PENGUKURAN KECEPATAN KENDARAAN BERBASIS VIDEO KAMERA

1

PENGUKURAN KECEPATAN KENDARAAN BERBASIS VIDEO KAMERA 1

2

3

Bondan Rekso Ardias ,Arman.D.Diponegoro , Mia Rizkinia , Dodi Sudiana 1234

4

Departemen Teknik Elektro, Fakultas Teknik Universitas Indonesia

Kampus Baru UI Depok, 16424 Indonesia ABSTRAK — Skripsi ini membahas mengenai pengukuran kecepatan kendaraan dengan melakukan pendekatan kepada program (software). Pengukuran ini dilakukan dengan video hasil rekaman. Dari video tersebut dijadikan acuan untuk mengolah data melalui beberapa proses di dalam program. Program dibuat dengan anggapan bahwa benda hanya akan bergerak menuju satu arah saja sehingga data posisi objek pada suatu frame akan dibandingkan dengan data posisi pada frame sebelumnya, sehingga program akan hanya mencatat data yang sesuai. Dengan demikian, diharapkan data yang telah diseleksi akan menghasilkan error yang lebih kecil. Program ini akan menghasilkan data nomor frame, posisi pixel dari edge dan perbedaan pixel dari frame sebelumnya. Adanya informasi yang bisa didapatkan dari sebuah data video ini bisa memberikan nilai tambah dari hanya sekedar sebuah data video. Untuk itu keakuratan hasil perhitungan kecepatan kendaraan perlu dihitung juga. Setelah mengolah data video ini dan mendapatkan hasil perbandingan hasil kecepatan secara real dan perhitungan program, tujuan ke depannya adalah untuk dikembangkan lebih lanjut lagi pada estimasi kecepatan kendaraan di dalam rekaman video lalu lintas. Kata kunci: Frame, Edge, Pixel

ABSTRACT This thesis discusses the measurement of the speed of the vehicle by approaching the program ( software ). This measurement is done with the video recordings. From the video made reference to process data through several processes in the program. The program is made with the assumption that the object will only move towards one direction only so that the data object's position in a frame will be compared with data on the position of the previous frame, so

Universitas Indonesia

Pengukuran kecepatan..., Bondan Rekso Ardias, FT UI, 2014

2

that the program will only record the appropriate data. Thus, it is expected that the data has been selected to produce a smaller error. This program will generate the data frame number, the position of the edge pixel, and the pixel difference from the previous frame. The existence of information that can be obtained from a video data can provide added value than just a video data. For the accuracy of the results of the calculation speed of the vehicle needs to be calculated as well. After processing the video data and get the results of the comparison results in real speed and calculation of the program, the future goal is to be developed further to estimate the speed of the vehicle in the video recording of traffic. Keywords : frame, edge, pixel 1. PENDAHULUAN Kondisi lalu lintas sehari-hari di Indonesia khususnya ibukota Jakarta semakin padat karena tidak seimbangnya jumlah kendaraan dengan luas jalan. Apalagi ditambah dengan banyaknya pengendara kendaraan bermotor yang mengendarai kendaraannya dengan sangat kencang, sehingga jumlah kecelakaan lalu lintas untuk tiap tahunnya meningkat. Oleh karena itu Kepolisian bekerja sama dengan Dinas Perhubungan harus melakukan upaya untuk menertibkan perilaku berbahaya ini. Salah satu solusi untuk mengurangi kecelakaan lalu lintas adalah membatasi kecepatan lalu maksimum pada kendaraan bermotor. Seperti kita ketahui bahwa upaya pembatasan kecepatan maksimum belum maksimal dilakukan oleh negara ini, contoh sederhana adalah memasang rambu kecepatan maksimum untuk tiap ruas jalan tertentu yang dianggap rawan kecelakaan belum sepenuhnya dilakukan. Masih banyak ruas jalan yang dianggap rawan kecelakaan yang belum dipasang rambu kecepatan maksimum. Setelah pemerintah sudah melaksanakan penertiban tersebut, penulis berpikir masih ada beberapa langkah yang harus dilakukan. Pertama, membuat Undangundang tentang pembatasan kecepatan maksimum di mana setiap pelanggar yang mengalami kecelakaan oleh karena si pelanggar melewati batas kecepatan maksimum akan dikenakan sangsi yang sangat berat. Kedua, untuk melihat bukti bahwa si pelanggar melakukan pelanggaran kecepatan lalu lintas maka diperlukan



3

penghitungan kecepatan kendaraan lewat video lalu lintas yang terpasang di tiap sudut jalan raya yang dianggap rawan kecelakaan. Saat ini pengawasan lalu lintas telah memanfaatkan kamera CCTV yaitu RTMC (Road Traffic Monitoring Center). Selain itu penelitian tentang ITS (Intelligent Transportation System) juga memanfaatkan pengawasan melalui kamera. Sejalan dengan dua hal tersebut, maka hasil rekaman kamera berupa video dapat dimanfaatkan untuk mendeteksi kecepatan pengendara lalu lintas. 2. TINJAUAN TEORITIS 2.1 Citra Secara harafiah, citra (Image) adalah gambar pada bidang dwimatra (dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan lain lain, sehingga bayangan objek yang disebut citra tersebut terekam. Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat: 1. Optik berupa foto 2. Analog berupa sinyal video seperti gambar pada monitor televisi 3. Digital yang dapat langsung disimpan pada suatu pita magnetic Citra bergerak (moving images) adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai gambar yang bergerak. Setiap citra di dalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi terdiri atas ratusan sampai ribuan frame. 2.1.1 Pengolahan Citra Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlau kontras, kurang tajam, kabur (blurring), dan



4

sebagainya. Tentu saja citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang. Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia ataupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Pengolahan

citra

adalah

pemrosesan

citra,

khususnya

dengan

menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Sebagai contoh citra burung pada Gambar 2.1 (a) tampak agak gelap, lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b).

Gambar 2.1. (a) Citra burung nuri yang agak gelap, (b) Citra nuri yang telah diperbaiki kontrasnya sehingga terlihat jelas dan tajam.

2.1.2 Operasi Pengolahan Citra Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya. Namun, secara umum, operasi pengoalahan citra dapat diklasifikasikan dalam beberapa jenis, yaitu: 1.

Perbaikan kualitas citra (image enhancement) Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan. Contoh-contoh operasi perbaikan citra: a. Perbaikan kontras gelap/ terang. b. Perbaikan tepian objek (edge enhancement). c. Penajaman (sharpening).



5

d. Pemberian warna semu (pseudocoloring). e. Penapisan derau (noise filtering). Gambar 2.2 adalah contoh operasi penajaman. Operasi ini menerima masukan sebuah citra yang gambarnya hendak dibuat tampak lebih tajam. Bagian citra yang ditajamkan adalah tepi-tepi objek.

Gambar 2.2. (a) citra yang asli, (b) citra setelah ditajamkan

2. Pemugaran citra (image restoration) Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh operasi pemugaran citra : a. Penghilangan kesamaran (deblurring). b. Penghilangan derau (noise). Kekaburan gambar mungkin disebabkan pengaturan fokus lensa yang tidak tepat atau kamera bergoyang pada pengambilan gambar. Melalui operasi deblurring, kualitas citra masukan dapat diperbaiki sehingga tampak lebih baik. 3.Pemampatan citra (image compression) Jenis operasi ini dilakukan agar citra dapat direpresntasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode JPEG. 3. Segmentasi citra (image segmentation).



6

Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola. 4. Pengorakan citra (image analysis) Jenis operasi ini bertujuan untuk menghitung besaran kuantitif dari citra untuk menghasilkan deskripisinya. Teknik pengorakan citra mengekstraksi ciriciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh-contoh operasi pengorakan citra : a.

Pendeteksian tepi objek (edge detection).

b.

Ekstraksi batas (bloundary).

c.

Representasi daerah (region).

5. Rekonstruksi citra (image reconstruction). Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh. Aplikasi pengolahan citra sangat banyak digunakan dalam berbagai bidang kehidupan. Di bawah ini disebutkan beberapa aplikasi dalam beberapa bidang : 1) Bidang perdagangan. (a) Pembacaan kode batang (bar code) yang tertera pada barang (umumnya digunakan di pasar swalayan/supermarket). (b) Mengenali huruf/angka pada suatu formulir secara otomatis. 2) Bidang militer. (a) Mengenali sasaran peluru kendali melalui sensor visual. (b) Mengidentifikasi jenis pesawat musuh. 3) Bidang kedokteran. (a) Pengolahan citra sinar X untuk mammografi (deteksi kanker payudara). (b) NMR (Nuclear Magnetic Resonance). (c) Mendeteksi kelainan tubuh dari foto sinar X. (d) Rekonstruksi foto janin hasil USG.



7

4) Bidang biologi. Pengenalan jenis kromosom melalui gambar mikroskopik. 5) Komunikasi data. Pemampatan citra yang ditransmisi. 6) Hiburan. Pemampatan video (MPEG). 7) Robotika. Visualy-guidied autonomous navigation. 8) Pemetaan. Klasifikasi penggunaan tanah melalui foto udara/LANDSAT. 9) Geologi. Mengenali jenis batu-batuan melalui foto udara/LANDSAT. 10) Hukum. (a) Pengenalan sidik jari. (b) Pengenalan foto narapidana. 2.2 Perspective distortion (Distorsi perspektif) Perspective distortion disebabkan oleh posisi saat kita mengambil gambar yang yang menyebabkan sifat objek atau subjek yang dirakam tidak menunjukkan sifat yang sebenar. sebagai contoh apabila kita merekam bangunan. Bangunan yang direkam akan tampak seperti tidak tegak sebagaimana sifat bangunan itu.

2.3 Lensa kamera Dalam bidang fotografi, lensa merupakan alat vital dari kamera yang berfungsi memfokuskan cahaya hingga mampu membakar medium penangkap. Terdiri atas beberapa lensa yang berjauhan yang bisa diatur sehingga menghasilkan ukuran tangkapan gambar dan variasi fokus yang berbeda. Di bagian luar lensa fotografi biasanya ditempatkan tiga cincin pengatur, yaitu cincin panjang fokus (untuk lensa jenis variabel), cincin diafragma, dan cincin fokus.



8

•

Focus => Adalah bagian yang mengatur jarak ketajaman lensa terhadap gambar.

•

Diafragma => berfungsi seperti pupil dalam mata. Diafragma berguna untuk mengatur cahaya yang akan masuk ke dalam kamera. Jika cahaya terang, maka diafragma akan menyempit. Jika cahaya redup, maka diafragma melebar. Cahaya yang masuk ke dalam kamera membentuk gambar pada film. Bayangan benda yang terbentuk harus jatuh pada film dalam kamera tersebut. Dan definisi secara umum dari lensa itu ialah alat untuk melengkapi untuk

mengambil sebuah gambar dan alat paling vital pada kamera. Tanpa lensa kamera tidak akan menangkap dan merekam gambar. Dalam fotografi, lensa berfungsi untuk memfokuskan cahaya dan mengantarkannya ke dalam badan kamera. Di bagian luar lensa biasanya terdapat tiga cincin panjang focus (untuk lensa jenis variabel), cincin diafragma dan cincin focus. Pada permukaan lensa juga di lengkapi sebuah lapisan yang dibuat dari uap logam (coating). Lapisan coating berfungsi untuk menghilangkan efek flare yang didapat ketika melawan matahari. Sehingga para fotografer tidak takut memandang matahari melalui kameranya. Coating juga berguna untuk menghilangkan efek kabur atau sering juga di sebut blur yang di dapat dalam sebuah foto. Dalam dunia fotografi ada berbagai jenis lensa. Setiap jenis mempunyai keistimewaan untuk merekam sebuah gambar dan memberikan efek serta karakteristik masing-masing yang dapat di sesuaikan dengan kebutuhan fotografer. Berikut adalah jenis-jenis lensa: a) Lensa Kit (standar/ normal). b) Lensa Wide Angle ( Lensa Sudut-Lebar). c) Lensa Tele d) Telephoto group. e) Lensa Zoom f) Lensa Super Zoom.



9

g) Lensa Tetap h) Lensa Fish Eye (Lensa mata ikan)

2.4 Frame per second (FPS). Frame Per Second (FPS) adalah istilah bahasa Inggris yang berarti : "Gambar per detik". Atau jika dijabarkan lebih detil, berarti bahwa FPS adalah jumlah gambar yang ditampilkan oleh layar monitor dalam tiap detik. Untuk memahaminya dengan mudah, kita bisa mengambil contoh dari sebuah film kartun. Film kartun pada hakekatnya adalah beribu-ribu gambar yang diperlihatkan secara cepat, sehingga kelihatan seperti bergerak. Semakin banyak gambar yang ditampilkan setiap detiknya untuk membuat gerakan gambar ,semakin halus pula kualitas film yang dihasilkan 2.5 Pengenalan LabVIEW. LabVIEW adalah sebuah software pemrograman yang diproduksi oleh National Instruments dengan konsep yang berbeda. Seperti bahasa pemrograman lainnya yaitu C++, Matlab atau Visual basic, LabVIEW juga mempunyai fungsi dan peranan yang sama, perbedaannya bahwa labVIEW menggunakan bahasa pemrograman berbasis grafis atau blok diagram sementara bahasa pemrograman lainnya menggunakan basis text. Program LabVIEW dikenal dengan sebutan Vi atau Virtual instruments karena penampilan dan operasinya dapat meniru sebuah instrument. Pada LabVIEW, user pertama-tama membuat user interface atau front panel dengan menggunakan control dan indikator, yang dimaksud dengan kontrol adalah knobs, push buttons, dials dan peralatan input lainnya sedangkan yang dimaksud dengan indikator adalah graphs, LEDs dan peralatan display lainnya. Setelah menyusun user interface, lalu user menyusun blok diagram yang berisi kode-kode VIs untuk mengontrol front panel. Software LabVIEW terdiri dari tiga komponen utama, yaitu : 1) front panel. Front panel adalah bagian window yang berlatar belakang abu-abu serta mengandung control dan indikator. front panel digunakan untuk membangun sebuah VI, menjalankan program dan mendebug program. Tampilan dari front Universitas Indonesia


10

panel dapat di lihat pada Gambar 2.8

Gambar 2.8. Front Panel

2) Blok diagram dari Vi Blok diagram adalah bagian window yang berlatar belakang putih berisi source code yang dibuat dan berfungsi sebagai instruksi untuk front panel. Tampilan dari blok diagram dapat lihat pada Gambar 2.9.

Gambar 2.9 Blok Diagram 3) Control dan Functions Pallete Control dan Functions Pallete digunakan untuk membangun sebuah Vi. a. Control Pallete Control Pallete merupakan tempat beberapa control dan indikator pada front panel, control pallete hanya tersedia di front panel, untuk menampilkan control pallete dapat dilakukan dengan mengkilk windows >> show control pallete atau klik kanan pada front panel. Contoh control pallete ditunjukkan pada Gambar 2.1 Gambar 2.10. Control Palette Functions Pallete



11

b. Functions Pallete Functions Palette digunakan untuk membangun sebuah blok diagram, functions pallete hanya tersedia pada blok diagram, untuk menampilkannya dapat dilakukan dengan mengklik windows >> show control pallete atau klik kanan pada lembar kerja blok diagram. Contoh dari functions pallete ditunjukkan pada Gambar 2.11.

Gambar 2.11 Functions pallete (c) Deteksi Tepi (Edge Detection) Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah : •

Untuk menandai bagian yang menjadi detail citra

•

Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik

tersebut mempunyai perbedaan yang tinggi dengan tetangganya.



12

3. METODE PENELITIAN 3.1. Penentuan Parameter yang digunakan Berdasarkan pembahasan yang sebelumnya diketahui bahwa pengukuran kecepatan menggunakan kamera dapat dilakukan dalam batas-batas tertentu diantaranya : 1) sudut pandang kamera. 2) parameter objek yang diukur. 3) parameter ruang yang diukur. 4) kemampuan kamera (fps, ukuran lensa, resolusi kamera). 5) kecepatan minimum dan maksimum. Sehingga berdasarkan keterangan-keterangan tersebut, percobaan dilakukan dalam ruang terbatas untuk mengetahui parameter ruang. Objek yang akan diukur kecepatannya adalah objek yang telah diketahui dimensi ukurannya. Sudut pandang kamera diambil sedemikian rupa sehingga hanya 1 (satu) sumbu vektor yang diukur (x). Kemampuan fps kamera menentukan batas kecepatan maksimum yang dapat diukur. Akurasi pengukuran kecepatan secara teori ditentukan oleh kemampuan kamera (point 4). 3.2 Program Edge Detection Program edge detection yang digunakan adalah program yang mengukur jarak warna pada suatu kelompok pixel berdasarkan suatu bentuk perhitungan tertentu (zero order, bilinear, quadratic, qubic, bilinear fixed). Kelompok pixel ini dapat diatur dalam suatu bentuk tertentu (garis dan ruang dua dimensi). Suatu edge ditentukan berdasarkan besarnya perbedaan jarak warna yang dapat diatur sebagai suatu batas deteksi, sehingga jumlah edge yang terdeteksi dapat disesuaikan berdasarkan keperluan yang dibutuhkan. 3.3 Program seleksi data Objek yang diukur kecepatanya merupakan kendaraan roda empat, berdasarkan parameternya objek tersebut merupakan kumpulan benda yang bergerak dengan kecepatan dan arah yang sama. Diketahui bahwa objek yang digunakan memiliki ketidak seragaman warna , hal ini mempengaruhi data yang dihasilkan oleh program Edge Detection sehingga



13

perlu penyaringan data agar perhitungan yang akan dilakukan menghasilkan data yang lebih akurat.

A Ambil data posisi dari cluster ke i dengan Edge Ambil data posisi dari ke 0

cluster ke 0 dengan Edge ke 0

Distance(pixel) cluster ke i-‐1 > Distance(pixel) cluster ke i

Posisi pixel ref2 > Distance(pixel) cluster ke 0 save data ke selected data.txt

save data ke selected data.txt i=i+1 i=1

i ≥ Jumlah cluster-‐1

a Gambar 3.1. Flowchart proses seleksi data Program dibuat dengan anggapan bahwa benda hanya akan bergerak menuju satu arah saja sehingga data posisi objek pada suatu frame akan dibandingkan dengan data posisi pada frame sebelumnya sehingga program akan hanya mencatat data yang sesuai, dengan demikian di harapkan data yang telah di seleksi akan menghasilkan error yang lebih kecil. Program ini akan menghasilkan data nomer frame, posisi pixel dari Edge dan perbedaan pixel dari frame sebelumnya dengan ekspresi matematis sebagai berikut: (3.1) Universitas Indonesia


14

Dimana: = jarak pada sumbu X dalam pixel = Pixel Point frame ke m = Pixel Point frame ke n 3.4 Perhitungan Kecepatan [

⁄

Keterangan :

(3.2)

= kecepatan pada sumbu X

= frame number

= Pixel Point frame ke m

= frame number

= Pixel Point frame ke n

frame per second

= Pixel to real world ratio Menjadi : (

)

⁄

x(

. 3600)

(

(3.3)

)

Untuk konstanta Pixel to real world ratio:

(3.4)

Di mana : = jarak satu titik acuan ke titik acuan kedua pada sumbu X dalam meter = jarak satu titik acuan ke titik acuan kedua pada sumbu X dalam pixel Jika menyatakan perubahan pixel untuk tiap frame sebagai berikut: (

)

Maka:

(3.5) x(

. 3600)

( ) (3.6)



15

3.5 Bagan Alogaritma Keseluruhan Program Mulai

n = n+1

Ambil video

Ambil informasi video dan jumlah frame

tidak

n ≥ jumlah frame

Konversi video ke format U8 greyscale

ya

A

Tentukan Koordinat Garis Deteksi pada Frame

a

Isi parameter Edge Detection dan n = 0

Perhitungan Kecepatan

Ambil frame ke n dari video

Selesai

Jalankan program Edge Detection pada Frame

Jumlah array deteksi lebih dari 0

tidak

ya

Ambil data pertama dari array data deteksi

Simpan data ke data.txt

Gambar 3.2. Flowchart proses keseluruhan program



16

3.6 Pengambilan data video 6.1 m

∆s = 16.4 m

13.5 m 7.4 m

Keterangan Gambar :Pohon :Kamera

Gambar 3.3. Skema pengambilan video Data video diambil pada sore hari sekitar pukul 15.00 wib sampai dengan pukul 17.00 wib pada kondisi hari yang cerah. Mobil yang digunakan adalah Honda CRV 2.4 buatan tahun 2009 Lensa kamera yang digunakan berukuran 18-55mm . Pengaturan fps pada kamera menggunakan 50 fps. Kamera ditempatkan pada samping jalan dengan jarak 13,5 m dari ujung jalan terjauh dengan lebar jalan 6,1 m. Berdasarkan titik referensi : Lebar view di 13,5m adalah 16,4 m. Lebar view di 7,4 m adalah 9,6 m Lebar view di5,2 m adalah 7,5 m. Video merekam pergerakan mobil dari sisi kiri ke sisi kanan. Pohon sebagai titik hilang.



17

4. ANALISA 4.1 Percobaan 10 km/jam Berdasarkan video untuk kecepatan 10 km/jam yang telah diambil diperoleh data dari program yang kemudian dijadikan grafik seperti pada Gambar 4.1

Gambar 4.1. Grafik perubahan kecepatan 10 km/jam terhadap frame Berdasarkan data yang diperoleh dari program, dilakukan perhitungan diperoleh nilai seperti pada Tabel 4.1 berikut: Tabel 4.1 Hasil perhitungan data video kecepatan 10 km/jam Median

10.26217878

Mean

10.26010246

Standar Deviasi

1.181303241

Varian

1.395477304

Dapat dilihat dari Tabel 4.1 bahwa nilai median dan mean mendekati nilai kecepatan 10 km/jam.



18

Gambar 4.2. Grafik perubahan kecepatan 10 km/jam terhadap frame tanpa nilai error Data kemudian disusun ulang dengan menghilangkan data yang memiliki nilai yang jauh dari median dan dibuat grafik seperti Gambar 4.2. Berdasarkan data yang telah disusun ulang dilakukan perhitungan untuk mendapatkan nilai seperti pada Tabel 4.2 berikut: Tabel 4.2 Hasil perhitungan data 2 video kecepatan 10 km/jam Median

10.26744104

Mean

10.36251085

Standar Deviasi

0.591849893

Varian

0.350196808

Dapat dilihat dari Tabel 4.2 bahwa nilai median dan mean mendekati nilai kecepatan 10 km/jam. Dengan nilai standard deviasi dan varian yang lebih kecil dari data pada Tabel 4.1. Berdasarkan hasil pada Tabel 4.1 dan Tabel 4.2, nilai data yang dihasilkan oleh program telah dapat menunjukan nilai kecepatan kendaraan yang terdapat pada video.



19

4.2 Percobaan 20 km/jam Berdasarkan video untuk kecepatan 20 km/jam yang telah diambil diperoleh data dari program yang kemudian dijadikan grafik seperti pada Gambar 4.3


21.91949843

Mean

22.48272167

Standar Deviasi

7.309478596

Varian

56.30913875




20


21.91949843

Mean

22.01118741

Standard Deviasi

1.87794371

Varian

3.526552481

Dapat dilihat dari Tabel 4.4 bahwa nilai median dan mean mendekati nilai kecepatan 20 km/jam. Dengan nilai standard deviasi dan varian yang lebih kecil dari data pada Tabel 4.3. Berdasarkan hasil pada Tabel 4.3 dan Tabel 4.4, nilai data yang dihasilkan oleh program telah dapat menunjukan nilai kecepatan kendaraan yang terdapat pada video. 4.3. Percobaan 30 km/jam Berdasarkan video untuk kecepatan 30 km/jam yang telah diambil diperoleh data dari program yang kemudian dijadikan grafik seperti pada Gambar 4.5



21


29.05016139

Mean

32.01780736

Standar Deviasi

14.92196824

Varian

222.3264084


Gambar 4.6. Grafik perubahan kecepatan 30 km/jam terhadap frame tanpa nilai error Data kemudian disusun ulang dengan menghilangkan data yang memiliki nilai yang jauh dari median dan dibuat grafik seperti Gambar 4.6. Berdasarkan data yang telah disusun ulang dilakukan perhitungan untuk mendapatkan nilai seperti pada Tabel 4.6 berikut:



22

Tabel 4.6 Hasil perhitungan data 2 video kecepatan 30 km/jam Median

29.05016139

Mean

29.46285492

Standard Deviasi

2.261231373

Varian

5.106070822

Dapat dilihat dari Tabel 4.6 bahwa nilai median dan mean mendekati nilai kecepatan 30 km/jam. Dengan nilai standard deviasi dan varian yang lebih kecil dari data pada Tabel 4.5. Berdasarkan hasil pada Tabel 4.5 dan Tabel 4.6, nilai data yang dihasilkan oleh program telah dapat menunjukan nilai kecepatan kendaraan yang terdapat pada video. 4.4 Percobaan 40 km/jam Berdasarkan video untuk kecepatan 40 km/jam yang telah diambil diperoleh data dari program yang kemudian dijadikan grafik seperti pada Gambar 4.7


35.64052278

Mean

24.43818429

Standar Deviasi

17.15452158

Varian

284.6243501 Universitas Indonesia


23

Dapat dilihat dari Tabel 4.7 bahwa nilai median dan mean mendekati nilai kecepatan 35 km/jam. Ketidakakuratan ini berkaitan dengan jumlah data yang dapat diperoleh oleh program sangat sedikit, karena kondisi kamera yang bergoyang saat pengambilan data dan kecepatan kendaraan yang cukup cepat.


38.51333217

Mean

38.27243247

Standard Deviasi

2.553874787

Varian

6.515022344

Dapat dilihat dari Tabel 4.8 bahwa nilai median dan mean mendekati nilai kecepatan 38 km/jam. Dengan nilai standard deviasi dan varian yang lebih kecil dari data pada Tabel 4.7.



24

4.5 Analisa Percobaan Berdasarkan hasil dari empat percobaan diatas diketahui : a) Jumlah data dipengaruhi oleh FPS, resolusi kamera, lebar view kamera yang dapat digunakan dan kecepatan kendaraan. b) Jumlah data mempengaruhi akurasi, hal ini dapat terlihat dengan membandingkan jumlah data dari masing-masing percobaan, dan pengaruhnya terhadap perbedaan hasil median dengan mean pada data murni. Tabel 4.9 Perbandingan Median Mean data Percobaan Jumlah

Median

Mean

Median/Mean

Perbedaan

Data 10

Absolut

101

10.26217 10.26010

1.000202

0.000202

73

21.91949 22.48272

0.974948

0.025051

25

29.05016 32.01780

0.907312

0.092687

12

35.64052 24.43818

1.45839

0.458394

km/jam 20 km/jam 30 km/jam 40 km/jam c) Nilai median dari kelompok data dianggap sebagai kecepatan kendaraan rata-rata. d) Untuk kecepatan kendaraan yang relative stabil, Data dapat diperbaiki dengan acuan standar deviasi dari data yang telah disusun ulang dengan standar deviasi dari tiap data terhadap median dari kumpulan data. Tabel 4.10 Perbandingan Standar deviasi Data Percobaan

Standar Deviasi data

Standar Deviasi data 2

10 km/jam

1.181303241

0.591849893

20 km/jam

7.309478596

1.87794371

30 km/jam

14.92196824

2.261231373

40 km/jam

17.15452158

2.553874787



25

e) Berdasarkan Tabel 4.10 dapat dilihat bahwa standar deviasi cenderung meningkat, dengan mengunakan data kalibarasi yang tepat dapat diperoleh persamaan untuk acuan standar deviasi pada median tertentu. f) Berdasarkan pendekatan nilai terbaik,jarak antara titik refensi yang digunakan sebagai konstanta

adalah 16,4 m.

g) 5. KESIMPULAN Setelah dilakukan penelitan ini, dapat disimpulkan bahwa: 1. Posisi alat perekam video (kamera) pada saat pengukuran kecepatan berbasis video kamera ini harus dalam kondisi benar-benar diam untuk meminimalisasi error yang terjadi. 2. Kualitas data yang dihasilkan dari pengukuran kamera dan program dapat dilihat dari perbandingan mean dan median. 3. Kualitas data dapat diperbaiki dengan menggunakan acuan standar deviasi dari data kalibrasi untuk tiap-tiap median. 4. Semakin besar kecepatan yang diukur, maka semakin besar pula standar deviasinya. 5. Karena torsi kendaraan yang sangat besar, pengemudi kendaraan mengalami kesulitan untuk mejalankan kendaraan dengan kecepatan rendah secara konstan. Sehingga pada setiap pengukuran didapatkan hasil yang cenderung linear ke bawah. DAFTAR ACUAN [1] Wahana Komputer.2013. Ragam Apliksi Pengolahan Image dengan Matlab. Jakarta : PT Elex Media Komputindo [2] Prasetyo,Eko.2011, Pengolahan Citra Digital dan Aplikasinya. Yogyakarta: ANDI

[3] http://en.wikipedia.org/wiki/Perspective_distortion_%28photography%29 [4]http://helliumworks.blogspot.com/2010/05/perspektif-dalam-fotografi.html [5] http://aqwam.staff.jak-stik.ac.id/files/30.-pengolahan-citra%5B7%5D.pdf [6] http://achdadona.wordpress.com/2013/01/02/definisi-dari-lensa-dan-jenis-jenis-lensauntuk-kamera-slr-maupun- dslr/http://xyzlonewolf.blogspot.com/2010/07/frame-persecond- fps.html [7] http://semacamm.blogspot.com/2011/06/pengertian-labview.html [8] http://lecturer.eepis-its.edu/~riyanto/citra-bab8.pdf [9]http://www.afundeephotography.com/2012/03/tips-perspective-distortion-correction.html Universitas Indonesia


PENGUKURAN KECEPATAN KENDARAAN BERBASIS VIDEO KAMERA

Recommend Documents