Journal of Control and Network Systems

Transkripsi

1 JCOS Vol. 2, o. 1 (2013) Journal of Control and etwork Systems Situs Jurnal : RACAG BAGU PDTKS TMPAT PARKR KOSOG BRBASS CTRA DGTAL Achmad usuf Zunaidi 1) Harianto 2) Madha Christianto 3) Program Studi/JurusanSistemKomputer STMK STKOM Surabaya Jl. Raya KedungBaruk 98 Surabaya, mail : 1)yusuf.zuna@yahoo.com, 2)Harianto@stikom.edu, 3)Madha@stikom.edu Abstract: Large parking area and many cars parked can be problems when someone want to find the empty parking spot. That condition could make someone looking around the parking area to search an empty spot. At this time, many parking area are equipped with CCTV (Closed Circuit Television) camera. But recently, CCTV is only used to monitor the parking situation. Actually, the images produced by CCTV can be used to detect an empty parking spot and the results from it will be informed to someone who wants to park. This research designed a system that can detect and inform an empty parking spot using background subtraction method. This system is composed by three main part, those are camera, computer, and display. General process of system is camera will capture situation of the parking area and send the images to computer. Then computer will process the images so that system can detect empty parking spot. The result is showed in a display that anyone can know the empty parking spots. From the experiment, system produced 150 correct data (valid data) from 150 trials with a minimum percentage is 35% white pixel obtained from multiple testing (testing to get accurate results). Keywords : parking, image, camera, background subtraction method Luasnya lahan parkir dan banyaknya jumlah mobil di tempat parkir dapat menjadi kendala bagi pengendara mobil untuk mengetahui lahan parkir di bagian mana yang masih kosong, sehingga pengendara harus mengelilingi lahan parkir untuk mencari tempat yang kosong. Pada saat ini tempat parkir telah dilengkapi dengan kamera Close Circuit Television (CCTV) yang berguna hanya untuk memantau keadaan parkir tersebut. Untuk mengoptimalkan fungsi kamera pada tempat parkir maka dibuat sistem yang memanfaatkan hasil citra yang didapatkan dari kamera untuk diproses sehingga menghasilkan sistem yang dapat mendeteksi dan memberikan informasi lahan parkir terhadap pengendara mobil yang hendak parkir. Pengolahan citra adalah sistem yang diterapkan untuk mengolah data citra yang didapatkan dari kamera pada lahan parkir tersebut. Proses pendeteksian lahan parkir yang kosong dimulai dengan pengambilan citra sampel yang kemudian dikurangkan/ disubtraksi dengan citra baru dengan menggunakan metode background subtraction. Dari proses subtraksi tersebut didapatkan hasil berupa gambar objek yang berbeda antara citra sampel dengan citra baru. Dari hasil tersebut sehingga dapat proses lebih lanjut untuk proses pendeteksian lahan yang kosong. Citra baru akan terus diperbarui setiap beberapa menit untuk memperbarui informasi parkir. Sehingga informasi lahan parkir yang kosong bisa selalu update sesuai kondisi yang ditangkap oleh kamera. Penggunaan sistem pengolahan citra dengan menggunakan library OpenCV dan memanfaatkan citra dari kamera sebagai input dinilai lebih efisien dibandingkan penggunaan sensor benda sebagai penerima input dalam sistem pendeteksian lahan parkir yang kosong. Hal ini dikarenakan pemasangan sensor benda pada masing-masing lahan parkir membutuhkan biaya yang jauh lebih banyak dibandingkan dengan pemasangan kamera. Dari sistem pendeteksian lahan parkir kosong menggunakan kamera akan menghasilkan sebuah sistem yang dapat membedakan lahan parkir yang berisi mobil dan lahan parkir kosong yang selanjutnya akan diinformasikan ke pengendara mobil yang hendak memasuki parkir. Sehingga orang yang hendak parkir bisa langsung menuju ke salah satu nomor lahan parkir yang telah diinformasikan sistem melalui display jadi tidak perlu lagi berkeliling mencari lahan parkir yang kosong. JCOS Vol. 2, o. 1 (2013) Hal: 26

2 MTOD Model penelitian yang akan dilakukan adalah model penelitian pengembangan. Untuk mempermudah dalam memahami sistem yang akan dibuat dapat dijelaskan melalui blok diagram pada Gambar 1. lahan parkir kamera PC display adalah plimage. Berikut potongan program untuk memuat citra sampel. plmage*img=cvloadmage( "D:\\pict_TA\\background.jpg" ); Penerimaan Data Citra Setiap data citra yang dikirimkan dari kamera diakses dengan pointer CvCapture dan menggunakan fungsi cvcapturefromcam(1). Angka 0 pada fungsi cvcapturefromcam(0) merupakan indeks dari kamera yang digunakan. Berikut adalah potongan program untuk proses penerimaan data citra dari kamera menggunakan. CvCapture*capture=cvCaptureFromCAM(0); Data citra yang ditangkap adalah data citra dengan ruang warna RGB dan disimpan langsung pada variabel plimage (ntel mage Processing Library) yaitu stuktur data untuk penyimpanan data citra pada OpenCV. Proses Update Citra Kondisi Parkir Flowchart proses update data setiap 5 menit sekali adalah sebagai berikut. Gambar 1. Blok Diagram Sistem Dari Gambar 1. Merupakan proses dari pengambilan gambar atau citra terhadap lahan parkir sampai dengan hasil pendeteksian yang ditampilkan pada display. Sebagai input, citra didapatkan dari kamera yang terpasang pada miniatur. Kemudian diproses menggunakan console application Visual C dengan memanfaatkan library OpenCV. Citra yang diperoleh adalah citra keadaan blok parkir mobil. Setelah mendapatkan citra tersebut, maka selanjutnya citra akan diproses untuk kemudian disubtraksi/dikurangkan (subtraction) dengan citra sampel (citra blok tanpa mobil). Dari hasil subtraksi tersebut dilakukan klasifikasi benda yang teridentifikasi merupakan mobil atau tidak. Pada akhirnya akan ditampilkan informasi pada PC berupa output nomor tempat yang kosong (diasumsikan bahwa setiap tempat parkir terdapat nomor urut), selain itu juga citra yang diambil secara streaming akan ditampilkan pada layar PC. B start fc = false Streaming kamera Akses menit (time sistem) Pengambilan Citra Sampel Citra sampel yang dimaksud adalah citra kondisi parkir saat dalam keadaan tanpa adanya mobil. Citra sampel tersebut digunakan untuk data yang akan disubtraksi dengan citra update. Pengambilan citra sampel dilakukan secara manual dan akan disimpan pada direktori D:\\pict_TA dan file tersebut diberi nama background.jpg. Ketika program berjalan program akan memuat citra sampel menggunakan fungsi cvloadmage dan disimpan dalam variabel img. format variabel img!fc and menit % 5== 0 A fc = false JCOS Vol. 2, o. 1 (2013) Hal: 27

3 A start BG = citra Citra sampel fc = true Citra update B Gambar 2. Flowchart Update Citra Kondisi Parkir proses streaming dijalankan dan ketika proses streaming mencapai 5 menit atau kelipatannya maka program akan menyimpan hasil capture citra kondisi yang baru. 49 < y < < x < = 330 A Proses Akses Pixel Library OpenCV telah menyediakan function untuk Background Subtraction yaitu cvsub(source1, source2, dest, ULL) tetapi hasil subtraksi yang didapatkan tidak maksimal sehingga perlu dilakukan proses subtraksi secara manual. Dalam proses Background Subtraction secara manual langkah yang pertama adalah mengakses RGB per pixel pada citra sampel dan citra update. Pada saat sudah mendapatkan nilai RGB dari tiap-tiap pixel maka dilakukan proses subtraksi. Setelah proses subtraksi maka pixel-pixel hasil subtraksi tersebut harus dikembalikan ke bentuk semula yaitu dalam format image untuk diproses ke tahap selanjutnya. Akses Green pixel Akses Blue pixel Akses Red pixel Akses g pixel Akses b pixel Akses r pixel Background Subtraction Berikut merupakan flowchart dari proses background subtraction untuk dapat mengetahui perbedaan yang terdapat pada citra sampel dan citra update. Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) Hasil subtraksi region 1 x = x++ y = y++ JCOS Vol. 2, o. 1 (2013) Hal: 28

4 A 49 < y < < x < 801 Akses Green pixel Akses Blue pixel Akses Red pixel a Pada Gambar 3. merupakan Flowchart Background Subtraction. Dalam Flowchart tersebut telah ditentukan koordinat pixel untuk masing-masing area/region dengan rincian berikut. a. Area/region 1, berada diantara koordinat x,y(10<=x<=330,50<=y<=450) b. Area/region 2, berada diantara koordinat x,y(480<=x<=800, 50<=y<=450) c. Area/region 3, berada diantara koordinat x,y(940<=x<=1240, 50<=y<=450) Akses g pixel Akses b pixel Akses r pixel Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) Hasil subtraksi area 2 x = x++ y = y++ a 49 < y < < x < 1239 Akses Green pixel Akses Blue pixel Akses Red pixel Akses g pixel Akses b pixel Akses r pixel Proses Konversi ke Grayscale Grayscale adalah suatu format citra atau gambar yang tiap-tiap pixel gambar hanya terdiri dari 1 channel warna. Proses perubahan warna dari RGB menjadi Grayscale bertujuan untuk mempermudah proses selanjutnya yaitu proses perubahan Grayscale menjadi biner. Sehingga setelah proses subtraksi berhasil dilakukan maka langkah selanjutnya ialah melakukan konversi format gambar dari RGB menjadi Grayscale. Untuk mengubah RGB menjadi Grayscale dapat digunakan rumus. Grayscale = 0.299R G B (1) atau dapat menggunakan algoritma dengan meratarata nilai ketiga buah channel RGB. (Awcock, G.W. 1996) Perubahan gambar RGB menjadi Grayscale menggunakan library opencv pada visual C++ menggunakan perintah sebagai berikut. cvcvtcolor(region1,gimask1,cv_rgb2 GRA); Pada perintah tersebut sudah terdapat dua frame yaitu region1 dan gimask1. region1 adalah frame RGB hasil subtraksi sedangkan gimask1 adalah frame yang disediakan untuk Grayscale yang akan dibuat. Sehingga maksud dari potongan perintah tersebut adalah mengubah gambar region1 menjadi Grayscale dengan fungsi CV_RGB2GRA lalu disimpan pada frame bernama gimask1. Green(x,y)-g(x,y) Blue (x,y)-b(x,y) Red(x,y)-r(x,y) Hasil subtraksi area 3 x = x++ y = y++ stop Gambar 3. Flowchart Background Subtraction Proses Thresholding Untuk melakukan penghitungan pixel putih pada masing-masing region, maka data citra dikonversikan ke dalam citra biner dengan memanfaatkan thresholding. Thresholding adalah proses mengubah suatu citra berwarna atau berderajat keabuan (Grayscale) menjadi citra biner atau hitam putih, sehingga dapat diketahui daerah mana yang termasuk objek dan background dari citra secara jelas (Gonzales dan Woods, 2002). Pada library OpenCV telah disediakan function untuk memproses thresholding, yaitu dengan menggunakan cvthreshold. Berikut merupakan baris perintah thresholding. JCOS Vol. 2, o. 1 (2013) Hal: 29

5 cvthreshold(gimask1, im_bw, 30, 255, CV_THRSH_BAR); (Wijaya, MC. 2009) Pada perintah tersebut gambar Grayscale dari frame gimask1 dirubah menjadi biner (CV_THRSH_BAR) dengan threshold 30 dan disimpan pada frame im_bw. Threshold bertujuan mengubah pixel diatas threshold untuk menjadi pixel bernilai 255 sedangkan dibawah threshold dirubah menjadi 0, dengan demikian didapatkanlah gambar biner. Penghitungan Pixel Putih Proses untuk menghitung pixel warna putih pada 3 area/region dari gambar hasil subtraksi yang telah dibinerkan. Pada awalnya variabel counter diberi nilai 0. Setelah melakukan proses subtraksi citra sampel dengan citra update dan telah dilakukan proses grayscale serta thresholding, selanjutnya memeriksa koordinat pixel. Jika koordinat y tepat pada range koordinat y area 1 maka proses akan mengakses pixel dan nilainya dimasukkan pada variabel ptr. Selanjutnya jika koordinat x berada pada koordinat x area 1 maka nilai variabel ptr dimasukkan ke dalam variabel value untuk diperiksa apakah bernilai 255 (warna putih). Apabila value bernilai 255 maka nilai variabel counter dan pixel ditambahkan 1. Tetapi apabila koordinat x tidak berada pada koordinat x area 1 maka koordinat akan diperiksa kembali untuk mengetahui apakah berada di area 2 atau area 3 atau tidak berada di koordinat 3 area tersebut. Untuk proses penghitungan pixel di area 2 maupun 3 sama seperti halnya di area 1. Sedangkan jika diluar koordinat 3 area tersebut maka tidak akan diproses lebih lanjut. Berikut adalah potongan program untuk menghitung pixel pada salah satu area. for ( y = 50 ; y <= 450 ; y++) { uchar* ptr = (uchar*)(im_bw- >imagedata+im_bw->widthstep*y ); for ( x = 10 ; x <= 330 ; x++) {value = ptr[x]; if (value == 255) white1++; pixel1++; } } Pada potongan program tersebut terdapat variabel im_bw yaitu variabel yang menampung frame biner hasil subtraksi area 1. Penghitungan pixel sangat penting dilakukan untuk proses selanjutnya yaitu identifikasi benda. Karena identifikasi benda dilakukan dengan menghitung prosentasi pixel putih pada masingmasing area. Untuk menentukan benda yang teridentifikasi merupakan mobil atau tidak maka terlebih dahulu total pixel putih (white1 untuk area 1, dst) dibagi dengan total keseluruhan pixel (pixel1 untuk area 1, dst) dari masing-masing area sehingga didapatkan prosentasi pixel putih pada tiap-tiap area. Kemudian nilai dari hasil bagi masing-masing area tersebut akan ditampung di variabel Hasil1 (untuk area 1), Hasil2 (untuk area 2) dan Hasil3 (untuk area 3). Setelah ditampung ke dalam variabel maka hasil akan dibandingkan dengan batas minimum prosentasi yang telah ditentukan yaitu 38% atau 0,38. Jika prosentasi pixel putih pada area 1 kurang dari 0,38 maka area tersebut dianggap tidak ada mobil dan pada list nomor parkir akan ditampilkan nomor 1 untuk menginformasikan kepada pengguna parkir bahwa tempat parkir nomor 1 dapat ditempati. Jika prosentasi pixel putih lebih dari 0,38 maka area tersebut dianggap terdapat mobil dan akan dilanjutkan untuk mengeksekusi proses selanjutnya yaitu mengidentifikasi pada area yang lain. List parkir akan menginformasikan bahwa parkir telah penuh apabila prosentasi pixel putih pada semua area parkir melebihi 0,38. Berikut adalah potongan program untuk identifikasi benda. Perancangan Perangkat Keras Perangkat keras pada Tugas Akhir ini berupa miniatur tempat parkir mobil. Sebelum proses pembuatan miniatur telah dilakukan riset untuk mengetahui desain dan ukuran tempat parkir tersebut, selanjutnya dicari ukuran yang tepat untuk diterapkan dalam bentuk miniatur menggunakan skala perbandingan sehingga hasil program bisa mendekati hasil sesungguhnya apabila diterapkan secara real. Dari hasil riset diperoleh data yaitu panjang lokasi parkir 50 m dengan tinggi 2,1 m dan lebar 9 m. Dari hasil tersebut ditentukan dimensi miniatur dan didapatkan skala perbandingan 1:25, sehingga panjang miniatur menjadi 2 m, tinggi 8,4 cm, dan lebar 36 cm. Hasil dimensi miniatur tersebut diperoleh dari penghitungan sebagai berikut: Diketahui: Panjang sesungguhnya (PM) : 50 m = 5000 cm Tinggi sesungguhnya (TM) : 2,1 m = 210 cm Lebar sesungguhnya (LM) : 9 m = 900 cm Skala 1:25 Dicari : Pm, Tm, Lm Penyelesaian: Panjang miniatur (Pm) = 5000/25 = 200 cm = 2 m Tinggi miniatur (Tm) = 210/25 = 8,4 cm Lebar miniatur (Lm) = 900/25 = 36 cm Dari hasil perhitungan tersebut dibuat miniatur seperti pada Gambar 4 dan 5. Proses dentifikasi Benda JCOS Vol. 2, o. 1 (2013) Hal: 30

6 Waktu 15: 39 Gambar 4.View Miniatur Dari Atas Gambar 5.View Miniatur Dari Samping PGUJA SSTM Pengujian sistem dilakukan untuk mengetahui sistem pada aplikasi apakah sudah dapat berjalan sesuai dengan yang diharapkan. Dimulai dari memperbarui citra update, hingga output berupa list nomor parkir yang kosong dapat sesuai. Pengaksesan webcam dari PC diperlukan untuk mendapatkan input citra yang tertangkap dari webcam. Gambar 6 dan Gambar 7 merupakan hasil capture proses update citra. Gambar 7 Capture Citra Parkir Pukul 15:39 Pada Gambar 7. menunjukkan bahwa data telah di update yaitu kondisi awal pada blok tersebut terdapat 2 mobil pada pukul 15:35 (Gambar 4.2). Kemudian terdapat 1 mobil lagi parkir pada blok tersebut sehingga pada saat update data maka file image update.jpg pada direktori D:\\Pict_TA juga akan berubah mengikuti kondisi saat proses update terakhir. Sebelum proses pengolahan citra lebih lanjut maka dilakukan juga pengujian proses penentukan koordinat titik acuan masing-masing area sebagai proses yang sangat berpengaruh terhadap proses berikutnya. Gambar 9 merupakan hasil capture proses pencarian titik koordinat acuan masing-masing area secara manual dengan memberi tanda persegi di tiap-tiap area. Waktu 15: 35 Gambar 8. Capture Citra Sampel Gambar 6 Capture Citra Parkir Pukul 15:35 JCOS Vol. 2, o. 1 (2013) Hal: 31

7 Total pixel putih area 1 : Total pixel putih area 2 : Total pixel putih area 3 : Gambar 9. Capture Citra Setelah Ditandai Batas Tiap Area Pada Gambar 9. menunjukkan bahwa proses menentukan koordinat dari masing-masing area berhasil dilakukan dengan memberi tanda persegi pada masing-masing area. Persegi biru merupakan koordinat area 1, persegi ungu merupakan koordinat area 2 dan persegi kuning merupakan koordinat area 3. Proses selanjutnya adalah background subtraction yang selanjutnya hasilnya akan diubah menjadi grayscale kemudian dibinerkan melalui proses thresholding. Dari gambar hasil thresholding tersebut akan dihitung nilai pixel putih dan total pixel pada masing-masing area. Gambar 11 merupakan hasil proses penghitungan pixel warna putih dari masing-masing area. Gambar 11. Capture Hasil Penghitungan Pixel Putih Setelah proses penghitungan pixel putih dan total pixel masing-masing area kemudian dari masing-masing area akan dicari presentase warna pixel putih dari masing-masing area untuk proses identifikasi benda. Tabel 1 merupakan hasil proses identifikasi benda berbagai kondisi. Tabel 1. Hasil dentifikasi Benda Total Hasil pixel kondisi area Total pixel putih , , , , , , , , , ,04383 ket , , , , ,03877 Gambar 10. Capture Citra Kondisi Parkir , , , ,6742 0, , , , , , , , , , ,04265 JCOS Vol. 2, o. 1 (2013) Hal: 32

8 , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,4521 0, , , , , , , , , , , , , , , , , , , , , ,4917 0, , , , , , , , , , , , , , , , , , , , , ,24046 Pada Tabel 1 terdapat keterangan dan. adalah keterangan status parkir yang terdapat mobil sedangkan adalah keterangan status parkir yang kosong. Pada tabel tersebut terdapat area, JCOS Vol. 2, o. 1 (2013) Hal: 33

9 nilai total white pixel, nilai total pixel, nilai presentase (hasil) dan status. Untuk penjelasan yang dimaksud area di Tabel 1 adalah hasil akhir citra masing-masing area (slot tempat parkir) yang diperoleh dari proses Background Subtraction yang telah dikonversi ke grayscale dan biner. Sedangkan yang dimaksud total white pixel merupakan nilai hasil penghitungan jumlah keseluruhan pixel berwarna putih pada masing-masing area. Untuk penjelasan total pixel adalah jumlah pixel secara keseluruhan pada masing-masing area. Sedangkan yang dimaksud nilai presentase (hasil) adalah hasil pembagian total white pixel dengan total pixel. Pada sistem ini telah ditentukan batas minimal presentase warna pixel putih adalah 35% dari nilai total pixel keseluruhan. ilai 35% sebagai batas minimal presentase warna pixel putih didapatkan dari hasil beberapa kali pengujian (pengujian untuk mendapatkan hasil yang akurat). Sehingga apabila pada area tersebut terdapat objek yang mempunyai presentase pixel putih 35% atau lebih maka area tersebut dinyatakan terdapat mobil. Sebaliknya apabila presentase pixel putih dibawah 35% maka dinyatakan area tersebut masih kosong. Pada Tabel 1 terlihat bahwa ketika proses update citra dan ketika ada benda lain atau manusia yang berada di tempat parkir yang kosong (pada 2 kondisi citra yang terakhir pada Tabel 4.2 ) maka tidak dianggap mobil dan tetap dianggap kosong tempat tersebut. Hal tersebut terlihat dari nilai presentase pixel putih pada area yang terdapat benda lain yang berada dibawah batas minimal yang telah ditentukan yaitu 0,35 atau 35 %. Bradsky G dan Kaehler A Learning OpenCV. U.S.A : O Reilly Media. nc. Gonzales, R.C., dan R.. Woods Digital mage Processing (edisi ke-2). Prentice Hall, ew Jersey. Munir, Rinaldi Pengolahan Citra Digital dengan Pendekatan Algoritmik.Bandung :nformatika Bandung.. Saphiro L dan Sthockman G Computer Vision. The University Of Washington. Taylor dan Francis Color mage Processing Method And Application. Boca Raton : CRC Press. Umbaugh, Scoot Computer Vision and mage Processing. U.S.A : Prentice Hall, nc. SMPULA Adapun kesimpulan yang dapat dituliskan dari hasil sistem yang telah dibuat antara lain sebagai berikut: 1. Program dapat membedakan tempat yang kosong dan yang terisi penuh. Selain itu ketika diberi kondisi gangguan seperti terdapat orang berdiri di tempat parkir yang kosong maupun ketika baru ada mobil keluar dari tempat kosong tersebut maka program tetap menganggap tempat tersebut kosong. Untuk sistem ini ditentukan batas minimal presentase pixel putih sebesar 35% yang didapatkan dari beberapa pengujian (pengujian untuk mendapatkan hasil yang akurat). 2. Metode Background Subtraction dapat diimplementasikan pada pendeteksian tempat parkir yang kosong menggunakan kamera. Setelah dilakukan 150 kali percobaan didapatkan hasil 150 data sudah benar dan sesuai. DAFTAR PUSTAKA Awcock, G.W Applied mage Processing.Singapore.McGraw-Hill Book. JCOS Vol. 2, o. 1 (2013) Hal: 34