DETEKSI GAMBAR RAMBU LALU LINTAS DENGAN ALGORITMA JARINGAN SYARAF TIRUAN

DETEKSI GAMBAR RAMBU LALU LINTAS DENGAN ALGORITMA JARINGAN SYARAF TIRUAN Rr. Octanty M.1,Dzuratul U.2, SayyidinaAuliya3, Anastasia C.U.4, M. Hilman Fatah5, Shelani M.6 Program Studi Teknik Informatika, Universitas Brawijaya E-Mail: [email protected], [email protected], [email protected], [email protected],[email protected],[email protected]

ABSTRAK Keselamatan dan ketertiban berkendara menjadi hal yang sangat penting bagi pengguna lalu lintas. Untuk itu rambu lalu lintas menjadi hal yang wajib dipatuhi oleh semua pengguna jalan raya.Kenyataannya, saat berkendara ada banyak rambu lalu lintas yang sudah tidak layak untuk dipasang sehingga menyebabkan ketidaktahuan para pengendara yang dapat mengakibatkan kecelakaan dan pelanggaran lalu lintas. Hal ini tentu akan merugikan orang lain. Dengan berkembangnya teknologi, maka dibutuhkan suatu teknologi auto–pilot system pada kendaraan, yang dapat mendeteksi rambu lalu lintas secara cepat dan akurat dan memperingatkan pengendara akan informasi tentang rambu lalu lintas yang akan dilewati. Pendeteksian ini dilakukan dengan mengidentifikasi warna, bentuk, dan pola rambu lalu lintas. Pada deteksi rambu lalu lintas ini digunakan algoritma Neural Network (Jaringan Syaraf Tiruan). Dengan adanya pendeteksian rambulalu lintas ini, diharapkan sistem dapat mendeteksi jenis rambu yang ditangkap kamera secara cepat dan tepat, agar dapat membantu pengguna lalu lintas. Kata kunci: Rambu lalu lintas, Deteksi,Jaringan Syaraf Tiruan ABSTRACT Safety and orderliness driving becomes very important for the traffic user. For that traffic signs should be the main obligation for all of road users. In fact,while driving there is a lot of traffic signs that are not worthy to be installed, causing the rider ignorance that can lead to accidents and violations then this would be harm others.With the development of technology, it is needed an auto-pilot system technology on vehicles, which can detect traffic signs quickly and accurately and warn motorists of traffic information signs to be skipped.Detection is done by identifying colors, shapes, and patterns of cross road signs. For the traffic sign detection algorithm, it is used artificial neural networks. With the detection of traffic signs, it is hope that system can detect the type of signs that the camera can be captured quickly and accurately, in order to help the user of traffic road. Keyword : Traffic Sign, Detection, Neural Network

1 PENDAHULUAN 1.1 Latar Belakang Keselamatan menjadi hal utama bagi pengguna lalu lintas. Sehingga untuk ketertiban dan keamanan saat berkendaraan, rambu lalu lintas menjadi hal yang wajib dipatuhi oleh semua pengguna jalan raya. Kenyataannya, saat kita berkendara, ada banyak rambu lalu lintas yang sudah tidak layak untuk dipasang sehingga menyebabkan ketidaktahuan para pengendara yang dapat mengakibatkan kecelakaan atau pelanggaran lalu lintas. Hal ini tentu akan merugikan orang lain dengan meningkatkan resiko kecelakaan. Dengan seiring berkembangnya kemajuan teknologi, muncul ide yang berkembang tentang sistem auto-pilot, dimana kendaraan dapat mengenali rambu-rambu lalu lintas dengan membuat sistem peringatan rambu rambu lalulintas pada kendaraan tersebut. Dengan mengenali tanda rambu rambu lalu-lintas diharapkan kendaraan bisa memberikan informasi kepada pengemudi mengenai ramburambu yang ada disekitarnya, sehingga dapat mengurangi pelanggaran lalu lintas yang tidak disengaja. Untuk itu, maka dibutuhkan suatu sistem yang berupa sebuah mesin komputer dan kamera yang diletakkan pada kendaraan. Kamera digunakan untuk menangkap gambar-gambar rambu lalu lintas yang ada di sekitar kendaraan. Peletakan kamera dapat didesain sesuai dengan arah mana yang ingin ditangkap gambarnya. Komputer digunakan sebagai suatu mesin yang dapat mengolah data gambar dari kamera dan pada akhirnya mengenali rambu rambu lalu lintas yang ada disekitarnya. Proses pendeteksian gambar rambu rambu lalu-lintas dilakukan dengan memanfaatkan ciri atau fitur yang ada pada gambar tersebut yang terlihat dominan dengan menggunakan algoritma jaringan syaraf tiruan. Dengan adanya pendeteksian rambu lalu lintas ini, diharapkan sistem dapat mendeteksi jenis rambu yang ditangkap kamera secara cepat dan tepat, agar dapat membantu pengguna lalu lintas. 1.2 Tujuan Penelitian Rambu-rambu lalu lintas menjadi hal yang penting saat berkendara, tak pelak ini sebagai

arahan dan pedoman para pengemudi untuk menjalankan kendaraannya dengan baik dan benar. Maka dari itu kami melakukan penelitian tentang rambu lalu lintas dengan menggunakan metode jaringan saraf tiruan. Jaringan saraf tiruan adalah sebuah metode yang digunakan untuk mempertahankan kualitas suatu gambar. Penelitian ini dimaksudkan agar simbol-simbol rambu lalu lintas yang ada di jalan tetap mempunyai kualitas yang baik serta dapat teridentifikasi secara benar. Prinsip metode ini adalah membandingkan antara image objek yang akan dikenali dengan image template yang ada. Image objek yang akan dikenali mempunyai tingkat kemiripan sendiri terhadap masing-masing image template. Pengenalan dilakukan dengan melihat nilai tingkat kemiripan tertinggi dan nilai batas ambang pengenalan dari image objek tersebut. Bila nilai tingkat kemiripan berada di bawah nilai batas ambang maka image objek tersebut dikategorikan sebagai objek yang tidak dikenal. 1.3 Rumusan Masalah Pengidentifikasian simbol-simbol rambu lintas tidaklah mudah. Banyak kendala yang dihadapi dalam penelitian ini. Salah satunya ialah penentuan titik posisi lokasi gambar yang dapat menjelaskan hasil konkret dari simbol tersebut. Metode jaringan saraf tiruan adalah salah satu metode terapan dari teknik konvolusi. Metode jaringan saraf tiruan sering digunakan untuk mengidentifikasi citra dari arah simbol dan bentuk-bentuk dari simbol tersebut. JST disusun oleh elemen–elemen pemroses yang berada pada lapisan-lapisan yang berhubungan dan diberi bobot[3]. Dengan serangkaian inputan diluar sistem yang diberikan kepadanya jaringan ini dapat memodifikasi bobot yang akan dihasilkannya, sehingga akan menghasilkan output yang konsisten sesuai dengan input yang diberian kepadanya. Setiap elemen pemroses akan melaksanakan operasi matematika yang sudah ditentukan dan menghasilkan (hanya) sebuah harga keluaran dari satu ataupun banyak masukan.Penelitian yang didasarkan dengan menggabungkan jaraf saraf tiruan dan grayscale dari suatu citra ini kadang-kadang menimbulkan eror dalam membaca citra dalam menyimpulkan

suatu simbol yang diinginkan. Permasalahannya terdapat pada rusaknya suatu simbol ramburambu tersebut yang dapat mengubah hasil pendeteksian dari simbol tersebut, maka dari itu kami akan mencoba melatih dari beberapa simbol-simbol dan tidak hanya dari satu simbol. Maka dari itu kami akan menggunakan metode jaringan saraf tiruan yang dapat diandalkan. Dari sejumlah penelitian diatas, maka dapat disimpulkan bahwa metode jaringan saraf tiruan memiliki karakteristik antara lain: 1. Relatif mudah untuk diaplikasikan dalam teknik pengolahan citra digital. 2. Hasilnya relatif sangat akurat karena mendeteksi kesalahan hingga ukuran piksel. 3. Walaupun demikian, metode ini cukup rentan terhadap perbedaan orientasi antara citra acuan (jaringan saraf tiruan) dengan citra yang akan diidentifikasi, yang meliputi : ukuran, posisi dan kualitas citra. 4. Untuk mendapatkan hasil yang maksimal maka metode ini sangat tergantung pada teknik pengolahan citra digital yang lain seperti enhacement, filtering, dll. Sistematika penulisan makalah ini adalah sebagai berikut. 1. Tinjauan pustaka tentang Jaringan Saraf Tiruan disajikan pada Bagian 2. 2. Metodologi penelitian yang dilakukan disajikan pada Bagian 3. 3. Hasil dan pembahasan disajikan pada Bagian 4. 4. Kesimpulan disajikan pada Bagian 5 2 LANDASAN TEORI 2.1 Tinjauan Pustaka Jaringan Saraf Tiruan (JST) merupakan suatu sistem yang berperan dalam pemrosesan informasi dan memiliki karakteristik yang sama dengan jaringan saraf manusia. JST terinspirasi atas jaringan saraf manusia dan tersusun atas elemen-elemen yang telah disesuaikan sehingga berfungsi layaknya elemen pada jaringan saraf manusia[4]. Suatu sistem JST terdiri dari 3 komponen utama antara lain arsitektur JST, training method/learning algorithm, dan fungsi aktivasi.

3 METODOLOGI PENELITIAN 3.1 Rancangan Penelitian Fokus utama pada penelitian ini adalah pengenalan pola rambu lalu lintas dengan menggunakan JST metode back propagation. Pada intinya, pelatihan dengan metode back propagation yang terdapat dalam tahap training terdiri atas tiga langkah, yaitu : data dimasukkan ke input jaringan (feedforward), perhitungan dan propagasi balik dari error yang bersangkutan, pembaharuan (adjustment) bobot dan bias[1]. Pada tahap pengenalan terjadi pemrosesan data citra yang terdiri atas: load image (citra asli), melakukan konversi citra ke grayscale, mengubah grayscale menjadi citra biner (hitam putih), kemudian selanjutnya mengubah ukuran image (resize) dan mengambil data biner dari citra yang dihasilkan, tahap terakhir adalah tahap pengenalan rambu. 3.1.1 Implementasi Fitur Pada implementasi perangkat lunak pengenalan rambu lalu lintas akan di jelaskan setiap tahap dari proses dengan menampilkan form-form yang di buat. 3.2 Instrumen Penelitian Tahapan yang ditempuh dalam penelitian ini mencakup langkah-langkah sebagai berikut: 3.2.1 Training Set Training set merupakan data yang digunakan untuk pembelajaran pada algoritma JST. Di dalam training set terdapat 3 atribut yaitu nama file, kelas, dan num. Dimana nama file adalah citra/image tanda tangan, kelas adalah target pengenalan, dan num adalah bentuk input yang dinormalisasi dalam range 0-1. Num merupakan representasi dari kelas, dimana num merupakan increment dari 1/(jumlah training set – 1) dimulai dengan 0. Sebagai contoh, jika terdapat 3 training set, maka num adalah 0, 0.5, dan 1. Jika terdapat 6 training set, maka num adalah 0, 0.2, 0.4, 0.6, 0.8, dan 1, dst. Sebelum proses training, dilakukan inisialisasi bobot dan bias, dimana bobot merupakan array 255 elemen dengan bobot acak antara -0.5 hingga 0.5. Bias juga

diinisialisasi dengan nilai acak -0.5 hingga 0.5. Pada proses training terdapat learning rate dan epoch yang berpengaruh pada perubahan bobot, pada back propagation ada terdapat 3 bagian di dalamnya yaitu forward phase, backward phase, dan weight update. 3.2.2 Pengenalan Tahap pengenalan merupakan tahap dimana terjadi pemrosesan data citra, adapun tahapannya adalah sebagai berikut : 1. Load Image (citra asli) Pengambilan image sebuah tanda tangan.Format citra asli merupakan citra berwarna. Format yang dapat digunakan dalam program ini berekstensi *.bmp, *.jpg 2. Melakukan konversi citra ke grayscale Grayscale merupakan proses untuk mengubah citra menjadi bentuk derajat keabuan. Digunakan untuk memenuhi proses selanjutnya yaitu threshold. Citra digital yang sebelum diproses berwarna, harus dirubah dulu menjadi citra grayscale untuk memudahkan proses threshold. 3. Mengubah grayscale menjadi citra biner (hitam putih) Mengubah citra berderajat keabuan menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan background dari citra secara jelas. 4. Resize citra Langkah selanjutnya dari metode ini adalah meresize citra menjadi citra berukuran 15 x 15 pixel. Perubahan ukuran ini dimaksudkan agar citra menjadi seukuran saat dilakukan konversi ke dalam bentuk array yang berukuran 255 elemen atau sama dengan 15 x 15 elemen. 5. Konversi ke dalam bentuk array Citra yang berukuran 15 x 15 pixel diubah ke dalam bentuk data array dengan cara menelusuri tiap pixel citra dan memasukkan nilai 0 ke dalam array jika warna = 0 dan

memasukkan nilai 1 ke dalam array jika warna = 255. Contoh data: 11111111110111111111110000111 11111100011011111100000000000 00100100111011110001111000011 10000111110011000110001110000 01111110000010011111111100111 00111111110001110111111100100 11011111100111100011111001111 1111111100111111111111 Data tersebut akan dijadikan data input untuk proses pengenalan. 6. Pengenalan Rambu Tahap pengenalan data dengan melakukan proses forward phase dengan input dari citra yang telah diubah ke dalam bentuk array. Setelah melalui forward phase, maka dilakukan perhitungan error output (backward phase) dengan memasukkan masing-masing Num, dan dicari error terkecil.Error terkecil dipilih sebagai kelas yang diambil[2]. 4 HASIL DAN PEMBAHASAN Pengujian terhadap algoritma yang diusulkan (Jaringan Saraf Tiruan) dilakukan dengan menggunakan Microsoft Visual Studio yang dijalankan pada PC. Citra rambu petunjuk lalu lintas diambil dengan kamera digital dari sembilan belas lokasi yang berbeda, dan dengan bentuk rambu yang berbeda-beda. Empat dari citra rambu, yang terdiri dari empat nama rambu digunakan sebagai data training, yaitu rambu dilarang parkir, rambu dilarang belok kanan, rambu penyeberangan, serta rambu dilarang masuk. Pengambilan citra dilakukan pada siang hari, dengan tingkat pencahayaan berbeda-beda bergantung pada tempat pengambilan citra [5]. Proses yang dilakukan pada sistem terbagi menjadi dua, yaitu proses Training dan Proses pengenalan rambu. a. Proses Training Data yang akan ditraining dipilih dari citra yang sudah didapat. Kondisi Citra rambu yang dipilih untuk di di training ialah citra rambu dalam kondisi yang baik, dalam artiannya baik pada kondisi rambu itu sendiri

(tidak dalam keadaan rusak), dengan tingkat pencahayaan yang baik, dan tidak dalam kondisi yang miring. Agar proses training dapat berjalan dengan benar, dan sistem dapat mengenali data citra dengan mudah, karena data training ini nantinya akan menjadi referensi bagi data uji. Terdapat Empat dari citra rambu, yang digunakan sebagai data training, yaitu rambu dilarang parkir, rambu dilarang belok kanan, rambu penyebrangan, serta rambu dilarang masuk.

Data Data Uji Total Akurasi Train 100% 73,33% 86,65% Tabel 1. Tabel Akurasi Keberhasilan Ket: • Untuk data train dari empat data yang ada, maka pada data tersebut diolah untuk data pengujian. • Untuk data uji, dari 15 data uji yang ada terdapat, 4 data yang tidak cocok dengan data pengujian Dari hasil pengujian yang telah dilakukan terlihat bahwa penerapan mekanisme metode jaringan saraf tiruan mampu melakukan deteksi citra rambu yang akurat. Contoh screenshoot hasil pengujian program di tunjukkan pada gambar.2 dibawah ini:

Gambar.1 Proses training pada program Dari hasil training dari empat training set, pada program yang ditunjukkan pada gambar.1, didapatkan hasil learning rate sebesar 0.1 dan Epoch sebesar 100. Serta di dapatkan num 0, 0.33, 0.67, dan 1. Dengan urutan rambu dilarang Belok Kanan, Rambu Dilarang Masuk, Rambu Dilarang Parkir, dan Rambu Penyebrangan. Setelah Proses Training selesai, kita lanjutkan ke proses pengenalan rambu. b. Proses Pengenalan Rambu Proses pengenalan Rambu dibagi menjadi 2, yakni proses pengenalan rambu yang dilakukan pada empat data latih, dan pengenalan rambuyang dilakukan pada lima belas data uji. Tabel dibawah ini menunjukan hasil tingkat keberhasilan dari data latih yang dikenali melalui proses pengenalan rambu.

Gambar.2 Hasil deteksi citra rambu 5 KESIMPULAN Berdasarkan hasil-hasil yang telah dicapai selama perencanaan, pembuatan dan pengujian proyek akhir ini maka dapat disimpulkan sebagai berikut : 1. Sistem bekerja dengan setting range : learning rate (laju belajar) sebesar 0,1, jangkauan epoch (looping) sebanyak 100. 2. Rasio dengan tingkat keberhasilan yang dihasilkan oleh sistem adalah 86,65 %. 3. Rasio tingkat kegagalan yang dihasilkan oleh sistem dalam mengenali referensi adalah 26,67%. Kegagalan tersebut terjadi karena adanya faktor-faktor yang

mempengaruhi, diantaranya adalah keadaan citra rambu yang tidak baik atau cacat, tingkat kemiringan citra rambu, serta tingkat pencahayaan . 6 DAFTAR PUSTAKA [1] Ari Bowo, Ajie. Analisis Detifikasi Tepi Untuk Mengidentifikasi Pola Daun. Diunduh tanggal 5 Januari 2013, http://eprints.undip.ac.id/32062/1/Subchan_Aji_ Ariwibowo.pdf [2] Andriawan, Alan. Aplikasi Pengenal Plat Mobil Dengan Metode BP. Diunduh tanggal 5 Januari 2013, http://alan_andriawanfst08.web.unair.ac.id/artikel_detail-61050UmumBagian%20Awal%20Aplikasi%20Pengenal%20 Plat%20Mobil%20Dengan%20Metode%20BP.h tml [3] Tim Pengajar Universitas Sumatera Utara. Landasan Teori. Diunduh tanggal 5 Januari 2013, http://repository.usu.ac.id/bitstream/123456789/ 23794/4/Chapter%20II.pdf [4] Herriyance. Neural Network (Jaringan Saraf Tiruan). Diunduh tanggal 5 Januari 2013,

http://herriyance.trigunadharma.ac.id/wpcontent/uploads/2012/06/Bab5_AI-edit.pdf [5] Elizabeth.Pengembangan Sistem Identifikasi Biometrik Wajah Menggunakan Metode Neural Network dan Pattern Maching. Diunduh tanggal 5 Januari 2013, http://lontar.ui.ac.id/file?file=digital/126433R030834-Pengembangan%20sistem-HA.pdf