IMPLEMENTASI TEKNOLOGI LDWS PADA TRANSPORTASI SEBAGAI PENDUKUNG SARANA DAN KEAMANAN BEKENDARA

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016

ISSN : 2503-2844

IMPLEMENTASI TEKNOLOGI LDWS PADA TRANSPORTASI SEBAGAI PENDUKUNG SARANA DAN KEAMANAN BEKENDARA Ari Purno Wahyu Wibowo, Ardiles Sinaga Universitas Widyatama Jl. Cikutra 204A, Bandung [email protected], [email protected]

Abstrak

Abstract

Keselamatan mengemudi adalah hal yang sangat penting untuk diperhatikan di setiap negara di dunia ini, khususnya di Indonesia. Di Indonesia selama lima tahun terakhir, kecelakaan lalu lintas telah menyebabkan hampir 800 ribu orang. Ironinya jumlah ini, sekitar 17 persen dari angka kecelakaan itu mengakibatkan banyak kematian, kecelakaan terjadi akibat tabrakan pengemudi yang disebabkan karena mengantuk, terganggu, atau lelah, sehingga pengemudi tentu saja menyimpang dari jalan.

Driving safety is a very important thing to considere in every country in the world, especially in Indonesia. In Indonesia over the past five years, traffic accidents have caused nearly 800 thousand people. The irony of this amount, approximately 17 percent of the number of accidents that resulted in many deaths, accidents happen due to collisions caused by driver drowsiness, impaired, or tired, so the driver of course deviate from the road.

Pemerintah telah berusaha untuk mengurangi jumlah kecelakaan ini, diantaranya perbaikan jalan dan pemasangan rambu-rambu jalan yang lebih baik, belajar pada pengemudi, dan banyak hal-hal lain yang telah dilakukan dan beberapa dari usaha yang dilakukan itu berhasil mengurangi jumlah kecelakaan. Walaupun demikian kecelakan tetap saja terjadi. Kecelakaan ini biasanya sering terjadi pada pengemudi mobil. Oleh karena itu diperlukan sistem cerdas pada kendaraan itu sendiri. Sistem cerdas yang digunakan pada penelitian ini adalah Lane Departure Warning System (LDWS), yang merupakan sistem yang dapat memberi peringatan kepada pengemudi secara visual. Sistem ini akan bekerja ketika mobil akan meninggalkan jalur yang seharusnya dilaluinya. Pada saat itu terjadi maka computer akan menginstruksikan kepada sistem untuk memberikan peringatan bagi pengemudi bahwa kendaraan yang dia kemudikan sudah keluar dari jalur dan kemudian mengarahkan pengemudi untuk segera mengembalikan mobil ke trek dengan tertib.

The government has attempted to reduce the number of these accidents, including road repairs and installation of road signs better, learning on the driver, and many other things that have been done and some of the work done was successful in reducing the number of accidents. Nevertheless, accidents do occur. These accidents usually common to the driver. Therefore we need an intelligent system on the vehicle itself. Intelligent system used in this study is the Lane Departure Warning System (LDWS), which is a system that can warn the driver visually. This system will work when the car will leave the path that should be passed. By the time that happens, the computer will instruct the system to give a warning to the driver that the vehicle he was driving was out of line and then direct the driver to immediately return the car to the track in an orderly manner. Keywords: Computer Vision, Road Markers and LDWS System

Kata kunci: Computer Vision, Rambu-rambu lalu lintas, Sistem LDWS

147 Ari Purno Wahyu Wibowo, Ardiles Sinaga Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016

I. PENDAHULUAN Transportasi perlu untuk mengatasi kesenjangan jarak dan komunikasi antara tempat asal dan tempat tujuan. Untuk itu dikembangkan sistem transportasi dan komunikasi, dalam wujud sarana (kendaraan) dan prasarana (jalan). Dari sini timbul jasa angkutan untuk memenuhi kebutuhan perangkutan (transportasi) dari satu tempat ke tempat lain. Di sini terlihat, bahwa transportasi dan tata guna lahan merupakan dua hal yang tidak dapat dipisahkan. Kegiatan transportasi harus didukung dengan keamanan berkendera yang baik pula. Dengan keamanan berkendara yang baik dapat mengurangi resiko terjadinya kecelakaan selama kegiatan tranportasi berlangsung. Keamanan berkendara juga penting untuk diterapkan di seluruh negara-negar di dunia, termasuk di Indonesia. Di Indonesia sepanjang lima tahun terakhir ini, kecelakaan lalu lintas telah menelan korban hampir 800 ribu orang. Ironisnya dari jumlah tersebut, sekitar 17 persen di antaranya berujung pada kematian (WHO, 2009). Kebanyakan kecelakaan kendaraan terjadi dikarenakan pengemudinya mengantuk, tidak konsentrasi, atau lelah. Sehingga kendaraan yang dikendarain oleh pengemudi melenceng dari jalurnya. Pemerintah telah berusaha untuk mengurangi jumlah kecelakaan ini, diantaranya perbaikan jalan dan pemasangan rambu-rambu jalan yang lebih baik, dan banyak hal-hal lain yang telah dilakukan. Beberapa dari usaha yang dilakukan itu berhasil mengurangi jumlah kecelakaan. Walaupun demikian kecelakan tetap saja terjadi. Kecelakaan ini biasanya sering terjadi pada pengemudi mobil. Karena banyaknya angka kecelakaan ini, masyarakat mulai berpikir dalam memilih dan membeli mobil yang lebih aman, seperti mobil yang memiliki sistem peringatan untuk pengemudinya. Maka dari itu diperlukan penelitian untuk mengimplementasikan suatu sistem untuk memberi peringatan pada sang pengemudi mobil untuk mengelatui saat yang tepat untuk berpindah jalur jalan dengan mengukur jarak kendaraan didepan mobil, kecepatan kendaraan mobil yang dikemudikan dan membaca marka jalan. Pada penelitian ini kami mengusulkan untuk mengimplementasikan sebuah sistem cerdas yang dapat memberikan peringatan kepada pengemudi saat berkendara di jalan. Sistem cerdas yang digunakan pada penelitian ini adalah Lane Departure Warning System (LDWS),

ISSN : 2503-2844

yang merupakan sistem yang dapat memberi peringatan kepada pengemudi secara visual. Sistem ini akan bekerja ketika mobil akan meninggalkan jalur yang seharusnya dilaluinya. Pada saat itu terjadi maka komputer akan menginstruksikan kepada sistem untuk memberikan peringatan bagi pengemudi bahwa kendaraan yang dia kemudikan sudah keluar dari jalur dan kemudian mengarahkan pengemudi untuk segera mengembalikan mobil ke trek dengan tertib.

II. KAJIAN LITERATUR II.1

Lane Detection

Banyak teknik yang berbeda telah digunakan untuk mendeteksi jalur jalan dalam 20 tahun terakhir dan sulit untuk mengkategorikan teknik yang berbeda karena mereka dipengaruhi oleh satu dengan yang lainnya dan banyak juga kombinasi dari beberapa teknik yang telah digunakan. Berikut berikut pengenalan singkat beberapa teknik yang paling sering digunakan. Salah satu metode menggunakan top-view image (A. Broggi, 1995) atau disebut Inverse Perspective Mapping, IPM, yang dihitung dari gambar yang diperoleh dengan kamera di dalam mobil. Sebuah IPM memanfaatkan posisi dan sudut kamera serta panjang fokus lensa untuk mengubah gambar dari dunia gambar ke dunia nyata. Mengukur jarak dan kualitas gambar sangat tergantung pada data yang akurat mengenai posisi. Manfaat dari metode ini adalah bahwa memungkinkan untuk mendapatkan semua jarak dan bentuk dalam satuan dunia nyata, seperti lebar jalur dalam meter dan sama rata. Menggunakan model dideformasi adalah satu lagi teknik yang digunakan untuk deteksi jalur, di mana jalur poin terdeteksi dipasang ke model matematika. Model dapat menggunakan garis lurus, kurva parabola atau berbagai jenis splines untuk mewakili jalan, semua dengan pro dan kontra yang berbeda. Model ini cenderung lebih lambat dan lebih kompleks, yang merupakan kelemahan untuk aplikasi ini. Namun dia memiliki potensi untuk menggambarkan lekukan dan jalan non-lurus lainnya sangat akurat. Sebuah metode berbasis warna yang digunakan dalam (K.-Y. Chiu & S.-F. Lin, 2005) untuk menemukan jalur yang cepat dan efisien tapi 148

Ari Purno Wahyu Wibowo, Ardiles Sinaga Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016 memiliki beberapa masalah ketika lampu tercermin dalam jalur, atau bayangan menutupi bagian dari gambar. Dalam (J. W. Lee, 2002) sebuah Edge Distribution Function, EDF, digunakan untuk memperkirakan arah jalur dan menentukan apakah mobil meninggalkan jalur. EDF adalah salah satu fungsi dimensi yang memperkirakan sudut batasbatas jalur melalui pemilihan dalam gambar. Metode ini didasarkan pada model linear dihitung dengan algoritma Hough, yang datang dengan masalah yang melekat dalam kurva, karena trek garis lurus saja.

Gradien pada setiap piksel gambar yang telah diperhalus ditentukan dengan menerapkan operator Sobel. Algoritma canny edge detection secara umum (detilnya tidak baku atau bisa divariasikan) beroperasi sebagai berikut (Christopher Danil, 2001):

Beberapa metode menggunakan hipotesis dari jalur yang kemudian dikendalikan. Dua artikel yang direferensikan menggunakan teknik yang berbeda untuk model hipotesis, sebuah Neural Network (Z. Kim, 2007) dan Haar-fitur seperti menyaring (H. Jung, J. Min, & J. Kim, 2013). Untuk mencapai hasil yang baik dengan metode ini sebuah fitur database besar dibutuhkan bersama dengan periode pelatihan yang lebih panjang dalam kasus jaringan saraf. Kebanyakan implementasi memanfaatkan Region Of Interest, ROI, untuk mempercepat perhitungan. Pada dasarnya, ini berarti bahwa satu membatasi bagian dari gambar yang akan dianalisis untuk menghindari pengolahan seluruh gambar. Cara yang lebih ekstrem untuk melakukan ini adalah menentukan sebuah Lane Boundary Region Of Interest, LBROI. Di sini, bagian diproses dari gambar yang dipersempit ke daerah kecil dekat dengan di mana batas jalur ini diharapkan akan ditemukan, seperti yang disarankan oleh (C. R. Jung & C. R. Kelber, 2005). II.2

Canny Detection Atau Diteksi Tepi

Canny Detection atau diteksi tepi adalah sebuah algoritma penghalusan citra gambar dari noise, gambar yang dihasilhan dalam bentuk relief Setelah dilakukan proses grayscale pada gambar, maka langkah selanjutnya adalah melakukan proses deteksi tepi dengan menggunakan algoritma Canny. Deteksi Edge adalah deteksi tepi dari image grayscale yang memiliki ketebalan 1 piksel dengan mencari nilai gradien lokal dari sebuah citra (S Nugroho, 2004). Metode egde detection terdiri dari beberapa metode yaitu Sobel, Prewitt, Laplace, Robert, & Canny. Algoritma Canny pada dasarnya menemukan titik tepi pada gambar grayscale dengan perubahan nilai intensitas yang paling besar, daerah ini ditemukan dengan menentukan gradien gambar.

ISSN : 2503-2844

1.

Penghalusan untuk mengurangi dampak noise terhadap pendeteksian edge pada tahapan ini bentuk dari gambar citra asli dalam bentuk blur dan akan menghasilkan citra yang baru yang bisa menetukan posisi dari gambar

2.

Menghitung potensi gradien citra

3.

non-maximal supression dari gradien citra untuk melokalisasi edge secara presisi

4.

Hysteresis Thresholding untuk melakukan klasifikasi akhir

Gambar 1. Tahapan Algoritma Canny Detection

II.3

Algoritma Hought Tranform

Hough Transform (HT) merupakan suatu teknik untuk menentukan lokasi suatu bentuk dalam citra. HT dicetuskan pertama kali oleh P.V.C hough (1862), dilihat potensinya sebagai salah satu algoritma dalam pemrosesan citra oleh Rosenfeld (1969), Dalam implementasinya, HT melakukan pemetaan terhadap titik-titik pada citra ke dalam parameter space (HT space) berdasar kan suatu fungsi yang mendefinisikan bentuk yang ingin dideteksi. HT umumnya dugunakan untuk melakukan ekstrasi garis, lingkaran atau elips pada citra, namun dalam perkembangnnya, HT juga telah dapat dgunakan untuk melakukan ekstraksi bentuk-bentuk yang lebih kompleks. II.4

Klasifikasi Dengan Algoritma Cascade Object Detector.

Penelitian mengenai deteksi dan pengenalan wajah teknologi computer vision telah banyak dilakukan, salah satunya adalah menggunakan Haar like feature yang dikenal sebagai Haar Cascade Classifier. Haar-like features merupakan rectangular 149

Ari Purno Wahyu Wibowo, Ardiles Sinaga Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)

ISSN : 2503-2844

Bandung, 28 Mei 2016 (persegi) features, yang memberikan indikasi secara spesifik pada sebuah gambar atau image. Ide dari Haar-like features adalah untuk mengenali obyek berdasarkan nilai sederhana dari fitur tetapi bukan face tracker Menggunakan Metode Haar merupakan nilai piksel dari image obyek tersebut. Metode ini memiliki kelebihan yaitu komputasinya sangat cepat, karena hanya bergantung pada jumlah piksel dalam persegi bukan setiap nilai piksel dari sebuah image (Lienhart, Rainer, & Jochen Maydt, 2002) II.5

Tahapan implementasi sistem LDWS dapat dilihat pada gambar dibawah ini. File Video

Pre Processing Gambar

Deteksi Tepi (Canny Detection)

Algoritma Viola Jones

Metode viola jones adalah algoritma yang memiliki tingat pendeteksian yang sangat tinggi metode ini pertama kali di buat oleh paul dan Viola Jones (Jones M & Viola P, 2001). Teknik pendeteksian objek atau wajah bisa ditentukan dan skala pada lokasi tertentu (F. Fleuret & D. Geman, 2001). Proses face detection pada wajah atau objek menjadi hal yang sangat penting dan sangat berpengaruh pada bidang image processing (S Nugroho, 2004). Metode Viola-Jones menggabungkan empat kunci utama yaitu Haar Like Feature, Integral Image, Adaboost learning dan Cascade classifier (Andrianus Hendro Triatmoko, Sholeh Hadi Pramono, & Harry S. Dachlan, 2014) (M. Dwisnanto Putro, Teguh Bharata Adji, & Bondhan Winduratna, 2012).

Gambar 2. Tahapan Algoritma Viola Jones

Identifikasi Marka Jalan (Hought Transform)

Keputusan

Peringatan Visual

Tidak Ada Peringaatan

Gambar 3. Tahapan Implementasi Sistem LDWS

Data Input Untuk data latih penulis mengambil dari internet dengan durasi 0:9:45 menit tinggi frame 560 x 360 pixel Pada gambar IV merupakan tampilan inputan data secara offline menunjukan sebuah kendaraan yang belum terintregrasi dengan sistem LDWS, sedangkan inputan video pada gambar menunjukan kendaraan yang sudah menggunakan LDWS system dan mampu membaca makan jalan menggunakan algoritma Hought Transform System memberikan sinyal dan informasi secara visual pada saat mobil berjalan.

III. PENGUJIAN SISTEM LDWS Penulis mengambil sample data berupa image dan video yang di ambil dari beberapa sumber dari internet yang biasa digunakan untuk penelitian pengembagan system DAS (Driver Assitance System). Penulis juga menggunakan library dan toolbox yang disediakan matlab, para programmer telah memberikan sumbgan ilmu yang luar biasa dalam pengembangan sistem LDWS sehingga bisa kita jadikan untuk referensi penelitian selanjutnya. Gambar 4. Video Masukan

150 Ari Purno Wahyu Wibowo, Ardiles Sinaga Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)

ISSN : 2503-2844

Bandung, 28 Mei 2016

Gambar 5. Hasil Implementasi Menggunakan Sistem LDWS

Pembahasan Deteksi Tepi Dengan Menggunakan Algoritma Canny Detection Beberapa tahapan pembacaan data dengan algoritma canny detection: A. Sobel Metode ini mengambil prinsip dari fungsi laplace dan gaussian yang dikenal sebagai fungsi untuk membangkitkan HPF, dan kelebihan dari metode sobel ini adalah mengurangi noise sebelum melakukan perhitungan deteksi tepi. B. Prewitt Metode Prewitt merupakan pengembangan metode robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi laplacian yang dikenal sebagai fungsi untuk membangkitkan HPF.

Gambar 6. Proses Pada Canny Detection Keterangan Gambar 6 langkah pertama dari dengan menghilangkan noise dengan filter Gaussian sehingga gambar menjadi lebih buram langkah kedua dilakukan diteksi tepi dengan teknik Roberts, Prewit dan Sobel untuk mencari data secara horizontal.

Algoritma Hought Transform Pengujian Algoritma Hought Transform menggunakan beberapa gambar marka jalan. Gambar

Hought Algoritma

C. Laplace Metode Laplace adalah metode transformasi yang digunakan untuk penyelesaian persamaan diferensial. D. Robert Metode Robert adalah nama lain dari teknik differensial pada arah horisontal dan differensial pada arah vertikal, dengan ditambahkan proses konversi biner setelah dilakukan differensial. Maksud konversi biner adalah meratakan distribusi warna hitam dan putih. E. Canny Canny merupakan deteksi tepi yang optimal. Operator Canny menggunakan Gaussian Derivative Kernel untuk menyaring kegaduhan dari citra awal untuk mendapatkan hasil deteksi tepi yang halus.

151 Ari Purno Wahyu Wibowo, Ardiles Sinaga Seminar Nasional Telekomunikasi dan Informatika 2016

Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016

ISSN : 2503-2844

Christopher Danil, Edge Detection dengan Algoritma Canny.: STMIK IBBI, 2001. C. R. Jung and C. R. Kelber. Lane following and lane departure using a linear-parabolic model. English. Image and Vision Computing 23.13 (2005), 1192–1202. F. Gambar 7. Hasil Pengujian Algoritma Hought Transform Pada Marka Jalan

Keterangan gambar 7 merupakan hasil pengujian dengan algortima Hought Tranform berfungsi untuk mengenali pola pada marka jalan geometri seperti garis lurus lingkaran atau persegi dengan rumus garis lurus theta dan Rho dirubah ke dalam bentuk matrik kemudian saat nilai dan jumlah segmentasinya sama maka kedua garis lurus akan ditemukan dan digabungkan.

IV. KESIMPULAN Dari hasil pengujian yang telah dilakukan pada penelitian ini maka dapat disimpulkan bahwa tenik pembacaan marka jalan menggunakan LDWS (Lane Departure Warning System) ternyata mampu mendeteksi marka jalan dengan akurasi yang sangat tinggi yaitu sekitra 85%-95%. Untuk melakukan pengujian ini, kita dapat menggunakan data video realtime ataupun data video yang dapat diunduh dari sumber-sumber penelitian sebelumnya atau dapat juga menggunakan data yang disediakan oleh toolbox dan library pada perangkat lunak Matlab. Pada pnelitian selanjutnya kami menyarankan untuk dilakukan ujicoba dengan menggunakan data inputan berupa video yang merekam kondisi jalan pada malam hari atau pada kondisi cuaca hujan.

REFERENSI

Fleuret ;D. Geman, "Coarse-to-fine detection," Int, 2001.

face

H. Jung, J. Min, and J. Kim. “An efficient lane detection algorithm for lane departure detection”. English. IEEE, 2013, pp. 976– 981. isbn: 1931-0587. Jones M. Viola P, "Robust Real-time Object Detection," IJCV, 2001. J. W. Lee. A Machine Vision System for LaneDeparture Detection. English. Computer Vision and Image Understanding 86.1 (2002), 52–78 K.-Y. Chiu and S.-F. Lin. “Lane detection using color-based segmentation”. English. Vol. 2005. 2005, pp. 706–711. isbn: 0780389611; 9780780389618. Lienhart; Rainer ; Jochen Maydt, "An extended set of haar-like features for rapid object detection," IEEE ICIP 2002, p. 1, 2002. M. Dwisnanto Putro;Teguh Bharata Adji;Bondhan Winduratna, "Sistem Deteksi Wajah dengan Menggunakan," Seminar Nasional “Science, Engineering and Technology”, 2012. S Nugroho,. Yogjakarta: UGM Ilmu Komputer Jurusan MIPA, 2004. WHO, 2nd Global Status Report On Road Safety, 2009. Z. Kim. Robust Lane Detection and Tracking in Challenging Scenarios. Intelligent Transportation Systems, IEEE Transactions on 9.1 (Mar. 2008), 16–26. issn: 1524-9050. doi: 10.1109/TITS.2007.908582.

Andrianus HendroTriatmoko; Sholeh Hadi Pramono ; Harry S. Dachlan, Penggunaan Metode Viola-Jones dan Algoritma Eigen Eyes dalam Sistem Kehadiran Pegawai. A. Broggi. A massively parallel approach to real-time vision-based road markings detection. English (1995), 84–89. 152 Ari Purno Wahyu Wibowo, Ardiles Sinaga Seminar Nasional Telekomunikasi dan Informatika 2016