1 BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Indonesia merupakan negara berkembang yang memiliki jumlah penduduk yang cukup banyak. Menurut hasil sensus penduduk tahun 2010 yang dikeluarkan oleh Badan Pusat Statistik, jumlah penduduk Indonesia mencapai 237.641.326 jiwa. Setiap tahunnya akan mengalami kenaikan 1,21% menurut data pertumbuhan penduduk yang dikeluarkan oleh bank dunia (Wahyudi, 2015). Seiring dengan berkembangnya penduduk, kemacetan lalu lintas tidak lagi dapat dihindarkan terutama pada persimpangan. Waktu paling rawan terjadi kemacetan lalu lintas adalah pada jam berangkat kerja dan pulang kerja. Polisi lalu lintas pun ikut turun ke jalan untuk membantu mengatur lalu lintas jalan raya. Polisi akan mengatur lama waktu ruas yang akan berjalan, berdasarkan volume kendaraan. Sehingga kemacetan lalu lintas akan sedikit berkurang. Tetapi polisi lalu lintas terkadang masih belum bisa maksimal dalam menangani kemacetan lalu lintas dalam persimpangan, karena kemacetan terjadi tidak hanya pada satu persimpangan, dan jumlah polisi lalu lintas juga terbatas. Sehingga dibutuhkan sistem pengendali traffic light secara otomatis dapat membantu peran polisi lalu lintas dalam mengatur kemacetan jalan raya. Sistem pengendali traffic light secara otomatis diharapkan mampu menyesuaikan dalam berbagai kondisi, baik kondisi persimpangan mengalami kemacetan, atau kondisi persimpangan dalam keadaan normal. Sehingga jika terjadi kepadatan arus lalu lintas yang cukup banyak, maka sistem traffic light akan melakukan pewaktuan secara otomatis berdasarkan inputan yang diterima. Jika luas area antrian kendaraan dikategorikan ramai, sistem akan memberikan pewaktuan yang lebih lama daripada kondisi jalan raya sepi. Pada penelitian ini akan dilakukan klasifikasi kepadatan lalu lintas berdasarkan luas area antrian kendaraan. Sistem akan dibangun menggunakan pendekatan Fuzzy Learning Vector Quantization (FLVQ). Dengan digabungnya 1
2 konsep Fuzzy dengan LVQ membuat FLVQ memiliki tingkat pengenalan yang tinggi pada klasifikasi kepadatan lalu lintas (Zaman.,dkk, 2011). Pada bidang lain, pemanfaatan FLVQ juga menunjukkan tingkat pengenalan yang lebih tinggi dibandingkan LVQ (Ruliyanto,dkk, 2011). Mengacu dari hal tersebut, pada penelitian ini akan dilakukan klasifikasi kepadatan lalu lintas pada persimpangan bersinyal menggunakan algoritma FLVQ. Sedangkan untuk mendeteksi kepadatan lalu lintas tidak menggunakan algoritma PCA, tetapi akan menggunakan beberapa metode pengolahan citra untuk pemrosesan data input. Beberapa metode pengolahan citra yang akan digunakan antara lain Hough Transform (HT) dan Connected Component Labeling (CCL). Dimana inputan adalah berupa citra kepadatan lalu lintas ruas jalan pada persimpangan. Kepadatan lalu lintas akan dinilai dari jumlah antrian kendaraan. Setelah didapatkan nilai kepadatan dari masing-masing ruas jalan, maka nilai tersebut akan dimasukkan sebagai inputan sistem lampu lalu lintas. Sehingga diharapkan dengan dibuat sebuah sistem yang dapat mengklasifikasi kepadatan lalu lintas dengan pendekatan Fuzzy Learning Vector Quantization akan mengurangi kemacetan lalu lintas pada simpang bersinyal. Hasil output pada sistem yang menggunakan FLVQ ini adalah durasi waktu nyala lampu hijau saat kondisi jalan raya sepi, sedang, dan ramai. 1.2. Rumusan Masalah Permasalahan yang akan diselesaikan pada penelitian ini adalah bagaimana melakukan klasifikasi kepadatan lalu lintas pada persimpangan bersinyal. 1.3. Batasan Masalah Batasan permasalahan pada penelitian ini adalah sebagai berikut. 1. Kepadatan lalu lintas diukur berdasarkan luas area jumlah antrian kendaraan pada simpang bersinyal. 2. Sistem akan bekerja secara otomatis pada jam sibuk (pagi, siang, sore) yaitu pada jam 06.00-18.00, dimana kondisi cuaca dalam keadaan cerah dan kondisi cahaya dalam keadaan terang tidak berubah. 3. Jenis kendaraan yang dihitung adalah mobil, sedangkan untuk bus dan truck dihitung dalam dimensi yang sama dengan mobil.
3 4. Data citra berformat BMP 24 bit dengan ukuran piksel 704 x 576. 5. Citra yang digunakan untuk menghitung kepadatan lalu lintas akan diambil sebanyak dua kali pada setiap lampu merah, yaitu diambil ketika detik pertama dan detik tengah dari detik maksimal. 6. Data yang digunakan adalah citra pada persimpangan empat Monjali. 1.4. Keaslian Penelitian Pada penelitian-penelitian sebelumnya tentang traffic light yang salah satunya dilakukan oleh B Zaman dkk (2011) telah menerapakan metode backpropagation, Fuzzy Learning Vector Quantization (FLVQ), dan Fuzzy Learning Vector Quantization Particle Swarm Optimization (FLVQ-PSO) dalam melakukan klasifikasi untuk mengatur lampu lalu lintas. Penelitian tersebut menggunakan Principal Component Analysis (PCA) untuk melakukan ekstraksi fitur kendaraan dalam mengukur kepadatan lalu lintas. Pada penelitian tersebut dikatakan bahwa FLVQ memiliki kelebihan dalam tingkat pengenalan lebih tinggi daripada backpropagation. Pada penelitian ini, akan dilakukan proses deteksi kepadatan lalu lintas sekaligus pengklasifikasian kepadatan lalu lintas. Untuk membuktikan kinerja dari FLVQ yang baik, akan digunakan metode FLVQ untuk pengklasifikasian kepadatan lalu lintas pada persimpangan Monjali. Sedangkan tahapan deteksi kepadatan lalu lintas menggunakan pengolahan citra digital. Dimana citra antrian kendaraan pada traffic light akan dibaca untuk didapatkan jumlah antrian kendaraan pada traffic light tersebut. Dengan mengadopsi penelitian yang dilakukan S Hadi dan Y Rekha (2012) untuk penghitungan jumlah kendaraan pada persimpangan, sehingga pada penelitian ini akan menggunakan citra ROI (Region Of Interest) dan citra uji untuk deteksi kepadatan lalu lintas. Untuk mendapatkan citra ROI, dipilih citra ketika kondisi jalan sepi tanpa kendaraan. Citra ROI dan citra uji akan dilakukan grayscale dan thresholding terlebih dahulu untuk mendapatkan posisi jalan yang diinginkan. Pada Citra ROI, setelah dilakukan segmentasi baru kemudian dilakukan deteksi tepi untuk mencari tepian citra. Untuk mendapatkan ROI yang diinginkan, dilakukan pendeteksian terhadap
4 garis jalan dengan Hough Transform. Setelah garis jalan didapatkan, dilakukan eliminasi citra yang bukan daerah jalan raya. Citra uji akan dilakukan pemrosesan setelah citra ROI selesai terbentuk. Karena citra uji akan dilakukan substraksi terhadap citra ROI. Pada tahapan substraksi, citra uji akan dikurangi dengan citra ROI. Kemudian citra hasil substraksi akan dilakukan proses grayscale dan thresholding untuk mendapatkan citra biner. Karena citra biner terkadang masih mengandung banyak noise, maka dilakukan proses morfologi untuk mencari obyek yang ada pada citra. Setelah proses morfologi, akan dilakukan pemberian label yang sama pada sekumpulan piksel pembentuk objek. Sehingga dapat dideteksi jumlah antrian kendaraan pada traffic light. Jumlah antrian tersebut yang akan digunakan untuk inputan FLVQ. Sistem akan melakukan pelatihan dengan algoritma FLVQ. Sistem akan mendapatkan bobot baru yang digunakan untuk acuan proses pengujian. Hasil dari sistem ini adalah lama nyala lampu hijau pada traffic light. 1.5. Tujuan Penelitian Tujuan penelitian ini adalah sebagai berikut. 1. Untuk melakukan pendeteksian kepadatan lalu lintas pada simpang bersinyal menggunakan metode Hough Transform (HT) dan Connected Component Labeling (CCL) 2. Untuk melakukan klasifikasi kepadatan lalu lintas pada simpang bersinyal dengan metode Fuzzy Learning Vector Quantization. 1.6. Manfaat Penelitian Penelitian ini diharapkan dapat memberikan manfaat bagi pemerintah masyarakat luas dalam hal ini adalah : 1. Manfaat praktis Memberi masukan kepada Teknologi Informasi dan Pemerintah khususnya Dinas Lalu Lintas Jalan Raya dan Polisi Lalu Lintas untuk membantu dalam mengatur kemacetan lalu lintas pada simpang bersinyal.
5 2. Manfaat teoritis Menambah pengetahuan dan wawasan tentang penggunaan Teknologi Informasi pada Lalu Lintas Jalan Raya. 1.7. Metodologi Penelitian Tahapan yang dilakukan dalam penelitian ini adalah studi literatur, pengumpulan data, pembuatan desain sistem penelitian, implementasi, evaluasi, dan penarikan kesimpulan. 1. Studi Pustaka Studi pustaka yang dilakukan adalah dengan melakukan studi pustaka tentang Pengolahan Citra Digital, algoritma Fuzzy Learning Vector Quantization (FLVQ) dan simpang bersinyal (traffic light) baik dari buku ataupun jurnal-jurnal penelitian. Pengolahan Citra Digital meliputi deteksi tepi, deteksi garis, eliminasi citra, substraksi, grayscale, threshold, morfologi, Connected Component Labeling. 2. Pengumpulan Data Pada tahap ini dilakukan pengumpulan data yang akan digunakan dalam penelitian, adapun data yang digunakan adalah data sekunder dan data primer. Data sekunder adalah kumpulan citra kepadatan lalu lintas, dimana terdapat citra antrian kendaraan pada ruas jalan simpang bersinyal. Citra antrian yang digunakan pada persimpangan empat Monjali Yogyakarta. Sedangkan data primer adalah data hasil wawancara terhadap pakar mengenai lalu lintas simpang bersinyal. 3. Pembuatan Desain Sistem Penelitian Pada pembuatan desain sistem penelitian, terdapat beberapa tahapan untuk mendapatkan nyala lampu lalu lintas (traffic light) yang adaptif. Pengolahan citra digital digunakan untuk mendapatkan hasil yang baik pada pendeteksian kepadatan lalu lintas berdasarkan jumlah antrian kendaraan, dan klasifikasi kepadatan lalu lintas menggunakan FLVQ. Beberapa tahapan dalam sistem ini dapat dikelompokkan menjadi dua bagian, tahapan pendeteksian kepadatan lalu lintas dan klasifikasi kepadatan lalu lintas.
6 4. Implementasi Pada tahapan ini, sistem klasifikasi kepadatan lalu lintas dengan menggunakan metode Fuzzy Learning Vector Quantization akan dibangun menggunakan software Borland Delphi 7 dengan sistem manajemen basis data relasional MySQL. Basis data digunakan untuk penyimpanan luas area antrian kendaraan sebelum dilakukan proses pelatihan dengan algoritma Fuzzy Learning Vector Quantization. 5. Evaluasi Pada sistem ini akan dilakukan klasifikasi kepadatan lalu lintas pada simpang bersinyal. Sistem akan berperan pada jam sibuk pagi dan sore. Sedangkan untuk jam malam, sistem akan secara otomatis berjalan pada asumsi keadaan jalan tenang. Sehingga sistem akan lebih berperan pada jam 06.00-18.00. Karena pada jam tersebut, persimpangan Monjali Yogyakarta dalam keadaan sibuk lalu lintas. Penilaian keberhasilan sistem akan diukur dengan akurasi keberhasilan sistem dalam mendeteksi dan mengklasifikasi kepadatan lalu lintas. Nilai akurasi diperoleh dari presentase banyaknya data pengujian yang teridentifikasi dengan benar oleh sistem dari total data pengujian yang ada. 6. Kesimpulan Dalam tahapan penarikan kesimpulan, dilakukan untuk menjawab rumusan masalah dan memenuhi tujuan penelitian. Penarikan kesimpulan berdasarkan akurasi sistem dalam melakukan pengklasifikasian kepadatan lalu lintas pada persimpangan empat Monjali Yogyakarta dan melakukan pendeteksian kepadatan lalu lintas. 1.8. Sistematika Penulisan Tesis ini berisikan tujuh bab dengan rincian setiap bab adalah sebagai berikut: Bab I Pendahuluan Pada bab ini terdapat uraian yang berkaitan dengan latar belakang dan permasalahan yang berhubungan dengan kondisi kepadatan lalu lintas pada persimpangan bersinyal dan kelemahan penggunaan pada penelitian sebelumnya,
7 rumusan masalah, batasan masalah, keaslian penelitian, tujuan serta manfaat dari penelitian, metodologi penelitian dan sistematika penulisan. Bab II Tinjauan Pustaka Bab ini berisi pemaparan dari penelitian-penelitian yang berkaitan dengan pengaturan lampu lalu lintas yang adaptif pada persimpangan dan pendeteksian kepadatan lalu lintas jalan raya. Klasifikasi kepadatan lalu lintas menggunakan beberapa metode dari kecerdasan buatan dan pengolahan citra digital untuk mendeteksi kepadatan lalu lintas. Bab III Landasan Teori Pada bab ini berisi uraian teori-teori yang berkaitan dengan metode pengolahan citra yang digunakan dalam pendeteksian kepadatan lalu lintas. Metode yang digunakan antara lain substraksi, grayscale, treshold, morfologi, deteksi tepi, Hough Transform, Eliminasi citra, dan Connected Component Labeling, serta digunakan metode Fuzzy Learning Vector Quantization untuk melakukan klasifikasi kepadataan lalu lintas. Bab IV Perancangan Sistem Dalam bab ini menjelaskan tentang analisis data yang akan digunakan dalam penelitian, serta membuat perancangan sistem klasifikasi kepadatan lalu lintas yang akan dibangun. Bab V Implementasi Bab ini berisi implementasi dari hasil perancangan sistem yang telah dibuat sebelumnya ke dalam sebuah program. Bab VI Hasil dan Pembahasan Pada bab ini terdapat hasil akhir dan evaluasi dari sistem klasifikasi kepadatan lintas yang telah dibangun disertai dengan penjelasan dari tahapan implementasi. Bab VII Penutup Bab ini berisi kesimpulan dari penelitian yang telah dilakukan, dan saran untuk penelitian selanjutnya.