PENDAHULUAN Latar Belakang Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan lalu lintas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain. Untuk menikmati layanan jalan tol, para pengguna harus membayar sesuai tarif yang berlaku yang didasarkan pada golongan kendaraan. Penggolongan kendaraan di jalan tol yang digunakan berdasarkan Keputusan Presiden nomor 36 tahun 2003 adalah sebagai berikut : Golongan 1 aturan 1 : banyaknya gandar 2, dan tidak dual tires/roda ganda (mobil). Golongan 1 aturan 2 : banyaknya gandar 2, dual tires/roda ganda, dan kendaraan adalah bis. Golongan 2: banyaknya gandar 2, dual tires/roda ganda, bukan bis. Golongan 3: banyaknya gandar 3. Golongan 4: banyaknya gandar 4. Golongan 5: banyaknya gandar 5. Proses penggolongan kendaraan ini dilakukan oleh petugas di gerbang tol dengan mengandalkan penglihatan. Beberapa hal yang harus diputuskan saat melakukan penggolongan adalah jenis kendaraan bis atau bukan, jumlah gandar dan penggunaan ban ganda pada kendaraan truk bergandar dua. Pekerjaan itu harus dilakukan dalam waktu yang cepat serta dari sudut pandang yang sempit sehingga sangat menyulitkan terutama penentuan jumlah gandar serta penggunaan ban ganda (dual tire) pada kendaraan berjenis truk bergandar dua, karena khusus untuk kendaraan berjenis truk dengan dua gandar, penggunaan ban ganda pada roda belakang menjdi pembeda kelas. Truk dua gandar dengan empat roda (single tires) dimasukkan ke dalam golongan satu sedangkan truk dua gandar denga enam roda (dual tires) digolongkan ke dalam golongan dua. Tetapi untuk kendaraan berjenis bis penggunaan ban ganda (dual tires) tidak menjadi pembeda kelas karena semua kendaraa bis bergandar dua dimasukkan ke dalam golongan satu. Dengan kondisi ini salah penentuan tarif menjadi sangat potensial terjadi. 1
Untuk mengatasi hal ini diperlukan sebuah sistem otomatis yang dapat membantu petugas gerbang tol dalam menentukan tarif berdasarkan golongan kendaraan yang telah ditentukan. Penggunaan teknik-teknik computer vision dan pengenalan pola yang berkembang pesat saat ini memberikan salah satu alternatif yang sangat potensial untuk membangun sistem deteksi kendaraan di jalan raya termasuk jalan tol berbasis vision. Sistem berbasis vision ini memiliki kemudahan dalam instalasi serta pemeliharaan yang tidak rumit (Frenze et al, 2002). Selama ini penelitian-penelitian yang berhubungan dengan pengumpulan parameter-parameter lalu lintas seperti volume kendaraan, tipe kendaraan, parameter antrian yang bebasis computer vision sudah banyak dilakukan. Dalam penelitian (Chen et al., 2009) telah menggunakan pengklasifikasi SVM dan teknik-teknik pengolahan citra untuk deteksi kendaraan dan deteksi tipe kendaraan. Dalam projeknya, Narayanan (Narayanan, 2009) telah berhasil membangun sistem untuk pengumpulan data lalu lintas menggunakan kamera pengintai yang tersedia. Beberapa algoritma berbasis computer vision telah dikembangkan dan diterapkan untuk mengekstrak objek dari video, mendeteksi keberadaan kendaraan, menghitung jumlah dan panjang kendaraan untuk proses klasifikasi. Dalam penelitian lain (Fung, Y. et al. 2006 ), (Frenze et al. 2002) telah berhasil menggunakan kamera dan teknik-teknik computer vision untuk mendeteksi jumlah gandar pada kendaraan. Penelitian-penelitian tersebut berhasil mendeteksi keberadaan roda kendaraan secara real time mengunakan kamera berbasis pada deteksi lingkaran dengan teknik Hough transform. Selanjutnya dengan deteksi keberadaa roda tersebut dapat ditentukan jumlah as/gandar dari sebuah kendaraan. Tetapi dalam penelitian-penelitian tersebut belum diteliti teknik untuk mendeteksi penggunaan roda ganda (dual tire) oleh sebuah kendaraan berjenis truk. Sementara klasifikasi kendaraan di jalan tol saat ini menggunakan parameter penggunaan ban ganda (dual tire) pada truk bergandar dua sebagai pembeda kelas tarif. Gambar 1 memperlihatkan dua jenis truk begandar dua dengan kelas tarif berbeda berdasarkan penggunaan ban ganda. 2
a. Truk single tire b. Truk dual tire Gambar 1. Dua jenis truk bergandar dua Principal Component Analisis (PCA) atau juga dikenal sebagai KarhunenLoeve merupakan sebuah teknik ekstraksi ciri yang banyak digunakan dalam bidang pengenalan pola ataupun computer vision. Dalam penelitiannya (Sirovich & Kirby, 1986), (Kirby & Sirovich, 1990) untuk pertama kali menggunakan PCA guna merepresentasikan citra wajah manusia. Selanjutnya dalam penelitian lain (Turk, 1991) mengemukakan metoda eigenface yang sangat terkenal untuk pengenalan wajah. Sejak saat itu, penelitian-penelitian tentang penggunaan PCA untuk pengenalan wajah (Khelil, M. et al, 2005)(Buono A. et al, 2010) banyak dilakukan dan memberikan hasil yang bagus. Walaupun demikian PCA tidak dapat menangkap semua variansi lokal karena adanya proses pem-vektoran citra wajah. Untuk mengatasi masalah ini Jian Yang (Yang Jian et al, 2004) mengemukakan metoda baru yang dinamakan 2D-PCA. Pada PCA konvensional (1D-PCA) citra direpresentasikan sebagai sebuah vektor, sementara pada 2D-PCA direpresentasikan sebagai sebuah matriks dua dimensi, sehingga variansi lokal dari citra tidak hilang. Banyak riset yang sudah dilakukan untuk menguji metoda 2D-PCA dalam melakukan ekstraksi ciri, diantaranya (Le, TH., Bui L. 2011) (Rashad A. et al, 2009) dan menunjukkan hasil yang bagus. Pada tahun 1995, Vapnik dan Cortes mengemukakan teori-teori dasar untuk 3
Support Vector Machine (SVM). Sejak saat itu SVM berkembang menjadi metode yang sangat baik dalam melakukan klasifikasi data. Riset-riset (Le, TH., Bui L. 2011), (Camargo A. et al, 2009), (Lu H. et al, 2011) telah menunjukkan bahwa SVM merupakan pengklasifikasi yang sangat handal. Pada dasarnya SVM adalah sebuah pengklasifikasi linear, artinya SVM hanya dapat digunakan pada kasusukasus yang linearly separable. Walaupun demikian kasus-kasus yang non linearly separable pun dapat menggunakan SVM sebagai pengklasifikasi setelah sebelumnya data ditransformasi ke ruang baru menggunakan sebuah fungsi kernel. Pada penelitian ini dibangun model sistem deteksi penggunaan ban ganda (dual tire) pada citra kendaraan berjenis truk bergandar dua menggunakan metode 2D-PCA dua tahap sebagai pengekstraksi ciri dan SVM sebagai pengklasifikasi. Model sistem deteksi penggunaan ban ganda pada truk yang diperoleh dapat digabungkan dengan sistem deteksi berbasis vision lain sehingga data lalu lintas yang dapat diperoleh menjadi lebih lengkap. Bagi operator jalan tol, model yang dibangun dapat dikembangkan menjadi sebuah sistem pendeteksi penggunaan ban ganda pada kendaraan truk bergandar dua untuk meningkatkan akurasi klasifikasi kendaraan. Tujuan Membangun model sistem deteksi penggunaan ban ganda (dual tire) pada kendaraan berjenis truk bergandar dua berbasis vision menggunakan metode 2D- PCA sebagai pengekstraksi ciri dan pengklasifikasi SVM. Masalah Permasalahan yang diangkat pada penelitian ini adalah bagaimana melakukan ektraksi dan pemilihan fitur dari ban ganda menggunakan 2D-PCA dan bagaimana fitur tersebut bisa diklasifikasikan dengan metode SVM untuk membangun model sistem pendeteksi penggunaan ban ganda (dual tire) pada kendaraan berjenis truk bergandar dua berbasis vision. 4
Ruang Lingkup Berikut adalah batasan-batasan dan ruang lingkup yang berlaku pada tulisan ini : 1. Pengambilan citra dilakukan siang hari dari jam 10.00 sampai jam 14.00 dengan kondisi cuaca cerah. 2. Citra diambil dari sudut 45 O terhadap as roda belakang 3. Pengambilan citra menggunakan kemera digital dengan ukuran 640 x 480 pixel 4. Kendaraan yang dijadikan objek berjenis truk bergandar dua dengan kondisi factory default. Manfaat Model sistem deteksi penggunaan ban ganda pada truk bergandar dua yang dikembangkan dapat digabungkan dengan sistem deteksi berbasis vision lain sehingga data lalu lintas yang dapat diperoleh menjadi lebih lengkap. Bagi operator jalan tol, sistem yang dikembangkan akan meminimumkan kesalahan deteksi kelas kendaraan truk bergandar dua berdasarkan penggunaan dual tire. 5