IMPLEMENTASI FILTER KALMAN PADA SISTEM TERTANAM WAKTU NYATA UNTUK MENGHITUNG JUMLAH KENDARAAN DI JALAN RAYA
YUSUF AL MUQADDAMI
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2017
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Implementasi filter Kalman pada Sistem Tertanam Waktu Nyata untuk Menghitung Jumlah Kendaraan di Jalan Raya adalah benar karya saya dengan arahan komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Maret 2017 Yusuf Al Muqaddami NIM G64120027
ABSTRAK YUSUF AL MUQADDAMI. Implementasi Filter Kalman pada Sistem Tertanam Waktu Nyata untuk Menghitung Jumlah Kendaraan di Jalan Raya. Dibimbing oleh SRI WAHJUNI dan AUZI ASFARIAN. Salah satu teknik yang digunakan untuk pengaturan lampu lalu lintas di jalan raya adalah vision-based monitoring. Penelitian ini membangun sistem tertanam waktu nyata dengan mengimplementasikan vision-based monitoring pada single board computer untuk menghitung kendaraan. Algoritme vision-based monitoring yang digunakan penelitian ini adalah frame difference untuk menghilangkan background dan filter Kalman untuk pelacakan kendaraan. Pengujian dilakukan selama 4 hari dan setiap harinya diambil data selama 50 menit. Rentang waktu pengambilan citra selama 15 detik dengan FPS sebesar 10 dan rentang waktu penghitungan kendaraan selama 13.654 detik. Implementasi kedua algoritme pada Raspberry Pi mempunyai akurasi sebesar 44.357 % dengan simpangan 11.141 untuk hari ke-1 dan 2 serta akurasi sebesar 59.374 % dengan simpangan 7.517 untuk hari ke-3 dan 4. Hasil hari ke-1 dan 2 dipisah dengan hasil hari ke-3 dan 4 karena beda perlakuan terhadap kamera Raspberry Pi pada saat pengujian. Hasil dari penghitungan jumlah kendaraan dapat digunakan untuk mengetahui kepadatan lalu lintas di jalan raya. Kata kunci: frame difference, filter Kalman, lampu lalu lintas jalan raya, single board computer, vision-based monitoring.
ABSTRACT YUSUF AL MUQADDAMI. Implementation of Kalman Filter to Real Time Embedded System for Counting Vehicles on Highroad. Supervised by SRI WAHJUNI and AUZI ASFARIAN. Traffic light adjustment can be done by vision-based monitoring. This paper built real time embeded system by implemented vision-based monitoring in a single board computer to count vehicle in highroad. The implemented algorithms are frame difference to clear up background and Kalman filter for tracking vehicles. Testing took 4 days with 50 minutes per each day to obtain data. Recording images took 15 seconds by 10 FPS and counting vehicles process needed 13.654 seconds. This research got accuracy of 44.357 % with variances 11.141 for day 1 and 2 and accuracy of 59.374 % with variance 7.517 for day 3 and 4. The result separation be required by reason of difference handling on Raspberry Pi camera. The counting vehicle result could indicate the highroad traffic density.
Keyword: frame difference, highroad traffic light, Kalman filter, single board computer, vision-based monitoring.
IMPLEMENTASI FILTER KALMAN PADA SISTEM TERTANAM WAKTU NYATA UNTUK MENGHITUNG JUMLAH KENDARAAN DI JALAN RAYA
YUSUF AL MUQADDAMI
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2017
Penguji: Dr Ir Agus Buono, MSi MKom
PRAKATA Puji dan syukur diperuntukkan kepada Allah subhanahu wa taβala atas segala karunia, hidayah dan kekuatan yang telah diberikan-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan November 2015 sampai Februari 2017 ini ialah sistem tertanam waktu nyata, dengan judul Implementasi filter Kalman pada Sistem Tertanam Waktu Nyata untuk Menghitung Jumlah Kendaraan di Jalan Raya. Terima kasih penulis ucapkan kepada Ibu Dr Ir Sri Wahjuni, MT dan Bapak Auzi Asfarian, SKomp MKom selaku pembimbing, yang senantiasa sabar dan ikhlas meluangkan waktu untuk memberikan bimbingan, arahan dan motivasi selama penyusunan skripsi ini. Penyusunan skripsi ini dapat diselesaikan karena bantuan kedua pembimbing dan berbagai pihak yang telah memberikan dukungan kepada penulis. Oleh karena itu, penulis menyampaikan terima kasih kepada: 1 Bapak Dr Ir Agus Buono, MSi MKom selaku penguji dan selaku Kepala Departemen Ilmu Komputer IPB. 2 Seluruh dosen dan staf pegawai tata usaha Departemen Ilmu Komputer 3 Seluruh teman satu bimbingan 4 Seluruh teman Supernova 5 Seluruh teman Ilmu Komputer 49 dan teman Ilmu Komputer secara keseluruhan terkhususnya Fariz, Ardhi dan Haikal. 6 Seluruh teman tim basket Ilmu Komputer dan FMIPA terkhususnya Bang Rilan 7 Seluruh teman klub Jepang INARI IPB 8 Seluruh teman Teater Mahasiswa Enjuku terkhususnya Kaikiri Sensei 9 Seluruh teman penulis yang di Dramaga, Bogor dan dimanapun 10 Terima kasih kepada teman seperjuangan penulis seluruh teman Elite Totsuki, Dimas Prasetyo, Nauvaldi, Chaerul Adam Hertians, Amin, Rehino βBolorβ, Caca, M.Syarif Radhi, Fuad Chalim dan Riandi. Semoga segala bimbingan, bantuan, motivasi dan dukungan yang telah diberikan kepada penulis senantiasa dibalas lebih baik oleh Allah Subhaanahuu wa Taβaala. Semoga karya ilmiah ini bermanfaat dan menambah wawasan bagi pembaca. Bogor, Maret 2017 Yusuf Al Muqaddami
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup
2
TINJAUAN PUSTAKA
2
Raspberry Pi
2
Frame Difference Algorithm
3
Filter Kalman Algorithm
3
Root Mean Square Error (RMSE)
4
Mean Absolute Percentage Error (MAPE)
4
Analisis Kebutuhan Sistem
5
Perancangan Sistem
5
Implementasi
5
Pengujian dan Evaluasi
5
HASIL DAN PEMBAHASAN
6
Analisis Kebutuhan Sistem
6
Perancangan Sistem
7
Implementasi
8
Pengujian dan Evaluasi
11
Evaluasi
14
SIMPULAN DAN SARAN
15
Kesimpulan
15
Saran
15
DAFTAR PUSTAKA LAMPIRAN
16 17
DAFTAR TABEL 1. Nilai simpangan baku 2. Nilai persentase galat
15 15
DAFTAR GAMBAR Raspberry Pi Kamera Raspberry Pi Alur metode penelitian Diagram perancangan sistem Diagram frame difference Diagram pelacakan kendaraan Rangkaian pemasangan sistem Diagram proses di Raspberry Pi Contoh data keluaran tiap tahapan proses dalam sistem Proses penghitungan kendaraan Selisih perhitungan Raspberry Pi dan perhitungan manual pada tanggal 15 Januari 2017 12. Perbandingan kondisi kamera dengan pelindung dan kamera tanpa pelindung 13. Galat perhitungan Raspberry Pi dengan kamera menggunakan pelindung dan kamera tanpa pelindung 14. Selang waktu pemrosesan penghitungan kendaraan dengan kamera menggunakan pelindung dan kamera tanpa pelindung 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.
3 3 5 7 8 8 8 9 10 11 12 13 13 14
DAFTAR LAMPIRAN 1 2
Jumlah kendaraan hasil perhitungan Raspberry Pi dan perhitungan manual serta selisih kedua perhitungan Selang waktu proses penghitungan kendaraan pada Raspberry Pi
17 19
1
PENDAHULUAN Latar Belakang Banyak metode yang telah dikembangkan untuk melakukan pengaturan lampu lalu lintas secara dinamis. Salah satu metode dengan biaya yang murah adalah vision-based traffic monitoring system yang mampu melakukan pengukuran paramater-parameter lalu lintas dengan cepat dan terpercaya (Stefano dan Viarani 1999). Vision-based monitoring dapat mendeteksi dan melacak kendaraan dalam waktu yang singkat menggunakan kamera. Hal ini dapat digunakan untuk menghitung kepadatan lalu lintas serta berpotensi memprediksi kemacetan (Iftikhar 2014). Vision-based monitoring mempunyai banyak teknik yang dapat diterapkan. Teknik-teknik ini dapat dibagi ke dalam tiga kelompok besar yaitu background subtraction algorithm, objeck detection algorithm, advanced monitoring algorithm. Background subtraction digunakan untuk memisahkan background dan foreground yang diinginkan. Metode yang paling simpel dari background subtraction adalah frame difference. Frame difference membandingkan citra saat ini (f) dengan citra sebelumnya (f-1). Perbedaan kedua citra dijadikan sebagai foreground. Frame difference mempunyai kecepatan proses yang cepat dan dapat diimplementasikan ke hardware dengan mudah. Frame difference telah banyak dipakai secara luas (Zhan et al. 2007). Vision-based traffic monitoring berfokus pada pendeteksian dan pelacakan objek kendaraan di jalan raya. Salah satu algoritme yang baik untuk pelacakan objek adalah algoritme filter Kalman (Yilmaz et al. 2006). Filter Kalman dapat melacak berbagai objek. Proses pelacakan filter Kalman dilakukan pada citra yang berurutan (Patel dan Thakore 2013). Penelitian-penelitian sebelumnya menggunakan komputer desktop untuk implementasi algoritme yang dipakai. Pada penelitian ini algoritme tersebut akan diimplementasikan pada single board computer (SBC). SBC adalah perangkat dengan keterbatasan sumber daya sehingga algoritme yang digunakan harus ringan tetapi mempunyai akurasi yang memuaskan. Penelitian sebelumnya yang dilakukan oleh Maulana (2016) mengimplementasikan salah satu algoritme vision-based monitoring dengan data masukan berupa video. Namun pengolahan data masih dilakukan di server karena data video terlalu besar untuk diproses di SBC. Oleh karena itu, penelitian ini menggunakan data masukan berupa citra bukan video sehingga diperoleh sebuah sistem tertanam waktu nyata untuk penghitungan jumlah kendaraan. Algoritme yang digunakan pada penelitian ini adalah frame difference untuk background subtraction dan filter Kalman untuk pendeteksian dan pelacakan kendaraan. Untuk menghitung jumlah kendaraan yang lewat di jalan raya, sebuah garis imajiner dibuat melintang dan tegak lurus dengan arah laju kendaraan. Sebuah kendaraan akan dihitung ketika objek yang dilacak melewati garis tersebut.
2 Perumusan Masalah Perumusan masalah pada penelitian ini adalah: 1 Bagaimana cara mengimplementasikan frame difference dan filter Kalman pada SBC untuk menghitung kendaraan. 2 Bagaimana melakukan penggabungan dan sinkronisasi kedua algoritme untuk sistem tertanam waktu nyata.
Tujuan Penelitian Penelitian ini bertujuan membangun sistem yang mengimplementasikan frame difference dan filter Kalman pada SBC untuk menghitung jumlah kendaraan di jalan raya secara waktu nyata.
Manfaat Penelitian Penelitian ini diharapkan dapat memberikan teknologi baru dengan harga yang lebih murah dalam memonitor kepadatan kendaraan di jalan raya sehingga dapat memprediksi kemacetan. Penelitian ini juga dapat digunakan untuk membuat lampu lalu lintas menjadi dinamis dan adaptif terhadap kondisi jalan raya sehingga arus lalu lintas menjadi lebih lancar.
Ruang Lingkup Ruang lingkup penelitian ini antara lain adalah: 1 Penelitian ini berfokus pada penghitungan kendaraan di jalan raya 2 Penelitian hanya menghitung jumlah kendaraan dijalan raya, identifikasi kendaraan tidak termasuk ruang lingkup penelitian ini. 3 Pengambilan citra hanya dilakukan pada siang hari.
TINJAUAN PUSTAKA Raspberry Pi Raspberry Pi (Gambar 1) merupakan salah satu dari SBC yang dapat terhubung dengan monitor/TV dan dapat menggunakan keyboard dan mouse. Raspberry Pi dapat melakukan fungsi komputer desktop seperti internet, memutar lagu, memutar video berkualitas tinggi, membuat spreadsheets dan membuat program-program dengan bahasa komputer (Raspberry Pi 2016a). Kamera Raspberry Pi (Gambar 2) adalah salah satu aksesoris tambahan untuk Raspberry Pi. Kamera Raspberry Pi dapat mengambil high-definition video dan citra. Kamera Raspberry Pi dapat bekerja pada semua tipe Raspberry Pi. Kamera Raspberry Pi mempunyai pita sepanjang 15cm untuk terkoneksi dengan Raspberry
3 Pi melalui port CSI. Kamera Raspberry Pi diakses melalui MMAL dan V4L APIs. Terdapat library-library yang dapat digunakan untuk pengaturan kamera, pengaturan waktu, penambahan efek dan sebagainya (Raspberry Pi 2016b).
Gambar 1 Raspberry Pi (Raspberry Pi 2016a)
Gambar 2 Kamera Raspberry Pi (Raspberry Pi 2016b)
Frame Difference Algorithm Frame difference menggunakan nilai-nilai piksel dari citra berurutan. Nilai piksel citra saat ini dinotasikan dengan πΌπ dan nilai piksel citra selanjutnya dinotasikan dengan πΌπ+1 maka perbedaan kedua citra yaitu nilai πΌπ(π,π+1) didefinisikan pada Persamaan 1. πΌπ(π,π+1) = |πΌπ+1 β πΌπ |
(1)
Hasil dari perbedaan nilai kedua citra berurutan mempunyai banyak titik-titik putus. Untuk menyambung titik-titik tersebut teknik penebalan dapat diaplikasikan pada citra hasil diferensiasi. Sebelum penebalan diaplikasikan, citra hasil harus diubah dulu menjadi citra grayscale (Singla 2014).
Filter Kalman Algorithm Persamaan filter Kalman dibagi kedalam dua bentuk yaitu Persamaan time update dan Persamaan measurement update. Persamaan time update berfungsi untuk mengestimasi posisi objek selanjutnya berdasarkan posisi objek sekarang. Persamaan time update disebut juga sebagai predictor. Persamaan measurement update berfungsi untuk memeriksa apakah terdapat objek pada daerah yang telah diprediksi. Bila terbukti adanya objek di daerah prediksi, posisi objek sebelumnya akan diperbarui dengan posisi objek sekarang. Persamaan measurement update dikenal juga sebagai corrector (Patel dan Thakore 2013). Bas et al. (2007) menggunakan filter Kalman dengan model constant-velocity motion. Bas et al. (2007) menggunakan objek-objek foreground sebagai objek observation , z, corrector untuk filter Kalman. Xt dan Yt pada Persamaan 2 merupakan koordinat tiap pixel yang membentuk masing-masing objek pad citra T. π§ = [ππ‘, ππ‘]π
(2)
4 Untuk predictor pada filter Kalman, Bas et al. (2007) menggunakan nilai estimasi optical flow (Persamaan 3). Optical flow berguna untuk menentukan posisi objek pada citra T+1 berdasarkan posisi objek pada citra T. U merupakan posisi objek pada citra T. V merupakan posisi objek U pada citra T+1. Vektor d merupakan pergerakan piksel dari vektor U. π = π+π π π = [π’π₯ π’π¦ ] π = [ππ₯ ππ¦ ]
π
(3)
Root Mean Square Error (RMSE) RMSE (Persamaan 4) merupakan alat statistika yang standar digunakan untuk mengevaluasi nilai hitung perkiraan oleh sebuah model dengan nilai observasi sebenarnya. RMSE disebut juga sebagai simpangan baku nilai hitung dengan nilai sebenarnya. Perbedaan nilai perkiraan dengan nilai sebenarnya disebut juga dengan prediction error. RMSE menggabungkan semua prediction error pada selang waktu tertentu menjadi satu perhitungan saja. Pada Persamaan 4, nilai e merupakan error untuk nilai hitung dengan nilai sebenarnya. 1
π
πππΈ = βπ βππ=1 ππ2
(4)
Mean Absolute Percentage Error (MAPE) MAPE (Persamaan 5) merupakan persentase galat dari sebuah data. Nilai π΄π‘ merupakan nilai sebenarnya dan πΉπ‘ merupakan nilai hitung. Perkalian dengan nilai 100 untuk menjadikan nilai perhitungan menjadi persentase galat. Semakin kecil nilai MAPE semakin bagus data. Untuk mendapatkan akurasi data, 100% - MAPE. ππ΄ππΈ =
100 π
π΄π‘ βπΉπ‘
βππ‘=1 |
π΄π‘
|
(5)
METODE
Metode yang digunakan dalam penelitian ini dilakukan secara bertahap seperti yang ditunjukkan pada Gambar 3. Tahap pertama adalah analisis kebutuhan sistem, kemudian perancangan sistem, implementasi dan terakhir pengujian serta evaluasi.
5
Gambar 3 Alur metode penelitian
Berikut ini adalah penjelasan secara mendetail tentang setiap tahapan metode penelitian yang dilakukan sesuai dengan Gambar 3.
Analisis Kebutuhan Sistem Sebelum sistem dibuat akan dilakukan analisis terhadap kebutuhan sistem. Kebutuhan sistem pengambilan citra yaitu menggunakan kamera, perangkat untuk pengolahan data yaitu Raspberry Pi dan bahasa yang digunakan serta librarylibrary bantuan yang dapat mendukung penelitian ini.
Perancangan Sistem Perancangan sistem dibuat setelah analisis kebutuhan dilakukan. Program yang dirancang juga memperhatikan ketersediaan sumberdaya dari Raspberry Pi. Program yang akan dirancang memiliki beberapa proses. Proses dimulai dengan mengambil data masukan yaitu berupa citra yang ditangkap oleh kamera. Selanjutnya mencari foreground dengan frame difference. Kemudian algoritme filter Kalman untuk pelacakan objek yang diinginkan yaitu kendaraan. Proses terakhir adalah menentukan jumlah kendaraan yang tertangkap oleh kamera.
Implementasi Program yang telah dirancang sebelumnya diimplementasikan pada Raspberry Pi model B. Pada tahap ini diharapkan program yang telah dirancang cukup untuk bekerja pada Raspberry Pi. Bila program tidak dapat bekerja pada Raspberry Pi akan dilakukan pengubahan program sedemikian rupa sehingga program dapat bekerja pada Raspberry Pi. Hal ini dapat terjadi karena adanya keterbatasan sumberdaya pada Raspberry Pi.
Pengujian dan Evaluasi Pengujian dilakukan untuk memastikan program berjalan dengan benar dan dan dapat berjalan secara real-time di Raspberry Pi. Ujicoba secara real-time yaitu melakukan pengambilan citra di jalan raya sekaligus melakukan proses pengolahan citra di Raspberry Pi. Proses ini bertujuan mengetahui seberapa baik program yang dibuat mulai dari pengambilan dan pengolahan citra. Evaluasi sistem menggunakan evaluasi RMSE untuk mengetahui penyimpangan data dan MAPE untuk akurasi.
6 Pada penelitian ini, nilai hitung merupakan hasil hitung jumlah kendaraan di jalan menggunakan algoritme Kalman yang diprogramkan di Raspberry Pi. Nilai sebenarnya merupakan hasil perhitungan jumlah kendaraan di jalan secara manual denga menggunakan data hasil perekaman kamera.
HASIL DAN PEMBAHASAN Analisis Kebutuhan Sistem Sistem yang dibuat menggunakan kamera untuk pengambilan citra dan Raspberry Pi sebagai perangkat pengolahan. Bahasa yang digunakan adalah python versi 2.7 dengan library bantuan yaitu OpenCV versi 3.0. Spesifikasi kamera Raspberry Pi adalah sebagai berikut: ο· 5 megapiksel ο· Kualitas citra 2592 x 1944 piksel ο· Kualitas video 1080p30, 720p60 and 640x480p60/90 video. Raspberry Pi yang digunakan untuk mengolah data adalah Raspberry Pi PCBA Model B. Spesifikasinya adalah sebagai berikut: ο· Processor ARM11 700MHz ο· RAM 512MB ο· USB 2.0 2 Port ο· Ethernet (LAN) Port 100Mbps ο· SD Card Socket Media penyimpanan Raspberry Pi adalah SD card. Untuk mengetahui kebutuhan ukuran memory SD card, dilakukan perhitungan sebagai berikut : ο· 1 citra dengan resolusi 640 x 360 = 200 KB ο· FPS = 10, 10 x 200 = 2000 KB ο· 1 menit pengambilang citra = 60 x 2000 = 120000 KB ο· 30 menit pengambilan citra = 30 x 120000 = 3600000 KB ο· OS Raspbian = 4.3 GB ο· OpenCV = 2 GB Total memory yang dibutuhkan untuk penelitian ini adalah sebesar 10 GB. Oleh karena itu, SD card yang digunakan berukuran 16 GB atau lebih besar. Sistem membutuhkan beberapa perangkat tambahan untuk power supply, remote Raspberry Pi serta perangkat perantara Raspberry dan remote. Power supply yang digunakan adalah power bank sebesar 10000mAh. Remote Raspberry Pi berupa Android smartphone dengan aplikasi remote yang digunakan adalah RaspManager versi 2.1.5. perantara Raspberry Pi dengan smartphone menggunakan wifi USB.
7 Perancangan Sistem Tahapan perancangan program dilakukan seperti Gambar 4. Pengambilan data masukan berupa citra yang dikirimkan dari kamera Raspberry Pi. Proses algoritme frame difference dapat dilihat pada Gambar 5. Algoritme Frame difference membutuhkan citra berurutan sebagai data masukan. Citra-citra tersebut dijadikan sebagai nilai πΌπ dan πΌπ+1 pada Persamaan 1. Kemudian antar citra berurutan dicari perbedaannya untuk mendapatkan foreground berupa citra biner. Selanjutnya dilakukan proses thresholding untuk menghilangkan noise pada citra foreground. Canny edge detector memperjelas pinggiran objek-objek kendaraan. Selanjutnya dicari kontur objek dan titik tengah kontur tersebut. Titik tengah kontur menjadi identitas masing-masing objek kendaraan. Setelah didapatkan titik tengah objek pada citra foreground maka diterapkan algoritme filter Kalman untuk pendeteksian dan pelacakan objek kendaraan dari citra. Proses algoritme filter Kalman dapat dilihat pada Gambar 6. Titik tengah kontur pada citra T dijadikan nilai U pada estimasi optical flow (Persamaan 3). Nilai dx dan dy masing-masing mempunyai rentang 0-30. Nilai rentang dx dan dy didapatkan dari beberapa kali ujicoba pada saat program dirancang. Titik tengah kontur pada citra T+1 dijadikan sebagai nilai observation z (Persamaan 2). Bila nilai nilai z berada didalam rentang nilai V optical flow maka kendaraan pada citra T+1 sama dengan kendaraan pada citra T dan kendaraan berhasil dilacak. Proses pelacakan terus dilakukan hingga kendaraan menghilang dari citra. Di dalam citra terdapat sebuah garis imaginer. Garis imaginer berguna untuk menghitung kendaraan yang lewat. Ketika kendaraan ditelusuri dan titik tengah kendaraan melewati garis imaginer maka jumlah kendaraan yang dihitung bertambah 1.
Tidak
Gambar 4 Diagram perancangan sistem
8
Gambar 5 Diagram frame difference
Gambar 6 Diagram pelacakan kendaraan
Implementasi Sistem yang telah dirancang diimplementasikan pada Raspberry Pi. Rangkaian pemasangan Raspberry Pi ditunjukkan pada Gambar 7.
Gambar 7 Rangkaian pemasangan sistem
9 Komponen-komponen rangkaian adalah Raspberry Pi, Kamera, SD card, power bank, smartphone dan wifi USB. Kamera Raspberry Pi dipasang pada port CSI, slot SD card terletak di bagian bawah Raspberry Pi. Raspberry Pi dikontrol menggunakan smartphone via wireless. Implementasi pada Raspberry Pi memerlukan pengaturan-pengaturan tambahan seperti pengaturan resolusi kamera, fps dan selang waktu pengambilan citra. Proses yang berlangsung di Raspberry Pi digambarkan pada Gambar 8. Berdasarkan pada APTA (2011) tentang pengaturan standar minimal kamera CCTV, kualitas citra yang digunakan minimal berukuran 480 TVL atau setara dengan 640 piksel.
Gambar 8 Diagram proses di Raspberry Pi
Untuk lalu lintas dengan tingkat kepadatan rendah frame rate minimal adalah 5 FPS sedangkan lalu lintas dengan tingkat kepadatan tinggi minimal 15 FPS. Kualitas citra yang dikirimkan ke Raspberry Pi dikecilkan hingga dimensi 640x360 piksel. Pada penelitian ini frame rate yang digunakan adalah 10 FPS. 10 FPS dipilih berdasarkan penelitian Maulana (2016). Pengambilan citra dilakukan setelah pengaturan kamera selesai dilakukan. Pada satu kali siklus pengambilan citra, citra yang didapat digandakan untuk keperluan perhitungan Raspberry Pi dan log data untuk perhitungan secara manual. Citra-citra yang digunakan untuk proses perhitungan Raspberry Pi akan ditimpa
10 dengan citra baru ketika pengambilan selanjutnya dilakukan. Selanjutnya diterapkan frame difference dan filter Kalman kemudian hasilnya dicatat pada log berbentuk text file. Proses di Raspberry Pi akan berhenti apabila telah mencapai batas waktu pengujian. Pengambilan citra dilakukan dari posisi atas sehingga mengurangi penumpukan kendaraan pada citra. Gambar 9 menunjukkan proses tiap tahapan dalam sistem. (a) merupakan data masukan. (b) merupakan hasil frame difference (c) merupakan hasil thresholding pada citra (b). (d) merupakan hasil Canny edge detector. (e) merupakan penebalan garis pinggir kendaraan. (f) adalah hasil pelacakan dengan filter Kalman. Lingkaran hijau merupakan lokasi prediksi dan lingkaran merah merupakan posisi kendaraan sebagai corrector filter Kalman. Garis ungu melintang adalah garis hitung. Ketika kendaraan yang ditelusuri melewati garis ungu nilai hitung kendaraan bertambah.
(a)
(b)
(c)
(d)
(e)
(f)
Gambar 9 Contoh data keluaran tiap tahapan proses dalam sistem
Kendaraan mulai terdeteksi pada pertengahan area perekaman. Agar kendaraan dapat terhitung, garis hitung ditempatkan pada 3/4 area laju kendaraan. Jika garis hitung ditempatkan pada pertengahan area, kendaraan belum terlacak oleh filter Kalman. Gambar 10 merupakan proses perhitungan menggunakan filter Kalman. Mulai dari kendaraan terdeteksi oleh filter Kalman dan diproses lokasi prediksi. Kemudian filter Kalman melakukan koreksi keberadaan kendaraan
11 terhadap lokasi prediksi citra sebelumnya. Jika koreksi benar, kendaraan akan dilacak. Jika salah ditentukan kembali posisi kendaraan dan nilai prediksi dihitung ulang untuk citra selanjutnya. Kendaraan dilacak sampai melewati garis hitung. Ketika kendaraan melewati garis hitung, nilai hitung akan bertambah 1. Kendaraan yang telah melewati garis hitung tidak dilacak kembali. Pada citra kedua kendaraan tidak terdeteksi. Hal ini disebabkan kontur kendaraan tidak menyatu atau putusputus sehingga ukuran kontur menjadi kecil. Kontur yang kecil menyebabkan sistem mengategorikan kontur tersebut sebagai noise.
Gambar 10 Proses penghitungan kendaraan
Pengujian dan Evaluasi
12 Pengujian algoritme penghitungan kendaraan dilakukan di Jalan Raya Pajajaran, Baranangsiang kota Bogor. Waktu pengambilan data dilakukan dari jam 08.50 sampai 09.40 pagi pada tanggal 13 Januari 2017 sampai tanggal 16 Januari 2017. Pengambilan data dilakukan dari atas jembatan peyeberangan orang. Objek kendaraan yang diambil bergerak mendekati kamera. Sebelum pengujian dilakukan, dilakukan percobaan untuk mengetahui waktu yang optimal untuk pengambilan citra. Waktu yang dicobakan yaitu 30 detik, 20 detik dan 15 detik. Percobaan dilakukan selama 5 menit. Dari ketiga percobaan itu didapatkan nilai MAPE Raspberry Pi secara berurutan adalah 34.156, 44.272 dan 47.068. Berdasarkan nilai-nilai tersebut, waktu yang dipilih untuk lama pengambilan citra adalah 15 detik. Hasil pengujian ditampilkan pada Gambar 11 dan Gambar 13. Gambar 11 menunjukkan perbandingan antara perhitungan Raspberry Pi dengan perhitungan secara manual. Data yang digunakan pada Gambar 11 adalah data hari ke-3. Hampir semua nilai perhitungan Raspberry Pi lebih kecil daripada perhitungan manual secara total (jumlah mobil dan motor digabungkan). Walau demikian, nilai perhitungan Raspberry Pi lebih besar dari jumlah mobil dan hampir sama dengan jumlah motor. Selanjutnya, Selisih nilai perhitungan Raspberry Pi dengan nilai perhitungan manual digunakan untuk perhitungan RMSE (Persamaan 4). 60
Jumlah Kendaraan
50 40 30
20 10 0 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
Menit pengujian Manual Total
Gambar 11
Raspberry
Manual Mobil
Manual Motor
Selisih perhitungan Raspberry Pi dan perhitungan manual pada tanggal 15 Januari 2017
Gambar 11 memiliki jumlah kendaraan yang tinggi dan rendah. Jumlah kendaraan yang sangat besar menandakan adanya peningkatan kepadatan kendaraan secara drastis di jalan. Hal ini dikarenakan pengambilan data dilakukan di dekat lampu lalu lintas. Perubahan kepadatan lalu lintas terjadi berulangkali bergantung pada perubahan lampu lalu lintas. Selama pengujian dilakukan terdapat dua perlakuan terhadap kamera Raspberry Pi yaitu kamera menggunakan pelindung dan kamera tanpa pelindung. Penyebab beda perlakuan ini adalah pelindung kamera berembun dikarenakan
13 hujan pada hari ke-2. Perbedaan citra yang dihasilkan dengan dua perlakuan tersebut ditunjukkan pada Gambar 12.
Gambar 12 Perbandingan kondisi kamera dengan pelindung dan kamera tanpa pelindung Beda perlakuan terhadap kamera mempengaruhi galat yang dihasilkan oleh sistem. Gambar 13 adalah galat perhitungan Raspberry Pi dengan perhitungan manual. Grafik yang ditampilkan adalah rataan galat perhitungan menggunakan kamera dengan pelindung yaitu data tanggal 13 Januari dan 14 Januari 2017 dan rataan galat perhitungan menggunakan kamera tanpa pelindung yaitu data tanggal 15 Januari dan 16 Januari 2017. Nilai galat dengan kamera menggunakan pelindung lebih besar daripada nilai galat dengan kamera tanpa pelindung. 25
Nilai Galat
20 15 10 5 0 1
10
20
30
40
50
Menit Hari 1-2
Hari 3-4
Gambar 13 Galat perhitungan Raspberry Pi dengan kamera menggunakan pelindung dan kamera tanpa pelindung
Proses pengujian menggunakan 2 tahapan proses yang berjalan secara berurutan yaitu proses pengambilan citra dan proses penghitungan kendaraan menggunakan algoritme frame difference dan filter Kalman. Selang waktu untuk pengambilan citra diatur konstan selama 15 detik dan selang waktu untuk penghitungan kendaraan ditunjukkan pada Gambar 14. Dalam 50 menit pengujian terdapat 100 kali penghitungan kendaraan. Pada hari ke-3 proses ke-1 terdapat pencilan. Pencilan ini disebabkan oleh Raspberry Pi yang mengalami not responding pada menit tersebut sehingga memperpanjang waktu penghitungan kendaraan. Waktu penghitungan kendaraan merata pada rentang selang 13-15 detik.
14
Lama proses (detik)
25,0
20,0 15,0 10,0 5,0 1
10
20
30
40
50
Menit Hari 1-2
Hari 3-4
Gambar 14 Selang waktu pemrosesan penghitungan kendaraan dengan kamera menggunakan pelindung dan kamera tanpa pelindung
Evaluasi Hasil Pengujian menunjukkan bahwa pada program masih terdapat beberapa kesalahan sehingga terdapat salah perhitungan kendaraan. Faktor yang mempengaruhi kesalahan tersebut adalah perbedaan jarak waktu antar citra berurutan sebagai data masukan frame difference. Bila jarak waktu citra lebih lama, ukuran blob kendaraan menjadi lebih besar. Saat objek kendaraan mempunyai 2 blob dalam 1 kendaraan dan ukuran blob tersebut cukup besar maka program menghitung 1 kendaraan tersebut sebagai 2 kendaraan berbeda. Sebaliknya saat jarak waktu citra lebih pendek dan ukuran blob yang dihasilkan kecil, sistem tidak mendeteksi kendaraan tersebut. Tabel 1 merupakan perhitungan rata-rata simpangan baku menggunakan Persamaan 4 dan Tabel 2 merupakan persentase galat menggunakan Persamaan 5. Akurasi perhitungan diperoleh dari 100% - MAPE. Pada Tabel 1 dan Tabel 2 terdapat perbedaan antara nilai Raspberry Pi dengan nilai Laptop. Hal ini dapat disebabkan oleh beberapa hal seperti perbedaan kapasitas RAM, perbedaan sistem operasi dan sebagainya. Kapasitas RAM laptop yang digunakan sebesar 6 GB dan sistem operasi yang digunakan adalah Windows 8. False negatif galat dari tanggal 13 Januari hingga 16 Januari 2017 secara berurutan yaitu sebanyak 93, 84, 78, 79 dari 100 kali pengambilan data perharinya. Hal ini menunjukkan bahwa sistem cenderung tidak dapat mendeteksi kendaraan yang melintas secara keseluruhan. Terdapat anomali galat pada perhitungan laptop pada hari 1 dan 2 dimana nilai RMSE dan MAPE perhitungan laptop lebih besar daripada perhitungan Raspberry Pi. Perhitungan laptop seharusnya mempunyai nilai galat yang lebih kecil karena mempunyai RAM yang lebih besar dan kemampuan sistem operasi yang lebih baik dalam membaca piksel citra. Anomali ini terjadi diduga karena hujan pada pengujian hari ke-2.
15
Data hari ke1 dan 2 3 dan 4
Data hari ke1 dan 2 3 dan 4
Tabel 1 Nilai simpangan baku Nilai RMSE Raspberry Pi Laptop 11.141 11.134 7.517 5.844 Tabel 2 Nilai persentase galat Nilai MAPE (%) Raspberry Pi Laptop 55.643 58.890 40.626 32.350
Nilai-nilai galat yang dihasilkan dipengaruhi oleh banyak hal seperti intensitas cahaya, perubahan cuaca, jenis dan warna kendaraan dan lain-lain. Jenis kendaraan berukuran kecil dan ramping seperti motor memungkinkan untuk tidak dideteksi karena kontur yang terlalu kecil atau menyatu dengan kendaraan lain. Jenis kendaraan berukuran besar seperti bus dan truk memungkinkan untuk mempunyai dua tititk tengah karena mempunyai ukuran kontur yang terlalu besar namun terpisah-pisah akibat proses frame difference. Warna kendaraan yang gelap dan menyerupai aspal jalanan juga memungkinkan untuk tidak dideteksi. Untuk meningkatkan kemampuan sistem perlu dilakukan pengujian-pengujian lebih lanjut untuk menemukan fakto-faktor yang mempengaruhi tersebut.
SIMPULAN DAN SARAN Kesimpulan Penelitian ini telah mampu mengimplementasikan frame difference dan filter Kalman pada SBC yaitu Raspberry Pi dengan ukuran frame rate 10 FPS. Sistem mempunyai tahapan pengambilan citra kemudian proses perhitungan yang dilakukan secara berurutan. Pengambilan citra dilakukan dalam selang 15 detik selama 1 jam pengujian. Perhitungan yang dilakukan pada Raspberry Pi mempunyai nilai RMSE hari ke-1 dan 2 sebesar 11.141 sedangkan hari ke-3 dan 4 sebesar 7.517. Akurasi yang diperoleh hari ke-1 dan 2 sebesar 44.357 % sedangkan hari ke-3 dan 4 sebesar 59.374 %. Hasil hari ke-1 dan 2 dipisah dengan hasil hari ke-3 dan 4 karena beda perlakuan terhadap kamera Raspberry Pi pada saat pengujian. Rata-rata waktu yang diperlukan untuk penghitungan kendaraan dalam 1 kali pengambilan citra adalah selama 13.654 detik. Faktor-faktor yang mempengaruhi akurasi perhitungan Raspberry Pi yaitu kemampuan RAM Raspberry Pi, perbedaan kecepatan dalam mengambil citra dan intensitas cahaya. Saran
16 Penelitian ini menggunakan kebutuhan minimum agar kapasitas penyimpanan mencukupi. Karena itu, akurasi perhitungan Raspberry Pi masih dapat ditingkatkan dengan menaikkan kualitas citra dan frame rate yang digunakan. Selain itu akurasi dapat ditingkatkan dengan mengubah algoritme filter Kalman model constant-velocity menjadi model non constant-velocity. Sistem dapat dikembangkan dengan menerapkan sistem paralel pada bagian pengambilan citra dan proses pelacakan dan penghitungan kendaraan. Penelitian ini juga dapat dikembangkan lagi menjadi sistem pemantauan lalu lintas waktu nyata dengan menambahkan modul pengiriman data ke server.
DAFTAR PUSTAKA [APTA] American Public Transportation Association.2011. Selection Of Cameras, Digital Recording Systems, Digital High-Speed Networks And Trainlines for Use in Transit-Related CCTV Systems. Washington DC (US). CCTV Standards WORKING Group. Bas E, Tekalp AM, Salman FS. 2007. Automatic vehicle counting from video for traffic flow analysis. Di dalam: Intelligent Vehicles Symposium IEEE; 2007.doi: 10.1109/IVS.2007.4290146. Iftikhar Z, Premaratne P, Vial PJ. 2014. Computer vision based traffic monitoring system for multi-melacak freeways. Di dalam: De-Shuang H, Jo K, Ling W, editor. Proceedings of 10th International Conference, ICIC 2014; 2014 Agu 3-6; Taiyuan, China. Taiyuan (CN): Springer International Publishing. hlm 339-349. doi: 10.1007/978-3-319-09339-0_35 Maulana IN. 2016. Implementasi algoritme simple vehicle counting untuk pemantauan kepadatan mobil pada sebuah jalur menggunakan Raspberry Pi [skripsi]. Bogor (ID): Institut Pertanian Bogor Patel HA, Thakore DG. 2013. Moving object tracking using Kalman filter. IJCSMC. 2(4):326-332. Raspberry Pi. Raspberry Pi FAQS [Internet]. [diunduh pada 2016 Sep 22]. Tersedia pada: https://www.raspberrypi.org/help/faqs/#introWhatIs Raspberry Pi. Raspberry Pi Camera [Internet]. [diunduh pada 2016 Sep 22]. Tersedia pada: https://www.raspberrypi.org/products/camera-module/ Stefano LD, Viarani E. 1999. Vehicle detection and tracking using the block matching algorithm. Proceedings of 3rd IMACS/IEEE; 1999. hlm 4491-4496. Singla N. 2014. Motion detection based on frame difference method. IJICT. 4(15):1559-1565. Yilmaz A, Javed O, Shah M. 2006. Object tracking: a survey. Journal ACM Computing Surveys (CSUR). 38(4):13. doi: 10.1145/1177352.1177355. Zhan C, Duan X, Xu S, Song Z, Luo M. 2007. An improved moving object detection algorithm based on frame difference and edge detection. Di dalam: Fourth International Conference on Image and Graphics, ICIG 2007; 2007 Agustus 22-24. IEEE. doi: 10.1109/ICIG.2007.153
17 LAMPIRAN Lampiran 1 Jumlah kendaraan hasil perhitungan Raspberry Pi dan perhitungan manual serta selisih kedua perhitungan *Raspi = Raspberry Pi NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
Raspi* 3 6 0 6 4 24 11 0 7 8 1 6 6 10 5 10 11 2 9 6 6 15 14 6 7 5 1 0 2 5 7 9 1 20 3 6 8 4 3 2 4 6 12 11 13 5 10 16
Hari ke-1 Manual 27 21 18 14 16 18 25 15 17 25 5 16 28 14 18 23 15 12 20 21 14 15 22 19 17 20 13 4 16 22 20 11 15 28 19 14 23 27 7 16 15 19 14 13 18 22 15 21
Selisih 24 15 18 8 12 6 14 15 10 17 4 10 22 4 13 13 4 10 11 15 8 0 8 13 10 15 12 4 14 17 13 2 14 8 16 8 15 23 4 14 11 13 2 2 5 17 5 5
Raspi 7 0 4 7 2 3 7 5 10 1 2 7 3 3 8 4 0 2 7 5 9 10 4 2 4 14 6 8 11 10 21 17 13 1 7 2 2 4 8 4 10 5 14 4 15 20 20 7
Hari ke-2 Manual Selisih 24 17 10 10 15 11 23 16 19 17 8 5 10 3 25 20 21 11 11 10 24 22 19 12 7 4 20 17 15 7 13 9 16 16 21 19 26 19 18 13 16 7 10 0 4 0 19 17 18 14 23 9 10 4 21 13 20 9 12 2 33 12 25 8 23 10 9 8 23 16 21 19 5 3 16 12 14 6 10 6 12 2 11 6 20 6 7 3 8 7 18 2 13 7 19 12
Raspi 6 4 10 14 3 12 3 3 1 22 8 4 9 6 9 7 7 6 16 11 8 15 13 2 3 13 7 9 19 12 0 21 12 2 3 21 8 3 8 19 5 13 7 6 12 14 9 8
Hari ke-3 Manual Selisih 7 1 7 3 24 14 14 0 10 7 19 7 10 7 9 6 15 14 30 8 15 7 12 8 14 5 14 8 14 5 9 2 13 6 8 2 20 4 17 6 14 6 27 12 19 6 7 5 9 6 25 12 10 3 4 5 21 2 22 10 0 0 15 6 22 10 6 4 12 9 24 3 18 10 2 1 16 8 21 2 9 4 10 3 11 4 11 5 14 2 15 1 8 1 9 1
Raspi 8 12 8 10 13 16 13 14 18 13 5 15 16 5 11 9 11 8 14 10 17 11 1 7 12 4 2 11 8 3 21 10 2 12 15 16 8 16 11 4 13 18 22 11 16 15 18 19
Hari ke-4 Manual Selisih 19 11 18 6 22 14 13 3 14 1 17 1 11 2 22 8 18 0 17 4 22 17 30 15 34 18 17 12 17 6 11 2 15 4 16 8 25 11 10 0 17 0 21 10 2 1 18 11 24 12 9 5 12 10 19 8 13 5 9 6 19 2 30 20 7 5 18 6 22 7 11 5 21 13 23 7 9 2 19 15 22 9 18 0 8 14 7 4 22 6 16 1 30 12 19 0
18 Lampiran 1 Lanjutan 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 Total
14 0 2 4 22 10 8 8 10 4 7 3 3 6 1 4 1 13 4 4 2 8 10 10 12 14 4 9 19 6 3 8 14 7 9 11 3 3 16 1 5 8 18 5 5 5 5 5 8 21 4 11 733
18 8 20 14 12 19 19 21 15 21 15 15 18 24 11 8 19 24 13 16 17 20 18 21 31 21 29 22 15 5 20 17 18 20 23 21 19 16 20 3 22 19 15 18 23 17 9 21 23 15 14 18
4 8 18 10 10 9 11 13 5 17 8 12 15 18 10 4 18 11 9 12 15 12 8 11 19 7 25 13 4 1 17 9 4 13 14 10 16 13 4 2 17 11 3 13 18 12 4 16 15 6 10 7
13 11 0 7 13 2 9 8 8 8 14 11 3 8 9 14 1 7 13 0 2 5 14 6 4 20 10 14 13 12 3 2 13 15 8 13 12 5 4 12 23 14 11 16 7 7 10 15 10 11 9 16
16 22 11 30 28 12 15 27 19 16 15 28 7 15 19 16 5 17 18 5 14 12 13 8 24 16 10 18 21 17 6 12 11 18 19 18 13 6 11 14 18 10 18 13 7 11 12 14 8 19 16 15
1767
1094
834
1568
3 11 11 23 15 10 6 19 11 8 1 17 4 7 10 2 4 10 5 5 12 7 1 2 20 4 0 4 8 5 3 10 2 3 11 5 1 1 7 2 5 4 7 3 0 4 2 1 2 8 7 1 812
1 0 3 14 14 16 4 11 17 2 9 10 11 16 8 14 27 23 11 11 18 9 9 11 3 21 13 1 12 12 17 16 22 10 7 16 18 18 20 9 17 13 15 2 16 17 1 5 15 22 6 10 1056
5 0 4 12 21 17 16 13 16 6 19 24 24 18 13 15 22 21 14 26 19 19 13 19 8 21 16 10 17 20 14 11 15 7 17 19 13 30 24 8 24 17 9 17 27 14 5 12 17 16 13 21 1480
4 0 1 2 7 1 12 2 1 4 10 14 13 2 5 1 5 2 3 15 1 10 4 8 5 0 3 9 5 8 3 5 7 3 10 3 5 12 4 1 7 4 6 15 11 3 4 7 2 6 7 11 554
14 13 14 22 1 21 17 0 8 13 13 11 15 11 2 9 12 16 11 16 18 3 20 18 8 0 1 4 7 15 8 4 10 15 2 15 18 4 9 18 15 9 12 6 10 7 23 4 8 12 10 11 1115
15 19 26 16 16 16 20 4 19 23 14 10 23 23 11 17 21 22 18 14 18 9 12 21 7 9 6 7 12 17 20 18 14 18 19 13 23 6 17 22 17 16 16 13 17 19 19 12 22 21 6 21 1667
1 6 12 6 15 5 3 4 11 10 1 1 8 12 9 8 9 6 7 2 0 6 8 3 1 9 5 3 5 2 12 14 4 3 17 2 5 2 8 4 2 7 4 7 7 12 4 8 14 9 4 10 676
19
Lampiran 2 Selang waktu proses penghitungan kendaraan pada Raspberry Pi NO 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41
Hari ke-1 12.632 13.097 12.851 13.256 12.742 13.815 13.508 12.400 13.439 13.495 12.321 12.644 13.057 13.414 12.707 13.762 13.385 12.635 13.164 13.189 13.053 13.445 13.253 12.876 12.883 13.032 12.294 11.783 12.325 12.881 12.692 12.879 12.829 13.749 12.568 13.176 13.512 13.210 12.676 12.424 13.218
Hari ke-2 13.200 12.487 12.669 13.047 13.115 12.738 12.943 13.084 13.685 12.568 12.646 12.811 12.137 12.496 12.835 12.649 11.881 12.611 12.769 12.715 12.661 12.778 11.811 12.467 12.653 12.917 12.843 12.617 12.843 12.877 13.586 13.273 13.046 12.325 12.987 12.563 12.194 12.663 12.593 12.380 12.992
Hari ke-3 30.596 13.619 15.395 15.935 13.970 14.830 13.463 14.347 14.512 15.221 13.839 13.019 14.112 13.775 14.133 13.742 13.723 13.887 15.051 14.386 14.065 14.440 14.996 13.402 14.174 15.238 13.851 13.809 15.250 15.567 12.995 14.538 14.961 13.500 13.708 15.588 13.891 13.851 14.588 15.008 13.697
Hari ke-4 14.080 15.377 15.294 13.747 14.258 14.567 14.058 14.044 14.667 14.161 14.345 15.299 14.707 13.181 13.925 13.660 13.681 13.848 14.548 13.178 13.956 14.171 13.082 13.734 14.203 13.198 13.211 14.142 14.511 13.002 14.093 14.496 13.405 13.629 14.120 13.677 13.935 14.677 13.464 13.319 14.144
20 Lampiran 2 Lanjutan 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83
12.870 13.257 13.046 13.757 13.102 13.558 13.669 13.053 12.311 14.502 13.377 13.659 13.818 13.613 13.449 13.679 13.371 12.923 12.926 12.891 13.062 12.734 12.745 12.906 13.365 12.849 12.662 12.717 13.518 13.671 13.670 14.253 13.762 13.290 13.386 13.552 12.685 12.739 13.381 13.271 13.334 13.317
12.898 12.985 13.060 13.058 13.636 13.386 12.882 12.815 13.212 12.255 14.649 13.414 12.648 13.015 13.149 13.199 12.498 12.695 13.146 11.992 12.570 12.969 12.743 12.106 12.849 12.638 12.212 12.351 12.505 13.090 12.385 12.543 12.989 12.639 12.953 13.681 13.333 12.258 12.492 12.990 13.621 12.518
14.695 13.920 13.726 14.597 14.599 14.476 13.388 13.677 13.329 13.156 14.993 14.208 14.632 14.284 15.113 15.052 13.819 14.506 14.781 17.086 14.674 14.378 14.771 15.115 15.582 14.501 15.136 15.254 14.384 14.791 15.142 13.783 14.995 14.320 13.409 15.166 14.286 14.305 14.859 15.247 14.180 13.927
14.335 14.906 13.652 14.045 14.437 14.654 14.543 14.096 14.385 13.900 14.516 13.121 14.437 14.470 13.174 14.761 16.378 14.414 13.509 13.809 14.803 14.672 13.505 14.866 14.172 13.736 13.723 14.540 13.180 14.379 14.820 13.651 13.196 13.269 13.794 15.458 14.767 14.291 14.806 14.328 14.332 12.943
21 Lampiran 2 Lanjutan 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100
13.510 12.606 13.030 13.752 12.440 13.055 13.068 13.382 12.615 12.815 13.047 12.606 12.951 13.165 13.912 13.485 13.764
12.869 12.740 12.274 12.702 13.060 13.256 13.032 13.157 13.256 12.668 12.520 12.728 13.028 13.000 13.237 13.124 13.145
15.226 14.492 15.221 15.110 13.389 14.615 14.691 13.680 13.329 14.336 14.224 12.838 13.955 14.132 14.456 13.749 14.147
13.702 14.511 13.099 13.793 14.510 14.196 13.810 14.234 14.220 13.786 14.043 14.669 13.136 14.491 14.907 13.618 14.470
22
RIWAYAT HIDUP
Penulis dilahirkan di Padang pada tanggal 2 Desember 1993. Penulis adalah putra ke-4 dari 6 bersaudara, anak dari Muslim Saleh (rahimahullah) dan Meriyatmi. Penulis lulus dari MAN 2 Padang pada tahun 2012 dan sekaligus diterima di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB) melalui jalur undangan. Penulis menerima beasiswa bidikmisi pada semester 5 perkuliahan hingga semester 8. Selama masa perkuliahan, penulis lebih sering aktif di bidang nonakedemik. Pada awal semester 5, penulis bersama Organisasi Mahasiswa Daerah (OMDA) Sumatera Barat, IPMM, mengisi acara di Indonesian Cultural Night 2014 USM Penang, Malaysia. Penulis juga pernah mengadakan pementasan akbar bersama Teater Mahasiswa Enjuku berjudul βTonosama no Utageβ di Gedung Kesenian Jakarta. Penulis juga pernah meraih juara pada kejuaraan bola basket di IPB bersama klub basket Ilmu Komputer dan klub basket FMIPA. Berikutnya, penulis juga aktif di klub jepang IPB sebagai Founder, kepala divisi dan steering committee. Disamping itu, penulis juga pernah berpartisipasi di paduan suara IPB, vocal grup dan drama musikal Ilmu Komputer.
