1
BAB 1 PENDAHULUAN
1.1.
Latar Belakang Masalah Kemacetan dapat terjadi akibat ketidakteraturan lalu lintas dan demand arus
kendaraan yang tidak terbendung dalam suatu waktu. Kemacetan juga kadang terjadi karena adanya kejadian tidak terduga di lajur jalan. Kemacetan menimbulkan banyak masalah seperti kerusakan jalan, pemborosan waktu dan bahan bakar, berbagai penyakit dan hal lainnya. Sebagai langkah antisipasi kemacetan tersebut maka lalu lintas perlu dianalisis lebih lanjut. Hasil data penelitian oleh Dr. Firdaus Ali, seorang pakar lingkungan Fakultas Teknik Universitas Indonesia menunjukkan bahwa total kerugian yang disebabkan oleh kemacetan mencapai lebih dari 28,1 triliun rupiah pertahunnya (Winarno, 2011). Dampak kemacetan
Besar kerugian yang dihasilkan
Pemborosan bahan bakar
> 10,7 triliun rupiah pertahunnya
Pembuangan waktu produktif kerja
> 9,7 triliun rupiah pertahunnya
Penyebaran penyakit
> 5,8 triliun rupiah pertahunnya
Kerugian pendapatan angkutan umum > 1,9 triliun rupiah pertahunnya Tabel 1.1. Dampak kerugian dari kemacetan oleh Dr. Firdaus Ali (Winarno, 2011). ITS (Intelligent Transportation Systems) merupakan sistem yang dibangun untuk memecahkan masalah kemacetan serta pengaturan lalu lintas dengan penerapan teknologi sebagai jembatan penghubung ITS dan sistem transportasi, contoh implementasinya adalah Advanced Traffic Management Systems (ATMS), Advanced
2
P Public Transsportation Systems Sy (APT TS), Advancced Traveler Informationn Systems (A ATIS) d sebagain dan nya. Meenurut Internnational Orrganization for f Standarrdization (C Chen and Miles, M 1999), ITS terdiri t dari 8 penerapan, yaitu: 1.
Manajem men lalu-lintaas (traffic maanagement),
2.
Sistem innformasi penngguna transpportasi (travveler informaation),
3.
Sistem-sistem kendarraan (vehiclee systems),
4.
Kendaraaan-kendaraann komersial (commercial vehicles),
5.
Transporttasi umum (ppublic transpport),
6.
Manajem men darurat (eemergency management m t),
7.
Pembayarran elektronik (electroniic payment),, dan
8.
Keamanaan (safety)
Gambar 1.1. ITS dan d transporrtasi dihubunngkan dengann penerapann teknologi. bungan ITS S dan sisttem transpoortasi bersiffat dua arrah karena ITS Hub m memerlukan n data dari siistem transpoortasi dan traansportasi memerlukan m hasil olahann data d ITS un dari ntuk diterapkkan dilapanggan. Penerappan teknologgi-teknologi pendukungg ITS m masuk kedallam dua hal dari sistem transportasii yaitu dari sisi s infrastruukstur sistem m dan p pelaku sistem m, dijelaskann lebih detil pada tabel berikut b ini.
3
ITS Enabling Tech.
Infrastructure Side
Vehicle Side
Data acquisition
Traffic detectors
Automatic vehicle detection
Weather monitors
Weight-in-motion
Data processing
Data fusion
Global positioning system Digital map
Data communications
Automatic vehicle detection Stationary communications Fiber optics
Mobile communications Dedicated short-range communications Highway advisory radio
Information distribution
Variable message sign
Information utilization
Ramp metering
Radio data system/ traffic message channel Route guidance
Urban traffic control
Crash avoidance
Internet
Tabel 1.2. Teknologi-teknologi pendukung ITS (Chen and Miles, 1999) Sebagai langkah awal pembangunan sistem, ITS membutuhkan data masukkan dari sisi infrastruktur lalu lintas dan sisi kendaraan. Kesuksesan ITS berada pada sensor yang dipergunakan untuk memperoleh data dari lalu lintas. ITS membutuhkan data untuk dianalisis dan diolah menjadi sumber keputusan manajerial transportasi. Salah satu data yang sangat penting adalah jumlah kendaraan yang diambil melalui Traffic Surveillance. Traffic surveillance atau pemantauan lalu lintas digunakan untuk mendapatkan data-data penting berdasarkan kejadian atau fakta yang terjadi di jalan raya seperti jumlah kendaraan, kecepatan arus hingga klasifikasi kendaraan. Data jumlah kendaraan dapat dipergunakan untuk menentukan timer pada lampu lalu lintas sehingga jumlah kendaraan pada seluruh lajur dapat diseimbangkan. Pengaturan lalu lintas dapat memberikan banyak dampak positif didalamnya, misal seperti meningkatkan efektifitas perjalanan dan mengurangi kerugian yang dihasilkan.
4
Traffic surveillance telah melalui dua tahap perkembangan yaitu pertama kali dilakukan berdasarkan pengamatan langsung dan kedua berdasarkan pengamatan yang dilakukan oleh alat bantu atau sensor. Pemantauan berdasarkan pengamatan langsung dikerjakan oleh manusia tanpa alat bantu untuk mendapatkan data dari jalan raya. Pemantauan dengan pengamatan langsung memiliki banyak sekali kelemahan seperti: pemantauan jarang dilakukan, data hasil pemantauan seringkali tidak akurat, tidak konsisten akibat perbedaan pemantau dan juga terdapat bahaya penyakit akibat polusi udara dan bahaya arus kendaraan. Pemantauan menggunakan alat bantu mulai digunakan dalam era modern belakangan ini dan dapat dilakukan secara otomatis. Alat bantu yang dimaksud antara lain loop detector, infrared, dan kamera. Pengertian otomatis (Automated Traffic Surveillance, ATS) yaitu data yang diperoleh dapat diperoleh tanpa adanya pengamatan oleh manusia, misalnya mendapatkan jumlah kendaraan dalam satuan waktu. Alat loop detector dipergunakan untuk mengetahui massa, lebar, dan panjang kendaraan dan juga kecepatan kendaraan. Kelemahan penggunaan alat ini antara lain biaya instalasi yang mahal, waktu realisasi yang lama, dan hanya dapat mengklasifikasikan berdasarkan panjang dari kendaraan. Alat infrared dapat dipergunakan untuk mengetahui kecepatan dan jumlah kendaraan. Kelebihannya yaitu biaya yang relatif murah dibandingkan kamera ataupun loop detector. Kelemahannya adalah rentan rusak dan jarak pendeteksiannya tidak terlalu jauh. Kamera sebagai alat sensor telah melalui dua tahap perkembangan, pertama penggunaan kamera dengan pengamatan langsung dan penggunaan kamera dengan pengolahan dan analisis citra digital. Penggunaan kamera dengan pengamatan langsung memiliki kelemahan keterbatasan tenaga dan kemampuan pengamat sehingga
5
menyebabkan data yang diperoleh tidak presisi sesuai dengan kondisi lapangan pada saat dibutuhkan. Kontribusi peneliti adalah pengembangan pada sisi infrastruktur yaitu untuk memperoleh data jumlah kendaraan melalui pemantauan lalu lintas menggunakan kamera. Kamera sebagai sensor sangat berpotensi untuk memperoleh beragam data seperti klasifikasi kendaraan dan pengenalan kepemilikan kendaraan pada penelitian selanjutnya. Pemantauan menggunakan kamera secara terautomasi dikenal dengan nama AVTS (Automated Visual Traffic Surveillance) dan menggunakan visi komputer (Computer Vision) sebagai alat pengembangannya. Visi komputer memiliki dua metode untuk pengenalan objek, pertama menggunakan model dari objek dan kedua menggunakan fitur dari objek. Penggunaan model dari objek memiliki tantangan yang sangat besar pada kondisi objek yang sangat padat, pencahayaan matahari dan bentuk objek yang beragam. Metode yang dipilih menggunakan titik fitur dari objek karena fleksibel menangani kepadatan objek tanpa terpengaruh dengan pencahayaan dan bentuk objek yang beragam dan merupakan cara yang efektif untuk merepresentasikan objek berdasarkan geometri dan pergerakkan dari objek (Lien, 2007; Sahagun, 2007). Penggunaan titik fitur juga memiliki keterbatasan yaitu pengenalan objek hanya sebatas pejalan kaki, motor, mobil, atau bis dengan melihat kecepatan dan jumlah titik fitur yang tersebar pada objek. Selain itu segmentasi objek kendaraan pada kondisi yang sangat padat juga sulit untuk dilakukan karena pergerakkan kendaraan yang tidak terlalu beragam sehingga keakuratan pemantauan akan turun bersamaan dengan meningkatnya tingkat kepadatan dari objek.
6
1.2.
Rumusan Masalah Pemantauan lalu lintas pada lajur jalan dengan tingkat yang padat akan sulit
dilakukan. Hal tersebut dikarenakan kendaraan-kendaraan terlihat saling menutupi satu sama lainnya. Ditambah kondisi pencahayaan matahari dan penempatan kamera yang dinamis sulit untuk mendefinisikan objek berdasarkan model dari objek seperti yang dijelaskan oleh Lien (2007) dan Sahagun (2007). Pemilihan metode untuk menjawab masalah tersebut adalah menggunakan pergerakkan titik fitur. Menurut Sahagun (2007), penggunaan titik fitur untuk melakukan pelacakan dan penghitungan objek pejalan kaki dalam kondisi yang padat cukup tangguh menyelesaikan masalah. Pengelompokan objek berdasarkan pergerakkan tidak akan pernah terganggu oleh penempatan kamera ataupun kondisi cahaya pada lingkungan terbuka dan penanganan oklusi pada objek dapat dilakukan.
1.3.
Ruang Lingkup Penelitian yang ingin dilakukan dibatasi dalam fokus: 1.
Jumlah kendaraan.
2.
Pengujian program tidak dilakukan langsung dilapangan melainkan melalui contoh rekaman lalu lintas yang diambil dengan menggunakan camcorder sederhana.
3.
Pengujian dan pengembangan program dilakukan dengan menggunakan sampel video traffic pada siang hari.
4.
Pengujian dan pengembangan program dilakukan dengan menggunakan sampel video berukuran 720 x 576 piksel dan frame rate 25 fps.
7
5.
Pemantauan dilakukan hanya untuk satu arus lajur lurus dengan tingkat kepadatan kendaraan dari rendah hingga cukup kompleks.
6.
Pengembangan program dilakukan dengan menggunakan pustaka OpenCV sebagai alat pemrosesan citra.
7.
Pengembangan program dilakukan dengan menggunakan Qt SDK (Software Development Tools Kit) sebagai alat pemrograman aplikasi.
1.4.
Tujuan dan Manfaat
1.4.1.
Tujuan Adapun tujuan dari penelitian ini adalah untuk membuat aplikasi/ program
komputer untuk menghitung jumlah kendaraan dalam suatu waktu, serta menguji keakuratan program dalam mendeteksi jumlah kendaraan.
1.4.2.
Manfaat Adapun manfaat yang diharapkan dari hasil penelitian ini adalah: 1.
Bagi Traffic Management Center (TMC): mendapatkan data yang dapat diandalkan untuk dianalisis lebih lanjut dalam proses pengembangan ITS.
2.
Bagi peneliti lain: dapat memberikan referensi bagi penelitian yang berhubungan dengan Automated Visual Traffic Surveillance.
3.
Bagi peneliti: merupakan kesempatan untuk memberikan peran dalam perbaikan transportasi lewat pengembangan ITS.
8
1.5.
Makalah yang Relevan Tissainayagam
dan
Suter
(2005)
menjelaskan teknik
trajeksi
objek
menggunakan Bayesian Multiple Hypothesis Tracking (MHT). Pertama MHT dipergunakan untuk segmentasi kontur. Kedua, MHT dipergunakan untuk melakukan trajeksi secara temporal dari objek yang dipilih dan di representasikan menggunakan titik fitur. Tang dan Tao (2005) menjelaskan teknik representasi berdasarkan fitur menggunakan Attributed Relational Graph (ARG) untuk melakukan trajeksi. Objek dimodelkan dengan Invariant Feature (SIFT) dan hubungan antar titik dinyatakan dalam ARG yang efektif memisahkan objek dengan latar atau objek lain. Kemudian metode Relaxation Labeling dipergunakan untuk mencocokkan model grafik dengan hasil observasi untuk mendapatkan posisi objek terbaik. Brostow dan Cipolla (2006) menjelaskan algoritma Unsupervised data driven Bayesian Clustering untuk mendeteksi entitas setiap individu. Mereka melakukan pengelompokan dan trajeksi objek menggunakan pergerakkan dari setiap entitas yang berbeda-beda. Mereka menggunakan Space-Time Proximity dan Trajectory Coherence dalam ruang citra sebagai kriteria kemungkinan untuk melakukan pengelompokan titik fitur. Lien (2007) menjelaskan metode untuk deteksi target dan trajeksi pejalan kaki dalam kondisi yang padat. Secara general metode trajeksi target tergolong dalam blobbased dan point-based. Metode yang diajukan yaitu menggunakan pendekatan Coarse to Fine berdasarkan ekstraksi titik-titik fitur. Dimulai dari C-Means digunakan untuk melakukan pengelompokan secara kasar. Kemudian Spatial-Temporal Shortest Spanning Tree digunakan untuk mengelompokkan titik fitur. Kemudian Trajectory
9
Correlation
dan
Trajectory
Conformance
dipergunakan
untuk
memperhalus
pengelompokan titik fitur. Han, Roberts, Wu, dan Li (2007) menjelaskan trajeksi menggunakan titik fitur. Titik – titik yang berkoresponden di cari untuk setiap frame, dengan meminimalkan Sum-of-Square-Distance (SSD) antara dua titik fitur. Kemudian titik fitur yang berkoresponden besar disebut sebagai Harris Criterion. Sahagun (2007) menjelaskan penambahan informasi untuk pengelompokan titik fitur dengan menggunakan Frequency Domain Cues dalam kasus pendeteksian dan trajeksi pejalan kaki. Sehingga informasi titik fitur yang dipergunakan seluruhnya antara lain analisis jarak, analisis pergerakkan dan analisis frekuensi. Cheriyadat, Bhaduri, dan Radk (2008) menjelaskan pendeteksian dan trajeksi berbagai jenis objek dengan menggunakan titik fitur sebagai masukkan dan menghasilkan sekumpulan Coherence Motion Regions sebagai keluaran. Penggunaan algoritma Greedy sederhana digunakan untuk menemukan sekumpulan coherence motion regions terbaik. Perbet, Maki, dan Stenger (2009) menjelaskan algoritma untuk mendeteksi pergerakkan berjalan menggunakan trajektori titik dari urutan citra video. Mereka mengidentifikasi mana titik yang berkorelasi secara temporal yang dihasilkan dari pergerakkan berjalan kaki dengan menggunakan metode Probabilistic Trajectories sebagai fitur baru untuk mengklasifikasikan objek. Kemudian mereka mempelajari korelasi pergerakkan kedua kaki menggunakan Random Forest Classifier. Pundlik (2009) menjelaskan pengelompokan titik fitur menggunakan algoritma Spatially Constrained Mixture Models dan EM. Menurutnya, setiap objek bergerak
10
dengan relatif kecepatan pergerakkan yang berbeda-beda. Pengaplikasiannya digunakan untuk melakukan trajeksi iris mata menggunakan titik fitur.
1.6.
Sistematika Penulisan
1.6.1.
Pendahuluan Latar belakang masalah menjelaskan secara lengkap masalah yang dihadapi
dan diharapkan peneliti dapat memberikan solusi yang tepat. Ruang lingkup menjelaskan fokus dari tujuan penelitian yang dilakukan serta keterbatasan peneliti dalam menyelesaikan masalah. Tujuan dan manfaat menjelaskan kontribusi peneliti bagi pihak-pihak yang terkait. Makalah yang relevan menjelaskan tentang penelitian yang serupa dan perkembangannya. Sistematika penulisan bertujuan untuk menjelaskan kepada pembaca mengenai garis besar isi dari penulisan.
1.6.2.
Landasan Teori Bab ini membahas tentang teori-teori yang bersangkutan dengan hasil dari
penelitian program AVTS. Antara lain seperti definisi kecerdasan buatan, tujuan dan manfaat aplikasi kecerdasan buatan, metode pembelajaran mesin, pengenalan Qt SDK, pengenalan pustaka OpenCV, pengantar tentang citra dan video digital, penjelasan tentang subtraksi latar adaptif dengan menggunakan Mixture of Gaussian Model, penjelasan tentang proses perbaikan citra menggunakan dilatasi dan erosi citra, penjelasan tentang Object Tracking Lucas Kanade, Good Features to Track, dan penjelasan tentang kuadran Azimuth.
11
1.6.3.
Metodologi Penelitian Bab ini membahas tentang penentuan masalah penelitian, alur penelitian,
perancangan penelitian, yang meliputi kebutuhan perancangan, perancangan lingkungan perekaman, perancangan diagram alir program, perancangan tampilan program, dan perancangan pengujian program.
1.6.4.
Hasil dan Pembahasan Bab ini membahas tentang pengujian program disetiap bagiannya, pengujian
keakuratan program, kebutuhan minimum implementasi, dan penggunaan program. Pengujian disetiap bagian program seperti subtraksi latar, pendeteksian titik fitur, pelacakan titik fitur, analisis relasi titik fitur, penghitungan objek, dan pelacakan objek dilakukan dengan memastikan hasil keluaran program disetiap bagiannya sudah baik. Pengujian keakuratan program dilakukan dengan menghitung nilai persentase keberhasilan pendeteksian objek kendaraan untuk beberapa tingkatan yang berbeda.
1.6.5.
Simpulan dan Saran Bab ini berisikan tentang simpulan dari hasil evaluasi pengujian program
sehingga dapat menjawab hasil dari rumusan masalah diawal penelitian. Serta pemberian saran untuk peneliti lain atas hasil akhir dari penelitian ini.
