ANALISA PERBANDINGAN AKURASI METODE OPTICAL FLOW DAN GAUSSIAN MIXTURE MODELUNTUK SISTEM PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION SKRIPSI

UNIVERSITASINDONESIA

ANALISA PERBANDINGAN AKURASI METODE OPTICAL FLOW DAN GAUSSIAN MIXTURE MODELUNTUK SISTEM PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION

SKRIPSI

DIMAS ARIOPUTRA 0806339061

FAKULTAS TEKNIK PROGRAM STUDI TEKNIK KOMPUTER DEPOK JANUARI 2012

Analisa perbandingan..., Dimas Arioputra, FT UI, 2012

i

UNIVERSITASINDONESIA

ANALISA PERBANDINGAN AKURASI METODE OPTICAL FLOW DAN GAUSSIAN MIXTURE MODELUNTUK SISTEM PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION

SKRIPSI Skripsi ini diajukan untuk melengkapi sebagian persyaratan menjadi Sarjana Teknik

DIMAS ARIOPUTRA 0806339061

FAKULTAS TEKNIK PROGRAM STUDI TEKNIK KOMPUTER DEPOK JANUARI 2012

i Universitas Indonesia


HALAMAN PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya saya sendiri, dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan benar.

Nama : Dimas Arioputra NPM : 0806339061

Tanda Tangan : Tanggal : 13 Juni 2012

ii Universitas Indonesia


HALAMAN PENGESAHAN

SKRIPSI INI DIAJUKAN OLEH

:

NAMA

: Dimas Arioputra

NPM

: 0806339061

PROGRAM STUDI

: Teknik Komputer

JUDUL SKRIPSI : ANALISA PERBANDINGAN AKURASI METODE OPTICAL FLOW DAN GAUSSIAN MIXTURE MODEL UNTUK SISTEM PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION

TELAH DIPRESENTASIKAN DAN DITERIMA SEBAGAI BAGIAN PERSYARATAN YANG DIPERLUKAN UNTUK MEMPEROLEH GELAR SARJANA TEKNIK PADA PROGRAM STUDI TEKNIK ELEKTRO, FAKULTAS TEKNIK, UNIVERSITAS INDONESIA

Pembimbing : Dr. Ir. Dodi Sudiana M.Eng.

(…..………………)

Penguji 1

:Prima Dewi Purnamasari ST., MT., MSc.

Penguji 2

:Mia Rizkinia ST.MT.

Ditetapkan di

: ..........................

Tanggal

: ..........................

(…..………………)

(…..………………)

iii Universitas Indonesia


KATA PENGANTAR

Puji syukur saya panjatkan kepada Tuhan Yang Maha Esa, karena atas berkat dan rahmat-Nya, proses penulisan Skripsi ini dapat terselesaikan. Penulisan Skripsi ini dilakukan dalam rangka memenuhi persyaratan dari mata kuliah Skripsi yang terdapat dalam kurikulum program studi Teknik Komputer Universitas Indonesia. Saya menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak, dari masa perkuliahan sampai dengan masa penyusunan Skripsi, sangatlah sulit bagi saya untuk menyelesaikan Skripsi ini. Oleh karena itu, saya mengucapkan terima kasih kepada: (1). Dr. Ir. Dodi Sudiana M.Eng., selaku dosen pembimbing, serta dosen-dosen lainnya, yang telah menyediakan waktu, tenaga, dan pikiran untuk mengarahkan saya dalam penyusunan Skripsi ini; (2). Orang tua dan keluarga saya yang telah memberikan bantuan berupa dukungan material dan moral; (3). Para Sahabat dan teman-teman yang telah banyak membantu saya dalam menyelesaikan penyusunan Skripsi ini. Akhir kata, saya berharap agar Tuhan Yang Maha Esa berkenan membalas segala kebaikan dari semua pihak yang telah membantu. Semoga Skripsi ini dapat memberikan manfaat bagi pengembangan ilmu.

Depok, 13 Juni 2012

Dimas Arioputra

iv Universitas Indonesia


HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini: Nama

: Dimas Arioputra

NPM

: 0806339061

Program Studi : Teknik Komputer Departemen

: Teknik Elektro

Fakultas

: Teknik

Jenis karya

: Skripsi

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepadaUniversitas Indonesia Hak Bebas Royalti Noneksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul :

ANALISA PERBANDINGAN AKURASI METODE OPTICAL FLOW DAN GAUSSIAN MIXTURE MODELUNTUK SISTEM PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai penulis / pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok Pada tanggal : 13 Juni

Yang menyatakan,

(Dimas Arioputra)

v Universitas Indonesia


ABSTRAK

Nama

: Dimas Arioputra

Program Studi

: Teknik Komputer

Judul

: ANALISA PERBANDINGAN AKURASI METODE OPTICAL FLOW DAN GAUSSIAN MIXTURE MODEL UNTUK SISTEM PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION

Teknik yang digunakan untuk Sistem Pemantau Lalu Lintas pada masa sekarang ini banyak tergantung pada sensor-sensor yang mempunyai kemampuan yang terbatas, kurang fleksibel, dan seringkali mahal dan sulit untuk dipasang. Penggunaan kamera digabungkan dengan teknologi Computer Vision menjadi alternatif yang menarik dari sensor yang ada saat ini. Sensor berbasis kamera ini mempunyai potensi yang lebih besar untuk mengamati kondisi lalu lintas yang ada dibanding sensor konvensional saat ini yaitu sensor ini lebih murah dan mudah untuk dipasang.Di dalam penelitian ini dikembangkan sistem pemantau lalu lintas menggunakan metode Optical Flow dan Gaussian Mixture Model. Eksperimen dilakukan menggunakan handycam, berlokasi di salah satu tol dalam kota Jakarta. Kondisi pengambilan gambar adalah pada kondisi yang berbedabeda yaitu pada saat pagi, siang, dan sore, cuaca cerah, dan mendung, serta kondisi arus lalu lintas padat dan lancar. Setelah pengujian dilakukan, algoritma Optical Flow memberikan hasil yang lebih baik dibandingkan algoritma Gaussian Mixture Model yaitu dengan akurasi mencapai 92% dibanding Gaussian yang hanya mencapai 72%. Faktor-faktor yang mempengaruhi tingkat akurasi adalah kondisi waktu, cuaca, dan arus kendaraan serta lokasi pengambilan gambar.

Kata kunci: Optical Flow, Gaussian Mixture Model, Sistem pemantau lalu lintas,Computer Vision

vi Universitas Indonesia


ABSTRACT

Name

: Dimas Arioputra

Study Program

: Computer Engineering

Title

: ACCURACY ANALYSIS BETWEEN OPTICAL FLOW AND GAUSSIAN MIXTURE MODEL FOR COMPUTER VISION BASED ROAD TRAFFIC MONITORING

Current techniques for Sistem Pemantau Lalu Lintas rely on sensors which have limited capabilities, inflexible and often, costly and disruptive to be installed. Video camera, coupled with Computer Vision techniques offers an attractive alternative to current sensors which is portable and low cost . In this research, a traffic monitoring system using handy camera is developed using Optical Flow and Gaussian Mixture Model (GMM) methods. The experiment took place in one of the Jakarta city highway. The condition of the experiment is when the time is in the morning, afternoon, evening, when it is clear, and cloudy, and also when the traffic is light and heavy. The experiments shows that Optical Flow algorithm gives better results regarding to accuracy rate, better than Gaussian Mixture Model Algorithm. The Optical Flow reach 92% accuracy while Gaussian Mixture only got to 72% accuracy. Some factors that influenced the accuracy rate of the system are time, weather, traffic and location.

Keyword : Optical Flow, Gaussian Mixture Model, Traffic Monitoring System, Computer Vision

vii Universitas Indonesia


DAFTAR ISI

HALAMAN PERNYATAAN ORISINALITAS ................................................... ii HALAMAN PENGESAHAN ............................................................................... iii KATA PENGANTAR ....................................................................................... iv HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI UNTUK KEPENTINGAN AKADEMIS .............................................................................. v ABSTRAK ........................................................................................................ vi ABSTRACT .......................................................................................................... vii DAFTAR ISI ........................................................................................................ viii DAFTAR GAMBAR .............................................................................................. x BAB 1

PENDAHULUAN ................................................................................ 1

1.1

Latar Belakang ......................................................................................... 1

1.2

Tujuan....................................................................................................... 1

1.3

Metodologi Penelitian .............................................................................. 2

1.4

Batasan Masalah ....................................................................................... 2

1.5

Sistematika Penulisan ............................................................................... 2

BAB 2 VISION

SISTEM PEMANTAU LALU LINTASBERBASIS COMPUTER 4

2.1

Sistem Pemantau Lalu Lintas ................................................................... 4

2.2

Computer Vision ....................................................................................... 6

2.3

Proses Computer Vision ........................................................................... 8

2.4

Algoritma Sistem...................................................................................... 9

2.5

Optical Flow ........................................................................................... 10

2.6

Gaussian Mixture Model ........................................................................ 11

2.7

Blob Analysis ......................................................................................... 12

BAB 3 RENCANA PERANCANGANSISTEM SISTEM PEMANTAU LALU LINTAS ..................................................................................................... 15 3.1

Pendahuluan ........................................................................................... 15

3.2

Pemasangan Perangkat Keras ................................................................. 15

3.3

Konfigurasi Perangkat LunakOptical Flow ........................................... 16

viii Universitas Indonesia


3.4

Konfigurasi Perangkat Lunak Gaussian Mixture Model........................ 21

3.5

Perancangan Pengujian .......................................................................... 25

BAB 4 PENGUJIAN DAN ANALISIS ALGORITMA OPTICAL FLOW DAN GAUSSIAN MIXTURE ............................................................................. 26 4.1

Pengujian Algoritma Optical Flow dan Gaussian Mixture .................26

4.2 Flow

Pengaruh Perbedaan Delay Frame Referensi pada Algoritma Optical .............................................................................................................29

4.3

Pengukuran dan Analisa Algoritma Optical Flow ..............................30

4.4

Kegagalan Pelacakan pada Algoritma Optical Flow ...........................31

4.5 Pengaruh Jumlah Training Frame pada Algoritma Gaussian Mixture Model .............................................................................................................32 4.6

Pengukuran dan Analisa Algoritma Gaussian Mixture Model ............34

4.7

Kegagalan Pelacakan pada Algoritma Gaussian Mixture Model ........35

4.8

Pengaruh Kondisi Cuaca terhadap Akurasi Kedua Metode ................35

4.9

Pengaruh Lokasi Pengambilan Gambar dan Sudut Kamera ................36

4.10 Perbandingan Akurasi Algoritma Optical Flow dengan Gaussian Mixture Model ...................................................................................................36 4.11

Perbandingan Kecepatan Proses Kedua Algoritma .............................37

BAB 5

KESIMPULAN .................................................................................. 38

DAFTAR PUSTAKA ........................................................................................... 39

ix Universitas Indonesia


DAFTAR GAMBAR

Gambar 2.1Sensor-sensor untuk Sistem Pemantau Lalu Lintas [1] ....................... 5 Gambar 2.2Contoh vision system untuk sistem pemantau lalu lintas [1]................ 8 Gambar 2.3 Proses Computer Vision [3] ................................................................ 8 Gambar 2.4 Hasil Laplacian of Gaussian [9] ........................................................ 13 Gambar 2.5 Matriks Hasil Laplacian of Gaussian [9] .......................................... 13 Gambar 3.1Perancangan perangkat keras ............................................................. 16 Gambar 3.2Konfigurasi perangkat lunak algoritma Optical Flow ....................... 17 Gambar 3.3Screenshot konfigurasi perangkat lunak Optical Flow ...................... 18 Gambar 3.4Konfigurasi perangkat lunak algoritma Gaussian Mixture Model ..... 21 Gambar 3.5Screenshot konfigurasi perangkat lunak Gaussian Mixture Model ... 22 Gambar 4.1 Kondisi berdasarkan waktu yaitu, (a) pagi, (b) siang, dan (c) sore ... 27 Gambar 4.2 Kondisi berdasarkan cuaca yaitu, (a) cerah dan (b) mendung .......... 28 Gambar 4.3 Kondisi berdasarkan arus kendaraan yaitu, (a) lancar dan (b) padat 28 Gambar 4.4 Grafik Hasil Pengukuran Besarnya Delay terhadap Akurasi ............ 29 Gambar 4.5 Grafik Hasil Pengukuran Akurasi Optical Flow ............................... 31 Gambar 4.6 Kegagalan Pelacakan Optical Flow .................................................. 32 Gambar 4.7 Grafik Perbandingan Training Frame dengan Akurasi .................... 33 Gambar 4.8 Grafik Hasil Pengukuran Akurasi Gaussian Mixture Model ............ 34 Gambar 4.9 Kegagalan Pelacakan Algoritma Gaussian Mixture Model .............. 35 Gambar 4.10 Grafik Perbandingan Akurasi Optical Flow dengan Gaussian Mixture Model ....................................................................................................... 37

x Universitas Indonesia


BAB 1 PENDAHULUAN

1.1 Latar Belakang Di masa sekarang ini kemacetan merupakan salah satu permasalahan yang sangat mengganggu di kota-kota besar di dunia, terutama di Jakarta. Pertambahan jumlah kendaraan bermotor di Jakarta tidak diiringi dengan pengadaan jalan yang memadai, sehingga kemacetan di beberapa ruas jalan pada jam-jam sibuk tak dapat dihindari lagi. Untuk mengatasi masalah tersebut dibutuhkan perencanaan pengadaan jalan yang cepat dan akurat untuk meningkatkan efektivitas dan tingkat keamanan jalan yang akan dibangun.Salah satu tahapan perencanaan tersebut dilakukan denganmenganalisa kepadatan lalu lintas di beberapa ruas jalan. Para ilmuwanmenggunakan berbagai jenis sensor untuk memonitor kepadatan lalu lintas tersebut. Salah satu sensor yang berperan ini adalah sensor berbasis kamera dengan teknologi Computer Vision.Berbagai algoritma yang dianggap mampu memberikan hasil pendeteksian terbaik dikembangkan dan dibandingkan dengan keakuratan metode-metode yang telah ada untuk mencari hasil terbaik.Ilmuwan dari Universitas Bristol berhasil membuat sistem dengan akurasi mencapai 95% [1].

1.2 Tujuan Tujuan penulisan dari skripsi ini adalah untuk mensimulasikan dan menguji akurasidua metode pendeteksian yaitumetode Gaussian Mixture Modeldan Optical Flowuntuk sistem pemantauan lalu lintas berbasis teknologi Computer Vision. Pengujian akurasidiharapkan dapat menentukan metode terbaik untuk sistem pemantauan lalu lintas. Dengan metode tersebut diharapkan sistem 1

Universitas Indonesia


2

pemantauan lalu lintas memiliki performa yang lebih baik.Untuk menguji kinerja kedua metode, dikembangkan program analisis terhadap rekaman video lalu lintas menggunakan perangkat lunak MATLAB™. Parameter kondisi waktu,cuaca dan aruslalu lintas di salah satu ruas jalan tol Jakarta menjadi faktor yang menentukan kinerja sistem. 1.3 Metodologi Penelitian Metode yang digunakan untuk Skripsi ini adalah: 1. Studi literatur, dengan membaca berbagai makalah ilmiah dan referensi terkait bidang penelitianSkripsi ini 2. Perancangan sistem pemantau lalu lintas, menggunakan perangkat lunak. Untuk analisisdibuat program menggunakan MATLAB™ sebagai implementasi kedua metode pendeteksian 3. Melakukan pengujian tingkat akurasi kedua metode algoritma, beserta faktor-faktor yang menentukannya 1.4 Batasan Masalah Agar permasalahan yang akan dibahas menjadi jelas, maka penelitian ini dibatasi pada beberapa hal, antara lain: 1. Sistem yang dibuat hanya akan membandingkan keakuratan kedua metode melalui ketepatan penghitungan jumlah kendaraan. 2. Sistem hanya akan mengamati tiga lajur pada jalan tol. 3. Sistem pengujian video yang telah direkam dapat diproses secara real time. 1.5 Sistematika Penulisan Bab I adalah pendahuluan, yang menjelaskan mengenai latar belakang, perumusan masalah yang akan dihadapi dalam pembuatan skripsi dengan tema yang diambil, tujuan dibuatnya skripsi ini, batasan masalah yang akan dibahas pada skripsi ini, metodologi penelitian skripsi ini, dan sistematika penulisan skripsi.



3

Bab II adalah landasan teori yang menjelaskan tentang Computer Vision, Sistem Pemantau Lalu Lintas, dan algoritma-algoritma yang digunakan. Bab III adalah penjelasan tentang skema perancangan sistem pemantau lalu lintas, pemasangan perangkat keras, dan konfigurasi perangkat lunak. Bab ini juga akan menjelaskan konsep dari sistem pemantau, pembagian dari sistemsistem yang digunakan, dan alur kerja dari sistem. Bab IV adalah eksperimen dan kemudian menganalisahasil pengujian yang dilakukan. Bab V adalah penutup dan kesimpulan skripsi ini.



BAB 2 SISTEM PEMANTAU LALU LINTASBERBASIS COMPUTER VISION

2.1

Pendahuluan Dalam uraian berikut akan dijelaskan secara lebih lanjut sistem pemantau lalu lintas berbasis Computer Vision. Penjelasan dibagi dalam beberapa bagian yaitu sistem pemantau lalu lintas, Computer Vision, proses Computer Vision, algoritma Optical Flow, Gaussian Mixture Model, dan analisa Blob.

2.2

Sistem Pemantau Lalu Lintas Sistem Pemantau Lalu Lintas melibatkan pengumpulan data-data yang dapat menggambarkan karakteristik dari kendaraan dan pergerakannya di jalan raya. Data-data yang dikumpulkan contohnya adalah:jumlah kendaraan, kecepatan kendaraan, jalur kendaraan, dan kepadatan kendaraan[1]. Data-data tersebut yang nantinya akan diproses untuk salah satu dari 4 tujuan berikut: 1. Penegakan hukum: untuk mendeteksi kendaraan kendaraan yang melanggar peraturan 2. Gerbang tol otomatis: untuk mendeteksi sekaligus mengklasifikasi jenis kendaraan yang lewat di gerbang tol. 3. Penanggulangan kecelakaan: untuk mendeteksi kemacetan, memonitor daerah daerah rawan kecelakaan. 4. Menambah kapasitas jalan raya: sebagai dasar pengumpulan informasi kepadatan jalan untuk pengembangan jalan raya. Pada masa sekarang ini Sistem Pemantau Lalu Lintasbergantung pada teknologi sensor yang berdasarkan pada radar, microwave, tubes dan loop detectorsebagaimana diilustrasikan pada Gambar 2.1 [1]: 1. Radar: untuk mengukur kecepatan kendaraan yang sedang melaju. 2. Detektor Microwave : biasanya dipasang diatas jembatan dan mengarah secara vertikal kebawah. Alat tersebut mengeluarkan gelombang mikro yang

kemudian

dipantulkan

jalan

4

dan

diterima

kembali

oleh



5

sensor.Kendaraan

yang

melintas

dibawah

sensor

tersebut

akan

menghasilkan interferensi sehingga dapat dideteksi. 3. SensorTubes: berupa pipa karet yang dipasang diatas permukaan jalan raya secara melebar. Salah satu ujung dari pipa tersebut ditutup dan ujung satunya lagi disambungkan ke sensor tekanan. Setiap kendaraan yang lewat akan menekan pipa tersebut dan kemudian tekanan tersebut diterima oleh sensor. 4. Detektor Loop:terbuat dari gulungan kawat besar yang ditanam dibawah permukaan jalan. Ketika kendaraan melewati gulungan kawat tersebut, induktansi dari kawat tersebut akan berubah dan kemudian kendaraan dapat terdeteksi. 5. Sensor berbasis kamera. menggunakan kamera untuk mengakuisisi citra lalu kemudian diolah menggunakan pengolah grafis untuk mendeteksi dan menghitung jumlah kendaraan

Gambar 2.1Sensor-sensor untuk Sistem Pemantau Lalu Lintas [1]



6

2.3

Computer Vision Computer Vision merupakan suatu bidang yang berhubungan dengan pencitraan otomatis dan pengolahan otomatis suatu citra berbasis komputer untuk mengekstrak dan menginterpretasikan informasi[2]. Atau dengan kata lain merupakan mesin sains dan teknologi yang dapat melihat. Dalam konteks ini, dapat melihat berarti mesin tersebut mampu mengekstrak informasi dari suatu citra untuk menyelesaikan suatu tugas atau pekerjaan, atau mungkin "memahami" suatu citra secara luas ataupun terbatas. Computer Visiondiaplikasikan secara beragam, mulai dari vision system untuk mesin industri sebagai pemeriksa botol selama produksi, sampai kepada riset untuk kecerdasan buatan menggunakan komputer ataupun robot agar dapat mengenali lingkungan sekitar. Bidang Computer Vision dan machine vision seringkali dianggap serupa.Computer Vision meliputi teknologi analisis citra secara otomatis yang digunakan di banyak bidang.Machine vision biasanya mengacu pada proses yang menggabungkan analisis citra secara otomatis dengan metode dan teknologi pengamatan otomatis dan bimbingan robot untuk aplikasi industri[2]. Di bidang sains, Computer Vision berhubungan dengan teori dari sistemsistem buatan yang dapat mengekstrak informasi dari citra-citra. Contohnya dari rangkaian video, citra dari beberapa kamera, atau data multi dimensi dari pemindai medis. Di bidang teknologi, Computer Vision berusaha untuk menerapkan teori-teori dan model-model untuk pembangunan sistem dari Computer Vision. Contohcontoh aplikasi Computer Vision meliputi: 1. Proses kontrol (misalnya pada indusri robot). 2. Navigasi (misalnya pada kendaraan tanpa awak atau robot berjalan). 3. Deteksi kejadian (misalnya pada pengawasan visual atau penghitungan orang). 4. Pengorganisasian informasi (misalnya pada pengindeksan citra dan rangkaian-rangkaian citra).



7

5. Pemodelan objek atau lingkungan (misalnya pada analisis citra medis atau pemodelan topografi). 6. Interaksi (misalnya pada masukan ke sebuah divais untuk interkasi antar manusia dan komputer). 7. Pemeriksaan otomatis (misalnya pada aplikasi-aplikasi manufaktur). Sub-domain dari Computer Vision meliputi rekonstruksi citra, deteksi kejadian, pelacakanvideo,pengenalan

objek,pembelajaran,

pengindeks-

an, estimasi gerakan, dan restorasi citra[2]. Sebuah contoh vision system untuk Sistem Pemantau Lalu Lintas dapat dilihat pada Gambar 2.2.Video yang direkam oleh kamera dikirimkan ke komputer untuk dianalisa. Algoritma Computer Vision melakukan deteksi kendaraan yang tertangkap oleh kamera. Sensor berbasis kamera secara potensial lebih baik dibandingkan beberapa sensor yang ada sekarang ini. Instalasi kamera video di jalan-jalan raya memakan biaya yang lebih sedikit dan lebih mudah dibandingkan sensor – sensor lainnya. Satu kamera mampu memonitor lebih dari satu jalur jalan sepanjang beberapa ratus meter. Sensor berbasis kamera ini juga mampu mengekstrak informasi yang lebih lengkap, misalnya arah gerak kendaraan, bentuk, dan warna. Dengan pemosisian yang tepat, kamera dapat melacak kendaraan yang lewat sekaligus manuvernya ketika melewati jalan yang kompleks maupun jalan lurus yang panjang.Sensor berbasis kamera ini dapat dikatakan sukses apabila dapat dioperasikan secara real time, yakni ketika kamera memproduksi 30 frame setiap detiknya.



8

Gambar 2.2Contoh vision system untuk sistem pemantau lalu lintas[1]

2.4

Proses Computer Vision Computer Visionitu memiliki aliran proses seperti yng ditunjukkan pada Gambar 2.3. 1. Akuisisi Citra

2. Proses Awal

3. Ekstraksi Fitur 4. Deteksi dan Segmentasi

5. Analisis

6. Pengambilian Keputusan

Gambar 2.3 Proses Computer Vision [3]



9

1. Akuisisi citramerupakan cara mendapatkan suatu citra.Citra dijital dihasilkan oleh satu atau lebih sensor menggunakan berbagai jenis kamera. Tergantung dari tipe sensor, citra yang dihasilkan dapat berupa citra dua dimensi, tiga dimensi, maupun rangkaian dari banyak citra. Citra yang dihasilkan dapat berupa citra berwarna maupun citragray scale. 2. Pada tahap inicitra memasuki tahap proses awalyang merupakan tahap yang penting dimana citra yang diakuisisidiproses kembali agar informasinya menjadi relevan. 3. Pada tahap ekstraksi fitur, dikembangkan algoritma untuk mengambil bagian-bagian tertentu dari citra yang memiliki informasi yang dibutuhkan.Fitur ini akan menjadi informasi unik yang akan diolah lebih lanjut. 4. Tahap ini memproses fitur citra lebih lanjut pada tahap deteksi dan segmentasi. Dimana bagian dari citra yang berisi informasi penting dideteksi dan kemudian disegmentasi. Sehingga citra tersebut pada akhirnya dapat dianalisa lebih lanjut. 5. Pada tahap analisis citra yang telah disegmentasi diverifikasi, salah satunya

menggunakan

metode

pengenalan

citrauntuk

mengklasifikasikan objek-objek pada citra tersebut. 6. Dan akhirnya pada tahap pengambilan keputusan, citrayang telah selesai diproses menjadi penentu keputusan. Misalnya apakah obyek yang terdeteksi pada citra tersebut adalah kendaraanyang akan dihitung dalam aplikasi sistem pemantau lalu lintas.

2.5

Algoritma Sistem Sistem

Pemantau

Lalu

Lintasbergantung

pada

algoritma

yang

mendukungnyauntuk memisahkan bagian bagian yang bergerak dalam suatu



10

citra dan kemudian melacaknya. Jika di daerah yang dipisahkan tersebut terdapat karakteristik yang sesuai, maka bagian tersebut dapat dianggap sebagai kendaraan dan selanjutnya dapat dihitung maupun dilacak.Di dalam penelitian ini

digunakan dua

metode

yang sering dipakai

karena

kemudahannya, yaitu: 1. Optical Flow 2. Gaussian Mixture Model

2.6

Optical Flow Dalam Computer Vision,metode Horn-Schunck sering digunakan untuk pelacakan objek. Metode ini diimplementasikan di dalam penelitian ini untuk mendeteksi mobil bergerak dengan melacak vektor gerakan mobil tersebut. Metode ini diajukan pertama kali pada tahun 1981, merupakan metode pertama yang menggunakan intensitas cahaya sebagai dasar untuk mendeteksi objek[4].Metode ini memiliki keuntungan karena menghasilkan vektor gerakan dengan tingkat kepadatan yang tinggi. Namun metode ini juga memiliki kekurangan yaitu sensitif terhadap noise [5].Persamaan (2.1) dan persamaan (2.2) adalah rumus pelacakan Horn-Schunck untuk mengestimasi pergerakan dan kecepatan dari objek [5].

(2.1)

(2.2)

Dimana

,

, dan

Optical

Flow

merupakan turunan dari intensitas citra,

horisontal,

merupakankonstanta smoothness,

merupakan

Optical

Flow

merupakan vertikal,

merupakan perkiraan kecepatan



11

sebuah pikselpada (x,y), dan

merupakan rata-rata kecepatan pada

titik-titik sebelumnya [6]. Dengan menggunakan algoritma tersebut maka dapat dicari vektor pergerakan dari benda yang ingin dilacak. Di dalam konteks penelitian ini objeknya adalah

kendaraan

yang

dianalisa

vektor

pergerakannya

kemudian

dilakukanthreshold. Hasil threshold citra tersebut kemudian akan dianalisa lebih lanjut menggunakan algoritma blob analysisuntuk dapat menghitung jumlah kendaraan yang lewat. Algoritma blob akan dijelaskan lebih lanjut padasub-bab 2.7.

2.7

Gaussian Mixture Model Mixture Modeling adalah suatu metode penganalisaan data atau data mining yang juga disebut dengan istilah-istilah lain seperticlustering,intrinsic classificationdannumericaltaxonomy.

Metode

ini

memodelkan

atau

mengelompokkan data-data di dalam satu set data menjadi kelompokkelompok data yang sebelumnya tidak terdefinisikan[7]. Ada banyak metode dalammixture model, dan yang diterapkan dalam penelitian ini adalah Gaussian Mixture Model.Gaussian Mixture Modelini merupakan metode background substraction yang sangat populer.Metode ini pertama kali diajukan oleh Stauffer dan Grimson [8]. Metode ini menggunakan distribusi Gaussian

untuk

memodelkan

history

dari

setiap

piksel

citra{

}.Persamaan (2.3) menunjukkan distribusi Gaussian [8]:

(2.3)

Dimana K adalah jumlah distribusi (biasanya bernilai antara tiga sampai lima), adalah estimasi dari weight, value, dan

adalah estimasi nilai rata-rata atau mean

merupakan matriks kovarian pada Gaussian kepada waktu



12

t.

merupakan fungsi Gaussianprobability density[8]. Lalu setiap

pikselbaru yang masuk akan dibandingkan dengan Gaussian Mixture Modelyang sesuai untuk menemukan Gaussian dengan standar deviasi sebesar 2,5. Jika pikselyang baru masuk itu tidak cocok dengan distribusi Gaussian tersebut, maka distribusi dengan kemungkinan terkecil diganti nilainya dengan distribusi yang memiliki nilai rata-rata terbaru, nilai inisial varian yang tinggi, dan dengan weight sebelumnyayang rendah. Maka dari persamaan(2.3) akan diperoleh nilai Gaussian untuk masing-masing pikselpada suatu citra. Setelah mendapatkan nilai tersebut, dibutuhkan formulasi untuk membedakan distribusi foreground dari backgroundseperti ditunjukkan pada persamaan (2.4) [5]:

(2.4)

Dimana distribusi B merupakan distribusi yang dipilih pertama sebagai model background

dimana

T

adalah

minimum

data

yang

dapat

dipertanggungjawabkan sebagai background. Ini akan menghasilkan distribusi terbaik [5]. Setelah background dan foreground dipisahkan, maka hasil analisa diberi proses threshold,dan dihitung lebih lanjut menggunakan analisa blob yang akan dijelaskan pada sub-bab berikutnya

2.8

Blob Analysis Pada Computer Visionalgoritma ini digunakan untuk mendeteksi titik atau area pada sebuah citra yang berbeda baik warna ataupun kecerahannya jika dibandingkan dengan sekitarnya. Algoritma ini banyak digunakan untuk mendapatkan informasi yang tidak dapat diperoleh jika menggunakan algoritma edge detection atau corner detection. Dengan demikian informasi yang diperoleh menjadi sangat berguna untuk pendeteksian objek.Berikut



13

adalah metode mencari blob menggunakan Laplacian of Gaussian. Persamaan (2.5) menyatakan hubungan sederhana dari Laplacian of Gaussian[9]. (2.5) Dimana

merupakan bagian piksel yang diberi fungsi Laplacian of

Gaussian.

Gambar 2.4 Hasil Laplacian of Gaussian [9]

Sebuah blob dapat dideteksi dengan melihat maksima dari konvolusi Laplacian of Gaussian. Maksima dapat dilihat dari distribusi Laplacian of Gaussian seperti yang ditunjukkan pada Gambar 2.4 pada matriks yang digambarkan pada Gambar 2.5.

Gambar 2.5 Matriks Hasil Laplacian of Gaussian [9]



14

Matriks Laplacian of Gaussian diberi prosesthreshold untuk menguatkan bagian mana yang positif dan bagian mana yang negatif sehingga blobcitra dapat diketahui.



BAB 3 RENCANA PERANCANGANSISTEM SISTEM PEMANTAU LALU LINTAS

3.1 Pendahuluan Pada bab ini akan dijelaskan perancangan sistem untuk membandingkan kedua algoritmaSistem Pemantau Lalu Lintasberbasis Computer Visionyaitu Gaussian Mixture Model dan Optical Flow. Seperti yang telah dijelaskan sebelumnya, sistem ini diharapkan untuk dapat beroperasi secara real time. Karena itulah perancangan perangkat keras dan perangkat lunak yang akan digunakan harus mampu mendukung sistem ini secara penuh. Bab ini akan menjelaskan pemasangan perangkat keras dan lunak serta algoritma-algoritma yang digunakan untuk sistem ini secara lebih lanjut.

3.2 Perancangan Perangkat Keras Berikut akan dijelaskan perancangan perangkat keras yang akan digunakan. Pertama tama diasumsikan jalan tol yang dijadikan objek pengambilan citra mempunyai beberapa batasan sebagai berikut: 1. Memiliki jalur lurus sepanjang kurang lebih 100 m 2. Tidak terdapat trotoar maupun zebra cross 3. Memiliki jembatan penyeberangan sebagai tempat pengambilan citra Setelah jalan tol diasumsikan, maka selanjutnya pengambilan citra dilakukan dari tempat yang cukup tinggi di atas jalan. Pengambilan citra dilakukan pada jembatan penyeberangan menggunakan handycam. Untuk mendapatkan hasil rekaman yang maksimal, digunakan handycam yang memadai kualitasnya, untuk menghindari blur dan noise saat merekam.

15



16

Spesifikasi handycam yang digunakan sebagai berikut: 1. Merk dan Tipe Sony® Model DCR-DVD610E 2. Lensa:Carl Zeiss Vario-Tessar Lens 3. Digital zooming: 40x Optical / 2000x Digital Zoom 4. Resolusi video: 720x576 Setelah dilakukan pengambilan citra, hasil rekaman yang didapat dipindahkan ke komputer.Komputer mengolah video menggunakan algoritma yang telah dibuat secara real time.Hasil olahan disimpan dalam suatu file. Blok diagram untuk perancangan perangkat keras dapat dilihat di Gambar 3.1.

Penyiapan lokasi dan kamera

Merekam keadaan jalan

Video dipindahkan ke komputer

Algoritma pengolahan citra pada komputer

Menampilkan informasi jumlah kendaraan

Gambar 3.1Perancangan perangkat keras

3.3 Konfigurasi Perangkat LunakOptical Flow Berikut akan dijelaskan perancangan dari sistem perangkat yang akan digunakan. Untuk perangkat lunak untuk sistem ini terdapat 2 jenis algoritma yang berbeda untuk saling diperbandingkan, yaitu metode Gaussian Mixture Model dan metode Optical Flow.Pertama-tama akan dijelaskan konfigurasi



17

perangkat lunak untuk metodeOptical Flow. Untuk metode Optical Flow, metode ini menggunakan algoritma Horn-Schunck.Seperti yang telah dijelaskan pada Bab 2. Algoritma ini akan mendeteksi gerakan pada kendaraan lalu menghasilkan vektor pergerakan, yang kemudian setelah dilakukan threshold akan menghasilkan gumpalan sehingga dapat dianalisa menggunakan algoritma blob. Kedua metode ini akan dibandingkan untuk melihat metode mana yang lebih cepat dan lebih akurat dalam memproses citra dijital berupa rekaman video lalu lintas di jalan raya. Berikut ini adalah diagram dari konfigurasi sistem perangkat lunak menggunakan metode Optical Flow.

Inisialisasi

Proses awal gambar Deteksi motion vector

Threshold motion vector Menghitung jumlah kendaraan Gambar 3.2Konfigurasi perangkat lunak algoritma Optical Flow

Konfigurasi perangkat lunak ini akan dijelaskan lebih lanjut menggunakan screenshot dari perangkat lunak MATLAB™.



18

Gambar 3.3Screenshot konfigurasi perangkat lunak Optical Flow

Konfigurasi perangkat lunak untuk algoritma Optical Flow dimulai pada tahap inisialisasi yaitu pembacaan input video oleh perangkat lunak MATLAB™. Berikut adalah pseudocode dari tahap inisialisasi:



19 /* Inisialisasi Filename = Video1.avi /*Jalur input untuk video*/ Baca Filename (RGB) /*Baca input dari Filename dalam RGB*/

Setelah input dari rekaman video telah dipindahkan ke perangkat lunak MATLAB™. Pemrosesan dilanjutkan ke tahap berikutnya yaitu proses awal dari rekaman. Pada tahap ini rekaman gambar dipersiapkan sebelum diproses lebih lanjut agar mendapatkan hasil yang maksimal. Berikut adalah pseudocode-nya: /* Proses Awal Gambar Baca Filename (RGB) /*Baca input dari Filename dalam RGB*/ Tambahkan

fungsi

median

filter

/*Menghilangkan

noise

menggunakan median filter*/

Setelah itu citra yang telah diproses tadi maka disiapkan fungsi untukmenganalisa menggunakan algoritma Optical Flowuntuk menganalisa vektor gerakan dari kendaraan yang lewat pada rekaman gambar. Berikut adalah pseudocode-nya: /* Optical Flow /*Set Parameter Optical Flow Metode Horn-Schunck /*Mengeset Metode untuk Optical Flow */ Mengeset Output dalam Complex form /*Menentukan bentuk output dari vektor gerakan Optical Flow*/ Mengeset Delay Frame Referensi menjadi n /* Menentukan delay frame referensi menjadi n frame sebelumnya*/ Baca Video dengan Fungsi Optical Flow Plot vektor gerakan /*Memplot pada video vektor gerakan*/



20

Setelah vektor gerakan berhasil diplot pada rekaman (vektor gerakan berupa garis kuning pada Gambar 3.3b)

vektor tersebut kemudian dilakukan

threshold sehingga menghasilkan rekaman seperti pada Gambar 3.3c. Berikut adalah pseudocode-nya: /*Threshold Threshold vektor gerakan ke putih /*melakukan thresholdvektor gerakan pada rekaman sehingga jalur yang dilewati vektor gerakan menjadi putih*/

Setelah rekaman tersebut melewati proses threshold maka rekaman dibawa ke tahap selanjutnya yaitu analisa blob. Gumpalan-gumpalan yang tercipta pada rekaman yang melewati proses threshold tersebut akan dianalisa oleh algoritma blob untuk menentukan objek kendaraan yang lewat lalu menghitung jumlahnya. Berikut adalah pseudocode: /*Blob Analysis /*Set Parameter Blob Analysis Set Bounding Box Output True /*Tampilkan

hasil dalam bentuk

Bounding Box*/ Set Minimum Area Blob = 250 /* Menentukan besarnya area yang akan dilacak blob analysis dalam besaran piksel*/ Set Maksimum Area Blob = 3600 /* Menentukan besarnya area yang akan dilacak blob analysis dalam besaran piksel*/ Bandingkan Rasio

Bounding Boxes

dengan Segmented Area

/*Membandingkan luas Bounding Boxes dengan luas vektor gerakan yang telah tersegmentasi*/ If Rasio Perbandingan > 0.4 maka dianggap kendaraan Hitung Jumlah Benar sebagai Jumlah Kendaraan yang lewat



21

3.4 Konfigurasi Perangkat Lunak Gaussian Mixture Model Untuk metode Gaussian Mixture Model, metode ini mengambil keuntungan dari background yang statis atau tidak bergerak, lalu menggunakan algoritmanya untuk memisahkan objek yang bergerak dari background yang statis. Algoritma gaussian mixture menggunakan foreground detection untuk memisahkan kendaraan yang bergerak dari objek-objek lain yang statis. Pada Gambar 3.4 dapat dilihat konfigurasi perangkat lunak dari algoritma Gaussian Mixture Model

Inisialisasi

Proses awal gambar

Foreground detection

Threshold

Menghitung jumlah kendaraan

Gambar 3.4Konfigurasi perangkat lunak algoritma Gaussian Mixture Model

Konfigurasi perangkat lunak ini akan dijelaskan lebih lanjut menggunakan screenshot dari perangkat lunak MATLAB™.



22

Gambar 3.5Screenshot konfigurasi perangkat lunak Gaussian Mixture Model

Konfigurasi perangkat lunak ini akan dijelaskan lebih lanjut menggunakan screenshot dari perangkat lunak MATLAB™. Konfigurasi perangkat lunak untuk algoritma Gaussian Mixture Model dimulai pada tahap inisialisasi yaitu pembacaan input video oleh perangkat lunak MATLAB™. Berikut adalah pseudocode dari tahap inisialisasi:



23 /* Inisialisasi Filename = Video1.avi /*Jalur input untuk video*/ Baca Filename (RGB) /*Baca input dari Filename dalam RGB*/

Setelah input dari rekaman video telah dipindahkan ke perangkat lunak MATLAB™. Pemrosesan dilanjutkan ke tahap berikutnya yaitu proses awal dari rekaman. Pada tahap ini rekaman gambar dipersiapkan sebelum diproses lebih lanjut agar mendapatkan hasil yang maksimal. Berikut adalah pseudocode-nya: /* Proses Awal Gambar Baca Filename (RGB) /*Baca input dari Filename dalam RGB*/ Tambahkan fungsi median filter /*Menghilangkan noise menggunakan median filter*/

Setelah itu citra yang telah diproses tadi maka disiapkan fungsi untuk menganalisa

menggunakan

algoritma

Gaussian

Mixture

Modeluntuk

melakukan foregorund detection yaitu mendeteksi benda yang bukan merupakan bagian dari background yaitu kendaraan yang melintas. Berikut adalah pseudocode-nya: /* Gaussian Mixture Model /* Mengeset Parameter untuk Foreground Detection Set Training Frame /* Mengatur jumlah frame yang akan dilatih terlebih dahulu*/ Set Standar Deviasi /*Mengatur standar deviasi awal*/ Baca Video dengan fungsi foreground detection

Setelah citra dianalisa menggunakan algoritma foreground detection, citra tersebut kemudian dilakukan threshold agar terlihat perbedaan warna yang



24

mencolok antara objek pada background dan objek pada foregournd seperti dilihat pada Gambar 3.5b.Berikut adalah pseudocode-nya: /*Threshold Threshold foreground object ke putih /*melakukan thresholdobjek yang bukan merupakan bagian dari background menjadi putih*/

Setelah rekaman tersebut dilakukan threshold maka rekaman dibawa ke tahap selanjutnya yaitu analisa blob. Gumpalan-gumpalan yang tercipta pada rekaman yang dilakukan threshold tersebut akan dianalisa oleh algoritma blob untuk menentukan kendaraan atau bukan kendaraan yang lewat dan lalu menghitung jumlahnya. Berikut adalah pseudocode-nya: /*Blob Analysis /*Set Parameter Blob Analysis Set Bounding Box Output True /*Tampilkan

hasil dalam bentuk

Bounding Box*/ Set Minimum Area Blob = 250 /* Menentukan besarnya area yang akan dilacak blob analysis dalam besaran piksel*/ Set Maksimum Area Blob = 3600 /* Menentukan besarnya area yang akan dilacak blob analysis dalam besaran piksel*/ Bandingkan Rasio

Bounding Boxes

dengan Segmented Area

/*Membandingkan luas Bounding Boxes dengan luas vektor gerakan yang telah tersegmentasi*/ If Rasio Perbandingan > 0.4 maka dianggap kendaraan Hitung Jumlah Benar sebagai Jumlah Kendaraan yang lewat



25

3.5 Perancangan Pengujian Pengujian dilakukan setelah gambar diambil menggunakan handycam. Pengambilan gambar dilakukan sesuai dengan kondisi yang diinginkan untuk diujikan, yaitu pada pagi, siang, dan sore hari, lalu ketika cerah dan mendung, serta ketika arus kendaraan padat dan lancar.Pengujian dilakukan untuk mengetahui akurasi dari setiap algoritma. Dengan menggunakan perhitungan:



BAB 4 PENGUJIAN DAN ANALISIS ALGORITMA OPTICAL FLOW DAN GAUSSIAN MIXTURE

4.1 Pengujian Algoritma Optical Flow dan Gaussian Mixture Pengambilan gambar dilakukan dengan menggunakan handycam Sony® Model DCR-DVD610E, bertempat di jembatan penyeberangan yang melewati Tol menuju bandara Soekarno-Hatta. Untuk kondisi padat pengambilan gambar dilakukan di Tol Kebon Jeruk. Pengambilan gambar dilakukan 7 kali dengan kondisi yang berbeda-beda yaitu, pada pagi, siang dan sore hari, lalu pada cerah dan mendung, serta pada kondisi arus kendaraan padat dan lancar. Setiap rekaman memiliki jumlah kendaraan yang sama yaitu 100 kendaraan yang lewat. Setelah rekaman gambar pada setiap kondisi didapatkan, rekaman dipindahkan ke komputer untuk kemudian diproses lebih lanjut. Setiap algoritma yang diujikan diberikan rekaman yang sama untuk kemudian dibandingkan akurasinya.Pada Tabel 4.1 dijabarkankarakteristik dari kondisi yang akan diujikan: Tabel 4.1Tabel deskripsi kondisi yang diujikan

Kondisi

Karakteristik

Pagi

Berkisar antara Pukul 06.00 – 10.00

Siang


Sore


Mendung

Matahari tertutup awan

Cerah

Matahari tidak tertutup awan

Padat

Jumlah kendaraan yang tertangkap dalam frame lebih sering lebih dari tiga kendaraan yang lewat

26



27

Lancar

Jumlah kendaraan yang tertangkap dalam frame lebih sering satu atau dua kendaraan yang lewat

Pada Gambar 4.1 dapat dilihat screenshot dari kondisi yang berdasarkan waktu pengambilan data yaitu pada pagi hari, siang hari, dan sore hari:

Gambar 4.1 Kondisi berdasarkan waktu yaitu, (a) pagi, (b) siang, dan (c) sore

Dapat dilihat perbedaanbrightness dan contrast dari masing-masing gambar sesuai dengan waktu pengambilan. Selanjutnya pada Gambar 4.2 dapat dilihat kondisi berdasarkan cuaca pada waktu pengambilan.



28

Gambar 4.2 Kondisi berdasarkan cuaca yaitu, (a) cerah dan (b) mendung

Dapat dilihat perbedaan brightness dan contrast yang mencolok pada saat cuaca cerah dan pada saat cuaca mendung. Terakhir pada Gambar 4.3 dapat dilihat kondisi terakhir yaitu ketika arus kendaraan padat dan lancar.

Gambar 4.3 Kondisi berdasarkan arus kendaraan yaitu, (a) lancar dan (b) padat

Pada kondisi arus lancar hanya satu atau dua kendaraan yang lewat pada rekaman video, sedangkan pada kondisi arus padat lebih dari tiga kendaraan yang lewat pada rekaman video. Seperti dilihat pada Gambar 4.3.



29

4.2 Pengaruh Perbedaan Delay Frame Referensi pada Algoritma Optical Flow Delay frame referensi merupakan salah satu parameter yang dapat diubah pada algoritma Optical Flow. Delay frame referensi ini sendiri merupakan delay antar frame yang sedang diproses dengan frame referensi. Pengujian dilakukan untuk mencari tahu seberapa besar pengaruh dari besarnya delay terhadap kinerja dari algoritma Optical Flow itu sendiri. Pengujian dilakukan menggunakan salah satu data rekaman dengan besaran delay yang berbedabeda yaitu 3,5 dan 7 terhadap 100 kendaraan. Hasil dari pengujian dapat dilihat pada Tabel 4.2.

Tabel 4.2 Tabel perbandingan berdasarkan delay terhadap 100 kendaraan

Besarnya Penghitungan Delay Kendaraan (Frame) Benar Akurasi 3 88 88% 5 90 90% 7 92 92% 9 92 92%

Frame Delay Vs Akurasi 93 A k u r a s i

92 91

90 89 88 87 86 3

5

7

9

Besarnya Delay (Frame) Gambar 4.4 Grafik Hasil Pengukuran Besarnya Delay terhadap Akurasi



30

Dari hasil pengukuran diatas dapat dianalisa bahwa semakin besar delay frame referensi maka semakin besar pula akurasi yang didapatkan menggunakan algoritma Optical Flow. Hal ini terjadi karena semakin besar delay frame referensi maka bentuk kendaraan yang tersegmentasi menjadi lebih bagus. Bagus berarti kendaraan yang tersegmentasi memiliki bentuk gumpalan yang lebih tebal sesuai dengan besarnya delay frame referensi.

4.3 Pengukuran dan Analisa Algoritma Optical Flow Pengujian pertama kondisi menggunakan algoritma Optical Flow. Dengan parameter delay frame referensi sebesar 7. Diujikan pada 7 kondisi yang telah disiapkan. Pada Tabel 4.3 dapat dilihat hasil pengukuran algoritmaOptical Flow pada kondisi yang berbeda-beda terhadap 100 kendaraan.

Tabel 4.3 Tabel Hasil Pengukuran Akurasi Optical Flow

Kondisi Waktu Pagi Pagi Siang Siang Sore Sore Sore

Jumlah Penghitungan Benar Akurasi Cuaca Cerah Cerah Cerah Mendung Cerah Mendung Mendung

Arus Lancar Padat Lancar Lancar Lancar Lancar Padat

87 81 88 92 87 90 82

87% 81% 88% 92% 87% 90% 82%



31

Akurasi Algoritma Optical Flow A k u r a s i

94% 92% 90% 88% 86% 84% 82% 80% 78% 76% 74% Pagi Cerah Lancar

Pagi Cerah Padat

Siang Siang Sore Sore Sore Cerah Mendung Cerah Mendung Mendung Lancar Lancar Lancar Lancar Padat Kondisi

Gambar 4.5 Grafik Hasil Pengukuran Akurasi Optical Flow

Dari Tabel 4.3 dan Gambar 4.5 dapat dianalisa bahwa algoritma Optical Flow memiliki akurasi yang cukup baik yaitu diatas 80%. Algoritma ini dapat menghitung secara lebih akurat ketika arus kendaraan tidak padat atau lancar. Hal ini dikarenakan ketika arus kendaraan lancar pemrosesan berjalan lebih akurat karena kendaraan yang lewat dianalisa satu persatu sehingga tidak membebani sistem sehingga dapat diproses lebih cepat, berbeda ketika arus kendaraan padat, sistem dapat memroses tiga kendaraan atau lebih dalam satu frame sehingga tidak dapat memroses secara efisien.

4.4 Kegagalan Pelacakan pada Algoritma Optical Flow Kegagalan pelacakan atau failure trackingyang fatal pada algoritma ini terjadi ketika melacak beberapa kendaraan besar berupa truk kontainer. Perbedaan warna yang cukup signifikan antara truk dengan muatannya dapat menyebabkan algoritma menghitung kendaraan tersebut sebagai dua kendaraan yang berbeda sehingga cukup berpengaruh pada akurasi dari algoritma tersebut. Contoh kegagalan pelacakan tersebut dapat dilihat pada Gambar 4.6.



32

Gambar 4.6 Kegagalan Pelacakan Optical Flow

Dapat dilihat algoritma menghitung bagian depan dari truk sebagai satu kendaraan dan bagian muatan dari truk sebagai kendaraan lain. Kegagalan pelacakan lain yang tidak begitu signifikan diakibatkan kendaraan yang melaju melebihi kecepatan 80 Km/jam dan berada pada lajur kanan sehingga belum sempat diproses oleh sistem.

4.5 Pengaruh Jumlah Training Frame pada Algoritma Gaussian Mixture Model Jumlah training frame merupakan salah satu parameter yang dapat diubah pada algoritma Gaussian Mixture Model. Parameter training frameitu sendiri merupakan jumlah frame yang dilatih sebagai model background dihitung dari awal frame video tersebut. Pengujian dilakukan untuk mengetahui seberapa besar pengaruh besarnya parameter training frame tersebut terhadap akurasi dari algoritma Gaussian Mixture Model tersebut. Pengujian dilakukan dengan menggunakan salah satu data rekaman dengan besaran training frame yang berbeda-beda yaitu 30, 60, 90, 120, dan 150. Hasil dari pengujian tersebut dapat dilihat pada Tabel 4.4.



33

Tabel 4.4 Tabel Perbandingan Training Frame dengan Akurasi

Training Frame(Frame) 30 60 90 120 150

Jumlah Kendaraan Total Benar Kendaraan Akurasi 61 100 61% 63 100 63% 65 100 65% 64 100 64% 66 100 66%

Akurasi

Training Frame Vs Akurasi 67% 66% 65% 64% 63% 62% 61% 60% 59% 58%

Series1

30

60

90

120

150

Training Frame (Frame)

Gambar 4.7 Grafik Perbandingan Training Frame dengan Akurasi

Dari Tabel 4.4 dan Gambar 4.7 dapat disimpulkan bahwa semakin besar training frame, akurasi yang didapat cenderung bertambah meskipun besarnya tidak signifikan. Hal ini dapat dilihat dari perbedaan antara30 training frame dengan 150 training frame hanya bertambah 5% saja dan sempat turun pada 120 training frame. Akurasi cenderung bertambah dapat disebabkan oleh semakin akuratnya model background yang dijadikan referensi sehingga memudahkan sistem untuk memisahkan objek bergerak dari background.



34

4.6 Pengukuran dan Analisa Algoritma Gaussian Mixture Model Pengujian kedua kondisi menggunakan algoritma Gaussian Mixture Model. Dengan parameter training frame sebesar 150. Diujikan pada 12 kondisi yang telah disiapkan. Pada Tabel 4.5 dapat dilihat hasil pengukuran menggunakan algoritma Gaussian Mixture Model pada kondisi yang berbeda-beda terhadap 100 kendaraan.

Tabel 4.5Tabel Hasil Pengukuran Akurasi Gaussian Mixture Model

Kondisi Waktu Pagi Pagi Siang Siang Sore Sore Sore

Jumlah Penghitungan Benar Akurasi Cuaca Cerah Cerah Cerah Mendung Cerah Mendung Mendung

Arus Lancar Padat Lancar Lancar Lancar Lancar Padat

64 59 68 72 65 69 62

64% 59% 68% 72% 65% 69% 62%

Akurasi Algoritma Gaussian Mixture Model A k u r a s i

80% 70% 60% 50% 40% 30% 20% 10% 0% Pagi Cerah Lancar

Pagi Cerah Padat

Siang Siang Sore Sore Sore Cerah Mendung Cerah Mendung Mendung Lancar Lancar Lancar Lancar Padat Kondisi

Gambar 4.8 Grafik Hasil Pengukuran Akurasi Gaussian Mixture Model

Dari Tabel 4.5dapat dianalisa bahwa algoritma Gaussian Mixture Model memiliki akurasi yang kurang baik yaitu tidak mencapai 80%. Algoritma ini



35

bahkan tidak dapat menghitung secara akurat ketika arus kendaraan tidak padat atau lancar. Dan bahkan lebih buruk ketika memroses data rekaman dengan arus yang padat yaitu hanya 62%. Hal ini dapat disebabkan terlalu sensitifnya algoritma ini terhadap cahaya sehingga sering terjadi kegagalan pelacakan pada algoritma ini.

4.7 Kegagalan Pelacakan pada Algoritma Gaussian Mixture Model Kegagalan Pelacakan yang fatal pada algoritma ini terjadi ketika algoritma gagal dalam melacak kendaraan yang merupakan foreground object dari jalan yang merupakan background object. Contoh dari kegagalan pelacakan tersebut dapat dilihat pada Gambar

Gambar 4.9 Kegagalan Pelacakan Algoritma Gaussian Mixture Model

Kegagalan pelacakan tersebut diakibatkan dua bayangan kendaraan yang menempel sehingga menyebabkan algoritma tersebut melacak dua kendaraan tersebut menjadi satu kendaraan, sehingga menurunkan akurasi dari algoritma tersebut. Hal ini sering terjadi pada saat kondisi cuaca cerah, sehingga bayangan kendaraan tersegmentasi oleh algoritma Gaussian Mixture Model.

4.8 Pengaruh Kondisi Cuaca terhadap Akurasi Kedua Metode Pada metode Optical Flow dan Gaussian Mixture Modelakurasi terbaik dicapai saat kondisi waktu siang hari, cuaca mendung dan arus kendaraan



36

lancar. Hal ini dikarenakan pada kondisi cuaca mendung intensitas cahaya yang berubah lebih sedikit sehingga algoritma dapat mensegmentasi kendaraan dengan mudah. Dan bayangan yang dihasilkan kendaraan terlihat lebih samar sehingga bayangan tersebut tidak tersegmentasi oleh algoritma yang digunakan.

4.9 Pengaruh Lokasi Pengambilan Gambar dan Sudut Kamera Untuk mendapatkan hasil terbaik pada pengukuran maka dibutuhkan lokasi pengambilan gambar yang sesuai dan sudut kamera yang pas yaitu pada tempat yang tinggi dan sudut kamera yang curam(mendekati arah vertikal). Namun, pada pengujian yang dilakukan gambar yang direkam tidak didapatkan pada lokasi dan sudut kamera yang terbaik. Hal ini dikarenakan keterbatasan lokasi pengambilan gambar yaitu jembatan yang melewati tol yang tidak terlalu tinggi sehingga pengambilan gambar kendaraan menjadi terlalu dekat dan sudut kamera menjadi landai(mendekati arah horisontal). Sehingga menyebabkan beberapa mobil yang melaju dengan kecepatan tinggi tidak dapat dikenali oleh kedua algoritma sehingga menyebabkan penurunan akurasi.

4.10 Perbandingan Akurasi Algoritma Optical Flow dengan Gaussian Mixture Model Setelah kedua pengujian algoritma Optical Flow dan Gaussian Mixture Model selesai maka dapat dibandingkan akurasi dari kedua algoritma tersebut. Perbandingan dapat dilihat dari grafik pada Gambar 4.10.



37

Optical Flow Vs Gaussian Mixture 100% A k u r a s i

80% 60% 40% 20% 0% Pagi Cerah Pagi Cerah Lancar Padat

Siang Cerah Lancar

Siang Sore Cerah Sore Sore Mendung Lancar Mendung Mendung Lancar Lancar Padat Kondisi

Optical Flow

Gaussian Mixture Model

Gambar 4.10 Grafik Perbandingan Akurasi Optical Flow dengan Gaussian Mixture Model

Dari Grafik pada Gambar 4.10 dapat disimpulkan bahwa secara keseluruhan dilihat dari semua kondisi yang diujikan algoritma Optical Flow memiliki akurasi yang lebih tinggi, berbeda jauh dari akurasi algoritma Gaussian Mixture Model. Dimana akurasi algoritma Optical Flow lebih besar dri 80% dan algoritma Gaussian Mixture Model tidak mencapai 80%

4.11 Perbandingan Kecepatan Proses Kedua Algoritma Pada saat pengujian kedua algoritma menggunakan komputer yang memiliki prosesor dengan kecepatan 3 GHz, kedua algoritma memiliki kecepatan proses video yang sama. Tetapi ketika dites menggunakan komputer atau laptopdengan kemampuan prosesor yang lebih rendah algoritma Optical flow dapat mengolah lebih cepat dibandingkan algoritma Gaussian Mixture Model. Hal ini disebabkan oleh algoritma Optical flow yang lebih sederhana ketika disimulasikan menggunakan perangkat lunak pengolah grafis dibandingkan dengan algoritma Gaussian Mixture Model.



BAB 5 KESIMPULAN

Setelah melakukan pengujian dan analisis dari algoritma Optical Flow dan Gaussian Mixture Model, maka dapat disimpulkan beberapa poin sebagai berikut: 1. Algoritma Optical Flow memiliki performa yang lebih baik daripada Gaussian Mixture Model, hal ini dapat dilihat dari keseluruhan akurasi yang didapat, dimana Optical Flow dapat mencapai 92% sedangkan Gaussian Mixture Model hanya mencapai 72% 2. Parameter delay frame referensi pada algoritma Optical Flow berpengaruh terhadap kinerja dari algoritma itu sendiri. Dimana semakin besar delay frame referensi maka kinerja algoritma tersebut akan semakin membaik. Terbaik pada 7 frame. 3. Parameter

training

frame

pada

algoritma

Gaussian

Mixture

Modelberpengaruh pada kinerja dari algoritma itu sendiri. Dimana semakin besar nilai training frame maka kinerja algoritma tersebut akan semakin membaik meskipun tidak signifikan. Terbaik pada 150 frame. 4. Kegagalan pelacakan pada algoritma Optical Flow diakibatkan oleh kendaraan besar seperti truk kontainer yang dianggap sebagai dua kendaraan, dimana kegagalan pelacakan oleh algoritma Gaussian Mixture Model melacak dua bayangan kendaraan yang berdekatan menjadi satu kendaraan.

38



39

DAFTAR PUSTAKA

[1] CJ Setchell. Application of Computer Vision to Road Traffic Monitoring, Tesis untuk University of Bristol, September 1997. [2] Linda G. Shapiro & George C. Stockman. Computer Vision. Prentice Hall, 2001. [3] Rafael. C. Gonzales & Richard E. Woods, Digital Image Processing 2nd Edition, Prentice Hall, 2002. [4] Gary Bradsky & Adrian Kaehler. Learning OpenCV: Computer Vision with the OpenCV Library, O’Reilly, September 2008. [5] Berthold K. P. Horn & Brian G. Schunck, Determining Optical Flow, April 1980, Massachussets Institute of Technology Artificial Intelligence Laboratory. [6] http://www.mathworks.com/help/toolbox/vision/ref/opticalflow.html, diakses pada tanggal 30 Mei 2012. [7] http://digilib.ittelkom.ac.id/index.php?option=com_content&view=article&id=71 8:mixture-model&catid=21:itp-informatika-teori-danpemograman&Itemid=14 diakses pada tanggal 31 Mei 2012. [8]Hajer Fradi & Jean-Luc Dugelay, Robust Foreground Segmentation Using Improved Gaussian Model and Optical Flow, Eurocom, Mei 2012. [9] http://fourier.eng.hmc.edu/e161/lectures/gradient/node10.html diakses pada tanggal 20 Juni 2012.



ANALISA PERBANDINGAN AKURASI METODE OPTICAL FLOW DAN GAUSSIAN MIXTURE MODELUNTUK SISTEM PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION SKRIPSI

Recommend Documents