Rancang Bangun Sistem Penghitung Laju dan Klasifikasi Kendaraan Berbasis Pengolahan Citra M Agus Taksiono, Dr. Ronny Mardiyanto, ST., MT.dan Ir. Joko Purwanto M.Eng, Ph.d Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail: ronny@elect-eng.its.ac.id Abstrak sistem penghitung laju dan klasifikasi kendaraan berbasis pengolahan citra merupakan alat yang mampu menghitung laju kendaraan di jalan raya dan mampu mengklasifikasi kendaraan menurut jenisnya secara umum yaitu motor dan mobil. Informasi kepadatan lalu lintas di jalan raya merupakan hal penting yang harus diketahui oleh dinas terkait pada kota-kota besar. Saat ini banyak sistem pemantauan lalulintas yang menggunakan kamera yang diletakkan di sudut-sudut jalan, akan tetapi data yang diperoleh terbatas karena hanya menampilkan kendaraan yang melintasi di jalan raya dan tidak memberikan informasi jumlah kendaraan tiap jam secara real time. Metode lain untuk mengetahui jumlah kendaraan yang melintasi jalan raya ialah menghitung setiap kendaraan yang melintas secara manual dengan tenaga manusia. Metode ini juga kurang efektif karena menggunakan tenaga manusia dan kemungkinan terdapat kesalahan dalam perhitungannya. Untuk mengatasi masalah tersebut pada tugas akhir ini dirancang sebuah sistem yang dapat mengklasifikasikan kendaran serta menghitung laju kendaraan menggunakan kamera. Untuk mengukur laju kendaraan digunakan kamera yang diletakkan dengan ketinggian dan sudut tertentu di atas permukaan jalan. Kamera akan mengambil gambar kendaraan yang lewat di jalan raya kemudian diolah menggunakan software pada komputer untuk memperoleh jumlah kendaraan setiap beberapa jam dan mengklasifikasikan kendaraan menurut jenisnya. Informasi tentang laju kendaraan dan klasifikasinya akan ditampilkan pada display. Metode lain untuk mengetahui jumlah kendaraan ialah menghitung secara manual menggunakan alat counter. Setiap kendaraan yang lewat maka counter akan ditekan sehingga nilai yang terdapat pada counter bertambah. Perhitungan jumlah kendaraan dilakukan untuk beberapa jam, kemudian data jumlah kendaraan dari waktu berbeda dihitung nilai rataratanya sehingga didapat jumlah kendaraan. Metode ini juga kurang efektif karena menggunakan tenaga manusia dan terdapat kemungkinan terjadi kesalahan dalam perhitungannya. Untuk mengatasi masalah tersebut pada tugas akhir ini dirancang sebuah sistem yang dapat mengklasifikasikan kendaran serta menghitung laju kendaraan menggunakan kamera. Untuk mengukur laju kendaraan digunakan kamera yang diletakkan dengan ketinggian dan sudut tertentu di atas permukaan jalan. Kamera akan mengambil gambar kendaraan yang lewat di jalan raya kemudian diolah menggunakan software pada komputer untuk memperoleh jumlah kendaraan setiap beberapa jam dan mengklasifikasikan kendaraan menurut jenisnya. II. PERANCANGAN SISTEM Pada tugas akhir ini, masukan sistem didapat dari kamera yang diletakkan di atas permukaan jalan dengan ketinggian tertentu. Kamera terebut akan mengambil data citra kendaraan yang melintasi jalan raya. Kemudian pengolahan data citra untuk mengklasifikasi dan menghitung laju kendaraan dilakukan di komputer. Hasil dari klasifikasi dan perhitungan laju dikirim ke mikrokontroler dan ditampilkan di display. Diagram blok sistem ditunjukkan gambar Kata kunci - kamera, kendaraan, laju I. PENDAHULUAN Jumlah kendaraan di jalan raya meningkat tiap tahun. Meningkatnya jumlah kendaraan tidak didukung oleh pelebaran jalan sehingga menyebabkan terjadinya kemacetan di jalan raya. Dari data badan pusat statistik Indonesia didapatkan bahwa jumlah kendaraan pada tahun 2001 adalah 20.922.235 sedangkan pada tahun 2010 adalah 76.907.127. Dari data tersebut terlihat bahwa terjadi peningkatan jumlah kendaraan dari tahun 2001 ke tahun 2010. Pada kota-kota besar pemantauan kepadatan kendaraan dijalan raya menggunakan kamera yang dipasang di pinggir jalan. Akan tetapi metode ini kurang efektif karena untuk memastikan kepadatan kendaraan hanya mengandalkan penglihatan mata sehingga jumlah kendaraan tidak diketahui secara pasti. Gambar 1 Ilustrasi kerja sistem keseluruhan A. Proses Pengolahan citra Pengolahan citra kendaraan berpusat di komputer. Untuk mempercepat proses pengolahan citra, citra hasil dari keluaran kamera diubah ukurannya menjadi 320x240. Ukuran ini sangat ideal dalam pengolahan citra. Kemudian untuk mendeteksi kendaraan yang terdapat pada citra tersebut dilakukan metode background subtraction dengan mengurangi frame ke-3 dengan frame ke-1. Objek yang tidak bergerak pada citra tersebut akan menjadi background, sedangkan objek yang bergerak yaitu mobil dan motor akan me njadi foreground. Pendeteksian mobil dilakukan pada
area tertentu sehingga dilakukn proses cropping image. Selanjutnya untuk mengklasifikasikan kendaraannya dilakukan dengan empat metode yang berbeda. Hal ini dilakukan untuk memperoleh hasil yanhg optimal. Keempat metode tersebut adalah template matching dengan metode Correlation Matching dengan mengakses nilai piksel dari citra kemudian metode kedua adalah template matching dengan metode Square Difference Matching menggunakan salah satu fungsi dalam open cv. Cara yang ketiga adalah mencari kontur dari citra hasil template matching, dan metode yang terakhir adalah mencari kontur dari citra hasil background substraction. Setelah dapat membedakan kendaraan menurut jenisnya, dilakukan proses perhitungan kendaraan tiap frame. Untuk mendapatkan laju kendaraan dihitung jumlah kendaraan yang muncul tiap beberapa frame. Data laju kendaraan kemudian dikirm dari komputer ke mikrokontroler untuk ditampilkan ke display. Gambar 2 mendiskripsikan flowcahart dari proses pengolahan citra dari sistem. Gambar 3 frame 1 dan frame 3 Gambar 4 citra hasil background subtraction C. Cropping Image untuk mempermudah pendeteksian, citra hasil background subtraction dipotong (crop) hingga menyisakan bagian bawah saja. Sehingga bagian atas dari citra kendaraan tidak dideteksi. Ukuran awal dari citra hasil background subtraction adalah 320x240 piksel setelah dilakukan proses cropping ukuran menjadi 320x139 piksel. Proses cropping dilakukan dengan mengatur titik koordinat x,y sebagai titik dimana dimulainya proses cropping dan kemudian diatur tinggi dan lebar citra hasil cropping. Gambar mengilustrasikan proses cropping. Gambar 2 Flowchart algoritma image processing B. Background subtraction Untuk mendeteksi kendaraan yang bergerak pada citra yang telah diambil, oleh kamera maka dilakukan proses background subtraction dengan mengurangi frame ke-3 dengan frame ke-1. Frame ke-3 didapatkan dengan mengopy frame ke-2 yang merupakan hasil copy dari frame ke-1. Setelah mendapatkan frame ke-1 dan frame ke-3 dilakukan pengurangan frame antara frame ke-3 dengan frame ke-1. Gambar 5 ilustrasi pross cropping image D. Template matching metode Correlation Matching Dari hasil proses background subtraction, diambil citra sepeda motor dan mobil yang akan digunakan sebagai template dalam proses template matching. Citra template sepeda motor meupakan gambar seluruh bagian sepeda motor sedangkan citra untuk template mobil meupakan gambar bagian depan mobil saja. Gambar 6 Citra template sepeda motor dan mobil
Setelah mendapatkan citra template,nilai piksel pada citra hasil background subtraction dibandingkan dengan nilai piksel pada citra template. Untuk mengetahui nilai piksel pada suatu citra dilakukan akses data citra dengan scanning pada setiap koordinat titik dalam citra tersebut. Kemudian nilai piksel pada citra template matching dikalikan dengan nilai piksel pada citra hasil background subtraction dan dicari nilai terbesarnya. Jika terdapat nilai piksel yang terbesar pada salah satu titik koordinat pada citra hasil background subtraction maka pada titik koordinat tersebut sesuai dengan citra template. Persamaan dibawah menunjukkan metode Correlation Matching. = E. Template matching metode Square Difference Matching Proses yang terjadi pada metode Square Difference Matching hampir sama dengan metode Correlation Matching. Yaitu memasukkan citra template dan dibandingkan dengan citra hasil background subtraction. Untuk melakukan proses template matching pada metode ini digunakan fungsi dari opencv. Pada metode ini pebandingan dilakukna dengan cara mengurani nilai piksel pada citra template dengan citra hasil background subtraction. Kemudian dicari nilai terkecilnya. Nilai piksel yang paling kecil pada salah titik koordinat citra hasil background subtraction menunjukkan bahwa pada titik koordinat tersebut sesuai dengan citra template kendaraan. Persamaan dibawah menunjukkan metode Square Difference Matching. = Gambar 7 menunjukkan hasil dari template matching menggunakan metode Correlation Matching dan Square Difference Matching. Gambar 7 Flowchart algoritma image processing Correlation Matching dan Square Difference Matching. Selanjutnya dilakukan proses smootinng dengan metode filter Gaussian untuk menghilangkan noise yang berupa bintikbintik kecil pada citra. Hal ini dilakukan untuk memperjelas objek yang terdapat pada citra tersebut. Gambar 8 Citra hasil thresholding pada citra hasil template matching sepeda motor dan mobil Kemudian dicari kontur dari citra hasil thresholding. Dari kontur yang telah didapat selanjutnya dicari lebar dan tinggi dari kontur dan digunakan untuk menandai motor dan mobil. Gambar 9 Hasil mencari kontur citra template matching G. Mencari kontur dari citra hasil background subtraction Hasil dari proses background subtraction berupa citra motor dan mobil yang bentuknya menyerupai kerangka badan dari motor dan mobil sehingga untuk mendapatkan bentuk kontur yang terbaik dilakukan beberapa proses seperti thresholding dan morfologi yaitu dilation,erosion, serta smoothing. Setelah di thersholding dilakukan proses dilation yaitu menambahkan piksel berwarna putih pada suatu citra. Kemudian dilakukan proses erotion yaitu mengurangi piksel yang berwarna puith pada suatu citra. Proses morfologi ini dilakukan untuk mendapatkan bentuk gumpalan putih yang optimal. Untuk menghilangkan noise yang didapat setelah proes dilation dan erosion maka dilakukan proses smoothing. F. Mencari kontur dari citra hasil template macthing Ukuran citra hasil template matching antara mobil dan sepeda motor berbeda. Ukuran citra hasil template matching pada sepeda motor sebesar (292x33) piksel sedangkan untuk mobil (271x79) piksel. Sehingga sebelum dilakukan proses thresholding dan lainnya, maka dilakukan proses cropping untuk mengintegrasikan citra hasil template matching pada mobil dan sepeda motor. Lebar citra mengikuti lebar citra hasil template matching pada mobil sedangkan tingginya mengikuti tinggi citra hasil template matching pada sepeda motor. Citra hasil template matching berupa gumplana (blub) dengan bentuk ynag tidak beraturan. Oleh karena itu, pada citra hasil template matching dilakukan proses thresholding.
Gambar 10 Kontroler PID mode 1, kontroler PID mode 2, (c) kontroler PID mode 3 [3 Dari hasil proses smoothing dilakukan thresholding yang kemudian dicari kontur dari citra tersebut. Dari kontur yang diperoleh,dapat dicari lebar dan tinggi dari kontur tersebut. Perbedaan lebar pada kontur dapat digunakan untuk mengklasifikasikan kendaraan menurut jeninya. Dari percobaan didapatkan, jika lebar dari kontur lebih dari 67 maka akan dianggap sebagai mobil sedangkan jika lebih kecil maka akan dianggap sebagai motor. Gambar 13. Metode perhitungan mencari kontur citra template matching Dan untuk metode mencari kontur dari citra hasil background subtraction, kendaraan akan dihitung sesuai dengan banyaknya bounding box dengan lebar tertentu. Untuk mobil dengan lebar lebih dari 67 dan untuk motor dengan lebar antara 20 sampai 67. Gambar 11. Hasil mencari kontur citra background subtraction H. Counting kendaraan Untuk masing-masing metode mempunyai cara yang bebeda dalam menghitung jumlah kendaraan. Jumlah kendaraan akan dihitung tiap frame. Laju kendaraan dengan menghitung banyaknya peningkatan jumlah mobil dan motor untuk beberapa frame. Untuk metode template matching baik dengan metode Correlation Matching ataupun dengan metode Square Difference Matching mempunyai cara yang sama untuk menghitung kendaraan yaitu ketika titik koordinat piksel yang sesuai dengan template telah melewati suatu garis maka akan dilakukan counter. Gambar 14. Metode perhitungan mencari kontur citra background subtraction III. PENGUJIAN DAN ANALISIS Pada bab ini akan dipaparkan hasil pengujian sistem beserta analisisnya. Pengujian ini dilakukan dengan membandingkan error yang didapat dari keempat metode yang digunakan. Pengujian ini akan menghasilkan error pendeteksian motor dan mobil tiap frame dan error perhitungan laju kendaraan. Dari data-data tersebut dianalisa penyebab terjadinya error. A. Pengujian pendeteksian motor dan mobil Gambar menunjukkan grafik dari error pendeteksian motor dan mobil tiap frame. Gambar 12. Metode perhitungan template matching Sedangkan untuk metode mencari kontur citra hasil template matching, kendaraan akan dihitung sesuai dengan jumlah kontur motor dan mobil saat frame terebut. Gambar 15. Tabel error laju sepeda motor pada grafik tersebut sumbu x adalah total frame sedangkan sumbu y adalah nilai error. Untuk grafik garis berwarna biru merupakan error dari metode pertama yaitu Template matching dengan metode Correlation Matching. Grafik garis
merah adalah error dari metode kedua yaitu Template matching metode Square Difference Matching. Sedangkan grafik garis berwarna hijau adalah error untuk metode yang ketiga yaitu Mencari kontur dari citra hasil template matching. Dan grafik yang berwarna ungu adalh error untuk metode keempat yaitu Mencari kontur dari citra hasil background subtraction. Untuk masing-masing metode mempunyai analisa tersendiri. Pada metode Template matching dengan metode Correlation Matching eror diakibatkan pencahayaan yang kurang dan noise-noise yang diperoleh saat pengambilan gambar. Contoh noise-noise terebut adalah bayangan dari motor dan mobil. Lampu yang menyala pada motor dan mobil. Selain itu dalam pengeksekusian proses template matching untuk metode pertama sangat lambat hal ini diakibatkan oleh proses scanning untuk mengakses tiap nilai piksel pada citra kendaraan. Untuk metode kedua proses pengeksekusiannya lebih cepat dari pada metode pertama hal ini diakibatkan karena metode kedua menggunakn fungsi yang ada dalam open cv yang tidak perlu mengakses nilai untuk setiap piksel dari citra kendaraan. Kemudian error yang terjadi untuk metode yang ketiga dikarenakan bagian mobil terbaca sebagai motor. Dan error yang timbul pada metode keempat diakibatkan dua motor yang berdempetan atau motor yang berdempetan dengan mobil dianggap sebagai mobil. Dan bagian mobil yang terlhihat bagian depannya saja terbaca sebagai motor VI. BIODATA PENULIS M Agus Taksiono dilahirkan di Surabaya 19 Agustus 1990. Anak kedua dari lima bersaudara. Penulis menyelesaikan pendidikan dasar di SD PANCASILA Surabaya tahun 2003 kemudian penulis menyelesaikan pendidikan menengah di SMP DARUSSALAM Surabaya tahun 2006 dan MBI Amanatul Ummah. Pada tahun 2009, penulis memulai pendidikan di jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Surabaya. Selama kuliah penulis aktif membantu penyelenggaran kegiatan dan aktif sebagai asisten laboratorium Elektronika Dasar pada semester 2011-2013. Email : agus.taksino@gmail.com Gambar 16. Tabel error laju mobil IV. KESIMPULAN Dari hasil pengujian pada sistem dapat diambil kesimpulan bahwa kelancaran proses pendeteksian kendaraan di jalan raya dipengaruhi oleh pencahayaan, adannya bayangan dari kendaraan, sorot lampu dari kendaraan, dan penentuan sudut kemiringan dari peletakkan kamera. Dibutuhkan pengembangan lebih lanjut agar pendeteksian kendaraan lebih sempurna, diantaranya mengembangkan metode pendeteksian dengan template matching dengan menambahkan tracking menggunakan metode optical flow. V. DAFTAR PUSTAKA [1] Bradski, G dan Kaehler, A. Learning Open CV, O Reilly,United States of America, Ch.3, Ch.4, Ch.5, Ch.7, Ch.8, 2008. [2] Putra, D. Pengolahan Citra Digital. Penerbit Andi, Yogyakarta, 2010 Gopal, M, Digital Control & State Variable Method 3E, Mc Graw-Hill, New Delhi, Ch. 3,2009.