping. Berdasarkan pengujian metode Blob Detection lebih unggul pada kondisi jalan lengang, namun ketika kondisi semakin ramai algoritma Canny lebih unggul. Sistem mendeteksi kendaraan yang lewat dengan rata-rata kecepatan pendeteksian 9.8 ms per frame dengan input video berukuran 320 x 240 pixel. Kata kunci : Kemacetan, intelligent transportation system, computer vision, OpenCV. vii

8 ABSTRACT Name : Helmiriawan Majoring : Computer Engineering Title : Development and Analysis of Traffic Monitoring System by Using OpenCV with Canny Algorithm and Blob Detection This thesis describes the design, making, and analysis of traffic monitoring system by using computer vision technology with OpenCV. These systems notify the user about the state of the monitored road congestion in four levels (quiet, crowded, dense crowded, and congested). The research was conducted using the OpenCV library programming language C++ with the Canny algorithm and Blob Detection to detect the vehicle using camera on the position of vertical side. Based from the test results, the Blob Detection method is superior in the deserted road conditions, but when conditions are more crowded the Canny algorithm is superior. The system can detect vehicle with average speed of 9.8 ms per frame with video input size 320 x 240 pixels. Keywords: Congestion, intelligent transportation system, computer vision, OpenCV. viii

9 DAFTAR ISI HALAMAN PERNYATAAN ORISINALITAS... ii HALAMAN PENGESAHAN... iii KATA PENGANTAR... iv ABSTRAK... vii ABSTRACT... viii DAFTAR ISI... ix DAFTAR GAMBAR... xi DAFTAR TABEL... xii BAB I PENDAHULUAN Latar Belakang Tujuan Penelitian Batasan Penelitian Metode Penelitian Sistematika Penulisan...3 BAB II SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION Kemacetan Intelligent Transportation System Computer Vision Open Computer Vision (OpenCV) Canny Edge Detection Blob Detection Gaussian Smoothing Contoh Sistem Pemantau Lalu Lintas yang Telah Diimplementasikan Sistem Pengaturan Lampu Lalu Lintas Terdistribusi [17] Traffic Jam Detection System [18] Image Processing in Road Traffic Analysis [19] The Implementation of A Vision Sensor for Traffic Surveillance [20]...17 BAB III PERANCANGAN SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION User Requirement Arsitektur Sistem Pemantau Lalu Lintas Hardware yang Digunakan Kamera Mesin Pengolah Software yang Digunakan OpenCV Microsoft Visual Studio Rancangan Algoritma Perancangan Graphical User Interface...28 ix

10 BAB IV UJI COBA DAN ANALISIS SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION Implementasi Sistem Pengujian Akurasi Pendeteksian Kendaraan antara Metode Blob Detection dan Algoritma Canny Kecepatan Pengolahan Citra Tingkat Akurasi Kebenaran Sistem Analisis...42 BAB V KESIMPULAN...44 DAFTAR ACUAN...45 DAFTAR PUSTAKA...47 x

11 DAFTAR GAMBAR Gambar 2.1 Tahapan Algoritma Canny Edge Detector [9]...9 Gambar 2.2 (a) Sebuah Gambar Dengan Noise. (b) Operator Bentuk Kotak. (c) Gambar Setelah Operator Bentuk Kotak Diaplikasikan. (d) Turunan Pertama dari Operator Gaussian. (e) Gambar Setelah Turunan Pertama dari Operator Gaussian Diaplikasikan [10]...10 Gambar 2.3 Fungsi Gaussian 2 Dimensi [11]...14 Gambar 2.4 Screenshoot data pengujian Sistem Pemantau Lalu Lintas Terdistribusi [17]...15 Gambar 2.5 Grafik Akurasi Penghitungan untuk Variasi Kondisi Cuaca dan Sudut Pandang dari Sistem Pengaturan Lampu Lalu Lintas Terdistribusi [17]...16 Gambar 2.6 Contoh Tampilan Sistem Dengan Menggunakan Metode OMNI [20]...18 Gambar 3.1 Rancangan Sistem Pemantau Lalu Lintas [21]...20 Gambar 3.2 Diagram Alur Sistem Pemantau Lalu Lintas yang Dibuat...21 Gambar 3.3 Sudut Pengambilan Kamera dari Samping Atas [7]...22 Gambar 3.4 Contoh Tampilan Microsoft Visual Studio [21]...24 Gambar 3.5 Contoh Tampilan Qt Creator [22]...25 Gambar 3.6 Flowchart Algoritma Perancangan Sistem Pemantau Lalu Lintas dengan Algoritma Canny...27 Gambar 3.7 Flowchart Algoritma Perancangan Sistem Pemantau Lalu Lintas dengan Blob Detection...28 Gambar 3.8 Tampilan Awal Sistem Pemantau Lalu Lintas...29 Gambar 3.9 Tampilan Sistem Pemantau Lalu Lintas Saat Bekerja...30 Gambar 3.10 Pseudocode Sistem Pemantau Lalu Lintas yang Dirancang...31 Gambar 4.1 Tampilan Sistem Saat Mendeteksi Kondisi Jalan Lengang...33 Gambar 4.2 Tampilan Sistem Saat Mendeteksi Kondisi Jalan Ramai Lancar...34 Gambar 4.3 Grafik Perbandingan Antara Metode Blob Contour dan Canny...35 Gambar 4.4 Grafik Pengujian Kondisi terhadap Kecepatan Pengolahan Citra...37 Gambar 4.5 Grafik Pengujian Kecepatan Pengolahan Citra Terhadap Luas Region of Interest pada kondisi jalan Lengang...38 Gambar 4.6 Grafik Pengujian Kecepatan Pengolahan Citra Terhadap Luas Region of Interest pada kondisi jalan Lengang-Ramai Lancar...38 Gambar 4.7 Grafik Pengujian Luas Region of Interest Terhadap Kecepatan Pengolahan Citra pada kondisi jalan Ramai Lancar...39 Gambar 4.8 Grafik Pengujian Akurasi Sistem Terhadap Ketinggian Kamera...41 Gambar 4.9 Grafik Pengujian Akurasi Sistem Terhadap Kondisi Jalan...42 Gambar 4.10 Contoh Kemungkinan Berhimpitnya Posisi Kendaraan Karena Posisi Kamera yang Cukup Rendah...43 xi

12 DAFTAR TABEL Tabel 4.1 Perbandingan Metode Blob Contour dan Algoritma Canny...34 Tabel 4.2 Pengujian Kondisi terhadap Kecepatan Pengolahan Citra...36 Tabel 4.3 Pengujian pada Video I dengan Kondisi Jalan Lengang...37 Tabel 4.4 Pengujian pada Video II dengan Kondisi Jalan Lengang - Ramai Lancar...38 Tabel 4.5 Pengujian pada Video III dengan Kondisi Jalan Ramai Lancar...39 Tabel 4.6 Pengujian Akurasi Sistem Terhadap Ketinggian Kamera...40 Tabel 4.7 Pengujian Akurasi Terhadap Kondisi Jalan...41 xii

13 BAB I PENDAHULUAN 1.1 Latar Belakang Setiap hari, warga kota Jakarta selalu mengeluhkan masalah kemacetan yang melanda jalan-jalan besar di kota ini, khususnya pada waktu siang dan sore hari, yaitu saat mereka pergi dan pulang dari melakukan rutinitas sehari-hari. Namun, ternyata masalah kemacetan ini tidak hanya terjadi di kota Jakarta. Kotakota besar lainnya di Indonesia, seperti kota Bandung, bahkan di kota besar lain, seperti di New York, ternyata juga mengalami hal yang sama. Masalah kemacetan yang melanda kota besar ini dirasa sangat merugikan, karena membuang waktu, tenaga, dan pikiran. Apabila masalah ini tidak segera ditanggulangi makan kerugian yang ditimbulkan akan semakin besar dan semakin sulit untuk diatasi. Untuk menyelesaikan masalah kemacetan ini diperlukan berbagai informasi yang nantinya akan dianalisis untuk dicari solusinya. Beberapa informasi yang dibutuhkan yaitu: Penyebab kemacetan. Masalah utama yang menyebabkan kemacetan di kotakota besar adalah tidak seimbangnya jumlah kendaraan dengan kapasitas jalanan yang ada di kota tersebut pada jam sibuk, namun ada kalanya terjadi kemacetan pada kondisi yang tidak umum terjadi karena beberapa hal lain seperti kecelakaan, adanya kendaraan yang mogok dan menghambat jalan, adanya demonstrasi, pengaturan lampu lalu lintas yang kurang tepat, dan lain sebagainya. Waktu terjadinya kemacetan. Pada umumnya terjadi pada pagi dan sore hari pada hari kerja serta sore hari saat akhir pekan. Namun ada kalanya kemacetan terjadi lebih awal atau lebih lambat karena beberapa hal dan tidak menutup kemungkinan terjadi di waktu-waktu lain karena satu dan lain hal yang telah disebutkan di poin pertama. 1

14 2 Daerah yang mengalami kemacetan. Ada kalanya suatu daerah yang biasanya mengalami kemacetan pada jam tertentu ternyata tidak mengalami kemacetan, begitu pula sebaliknya. Dari hal-hal yang disebutkan di atas, munculah ide untuk membantu memecahkan masalah tersebut, yaitu dengan menggunakan sistem pemantau lalu lintas. Yang dimaksud dengan sistem pemantau lalu lintas yaitu suatu sistem yang berguna untuk memonitor daerah-daerah yang seringkali mengalami kemacetan. Untuk memonitor daerah-daerah tersebut nantinya akan dilakukan oleh kamera yang nantinya akan terintegrasi ke dalam sistem. Dengan sistem ini, informasiinformasi yang dibutuhkan yang telah disebutkan sebelumnya bisa didapatkan. Setelah informasi yang dibutuhkan didapatkan, selanjutnya bisa dianalisis untuk ditindaklanjuti dengan tindakan-tindakan berikutnya. Ditlantas Polda Metro Jaya mempunyai beberapa CCTV yang tersebar di beberapa wilayah yang rawan terjadi kemacetan di daerah ibukota Jakarta. Namun penggunaan informasi yang didapat masih dilakukan secara manual di mana petugas akan memasukkan informasi tersebut ke website tmcmetro.com atau akun twitter mereka Dalam perancangan yang akan dilakukan diharapkan penggunaan informasi dari CCTV tersebut dapat lebih dimaksimalkan dengan penggunaan secara otomatisasi dan penambahan fungsi seperti integrasi dengan lampu lalu lintas atau integrasi dengan sebuah information system lain yang khusus menampilkan informasi mengenai keadaan jalanan di berbagai daerah yang rawan terjadi kemacetan. 1.2 Tujuan Penelitian Tujuan penelitian yang dilakukan yaitu: 1. Merancang, membuat, dan menganalisis prototype sistem pemantau lalu lintas menggunakan teknologi computer vision dengan OpenCV sebagai library algoritma bahasa C Menganalisis akurasi dan kecepatan sistem yang dibuat. 3. Menganalisis penggunaan metode Blob Detection & algoritma Canny sebagai algoritma pendeteksi kendaraan.

15 3 1.3 Batasan Penelitian Penelitian pada skripsi ini dibatasi pada perancangan dan pembuatan prototype bentuk sistem pemantau lalu lintas dengan menggunakan OpenCV. Output yang akan dihasilkan akan ditampilkan dalam layar monitor komputer dengan sebuah graphical user interface. 1.4 Metode Penelitian Metode penelitian yang digunakan dalam penulisan skripsi ini adalah studi literatur dari berbagai sumber. Studi literatur dilakukan untuk mendapatkan metode yang tepat untuk merancang sistem yang akan dibuat. Penulisan skripsi ini juga mengacu pada Systems Development Life Cycle (SDLC), yaitu mencakup tahapan: 1. System requirement 2. System design 3. Implementation and unit testing 4. Integration and system testing Dalam perancangan sistem yang akan dilakukan digunakan pula Unified Modelling Language (UML) sebagai bahasa standar dalam pemodelan rancangan perangkat lunak. 1.5 Sistematika Penulisan Sistematika dari penulisan skripsi ini dibagi atas beberapa bab. Pembagian babnya adalah sebagai berikut, bab satu berisi pendahulan yang membahasa tentang latar belakang, tujuan penelitian, batasan penelitian, metode penelitian, dan sistematika penulisan. Bab dua menjelaskan tentang dasar teori, algoritma yang digunakan, dan sistem pemantau lalu lintas yang telah ditemukan oleh orang lain. Bab tiga berisi perancangan sistem pemantau lalu lintas menggunakan OpenCV dengan algoritma Canny dan Blob Detection. Bab empat berisi pengujian dan analisis dari sistem pemantau lalu lintas yang dirancang. Bab lima merupakan kesimpulan dari keseluruhan skripsi ini.

16 BAB II SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION Bab ini membahas mengenai dasar teori, algoritma yang akan dipakai, dan sistem pemantau lalu lintas yang pernah ditemukan sebelumnya oleh orang lain. Di sini nantinya akan dijelaskan mengenai beberapa teori perhitungan mengenai algoritma yang dipakai. Tujuan adanya sistem pemantau lalu lintas lain yang dibahas di bab ini adalah agar bisa dijadikan perbandingan mengenai sistem yang dibuat. 2.1 Kemacetan Menurut Kamus Besar Bahasa Indonesia, kata macet artinya tidak dapat berfungsi dengan baik, terhenti, atau tidak lancar, sedangkan kata kemacetan artinya hal (keadaan) macet [1]. Kondisi kemacetan lalu lintas merupakan suatu keadaan kondisi jalan bila tidak ada keseimbangan antara kapasitas jalan dengan jumlah kendaraan yang lewat. Gejala ini ditandai dengan kecepatan kendaraan yang rendah sampai berhenti, jarak antar kendaraan yang satu dengan yang lain rapat, dan pengemudi tidak dapat menjalankan kendaraan dengan kecepatan yang diinginkannya [2]. Beberapa upaya yang dapat dilakukan untuk mengurangi kemacetan yaitu [3]: 1. Peningkatan koordinasis transportasi. 2. Penambahan kapasitas jalan. 3. Meningkatkan infrastruktur jalan. 4. Supply and demand. 5. Mengajak masyarakat untuk hidup go green. 6. Anjuran kepada para pengendara. 7. Intelligent Transportation System. 4

17 5 2.2 Intelligent Transportation System Di saat sistem transportasi di seluruh dunia meningkatkan peluang di tingkat ekonomi dan sosial, hal tersebut juga menimbulkan berbagai masalah seperti kemacetan, keamanan, dan kerusakan lingkungan. Intelligent Transformation System (ITS) adalah aplikasi dari teknologi informasi dan komunikasi dalam sistem transportasi. ITS digunakan untuk meningkatkan mobilitas, mengurangi angka kecelakaan dan kematian, serta melestarikan lingkungan [4]. Sasaran dari ITS meliputi: 1. Memantau lalu lintas dan kondisi lingkungan di jalan; 2. Memaksimalkan keamanan operasional dan efisiensi dari jaringan jalan; 3. Meminimalisir dampak negatif yang disebabkan dari kemacetan yang sering terjadi maupun kemacetan yang tidak sering terjadi akibat insiden tertentu; 4. Menyediakan pengguna jalan informasi yang dibutuhkan untuk membantu pengambilan keputusan di perjalanan dan meringankan beban mental dan stress ketika berkendara. Untuk mencapai tujuan tersebut, beberapa komponen berikut diidentifikasi sebagai fungsi utama, yaitu [5]: 1. Maintaining road serviceability and safety. 2. Traffic control. 3. Travel aid and user information. 4. Demand management. 5. Network monitoring. 2.3 Computer Vision Computer vision adalah sebuah disiplin ilmu yang mempelajari bagaimana merekonstruksi, menginterpretasikan, dan memahami sebuah tampilan 3 dimensi dari tampilan 2 dimensinya dalam hal sifat dari struktur tampilan tersebut. Computer vision berkaitan dengan pemodelan dan meniru penglihatan manusia dengan menggunakan perangkat lunak dan perangkat keras pada komputer. Computer vision menggabungkan ilmu pengetahuan dalam bidang ilmu komputer, teknik elektro, matematika, fisiologi, biologi, dan ilmu kognitif. Diperlukan ilmu

18 6 dari semua bidang tersebut untuk memahami dan menyimulasikan pengoperasian sistem penglihatan manusia [6]. Untuk mendekati kemampuan manusia dalam menangkap informasi, sebuah teknologi computer vision harus terdiri dari banyak fungsi pendukung yang berfungsi secara penuh. Fungsi-fungsi pendukung tersebut antara lain [7]: a. Proses penangkapan citra/ gambar (image acquisition). Image Acquisition pada manusia dimulai dengan mata, kemudian informasi visual diterjemahkan ke dalam suatu format yang kemudian dapat dimanupulasi oleh otak. Seperti proses tersebut, computer vision membutuhkan sebuah mata untuk menangkap sebuah sinyal visual. Pada umumnya mata pada computer vision adalah sebuah kamera video. Kamera akan menerjemahkan sebuah scene atau image. Keluaran dari kamera adalah berupa sinyal analog, di mana frekuensi dan amplitudonya mereprentasikan detail ketajaman (brightness) pada scene (frekuensi berhubungan dengan jumlah sinyal dalam satu detik, sedangkan amplitudo berkaitan dengan tingginya sinyal listrik yang dihasilkan. Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu, memindainya dan membaginya menjadi ratusan garis horizontal yang sama. Tiaptiap garis membuat sebuah sinyal analog yang amplitudonya menjelaskan perubahan brightness sepanjang garis sinyal tersebut. Karena komputer tidak bekerja dengan sinyal analog, maka sebuah konverter analog to digital (ADC), dibutuhkan untuk memproses semua sinyal tersebut oleh komputer. ADC ini akan mengubah sinyal analog yang direpresentasikan dalam bentuk informasi sinyal tunggal ke dalam sebuah aliran (stream) sejumlah bilangan biner. Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan diproses. b. Proses pengolahan citra (image processing). Pada proses ini computer vision akan melibatkan sejumlah manipulasi utama (initial manipulation) dari data binary yang dihasilkan pada proses image acquisition. Image processing membantu peningkatan dan perbaikan kualitas image, sehingga dapat dianalisa dan diolah lebih jauh secara lebih efisien. Image processing akan meningkatkan perbandingan sinyal terhadap noise (signal-tonoise-ratio = s/n). Sinyal-sinyal tersebut adalah informasi yang akan

19 7 mereprentasikan objek yang ada dalam image. Sedangkan noise adalah segala bentuk interferensi dan pengaburan, yang terjadi pada sebuah objek. c. Analisa data citra (image analysis). Pada tahap ini scene akan dieksplorasi ke dalam bentuk karakteristik utama dari objek melalui seuatu proses investigasi. Sebuah program komputer akan mulai melihat melalui bilangan biner yang merepresentasikan informasi visual untuk mengidentifikasi fitur-fitur spesifik dan karakteristiknya. Pada proses yang lebih khusus lagi, program image analysis digunakan untuk mencari tepian baas-batas objek dalam image. Sebuah tepian (edge) terbentuk antara objek dan latar belakangnya atau antara dua objek yang spesifik. Tepi ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan salah satu batasnya. d. Proses pemahaman data citra (image understanding). Proses ini merupakan langkah terakhir dalam proses computer vision, di mana spesifik objek dan hubungannya diidentifikasi. Pada bagian ini akan melibatkan kajian tentang teknik-teknik artificial intelligent. Understanding berkaitan dengan template matching yang ada dalam sebuah scene. Metode ini menggunakan program pencarian (search program) dan teknik penyesuaian pola (pattern matching techniques). 2.4 Open Computer Vision (OpenCV) OpenCV adalah sebuah library yang berisi fungsi-fungsi pemograman untuk teknologi computer vision secara real time. OpenCV bersifat open source, bebas digunakan untuk hal-hal yang bersifat akademis dan komersial. Di dalamnya terdapat interface untuk C++, C, Python, dan nantinya Java yang dapat berjalan pada Windows, Linux, Android, dan Mac. Terdapat lebih dari 2500 algoritma dalam OpenCV, digunakan di seluruh dunia, telah lebih dari 2.5 juta kali diunduh, dan digunakan lebih dari 40 ribu orang. Penggunaannya antara lain pada seni interaktif, inspeksi tambang, menampilkan peta di web melalui teknologi robotik. [8] Pada awalnya OpenCV ditulis dengan menggunakan bahasa C namun sekarang secara menyeluruh sudah menggunakan antarmuka bahasa C++ dan

20 8 seluruh pengembangannya terdapat dalam format bahasa C++. Contoh aplikasi dari OpenCV yaitu interaksi manusia dan komputer; identifikasi, segmentasi, dan pengenalan objek; pengenalan wajah; pengenalan gerakan; penelusuran gerakan, gerakan diri, dan pemahaman gerakan; struktur dari gerakan; kalibrasi stereo dan beberapa kamera serta komputasi mendalam; robotik. Fitur-fitur yang terdapat pada OpenCV antara lain: 1. Manipulasi data image (alokasi, rilis, duplikasi, pengaturan, konversi). 2. Image dan I/O video (masukan berbasis file dan kamera, keluaran image/ video file). 3. Manipulasi matriks dan vektor serta aljabar linear (produk, solusi, eigenvalues, SVD). 4. Beragam struktur data dinamis (daftar, baris, grafik). 5. Dasar pengolahan citra (filter, deteksi tepi, deteksi sudut, pengambilan sampel dan interpolasi, konversi warna, operasi morfologi, histogram). 6. Analisis struktur (komponen yang berhubungan, pengolahan kontur, transformasi jarak, variasi momen, transformasi Hough, perkiraan polygonal, menyesuaikan garis, Delaunay triangulation. 7. Kalibrasi kamera (menemukan dan menelusuri pola kalibrasi, kalibrasi, dasar estimasi matriks, estimasi homografi, korespondensi stereo). 8. Analisis gerakan (optical flow, segmentasi gerakan, penelusuran). 9. Pengenalan objek (metode eigen, HMM). 10. Dasar Graphical User Interface atau GUI (menampilkan image/ video, penanganan mouse dan keyboard, scroll-bars). 11. Pelabelan image (garis, poligon, gambar teks). Modul-modul yang terdapat pada OpenCV antara lain: 1. cv fungsi utama OpenCV. 2. cvaux fungsi penolong OpenCV. 3. cxcore pendukung struktur data dan aljabar linear. 4. highgui fungsi GUI.

21 9 2.5 Canny Edge Detection Edge detection telah menjadi bagian penting dari banyak sistem computer vision. Proses edge detection berguna untuk menyederhanakan analisis citra dengan mengurangi sejumlah data secara drastis untuk diproses, dengan tetap mempertahankan informasi yang penting mengenai garis-garis batas objek. Algoritma Canny Edge Detection adalah algoritma yang cukup optimal dan paling banyak digunakan untuk edge detector [9]. Algoritma ini merupakan sebuah algoritma yang terdiri dari beberapa tahap seperti terlihat pada Gambar 2.1. Gambar 2.1 Tahapan Algoritma Canny Edge Detector [9] Jadi pertama-tama akan dilakukan penghalusan (smoothing) citra untuk menghilangkan noise dengan melakukan Gaussian Filter. Selanjutnya dicari gradient citra untuk melihat daerah-daerah yang memiliki turunan spasial yang tinggi. Dari sini akan terlihat mana daerah yang mengalami perbedaan warna. Kemudian dilakukan non-maximum suppression, yaitu penghilangan nilai-nilai yang tidak maksimum dan menghilangkan setiap piksel yang tidak maksimum. Selanjutnya dilakukan hystresis dengan menggunakan dua nilai threshold. Bila magnitude ada di bawah threshold pertama maka titik tersebut akan diset menjadi 0. Bila magnitude berada di atas nilai threshold kedua maka termasuk edge. Bila magnitude ada di antara keduanya maka akan diset menjadi 0 kecuali ada path dari titik tersebut ke titik yang memiliki magnitude di atas nilai threshold kedua. Jika digambarkan dalam grafik, proses pendeteksian yang dilakukan yaitu sebagai berikut [10]:

22 10 1. Kita mulai dengan sebuah edge dari penampang dalam bentuk grafik Gaussian noise seperti pada Gambar 2.2(a). 2. Kita akan beri sebuah filter dengan bentuk sinyal seperti Gambar 2.2(b) atau Gambar 2.2.(d). 3. Keluarannya akan terlihat seperti pada Gambar 2.2(c) atau Gambar 2.2(e) Gambar 2.2 (a) Sebuah Gambar Dengan Noise. (b) Operator Bentuk Kotak. (c) Gambar Setelah Operator Bentuk Kotak Diaplikasikan. (d) Turunan Pertama dari Operator Gaussian. (e) Gambar Setelah Turunan Pertama dari Operator Gaussian Diaplikasikan [10] Langkah penting yang dilakukan dari algoritma ini adalah menangkap kriteria yang telah dijelaskan sebelumnya dengan menggunakan sebuah rumus matematika. Impuls respon dari filter kita anggap f(x) dan edge dinyatakan dalam G(x). Asumsikan edge berada di tengah yaitu pada x = 0. Sehingga respon filter terhadap edge di tengah H G ditentukan dengan rumus integral: (2.1)

23 11 dengan asumsi filter memiliki sebuah batas impuls respon yang dibatasi oleh [-W, W]. Root-mean-squared respon dari noise n(x) ditentukan dengan (2.2) di mana adalah mean-squared noise per amplitude per satuan panjang. Keluaran rasio dari signal-to-noise, sebagai hasil bagi dari kedua rumus di atas yaitu (2.3) 2.6 Blob Detection Bagi banyak pengolahan citra, mendeteksi objek low-level dalam sebuah gambar merupakan hal yang sangat penting. Objek dalam bentuk dua atau tiga dimensi tersebut biasa disebut blob. Bentuk blob timbul dalam cara yang berbeda bergantung pada ukuran dan dapat dideteksi dengan menggunakan metode sederhana dalam sebuah representasi gambar [11]. Ada beberapa teori mengenai definisi blob yang dikemukakan oleh beberapa orang, yaitu antara lain: 1. Lindeberg mendefinisikan sebuah blob sebagai sebuah daerah yang terkait setidaknya satu daerah yang extreme, baik maksimum maupun minimum atau sebuah daerah terang maupun daerah gelap [12]. 2. Hinz mendefinisikan sebuah blob sebagai sebuah bujur sangkar dengan deaerah yang homogen [13]. 3. Rosenfeld dan Sher mendefinisikan sebuah blob sebagai sebuah persimpangan dari garis tegak lurus ke daerah tepi dari tangennya, dikelilingi oleh enam arah atau lebih [14]. 4. Yang dan Parvin mendefinisikan sebuah blob 3D sebagai fitur berbentuk bulat dalam sebuah skala ruang [15]. Untuk berbagai macam tipe blob, berbagai metode berbeda dibutuhkan. Namun metode-metode tersebut harus memenuhi beberapa syarat: 1. Handal dan dapat dipercaya. Metode pada citra low-level harus tahan terhadap noise. 2. Akurasi. Dalam metrology citra hasil dengan akurasi tinggi sangat diperlukan.

24 12 3. Skalabilitas. Blob dalam ukuran yang berbeda harus dapat terdeteksi. 4. Kecepatan. Metode tersebut harus mendekati proses real-time. 5. Mempunyai parameter yang sedikit dan semantik. Metode terebut harus mudah dimengerti agar mudah disesuaikan. 6. Mampu mengekstraksi ciri secara geometris dan radiometric. Hal ini dibutuhkan untuk klasifikasi blob. Sebagian besar metode Blob Detection didasarkan pada representasi skala ruang. Tujuan utama dari representasi skala ruang adalah untuk memahami struktur gambar pada semua tingkat resolusi secara bersamaan dan gambar dalam berbagai skala. Skala ruang diperoleh dengan menerapkan smoothing kernel seperti Gaussian, pada gambar dengan parameter skala tergantung pada jumlah smoothing yang dibutuhkan. Beberapa metode yang dapat dipakai antara lain: 1. Template matching. Sebuah template akan dipindahkan ke atas gambar untuk dicari dan blob akan terdeteksi di mana template tersebut cocok dengan bagian dari gambar. 2. Watershed detection. Metode ini mengasumsikan sebuah citra menjadi tumpukan nilai abu-abu dan menyimulasikan proses hujan yang jatuh ke tumpukan tersebut, mengalir di tumpukan tersebut, dan terakumulasi pada cekungan. 3. Spoke filter. Metode yang ditemukan oleh Minor dan Sklansky ini dapat mendeteksi blob dalam berbagai ukuran dengan menggunakan sebuah filter yang dinamakan spoke filter atau biasa juga disebut Adaptive Spatial Erosion Filter. 4. Automatic scale selection. Prinsip dari metode ini adalah mengasumsikan sebuah scale level, di mana beberapa kombinasi dari turunan normalisasinya mengasumsikan sebuah nilai maksimum atas scale tersebut, yang mencerminkan ukuran dari blob yang sesuai. Metode ini dikemukakan oleh Lindeberg. 5. Sub-pixel precise blob detection. Metode ini mendefinisikan blob sebagai sebuah bujur sangkar dengan kontras yang konstan, yang menjadi titik ekstrem di bawah Gaussian smoothing. Metode ini dikemukakan oleh Hinz.

25 13 6. Effective maxima line detection. Darmeval menyajikan sebuah metode di mana kurva modulus dalam skala yang berbeda, yang disebut maxima lines, dipilih secara efektif untuk memisahkan blob dari noise. 7. Confidence measurement. Forssen dan Grandlund mengemukakan sebuah metode yang kompleks untuk mengekstraksi blob dari sebuah gambar tanpa menggunakan Gaussian smoothing. Metode ini akan membagi channel citra dengan menggunakan fungsi kernel dan menghasilkan sebuah low-pass pyramid serta menggunakan sebuah threshold. 2.7 Gaussian Smoothing Gaussian smoothing atau biasa juga disebut Gaussian blur adalah hasil dari pengaburan sebuah citra dengan menggunakan fungsi Gaussian [16]. Secara matematis, mengaplikasikan sebuah Gaussian smoothing ke sebuah citra sama saja dengan menyelimuti citra dengan sebuah fungsi Gaussian. Aplikasi tersebut akan mengurangi komponen citra yang mempunyai frekuensi tinggi karena Gaussian smoothing merupakan filter low pass. Persamaan dari fungsi Gaussian dalam satu dimensi yaitu (2.4) sedangkan pada dua dimensi yaitu (2.5) Di mana x adalah jarak dari asal sumbu horizontal, y adalah jarak dari asal sumbu vertikal, dan adalah deviasi standar dari distribusi Gaussian. Ketika diaplikasikan dalam dua dimensi, persamaan ini menghasilkan kontur permukaan berupa lingkaran konsentris dengan distribusi Gaussian dari titik pusat. Nilai dari distribusi ini digunakan untuk membangun sebuah matriks konvolusi yang diterapkan pada citra asli. Nilai baru setiap pixel diset pada nilai rata-rata dari daerah sekitarnya. Nilai pixel asli menerima nilai yang paling tinggi sedangkan pixel di sekitarnya menerima nilai yang lebih kecil di mana semakin dekat dengan pixel asli maka nilainya akan semakin mendekati. Hal inilah yang mengakibatkan timbulnya sebuah blur yang menjaga batas-batas dan edge yang baik. Sebagai gambaran dalam bentuk grafik dapat dilihat pada Gambar 2.3.

26 14 Gambar 2.3 Fungsi Gaussian 2 Dimensi [11] 2.8 Contoh Sistem Pemantau Lalu Lintas yang Telah Diimplementasikan Sistem pemantau lalu lintas sebenarnya sudah pernah ditemukan oleh orang lain sebelumnya. Namun metode yang digunakan dapat berbeda-beda. Tujuan penulisan contoh sistem pemantau lalu lintas yang ditemukan oleh orang lain ini adalah sebagai perbandingan dengan sistem yang dibuat Sistem Pengaturan Lampu Lalu Lintas Terdistribusi [17] Sistem Pengaturan Lampu Lalu Lintas Terdistribusi ini bertujuan untuk membuat sebuah sistem lampu lalu lintas yang adaptif terhadap kondisi jalan di sekitarnya. Sistem ini memerlukan sistem pemantau lalu lintas sebagai input untuk mengukur tingkat kemacetan jalan di sekitarnya. Sistem ini menggunakan metode Blob tracking, Haar Training, dan algoritma Principal Component Analysis dalam mendeteksi kendaraan. Sistem ini juga menggunakan OpenCV untuk memakai algoritma tersebut [7]. Hasil pengujian sistem dari sistem ini dapat dilihat pada Gambar 2.5 dengan menggunakan data seperti yang terlihat pada Gambar 2.4.

27 15 (a) videosumber0.avi (b) videosumber1.avi (c) malam lancar samping (d) malam lancar depan e) siang lancar depan (f) siang macet samping (g) siang lancar samping (h) siang samping zoom Gambar 2.4 Screenshoot data pengujian Sistem Pemantau Lalu Lintas Terdistribusi [17]

28 16 Gambar 2.5 Grafik Akurasi Penghitungan untuk Variasi Kondisi Cuaca dan Sudut Pandang dari Sistem Pengaturan Lampu Lalu Lintas Terdistribusi [17] Kelemahan dari sistem ini antara lain: 1. Kesalahan interpretasi dua objek berbeda atau lebih menjadi satu objek. 2. Kesalahan interpretasi satu objek menjadi dua objek berbeda. 3. Sistem memiliki hasil pengenalan yang berbeda-beda antara kondisi waktu siang, pagi, dan malam. 4. Sistem mengalami penurunan akurasi pengenalan pada kondisi jalan macet Traffic Jam Detection System [18] Sistem ini bertujuan untuk mendeteksi kendaraan dan kecepatan dari kendaraan tersebut. Sistem ini menggunakan metode Blob Detection dengan latar belakang jalan yang kosong untuk mendeteksi kendaraan tersebut. Sistem ini menggunakan pemograman.net dan bahasa C. Secara umum tahapan yang dilakukan yaitu: 1. Image analysis menggunakan citra jalanan yang kosong 2. Object detection menggunakan metode lane masking, konversi ke grayscale, lalu gambar Blob yang menunjukkan kendaraan akan muncul 3. Hitung jumlah kendaraan 4. Motion detection mendeteksi kecepatan dari kendaraan dengan menggunakan metode image differentiation 5. Munculkan hasil penghitungan

29 17 Sistem ini telah dicoba di beberapa kondisi. Hasil pengujian menunjukkan bahwa sistem ini membutuhkan waktu 3 sampai 4 detik untuk mendeteksi objek dan kecepatannya dalam citra berukuran 1024*768 pixels Image Processing in Road Traffic Analysis [19] Sistem ini bertujuan untuk mendeteksi kemacetan, kecepatan kendaraan, dan plat nomor kendaraan. Sistem ini menggunakan metode lane masking, metode Blob Detection menggunakan citra jalan yang kosong, dan juga algoritma edge detection. Secara umum tahapan yang dilakukan yaitu: 1. Lane masking memisahkan citra kendaraan dari citra yang tidak diperlukan, jadi yang diambil hanya citra jalan saja. 2. Background elimination memisahkan citra kendaraan dari citra jalan untuk menghilangkan noise yang mungkin muncul seperti ranting pohon, bayangan, hujan, dan lain sebagainya. 3. Noise & blob filtration menghilangkan noise kecil yang berada di sekitar citra kendaraan 4. Contour extraction melakukan edge detection pada citra dengan algoritma yang dipakai yaitu Prewitt, Sobel, dan Laplacian Zero Crossing 5. Contour labeling menandai kendaraan yang telah terdeteksi 6. Vehicle tracking melakukan tracking kendaraan The Implementation of A Vision Sensor for Traffic Surveillance [20] Sistem ini menggunakan metode Open Model For Network-wide Heterogeneous Intersection-based Transport Management (OMNI) [20]. Metode ini menggunakan sudut pandang jalan secara vertikal dan memanfaatkan lebar tiap lajur pada jalan untuk menghitung jumlah kendaraan seperti yang terlihat pada Gambar 2.6. Sistem ini selain berfungsi untuk memantau kondisi lalu lintas, juga berfungsi sebagai pendeteksi plat nomor kendaraan. Hasil dari pengujian sistem dapat dilihat pada tabel 2.1.

30 18 Tabel 2.1 Rata-rata waktu pengolahan pada 3 modul pemantauan [20] Module Analysis time (for 1000 frames) MFlops required (for 25 frames/sec) Queue length 1.77 sec 15.3 MFlops Car counting 0.37 sec 3.2 MFlops License plate 14.6 sec 126 MFlops Gambar 2.6 Contoh Tampilan Sistem Dengan Menggunakan Metode OMNI [20]

31 BAB III PERANCANGAN SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION Bab ini menerangkan perancangan Sistem Pemantau Lalu Lintas dengan Menggunakan OpenCV dengan menggunakan teknologi computer vision berdasarkan metodologi SDLC yang sudah dijelaskan pada bab sebelumnya. Di sini nantinya akan dijelaskan system requirement dan desain dari sistem yang akan dibuat. Nantinya akan digunakan beberapa UML untuk mempermudah penjelasan alur dari sistem yang akan dibuat. 3.1 User Requirement Intelligent Transportation System merupakan salah satu solusi yang dapat dilakukan untuk mengurangi kemacetan. Dari pembahasan sebelumnya mengenai ITS, traffic monitoring merupakan salah satu komponen yang ada dalam ITS. Untuk melakukannya, ada beberapa teknologi yang dapat digunakan, antara lain sensor kecepatan, inductive loop detectors, serta video image processing. Pada perancangan sistem pemantau lalu lintas ini, teknologi yang akan digunakan adalah video image processing melalui kamera yang dipasang di sekitar jalan untuk memantau jalan tersebut. Untuk pengambilan data yang akan digunakan untuk pengujian nantinya akan digunakan video yang berisi rekaman kondisi jalan asli. Pada sistem pemantau lalu lintas ini, informasi yang dibutuhkan oleh sistem adalah informasi mengenai jalan yang dipantau, khususnya mengenai kepadatan jalan tersebut atau kemacetan di sana. Nantinya output yang dihasilkan dari sistem ini adalah tingkat kemacetan yang akan diputuskan melalui beberapa parameter. Nantinya juga akan dibuat graphical user interface agar hasil pemantauan lebih mudah dimengerti. 19

32 Arsitektur Sistem Pemantau Lalu Lintas Secara umum sistem pemantau lalu lintas yang akan dibuat mengambil input dari kamera, diolah melalui sebuah engine, dan kemudian output yang dihasilkan akan menghasilkan parameter tingkat kemacetan dari daerah yang dipantau seperti yang digambarkan oleh Gambar 3.1. Parameter tingkat kemacetan tersebut nantinya akan digunakan lebih lanjut dalam tingkat yang lebih tinggi yaitu dalam Intelligent Transportation System. Nantinya keluaran yang dihasilkan oleh sistem ini dapat digunakan sebagai masukkan dari beberapa komponen Intelligent Transportation System. Gambar 3.1 Rancangan Sistem Pemantau Lalu Lintas [21] Alur proses yang terjadi secara umum dapat dilihat pada Gambar 3.2. Secara bertahap alur proses sistem pemantau lalu lintas ini yaitu: Kamera merekam kondisi jalan dan mengirimkan data ke engine. Suatu mesin pengolah data akan menerima data dari kamera dan melakukan komputasi untuk mengukur tingkat kemacetan. Hasil komputasi engine akan digunakan untuk tingkat lebih lanjut atau proses lain seperti pengaturan lampu lalu lintas adaptif atau peta kemacetan.

33 21 Gambar 3.2 Diagram Alur Sistem Pemantau Lalu Lintas yang Dibuat 3.3 Hardware yang Digunakan Secara keseluruhan peralatan yang dibutuhkan untuk membuat sistem ini tidak banyak. Namun untuk membuat suatu sistem yang kompleks dan luas cakupan wilayahnya, hardware yang digunakan perlu diperbanyak kuantitasnya. Namun pada perancangan penelitian ini, tiap-tiap hardware yang dibutuhkan hanya 1 buah saja Kamera Kamera diperlukan sebagai pengambil input utama dari sistem ini, yaitu kondisi jalan. Pada perancangan ini kamera yang digunakan adalah kamera handphone Galaxy Mini S5570 sebesar 3 megapixels dan kemampuan merekam gambar maksimum sebesar 320 x 240 pixels. Salah satu parameter yang perlu diperhatikan yaitu sudut pengambilan gambar. Semakin besar luas daerah yang bisa ditangkap kamera, semakin baik. Sudut pandang dari samping atau vertikal dari atas seperti yang digambarkan oleh Gambar 3.3 dianggap dapat memiliki daya tangkap yang lebih baik, namun dibutuhkan penelitian lebih lanjut mengenai dugaan tersebut [7]. Untuk melakukan efisiensi resources, nantinya kamera yang digunakan tidak perlu memiliki kemampuan merekam frame per second (fps) yang cukup tinggi. Hal ini dikarenakan semakin tinggi tingkat fps yang dimiliki oleh kamera,

34 22 maka semakin banyak data yang ditangkap tiap detiknya, sehingga data yang disimpan akan semakin banyak. Selain itu, semakin tinggi tingkat fps juga akan meningkatkan penggunaan resources yang diperlukan untuk mengolah data citra yang didapat. Gambar 3.3 Sudut Pengambilan Kamera dari Samping Atas [7] Mesin Pengolah Mesin pengolah berfungsi untuk menerima data dari kamera dan melakukan komputasi untuk mengolah data tersebut dan mencari tingkat kemacetan dari jalan yang dipantau. Perangkat yang akan digunakan sebagai mesin pengolah ini nantinya adalah sebuah komputer. Dipilihnya media komputer karena nantinya agar hasil keluaran dari sistem dapat dengan mudah dijadikan input bagi sistem yang lebih tinggi. Nantinya input video bisa berupa rekaman atau dari video streaming yang diambil dari situs web yang menyediakan. Pengolahan data harus bisa dilakukan secara real time, artinya dilakukan dalam waktu yang singkat. Bahasa pemograman yang akan digunakan adalah C Software yang Digunakan Secara keseluruhan perangkat lunak yang dibutuhkan dalam perancangan sistem ini tidak banyak. Namun storage dan resources yang dibutuhkan relatif

35 23 banyak. Apalagi jika nantinya sistem ini benar-benar diterapkan dalam ruang lingkup yang luas OpenCV OpenCV akan digunakan sebagai library yang siap dipanggil dalam algoritma computer vision untuk mengukur tingkat kemacetan. Digunakannya OpenCV karena perangkat ini bersifat open source sehingga bebas digunakan untuk hal-hal yang bersifat akademis dan penelitian. Software OpenCV dapat diunduh secara gratis melalui situs resminya, yaitu Microsoft Visual Studio Microsoft Visual Studio merupakan aplikasi yang digunakan dalam melakukan development algoritma yang akan digunakan. Pemilihan aplikasi ini karena bahasa pemograman yang akan dipakai adalah C++. Microsoft Visual Studio termasuk perangkat lunak yang relatif umum digunakan untuk pemograman dengan menggunakan bahasa C++. Pada perangkat ini sudah termasuk code editor dan integrated debugger. Untuk membuat program yang dengan menggunakan library dari OpenCV, perlu dilakukan integrasi antara Microsoft Visual Studio dengan OpenCV. Integrasi tersebut dilakukan dengan cara mendefinisikan library yang digunakan ke lokasi data OpenCV yang terdapat pada suatu lokasi di dalam komputer. Dengan menggunakan perangkat lunak ini dapat juga dibuat Graphical user interface dari program yang dibuat. Kekurangan yang dimiliki ini adalah tidak bersifat open source, dan harganya relatif cukup mahal. Microsoft menyediakan versi trial dari aplikasi ini untuk digunakan selama 90 hari. Contoh tampilan dari Microsoft Visual Studio dapat dilihat pada Gambar 3.4.

36 24 Gambar 3.4 Contoh Tampilan Microsoft Visual Studio [21] Qt Creator Qt Creator adalah sebuah cross-platform integrated development environment (IDE) yang disesuaikan untuk kebutuhan para pengembang Qt. Maksud dari cross-platform yaitu dapat dijalankan di berbagai operating system yaitu Windows, Linux/X11, dan Mac OS X desktop OS. Dengan aplikasi ini, para pengembang dapat membuat berbagai macam aplikasi desktop dan juga mobile device. Pada aplikasi ini tersedia: 1. C++ dan JavaScript code editor 2. Integrated User Interface designer 3. Project and build management tools 4. Simulator untuk mobile user interface 5. Mendukung pengembangan aplikasi desktop dan mobile Sebenarnya aplikasi ini juga dapat digunakan untuk membuat algoritma dari sistem yang dibuat. Namun penggunaan aplikasi ini lebih difokuskan untuk membuat graphical user interface karena proses pembuatan algoritma lebih familiar dengan menggunakan aplikasi Microsoft Visual Studio. Namun aplikasi Microsoft Visual Studio kurang mendukung pembuatan aplikasi console dengan disertai graphical user interface sehingga akhirnya diputuskan digunakannya

37 25 aplikasi Qt Creator. Sama seperti pada Microsoft Visual Studio, untuk menggunakan OpenCV sebagai library algoritma yang akan digunakan, perlu didefinisikan letak data OpenCV pada program yang akan dibuat. Contoh tampilan dari Qt Creator dapat dilihat pada Gambar 3.5. Gambar 3.5 Contoh Tampilan Qt Creator [22] 3.6 Rancangan Algoritma Algoritma yang akan dipakai dalam sistem ini dibuat dalam bahasa C++. Alasan dipilihnya bahasa tersebut adalah bahasa tersebut lebih umum dipakai dan lebih relatif lebih mudah digunakan pada embedded system apabila nantinya sistem ini akan dimasukan pada sistem lain pada tingkat yang lebih tinggi. Algoritma yang akan dibuat akan mengolah data dari video yang dikirimkan oleh kamera. Untuk mempermudah pengujian sistem, sebagai pengganti kamera akan digunakan rekaman video yang menampilkan kondisi jalan yang sesungguhnya seolah-olah video tersebut berasal dari kamera secara real time. Tingkat kemacetan jalan yang dipantau, akan dilihat dengan menggunakan dua buah parameter, yaitu: 1. Jumlah kendaraan. 2. Kepadatan jalan, yaitu perbandingan antara jumlah kendaraan dengan kapasitas jalan. Dibutuhkan 4 input untuk diolah, yaitu: 1. Video atau citra daerah yang diamati. 2. Ketinggian kamera.

38 26 3. Daerah yang akan diamati dari video atau gambar (region of interest). Pertama-tama, gambar yang didapat akan diubah ke dalam format grayscale. Hal ini dilakukan karena dalam sistem pemantau lalu lintas yang dibuat menggunakan algoritma yang memerlukan format grayscale sebagai input. Setelah itu, untuk menghilangkan noise, gambar akan dibuat blur. Setelah itu, akan dibuat template dari wilayah yang akan dilakukan proses filter, yaitu jalan yang akan diamati yang selanjutnya akan disebut region of interest. Hal ini dilakukan karena tidak semua bagian yang terpantau oleh kamera akan diamati, seperti trotoar, bangunan, dan lain sebagainya. Jadi nantinya frame yang diterima akan dibuang bagian frame yang tidak dibutuhkan. Hal ini dilakukan untuk efisiensi data yang akan diolah dan juga menghindarkan adanya objek lain yang tidak diharapkan ikut terdeteksi. Metode yang digunakan untuk proses ini yaitu lane masking [7]. Untuk mendeteksi bentuk kendaraan terdapat dua macam metode yang dapat dipilih, yaitu Blob Detection dan algoritma Canny. Algoritma Canny mencari kendaraan berdasarkan kontur tepinya. Semua objek yang ada pada region of interest akan dicari kontur tepinya. Setelah semua objek didapatkan kontur tepinya, dilakukan proses filterisasi berdasarkan ukuran kontur tersebut. Gambaran alur program yang dibuat dengan menggunakan algoritma Canny dapat dilihat pada Gambar 3.6. Berbeda dengan algoritma Canny, metode Blob Detection akan mencari kendaraan berdasarkan kontur bayangan dari kendaraan. Hal ini dilakukan karena warna tiap kendaraan dapat berbeda-beda, sedangkan warna bayangan setiap kendaraan akan selalu sama. Metode ini dilakukan dengan mencari pixel yang mempunyai kontras sewarna dengan warna bayangan. Selanjutnya, baik menggunakan Blob Detection maupun Canny, hanya kontur yang ukurannya sesuai dengan kontur mobil saja yang akan dihitung dan dilakukan ke dalam penghitungan. Gambaran alur program yang dibuat dengan menggunakan Blob Detection dapat dilihat pada Gambar 3.7.

39 27 Gambar 3.6 Flowchart Algoritma Perancangan Sistem Pemantau Lalu Lintas dengan Algoritma Canny Setelah didapat data jumlah kendaraan pada satu frame, akan dilakukan pada perhitungan kepadatan kendaraan, yaitu dengan membagi jumlah tersebut dengan jumlah maksimum kendaraan yang mungkin ada pada region of interest dari video daerah yang diamati. Nantinya informasi kepadatan kendaraan tiap frame akan dimasukkan ke dalam database, lalu akan dihitung rata-rata kepadatan kendaraan tersebut untuk disebutkan kondisi jalan tersebut berdasarkan rata-rata kepadatan kendaraan.

40 28 Gambar 3.7 Flowchart Algoritma Perancangan Sistem Pemantau Lalu Lintas dengan Blob Detection 3.7 Perancangan Graphical User Interface Sistem pemantau lalu lintas yang dirancang ini mempunyai tampilan yang sederhana. Pada intinya sistem ini membutuhkan 4 input: Citra atau video mengenai kondisi jalan yang diamati Informasi mengenai ketinggian kamera Informasi mengenai daerah dari kamera yang akan diamati atau disebut juga region of interest

41 29 Input yang dibutuhkan tersebut nantinya akan digunakan untuk menentukan tingkat kemacetan yang akan muncul di kolom kondisi jalan. Informasi mengenai ketinggian kamera dibutuhkan untuk menentukan range kontur kendaraan yang akan dideteksi. Semakin tinggi letak kamera, maka gambar kendaraan yang ada pada citra akan semakin kecil, sehingga nantinya citra kendaraan yang diolah juga akan semakin kecil. Tentunya setiap ketinggian kamera yang berbeda akan menghasilkan besar ukuran kendaraan pada citra yang berbeda pula. Informasi mengenai jumlah kendaraan maksimum yang mungkin ada juga didapat berdasarkan ketinggian kamera. Informasi mengenai jumlah kendaraan maksimum akan digunakan untuk menentukan kepadatan jalan yang nantinya akan digunakan untuk menghitung tingkat kemacetan dari jalan tersebut. Screenshot dari sistem yang dibuat dapat dilihat pada Gambar 3.8. Gambar 3.8 Tampilan Awal Sistem Pemantau Lalu Lintas Kondisi jalan yang akan dinyatakan oleh program ini yaitu: Lengang, jika kepadatan jalan kurang dari atau sama dengan 25% Ramai lancar, jika kepadatan jalan berkisar 26% - 50% Padat merayap, jika kepadatan jalan berkisar 51% - 75% Macet, jika kepadatan jalan lebih besar daripada 75%

42 30 Selain kondisi jalan, sistem yang dibuat juga menampilkan jumlah kendaraan yang terdeteksi pada saat itu, rata-rata jumlah kendaraan, kepadatan jalan, dan jumlah maksimum kendaraan yang mungkin lewat di daerah region of interest. Jumlah kendaraan terdeteksi menampilkan informasi kendaraan yang terdeteksi pada frame yang sedang diolah. Rata-rata jumlah kendaraan menampilkan rata-rata jumlah kendaraan yang lewat, dalam pengujian yang dilakukan diset rata-rata selama 5 detik sebelumnya. Kepadatan jalan menampilkan informasi persentase rata-rata jumlah kendaraan. Screenshot dari sistem yang dibuat dapat dilihat pada Gambar 3.9. Pseudocode dari sistem yang dibuat dapat dilihat pada Gambar Gambar 3.9 Tampilan Sistem Pemantau Lalu Lintas Saat Bekerja

43 31 // Inisiasi inisiasi nomor frame; inisiasi rata-rata jumlah kendaraan; inisiasi jumlah kontur yang terdeteksi; inisiasi level blur; // Parameter Dinamis // variabel region of interest inisiasi variabel titik awal horizontal region of interest dari GUI; inisiasi variabel titik awal vertikal region of interest dari GUI; inisiasi variabel lebar region of interest dari GUI; inisiasi variabel tinggi region of interest dari GUI; perhitungan luas region of interest; inisiasi variabel tinggi kamera dari GUI; perhitungan jumlah maksimum kendaraan yang terdapat pada region of interest; tampilkan jumlah maksimum kendaraan pada GUI; inisiasi range kontur kendaraan berdasarkan ketinggian kamera; // Pengambilan data citra Buka video kondisi jalan; // Untuk setiap frame yang ada: tampilkan pada layar "Citra Asli"; cari lebar dan tinggi citra utuh; konversi citra ke dalam format grayscale; melakukan blur pada citra; definisikan region of interest; lakukan algoritma Canny / Blob Detection pada region of interest; definisikan nomor frame yang sedang diolah saat ini; definisikan semua kontur yang terdeteksi; filter kontur kendaraan; hitung jumlah semua kontur kendaraan; tampilkan jumlah kontur kendaraan pada GUI; tampilkan semua kontur kendaraan pada layar "Citra Setelah Diolah"; masukan data jumlah kendaraan pada array database; // Jika video sudah berjalan selama waktu yang ditentukan hitung rata-rata jumlah kendaraan; tampilkan jumlah rata-rata kendaraan pada GUI; hitung persentase kepadatan jalan; tampilkan persentase kepadatan jalan pada GUI; tentukan kondisi jalan berdasarkan persentase kepadatan jalan; tampilkan kondisi jalan pada GUI; Gambar 3.10 Pseudocode Sistem Pemantau Lalu Lintas yang Dirancang

44 BAB IV UJI COBA DAN ANALISIS SISTEM PEMANTAU LALU LINTAS MENGGUNAKAN OPENCV DENGAN ALGORITMA CANNY DAN BLOB DETECTION Bab ini akan menerangkan mengenai pengujian sistem pemantau lalu lintas yang telah dibuat serta analisis perbandingan penggunaan algoritma Canny dan Blob Detection. Pengujian dilakukan untuk mengukur akurasi kebenaran dari sistem dan kecepatan pengolahan citra yang dilakukan sistem berdasarkan beberapa parameter. 4.1 Implementasi Sistem Sistem pemantau lalu lintas yang dibuat menggunakan teknologi computer vision. Perangkat lunak yang digunakan dalam pembuatan sistem yaitu: 1. OpenCV versi Microsoft Visual Studio[23] 3. Qt Creator Untuk mengetahui performa dari Sistem Pemantau Lalu Lintas ini, maka dibutuhkan pengujian dengan cara pengambilan beberapa data. Pengujian dilakukan dengan menggunakan data berupa video yang berisi kondisi jalan dengan spesifikasi: 1. Durasi tiap video 2 menit 2. Frame rate sebesar 14 fps 3. Ukuran video 320 x 240 pixels Sedangkan mesin pengolah yang digunakan adalah sebuah komputer dengan spesifikasi: Processor Intel Core 2 Memory 1536 mb VGA Card Mobile Intel 945 Express Chipset Family sebesar 256 mb 32