Penghitung Kendaraan Menggunakan Background Substraction dengan Background Hasil Rekonstruksi

Transkripsi

1 Penghitung Kendaraan Menggunakan Substraction dengan Hasil Rekonstruksi Mohammad Musa Sanjaya #1, Dr. I Ketut Eddy Purnama, ST., MT. *2, Muhtadin,ST.,MT #3 Jurusan Teknik Elektro, ITS Surabaya 1 musopotamia@gmail.com 2 ketut@ee.its.ac.id 3 muhtadin_s@elect-eng.its.ac.id Abstract Perhitungan kendaraan (car counter) biasanya dilakukan manual menggunakan cctv untuk memantau kondisi lalu lintas di persimpangan jalan untuk ditampilkan pada pusat pengatur lalu lintas kemudian dihitung secara manual oleh operator. Dalam penelitian sebelumnya telah dibuat modul perhitungan kendaraan (car counter) secara otomatis. Tetapi selisih tingkat keberhasilan tertinggi dengan tingkat keberhasilan terendah cukup besar atau bisa disebut tingkat keberhasilan tidak stabil. Selain itu apabila cuaca tiba-tiba berubah, maka proses perhitungan terganggu akibat banyaknya noise karena hanya menggunakan satu background dalam satu video. Dalam tugas akhir ini dibuat modul perhitungan kendaraan (car counter) yang bisa memperbarui background secara konsisten dengan cara menambahkan metode background reconstruction pada proses pembentukan background. Dengan cara ini, terjadinya error karena perubahan intensitas cahaya yang tibatiba karena faktor cuaca dapat dikurangi untuk menghasilkan tingkat keberhasilan rata-rata 75,5% pada saat video tanpa bayangan, 85,2% pada saat video tanpa bayangan 79,5% pada saat video malam. Keywords car counter, background reconstruction mencapai 97.73% pada dan 95.83% pada mobil, untuk keadaan background dengan bayangan mencapai 97.92% pada dan % pada mobil. Sedangkan untuk pengujian pada malam hari keberhasilan sistem hanya 45% pada dan 90.91% pada mobil [1]. Akan tetapi masih mempunyai beberapa kelemahan, yaitu: Pertama, Perhitungan tidak dilakukan secara real time atau mengolah video secara langsung. Kedua, belum ada fitur untuk mengirimkan hasil perhitungan ke modul integrasi. ketiga, background harus diganti tergantung dari kondisi intensitas cahaya pada video dan keempat, tidak stabilnya hasil perhitungan. Sebagai contoh pada keadaan background tanpa bayangan tingkat keberhasilan tertinggi mencapai 97.73%, tetapi tingkat keberhasilan terendah hanya 33.3% pada dengan jeda waktu pengambilan hanya berselang 2 menit antara tingkat keberhasilan tertinggi dan tingkat keberhasilan terendah. II. METODE Secara garis besar desain dari sistem dapat dilihat dalam blok diagram berikut ini : I. LATAR BELAKANG Selama ini kemacetan dipantau dari pusat pengatur lalu lintas menggunakan sistem pemantau yang bersifat konvensional dengan hanya memanfaatkan gambar dari beberapa kamera video yang disebar pada beberapa ruas jalan di suatu daerah. Kamera video pada ruas jalan dihubungkan ke pusat pemantau menggunakan jaringan kabel privat. Sistem ini sebagian besar terdiri dari perangkat keras, sehingga makin lama dukungan teknik dari pemasok makin sulit didapatkan. Selain itu komunikasi sering gagal akibat kabel sering putus karena penggalian yang tidak terkoordinasi oleh pihak lain. Jika jumlah kamera yang disebar tidak terlalu banyak maka sistem pemantau konvensional ini dapat dioperasikan oleh petugas yang ada di pusat pemantau. Akan tetapi bisa dibayangkan berapa jumlah petugas yang diperlukan untuk memantau ratusan bahkan ribuan kamera untuk memantau seluruh ruas jalan pada kota besar Pada penelitian sebelumnya, telah dibuat modul penghitung kendaraan dengan Tingkat keberhasilan sistem untuk menghitung obyek pada keadaan background tanpa bayangan Gambar 1 : desain system Dalam desain Sistem ini dibagi menjadi 3 bagian. Bagian pertama adalah pre-processing, bagian kedua Segmentasi dan bagian ketiga adalah perhitungan atau counting. Setelah itu output dari proses perhitungan berupa data statistik lalu-lintas dikirim ke modul integrasi Pre-processing Pre-processing adalah tahap pertama pada sistem. Tahap ini bertujuan untuk mempersiapkan komponen-komponen yang akan digunakan pada tahap selanjutnya, seperti : background, current frame, dan ukuran mobil dan

2 (dalam pixel). Pada bagian pre-processing terdapat beberapa tahap, yaitu : Konversi ke grayscale pada tahap ini merubah inputan yang berupa video yang masih RGB menjadi grayscale agar lebih mudah untuk diproses. Grayscale adalah warna-warna piksel yang berada dalam rentang gradasi warna hitam dan putih. Grayscale didapat dari konversi RGB image dengan rumusan sebagai berikut : Dimana : Y = derajat keabuan (uint8 atau uint16). R = nilai pixel chanel Red G = nilai pixel chanel Green B = nilai pixel chanel Blue Pembentukan background dari Rekontruksi background didapatkan dari proses reconstruction atau membuat frame rata-rata, dengan cara menjumlahkan frame-frame tertentu lalu dibagi dengan banyaknya frame yang digunakan. Hasilnya, objek-objek didalam gambar akan hilang, dan yang tampak hanya citra yang sering tampak pada gambar saja. Kode 1 : kode membuat frame rata-rata tempimage = tempimage + imagecap2.convert<gray, Int32>(); background = tempimage / jumlah_fps; dimana : imagecap2 : current frame background :background hasil dari background reconstruction Gambar 2 : hasil background reconstruction Inisialisasi video Sebelum melakukan pengujian, dilakukan inisialisasi yang bertujuan untuk mendefinisikan ukuran kendaraan yang melewati ROI. Hal ini dilakukan agar mempermudah mengidentifikasi kendaraan yang akan dihitung. Gambar 3 : mobil dan yang akan di ukur 2.2. Segmentasi segmentasi dari program ini adalah mendapatkan obyek dengan cara background substract. substract bekerja dengan cara mengurangkan citra referensi (dalam hal ini background) dengan current frame saat ini. akan tetapi hasil dari background subtract masih belum bisa untuk dihitung. Tahapan selanjutnya men-threshold hasil dari background substract setelah itu melakukan erotion dan dilation untuk mengurangi noise. Setelah noise berkurang, setiap obyek akan dipisahkan menggunakan Connected component Absolute different Pada proses pengurangan background dengan current frame Fungsi absolute different digunakan untuk menghitung harga absolut selisih dari dua array atau citra. Absolute digunakan untuk menghindari adanya nilai negatif. Kode 2 : kode untuk absolute different imagesub[i] = backgroundimage.absdiff(imagecap2); Dimana : imagesub : hasil background substract backgroundimage : background yang digunakan imagecap2 : frame video asli Threshold Thresholding citra adalah suatu metode yang digunakan untuk memisahkan antara obyek dan backgroundnya. Thresholding merupakan teknik yang sederhana dan efektif untuk segmentasi citra. Proses thresholding sering disebut dengan proses binerisasi. Pada beberapa aplikasi pengolahan citra, terlebih dahulu dilakukan threshold terhadap citra gray level untuk dapat menjadi citra biner (citra yang memiliki nilai level keabuan 0 atau 255). Sebuah citra hasil proses thresholding dapat disajikan dalam histogram citra untuk mengetahui penyebaran nilai-nilai intensitas piksel pada suatu citra/bagian tertentu dalam citra sehingga untuk citra bimodal, histogram dapat dipartisi dengan baik (segmentasi objek dengan background) dan dapat ditentukan nilai threshold-nya. Gambar 4: citra RGB dan citra binary hasil thresholding

3 2.2.3 Erotion Erotion menyusutkan atau menipiskan objek dalam suatu image biner. Digunakan untuk membuang bagian dari citra yang bukan obyek namun dideteksi sebagai obyek pada saat thresholding. Juga untuk menghilangkan white noise dan noise lain yang berukuran kecil pada citra Dilation Dilation merupakan sebuah operasi yang mengembangkan (memperbesar) atau mempertebal objek dalam suatu citra biner. Dilation dibutuhkan untuk mengembalikan bagian obyek yang terbuang pada saat proses erotion Connected component Pada saat Dua buah piksel tersebut terhubung jika ada jalur yang menghubungkannya. Connected component diperlukan untuk menentukan apabila ada 2 obyek yang berdekatan benar-benar obyek yang berbeda, atau sebenarnya hanya ada 1obyek. Dua piksel terhubung atau tidaknya tergantung dari cara memandang konektivitas dua piksel tersebut, yaitu 4-connectivity dan 8-connectivity. Gambar 5 : 8 dan 4 connectivity 2.3. Perhitungan Tahap ketiga adalah penghitungan. Setelah obyek diberi label kemudian dikelompokkan menjadi 2 jenis, yaitu dan mobil berdasarkan ukurannya, kemudian obyek akan dihitung berdasarkan jenisnya. Sedangkan total, digunakan untuk menyimpan banyaknya obyek yang terhitung III. HASIL DAN PEMBAHASAN Pengujian dilakukan pada 3 kondisi yaitu pada saat cerah dan background tanpa bayangan, pada saat cerah dan background dengan bayangan, dan pada malam hari tanpa bayangan Setelah proses kalibrasi, dengan ukuran kendaraan yang akan digunakan sebagai referensi yaitu : Tabel 1 : ukuran mobil dan dalam pixel Panjang (pixel) Lebar (pixel) Mobil Motor Bedasarkan referensi yang digunakan didapatkan hasil : Wakt u Tabel 2 : hasil perhitungan sebenarny a terhitun g Wakt u Tabel 3 : hasil perhitungan mobil mobil mobil sebenarny terhitung a keberhasi lan (%) keberhasi lan (%) 3.2. dengan bayangan Setelah proses kalibrasi, dengan ukuran kendaraan yang akan digunakan sebagai referensi yaitu : Tabel 4 : ukuran mobil dan dalam pixel Panjang (pixel) Lebar (pixel) Mobil Motor Bedasarkan referensi yang digunakan didapatkan hasil : Tabel 5 : hasil perhitungan Wakt u keberhasi lan (%) sebenarny a terhitun g

4 Waktu Tabel 6 : hasil perhitungan mobil mobil mobil sebenarnya terhitung keberhasila n (%) Pada malam hari Pada pengambilan video malam hari hanya diambil pada 1 tempat, karena sudah tidak ada lagi background dengan bayangan atau background tanpa bayangan. Setelah proses kalibrasi, dengan ukuran kendaraan yang akan digunakan sebagai referensi yaitu : Tabel 7 : ukuran mobil dan dalam pixel Panjang (pixel) Lebar (pixel) tanpa bayangan () dengan bayangan () tanpa bayangan (mobil) dengan bayangan (mobil) Gambar : grafik pengaruh bayangan background dengan keberhasilan Mobil Motor Bedasarkan referensi yang digunakan didapatkan hasil : Waktu Tabel 8 : hasil perhitungan sebenarnya terhitung keberhasila n (%) Waktu Tabel 9 : hasil perhitungan mobil mobil mobil sebenarnya terhitung keberhasila n (%) 3.4. Pembahasan Pengaruh Bayangan background terhadap tingkat keberhasilan. Gambar : grafik pengaruh bayangan background dengan keberhasilan (modul sebelumnya) Hasil pengujian pada keadaan background tanpa bayangan rata-rata menunjukkan hasil yang lebih baik daripada pengujian pada keadaan background dengan bayangan. Tingkat keberhasilan tertinggi pada background tanpa bayangan adalah 91% untuk dan 80% untuk mobil. Pada background dengan bayangan adalah 91% untuk dan untuk 92% mobil, sedangkan yang terendah adalah 60% untuk dan 64% untuk mobil pada background tanpa bayangan dan 79.4% untuk dan 65,6% untuk mobil pada background dengan bayangan, selisih antara tingkat keberhasilan tertinggi dan terendah adalah 31% untuk dan 16% untuk mobil pada background tanpa bayangan dan 11.6% untuk dan 26,4% untuk mobil pada background dengan bayangan. Dibandingkan dengan modul sebelumnya dengan tingkat keberhasilan tertinggi pada background tanpa bayangan adalah 82.22% untuk dan 95,83% untuk mobil. pada background dengan bayangan adalah 94.74% untuk dan 41,79% untuk mobil, sedangkan yang terendah adalah 37.5% untuk dan 80% untuk mobil pada background tanpa bayangan. dan 57.28% untuk dan 27,27% untuk mobil pada background dengan bayangan, selisih antara tingkat keberhasilan tertinggi dan terendah adalah 42.72% untuk dan 42,72% untuk mobil pada background tanpa

5 bayangan dan 11.6% untuk dan 15,83% untuk mobil pada background dengan bayangan. hal ini menunjukan bahwa tingkat keberhasilan lebih stabil jika dibandingkan dengan modul sebelumnya Pengaruh kondisi waktu pengambilan video terhadap tingkat keberhasilan. untuk mobil dan pada pukul adalah 27.59% untuk dan 72,73% untuk mobil. selisih antara tingkat keberhasilan tertinggi dan terendah adalah 44,72% untuk dan 14,52% untuk mobil pada pukul 12.00, 64.4% untuk dan 16,42% untuk mobil pada pukul dan 17.41% untuk dan 30,91% untuk mobil pada pukul hal ini menunjukan bahwa tingkat keberhasilan lebih stabil jika dibandingkan dengan modul sebelumnya Pengaruh volume kendaraan terhadap tingkat keberhasilan. Gambar : grafik pengaruh Kondisi waktu pengambilan video dengan keberhasilan Gambar : grafik pengaruh volume dengan Keberhasilan dengan keberhasilan Gambar : grafik pengaruh Kondisi waktu pengambilan video dengan keberhasilan (modul sebelumnya) Karena analisa hanya hubungan bayangan obyek, intensitas cahaya dan keberhasilan, maka data diambil hanya dari video pada keadaan background tanpa bayangan pada pukul 12.00, 16.00, dan agar tidak terpengaruh oleh bayangan background. Tingkat keberhasilan tertinggi pada pukul adalah 91% untuk dan 80% untuk mobil, pada pukul adalah 91.5% untuk dan 80% untuk mobil, dan pada pukul adalah 95% untuk dan 91,5% untuk mobil. sedangkan tingkat keberhasilan yang terendah pada pukul adalah 75% untuk dan 64% untuk mobil, pada pukul adalah 79.4% untuk dan 68% untuk mobil, dan pada pukul adalah 64% untuk dan 79,4% untuk mobil. selisih antara tingkat keberhasilan tertinggi dan terendah adalah 16% untuk dan 16% untuk mobil pada pukul 12.00, 12% untuk dan 12% untuk mobil pada pukul dan 31% untuk dan 12,1% untuk mobil pada pukul Dibandingkan dengan modul sebelumnya dengan tingkat keberhasilan tertinggi pada pukul 12.00, 16.00, dan agar tidak terpengaruh oleh bayangan background. Tingkat keberhasilan tertinggi pada pukul adalah 82.22% untuk dan 41,79% untuk mobil, pada pukul adalah 97.73% untuk dan 50,76% untuk mobil dan pada pukul adalah 45% untuk dan 90,91% untuk mobil. sedangkan tingkat keberhasilan yang terendah pada pukul adalah 37.5% untuk dan 27,27% untuk mobil, pada pukul adalah 33.33% untuk dan 34,34% Gambar : grafik pengaruh volume dengan Keberhasilan dengan keberhasilan (modul sebelumnya) Percobaan ini didapat dengan cara megurutkan data berdasarkan volume kendaraan. Terlebih dahulu menghitung jumlah kendaraan per-menit untuk setiap video. Dengan asumsi durasi sama, berarti pengurutan berdasarkan banyaknya kendaraan yang terhitung. Semakin besar volume kendaraan, berarti jalan semakin padat. Hal ini juga berarti jarak antara kendaraan yang satu dengan yang lainnya semakin dekat. Untuk pengujian pada keadaan background tanpa bayangan. Tingkat keberhasilan tertinggi pada pukul adalah 91% untuk dan 80% untuk mobil, pada pukul adalah 91,5% untuk dan 92% untuk mobil, dan pada pukul adalah 95% untuk dan 84% untuk mobil. sedangkan tingkat keberhasilan yang terendah pada pukul adalah 60% untuk dan 64% untuk mobil, pada pukul adalah 79,4% untuk dan 43% untuk mobil dan pada pukul adalah 64% untuk dan 46% untuk mobil. selisih antara tingkat keberhasilan tertinggi dan terendah adalah 31% untuk dan 16% untuk mobil pada pukul 12.00, 12,1% untuk dan 49% untuk mobil pada pukul dan 28,5% untuk dan 38% untuk mobil pada pukul

6 Dibandingkan dengan modul sebelumnya, tingkat keberhasilan tertinggi pada pukul 12.00, 16.00, dan agar tidak terpengaruh oleh bayangan background. Tingkat keberhasilan tertinggi pada pukul adalah 82,22% untuk dan 82,22% untuk mobil, pada pukul adalah 94,74% untuk dan 41,79% untuk mobil, dan pada pukul adalah 45% untuk dan 90,91% untuk mobil. sedangkan tingkat keberhasilan yang terendah pada pukul adalah 37,5% untuk dan 37,5% untuk mobil, pada pukul adalah 57,28% untuk dan 27,27% untuk mobil, dan pada pukul adalah 27,59% untuk dan 60% untuk mobil. selisih antara tingkat keberhasilan tertinggi dan terendah adalah 44,72% untuk dan 44,72% untuk mobil pada pukul 12.00, 37,46% untuk dan 14,52% untuk mobil pada pukul dan 17,41% untuk dan 30,91% untuk mobil pada pukul hal ini menunjukan dalam hal kestabilan, sedikit lebih stabil tetapi masih lebih baik dalam keakurasian daripada modul sebelumnya. REFERENCES [1] Bagus Navyan Putra. Sistem Penghitung Kepadatan Lalu Lintas Secara Real Time. Tugas Akhir. Jurusan Teknik Elektro ITS [2] Dwinugraha E.. Purnama I.K.E.. Sistem Lampu Lalu Lintas Cerdas Menggunakan Fuzzy Logic. Tugas Akhir. Jurusan Teknik Elektro ITS [3] Claramunt C.. Jiang B. dan Bargiela A.. A new framework for the integration. analysis and visualisation of urban traffic data within geographic information systems. Transportation Research Part C. 2000: Vol [4] Dinas Perhubungan. Manual Kapasitas Jalan Indonesia (MKJI), Dinas Perhubungan, [5] Iain Richardson. H.264 and MPEG-4 Video Compression Video Coding for Next generation Multimedia, John Wiley &Sons Ltd, [6] Rafael C.Gonzalez and Richard E. Woods. Digital Image Processing, NewJersey, IV. KESIMPULAN Dari hasil pengujian dan analisa dapat disimpulkan bahwa : 1. Bayangan pada background menyebabkan penurunan rata rata 10% performa sistem apabila dibandingkan dengan pada keadaan bayangan tanpa background. 2. Semakin besar volume kendaraan, performa sistem akan turun 20% pada keadaan background tanpa bayangan. Namun performa sistem akan naik 4% pada keadaan background dengan bayangan dan malam hari. 3. Tugas akhir ini menghasilkan penghitung kendaraan dengan tingkat keberhasilan rata-rata 75,5% pada saat video tanpa bayangan, 85,2% pada saat video tanpa bayangan 79,5% pada saat video malam. sedikit lebih stabil dibandingkan dengan modul penghitung kendaraan sebelumnya[1] dengan tingkat keberhasilan rata-rata 59,86% pada saat video tanpa bayangan, 76% pada saat video tanpa bayangan 37% pada saat video malam..