Sistem Pendeteksi Aktivitas Kendaraan Pada Area Parkir Dengan Jaringan Multi-Camera DODI WAHYU B – NRP 2206100020 Bidang Studi Telekomunikasi Multimedia Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS) Kampus ITS, Keputih – Sukolilo, Surabaya 60111 ABSTRAK Dengan meningkatnya jumlah penduduk sekarang, maka permintaan akan jasa transportasi semakin tinggi. Oleh karena itu akan terjadi kenaikan kepadatan lalulintas dan pengguna jasa parkir. Permasalahan parkir sangat penting untuk dikaji seperti kebutuhan ruang parkir yang harus tersedia secara memadai dan sistem pemantau ruangan parkir. Oleh karena itu perlu dibangun suatu sistem yg dapat mendeteksi segala bentuk aktivitas kendaraan pada area parkir. Pada tugas akhir ini akan dibangun suatu sistem deteksi kendaraan pada video pintu masuk dan keluar parkir, serta video pemantauan di ruangan parkir dengan jaringan multicamera. Video dianalisa dengan menggunakan 4 metode yaitu, Konversi Citra, Background substraction, Normalize 2D Cross-Correlation, vehicle tracking. Keseluruhan metode tersebut akan diaplikasikn menggunkan software Matlab R2009b. Hasil dari implementasi metode menunjukkan bahwa video yang tidak terdapat kendaraan berdekatan memiliki persentase kendaraan terdekteksi sebesar 100%, sedangkan terdapat kendaraan yang berdekatan dan terpengaruh bayangan memiliki persentase terdeteksi sebesar 75%. Untuk implementasi menggunakan multi-camera dapat mendeteksi objek dengan coverage area lebih luas dibandingkan singlecamera. Selain itu untuk penempatan kamera, jika semakin tinggi maka mendapatkan luasan jangkauan sebesar 1,5 kali dari setiap peningkatan 0,5 m dan jika semakin besar sudut pantau mendapatkan luasan 1,8 kali dari setiap peningkatan sudut 15o. Kata Kunci: aktivitas kendaraan, area parkir, singlecamera, multi-camera, video, pendeteksian I. PENDAHULUAN Pada saat ini permasalahan parkir sangat penting untuk dikaji lebih mendalam, seperti ruang parkir yang dibutuhkan harus tersedia secara memadai. Semakin besar volume lalu lintas yang beraktivitas baik yang meninggalkan atau menuju pusat kegiatan, maka semakin besar pula kebutuhan ruang parkir. Selain itu jika pada ruang parkir tersebut tidak dilengkapi dengan kamera deteksi pemantauan ruangan, maka pengendara tidak mengetahui kondisi ruangan parkir yang kosong. Sehingga dari dua permasalahan tersebut, pihak pemilik tempat parkir harus bisa mengetahui jumlah kendaraan yang keluar masuk parkir untuk memudahkan dalam pengaturan keamanan dan pendeteksian kekosongan ruang parkir untuk meningkatkan pelayanan. Sehingga paada tugas akhir ini akan dibangun suatu sistem pendeteksi aktivitas kendaraan pada area parkir dengan jaringan multicamera.. Video hasil rekaman itu dianalisa dengan menggunakan 4 teknik yaitu, Konversi Citra, Background
substraction, Normalize 2D Cross-Correlation, vehicle tracking. Keseluruhan teknik tersebut akan diaplikasikn menggunkan software Matlab versi 7.9.0.529 (R2009b). Konversi Citra digunakan untuk merubah format citra yang RGB menjadi grayscale dan kemudian diubah menjadi image binary. Background substraction digunakan untuk memisahkan objek kendaraan dari background di frame pada rekaman video. Untuk metode Normalize 2D CrossCorrelation digunakan untuk mendapatkan nilai korelasi antara objek yang akan dideteksi dengan template yang digunakan, sehingga dapat memperoleh hasil deteksi kendaraan yang lebih akurat. Proses selanjutnya adalah teknik vehicle tracking yang digunakan untuk mendeteksi objek kendaraan pada video. Objek kendaraan yang berada pada video akan dibandingkan dengan template kendaraan yang tersedia. Kemudian setelah didapatkan kesimpulan hasil deteksi objek, maka digunakan untuk mengklasifikasikan kendaraan, menghitung jumlah kendaraan, dan menganalisis kekosongan area parkir pada video. II. TEORI PENUNJANG 2.1. Kamera Tunggal (Single-Camera) Single-camera merupakan teknologi yang memanfaatkan penggunaan satu buah (tunggal) kamera. Dikarenakan hanya menggunakan satu buah kamera saja maka pada teknologi ini tidak bisa membentuk suatu jaringan(network). Meskipun pada single-camera tidak bisa membentuk jaringan, tetapi dapat dimanfaatkan untuk aplikasi pemantauan objek atau suatu ruangan dengan space terbatas. Beberapa kekurangan pada pemakaian singlecamera sebagai berikut: 1. Keterbatasan coverage area pemantauan,. 2. Keterbatsan sudut pandang hanya pada satu sisi dari objek (2D) 3. Tidak bisa membentuk jaringan (network), hanya terhubung secara single hop. 4. Keterbatasan dalam memperoleh/menyimpan informasi suatu aktivitas selama pemantauan secara live 5. Tidak adanya back-up kamera lain yang terintegrasi otomatis, ketika terjadi kerusakan. 2.2. Jaringan Multi-Camera (multi-camera network) Multi-camera merupakan teknologi yang memanfaatkan penggunaan lebih dari satu buah kamera. Sehingga pada multi-camera bisa membentuk jaringan yang dapat di-control secara langsung oleh admin. Gambar 1 merupakan bentuk jaringan multi-camera. Sehingga dapat didefinisikan bahwa jaringan multi-camera merupakan suatu jaringan yang terorganisasi secara terpusat oleh admin dengan melakukan penyebaran kamera pada titik-titik yang sudah ditentukan.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
1
deteksi Gambar 2. vehicle tracking (a)
(b) Gambar 1. (a). Maket ruangan yang terintegrasi dengan multi-camera network (b). Denah Parkir yang terintegrasi dengan multi-camera network Beberapa hal yang bisa dipelajari dalam jaringan multicamera adalah konseptual dan algoritmik untuk segala jenis komputer, pemrosesan sinyal, dan komputasi, serta untuk jaringan kabel dan nirkabel(wireless). Sistem processing pada multi-camera menggunakan dua buah mode processing architecture yaitu centralized processing dan distributed processing [1]. Beberapa kelebihan yang dimiliki oleh jaringan multicamera sebagai berikut: 1. Mampu melakukan pemantauan area (coverage area) secara total pada setiap ruangan 2. Dapat melakukan pemantauan dengan sudut pandang lebih dari satu sisi pada satu objek, sehingga dapat menghasilkan informasi citra berbentuk 3D 3. Bisa dilakukan controlling secara terpusat pada jaringan,, jadi bisa membentuk suatu jaringan dengan koneksi multi-hop. 4. Adanya back-up dengan kamera lain, lain ketika terjadi kerusakan pada salah satu node kamera yang tersebar.
Selanjutnya (vehicle vehicle tracking tracking). Cara perhitungan normalized 2D cross-correlation pada Matlab dinyatakan dengan perintah, C= normcorr2(template, 2(template,A). Hasil C merupakan koefisien korelasi yang memiliki range nilai dari -1.0 sampai 1.0 [3]. 2.3.3. Vehicle Tracking Suatu sistem monitoring berbasis video harus dapat mengenali objek kendaraan bermotor pada setiap urutan frame video. Vehicle tracking juga dapat mengklasifikasikan kendaraan bermotor berdasarkan jenisnya mobil atau nonmobil.. Objek kendaraan bermotor pada video ditandai dengan persegi panjang yang luasaanya bergantung pada objek tersebut. Proses vehicle tracking terlihat pada gambar 2. III. METODE DAN PERANCANGAN SISTEM 3.1. Perencanaan Topologi Jaringan Komunikasi Single-camera antara server dengan satu buah kamera saja, sedangkan untuk multi-camera komunikasi antara server dengan lebih dari satu kamera yang tersebar pada titik-titik tertentu. Pada gambar 3 dibawah ini merupakan contoh cakupan dari topologi jaringan yang digunakan dalam penelitian. 3.2. Metodologi Penelitian Metodologi penelitian dari perancangan sistem pendeteksi aktivitas kendaraan ini seperti terlihat pada Gambar 4.. Pada gambar ditunjukkan dua buah topologi dalam melakukan perekaman video, yaitu single-camera dan multi-camera network beserta cakupannya. 10,6 m A
2,6 m
2m
2,4 m
Metode Untuk Pendeteksian Objek 2.3. Metode-Metode 2.3.1. Metode Background Substraction Proses background substraction adalah proses yang berfungsi untuk menghilangkan objek yang statis pada sebuah citra. Metode background substraction bertujuan untuk menentukan kemungkinan adanya suatu objek bergerak dari sebuah citra dengan perbedaan yang terlihat pada background dan objek,, yaitu dengan memisahkan antara background dari foreground pada suatu gambar. Jadi dapat ditampilkan pilkan dalam bentuk persamaan 1 sebagai berikut.
1,5 m
serve A
(a)
[framei – backgroundi] > Threshold …………… ……… 1 Pada proses background substraction digunakan operasi matrik yaitu operasi pengurangan dengan menghasilkan nilai lebih besar dari threshold [2]. 2.3.2. Normalized 2D cross-correlation Pada proses ini digunakan untuk menentukan nilai n kesamaan antara objek dan template, sehingga mendapatkan nilai korelasi yang digunakan sebagai masukan ke proses
3
Gambar 3.
2
1
(b) (a). Contoh Cakupan Single-camera (b). Contoh Cakupan multi-camera
Gambar 4. Metodologi Penelitian
Gambar 6. Diagram alir proses pendeteksi objek kendaraan
Gambar 5. Diagram alir proses pendeteksi template kendaraan 3.3. Proses Pendeteksi Template Kendaraan Cara kerja diagram alir pada gambar 5 di atas adalah adalah sebagai berikut: 1. Mengambil urutan frame tertentu dari video, kemudian merubah format frame video (RGB) ke format citra biner, kemudian dilakukan background substraction. 2. proses remove small object, untuk menghilangkan objek kecil yang tidak dibutuhkan sehingga objek yang muncul hanya objek kendaraan saja. 3. Kemudian proses menutup lubang pada objek. Proses ini bertujuan untuk menutup lubang atau citra yang bernilai 0 (warna hitam) pada objek. 4. Diteruskan dengan proses clear border. Proses ini bertujuan agar dihasilkan gambar yang bebas dari noise. 5. Setelah terbentuk objek yang sudah bersih dari noise, maka akan dilakukan pengukuran panjang dan lebar dari objek tersebut, sehingga bisa didapatkan luasan persegi panjang. Dan dengan hasil tersebut maka video dengan urutan frame tersebut disimpan untuk dijadikan template. 3.4. Proses Pendeteksi objek kendaraan Setiap frame video akan dideteksi apakah memiliki objek bernilai 1 (putih), kemudian akan ditandai dengan persegi panjang berwarna merah dan akan dibandingkan dengan template yang tersedia dengan menggunakan Normalized 2D cross-correlation.
Gambar 7. Diagram alir proses menghitung objek Nilai koefisien Normalized 2D cross-correlation berkisar antara -1 sampai 1. Karena memiliki range yang luas, maka perlu dilakukan operasi untuk mempersempit range menjadi 0 sampai 1. Nilai inilah yang digunakan untuk dapat menentukan jenis kendaraan sepeda motor dan mobil. Pada gambar 6 merupakan diagram alir proses pendeteksi objek kendaraan. 3.5. Proses Perhitungan jumlah objek Proses pada gambar 7 di atas menjelaskan bahwa program melakukan perhitungan jumlah objek pada video yang terdeteksi. Melalui perbandingan luasan persegi panjang dengan template, Sehingga bisa diketahui jumlah kendaraan (sepeda motor dan mobil) yang masuk dan keluar area parkir. Selain itu program juga dapat mendeteksi kekosongan ruangan parkir untuk kendaraan jenis mobil. 3.6. Desain GUI Sistem Pendeteksi Aktivitas Kendaraan Untuk mempermudah dalam menampilkan hasil pendeteksian aktivitas kendaraan. Maka didesain 3 buah GUI, yaitu Program untuk cover menu seperti pada gambar 8(a), program untuk mendeteksi keluar masuk kendaraan seperti pada gambar 8(b), dan program untuk mendeteksi kekosongan area parkir seperti pada gambar 8(c).
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
3
(a)
(b) (c) Gambar 8. GUI Sistem Pendeteksi Aktivitas Kendaraan Pada Area Parkir
Tabel 3. Pintu Masuk Tabel 44. Pintu Keluar No Objek Jumlah Jmlah No Objek Jumlah Jmlh kndrn hasil riil kndrn hasil riil yang deteksi yang deteksi trdteksi trd trdteksi 1 1 1 1 1 1 2
1
1
2
1
1
3
1
1
3
1
1
4
1
1
4
1
2
5
2
3
5
1
1
6
1
1
6
1
1
7
1
1
Gambar 9. Bentuk (pola) coverage area oleh kamera Tabel 1. Hasil pengujian dengan ketinggian 1,45 meter No Sdt Tinggi Panjang Lebar1 Lebar2 Luasan 1 30o 1.45 m 4,1 m 3,6 m 3,2 m 13,94 m2 o 2 2 45 1.45 m 6,4 m 5,9 m 5,4 m 36,16 m o 2 3 60 1.45 m 8,5 m 7,9 m 7,3 m 64,6 m Tabel 2. Hasil pengujian dengan ketinggian 1,95 meter No Sdt Tinggi Panjang Lebar1 Lebar2 Luasan o 2 1 30 1.95 m 5,7 m 5,2 m 4,8 m 28,5 m o 2 45 1.95 m 7,8 m 7,2 m 6,7 m 54,21m2 o 2 3 60 1.95 m 10 m 9,4 m 8,9 m 91,5 m IV. DATA DAN ANALISA DATA 4.1. Pengujian parameter tinggi dan sudut dalam Penempatan Kamera Pada gambar 9 menunjukkan pola coverage area oleh kamera yang digunakan. Didapatkan nilai panjang (p), lebar maksimum (L1) dan lebar minimum (L2). Kemudian dilakukan pengujian terhadap parameter sudut dan ketinggian dari penempatan kamera. Hasil il pegujian seperti pada tabel 1 dan tabel 2. jika kamera dengan ketinggian 1,45 m dan sudut 30o mendapatkan luasan sebesar 13,94 m2, untuk tinggi 1,45m dan sudut 45o mendapatkan luasan sebesar 36,16 m2, kemudian jika dengan sudut 45o dan tinggi 1,95 m bisa memperoleh luasan sebesar 54,21m2. Sehingga untuk setiap peningkatan tinggi 0,5 m dapat menaikkan luasan sebesar 1,5 kali dari luasan sebelumnya, dan setiap peningkatan sudut 15o dapat menaikkan luasan sebesar 1,8 kali. Sehingga parameter pengujian tersebut dapat mempengaruhi kemampuan coverage area dari kamera untuk bisa lebih efektif. 4.2. Pengujian Video yang direkam dengan singlecamera pada video di pintu masuk dan keluar parkir
Pada hasil pengujian aktivitas kendaraan di ppintu masuk seperti pada tabel 3,, maka dapat disimpulkan bahwa jika posisi kendaraan tidak berdekatan dengan kendaraan lain dapat menghasilkan pendeteksian sesuai dengan jumlah riil dengan persentase hasil deteksi 100%. 100% Sedangkan jika pada video terdapat kendaraan yang berdekatan maka program tidak dapat mendeteksi kendaraan endaraan sesuai jumlah riil dengan persentase 66,67%. %. Begitu juga dengan hasil rekaman pada video di pintu keluar seperti pada tabel 4, program hanya mampu mendeteksi kendaraan dengan persen persentase seperti disaat pintu masuk, kecuali jika ada objek yang berdekatan persentase keberhasilan program sebesar 50%. 4.3. Pengujian Video yang direkam dengan multi-camera Dari gambar 10 maka dapat diketahui bahwa, desain menggunakan 2 buah kamera dengan engan ketinggian dari lantai setinggi 2 meter dan terdapat 2 buah ruangan. Untuk ruang I dipantau oleh cam-1 yang ditandai dengan warna orange dan untuk ruang II dipantau oleh cam-22 yang ditandai dengan warna merah. Pada masing-masing masing kamera memiliki jangkauan pemantauan yang sama yaitu sepanjang 7,8 m, tetapi pada gambar hanya terbatas 2,5 m m. Sehingga jika ada objek yang melewati ruang I, maka objek tersebut masuk dalam area pemantauan pada cam-1. 1. Sedangkan jika objek melewati ruang II, maka cam-2 akan menangkap objek tersebut. Tetapi jika objek memasuki area perpotongan antara cam-1 dan cam-2,, maka objek tersebut dapat ditangkap oleh 2 buah kamera secara bersamaan dengan hasil tampilan objek yang berbeda sisi. Pada tabel 5,, terbagi menjadi tiga hasil deteksi, yaitu objek terdeteksi dengan cam-1,, terdeteksi dengan cam-2, dan terdeteksi cam-1 cam-2.. Pada video pertama dengan total 152 frame dan waktu 302 detik, cam-1 cam dapat menangkap objek pada frame ke 1-33 33 dengan durasi waktu 64 detik.
Gambar 10. Denah ruangan dengan pemantauan jaringan multi-camera Tabel 5. Hasil pengujian deteksi objek dengan multi-camera Nama Durasi (s) Frame ke Terdeteksi oleh video Cam-1 Cam-2 Multi-cam1 00:01 – 01:04 1 – 33 ok 01:05 – 03:06 34 - 96 ok ok 03:07 – 05:02 97 - 152 ok Multi-cam2 00:01 – 01:24 1 – 54 ok 01:24 – 04:29 55 - 149 ok ok 04:30 – 07:07 150 - 217 ok Sebaliknya untuk cam-2 dapat menangkap objek pada frame ke 97-152 dan dengan durasi waktu 3,5 detik. Cam-1 cam-2 dapat menangkap objek dengan waktu yang bersamaan pada frame ke 34-96 dan dengan durasi waktu 4 detik. Begitu juga untuk video yang kedua, objek mengalami tiga kali pendeteksian yaitu, oleh cam-1, cam-2, dan cam-1 cam-2. Jika menggunakan single-camera, berarti hanya menggunakan 1 buah kamera (cam-1/cam-2), maka kemampuan sistem dalam mendeteksi objek hanya terbatas pada jangkauan pemantauan kamera. Jumlah frame dan durasi waktu yang ditangkap kamera lebih sedikit. Sehingga dapat disimpulkan dari pengujian multi-camera tersebut dapat digunakan sebagai salah satu metode untuk melakukan perluasan pemantauan suatu ruangan (coverage area) dalam hal semakin besar jumlah frame dan durasi waktu objek bisa dipantau oleh kamera dengan ruangan yang semakin luas. 4.4. Pengujian Pengaruh Posisi Objek Pada Citra Pada gambar 11 terlihat sketsa background yang menjelaskan tentang suatu citra background dengan ukuran piksel sesuai dengan kamera yang digunakan yaitu 320 x 240 piksel. Pada pengujian ini bertujuan untuk dapat mengetahui pengaruh dari posisi objek pada hasil deteksi.
Tabel 6. Hasil Pengukuran Posisi Objek pada Citra Nama video Frame Parameter jarak(piksel) Hasil ke - X deteksi Y A B Vertical_ 4 151 140 4 186 tidak atas 5 154 143 10 175 terdeteksi 65 150 138 144 13 terdeteksi 66 152 139 152 8 tidak Horizont 29 9 244 92 94 tidak al_kanan 30 10 242 90 95 terdeteksi 80 226 11 95 91 terdeteksi 84 230 6 93 92 tidak Mtr_msk 55 269 8 148 71 tidak 1 59 265 10 150 70 terdeteksi 131 11 210 172 28 terdeteksi 135 6 220 170 25 tidak Mbl_msk 31 196 5 130 40 tidak 1 32 185 9 128 39 terdeteksi 54 40 96 126 6 tidak Dimana X, jarak terhadap panjang piksel antara objek terluar dengan sisi tepi piksel bernilai 0 /noise, Y adalah jarak terhadap panjang piksel antara objek terluar dengan sisi tepi piksel bernilai 320 /noise, sedangkan untuk A, jarak terhadap lebar piksel antara objek terluar dengan sisi tepi piksel bernilai 0 /noise, dan B jarak terhadap lebar piksel antara objek terluar dengan sisi tepi piksel bernilai 240 /noise. Dari tabel 6 di atas maka dapat disimpulkan bahwa objek akan dapat terdeteksi dengan program jika berada pada posisi dengan jarak >= 10 piksel dari sisi tepi citra/noise pada citra. Berdasarkan data di atas jika pada background yang akan dideteksi tidak terdapat noise berupa pengaruh lingkungan atau pencahayaan, maka urutan frame-frame yang bisa dideteksi oleh program dapat ditentukan antara, >= frame ke-5 dan <= (end_frame – 5) dengan syarat pada frame ke-1 objek sudah memasuki background. 4.5. Pengujian program pendeteksi kekosongan area parkir Dikarenakan pengaruh posisi dan banyaknya noise yang terdapat pada pengujian pertama seperti pada gambar 12 (a) maka dilakukan perubahan tempat dalam perekaman video parkir. Perekaman kedua dilakukan di ruangan laboratorium komunikasi multimedia, background yang digunakan memiliki ukuran yang lebih kecil dengan skala 1:20 dengan background aslinya. Sedangkan untuk objek kendaraan yang digunakan dengan skala 1:22,5 yaitu untuk ukuran kendaraan panjang sebenarnya 4,5m dan lebar 1,8m, kemudian untuk objek kendaraan mainan yang digunakan dengan panjang 20cm dan lebar 8cm seperti gambar 12 (b). 800cm
A 240
X
40cm
Y
B 1200cm 320
Gambar 11. Sketsa Background
60cm
(a) (b) Gambar 12. Sketsa objek yang diskalakan
Tabel 7. Hasil pengujian program pendeteksi kekosongan area parkir Nama Frame Area Kpsts Hasil Jmlh Objk Prkr video ke- parkir prkr deteksi riil trdtksi ksng Vid_pa 40 1 2 3 1 rkir1 Vid_pa rkir2
30
3
2
2
1
Vid_pa rkir3
35
3
2
2
1
Vid_pa rkir4
20
3
3
2
1
Dengan tabel 7 di atas maka dapat ditarik kesimpulan bahwa program hanya mampu mendeteksi kekosongan area parkir jika posisi objek tidak berdekatan dan sisi terluar objek berada >= 10 piksel dari sisi tepi citra/noise noise. Jika posisi objek memenuhi syarat-syarat tersebut maka aka kemampuan program dalam mendeteksi bisa mencapai persentase keberhasilan 100%. Tetapi jika terdapat objek yang tidak sesuai dengan syarat tersebut di atas. Maka keberhasilan program hanya mampu mendeteksi sebesar 66,67%. 66,67 V. PENUTUP 5.1. Kesimpulan 1. Penempatan kamera berdasarkan tinggi dan besar sudut pemantauan mempengaruhi dalam memaksimalkan coverage Area kamera. Dengan ketinggian 1,45 m dan sudut 30o mendapatkan luasan sebesar 13,94m2, sedangkan dengan sudut 45o mendapatkan luasan sebesar 36,16 m2. Kemudian emudian jika dengan tinggi 1,95m dan sudut 45o bisa memperoleh luasan sebesar 54,21m2. Sehingga untukk setiap peningkatan tinggi 0,5m 0,5 dapat menaikkan luasan sebesar 1,5 kali dari sebelumnya, dan setiap peningkatan sudut 15o dapat menaikkan luasan sebesar 1,8 kali. 2. Tidak semua frame pada video dapat dideteksi, dikarenakan pada frame tersebut, kendaraan endaraan belum atau sudah melewati background tetapi terekam pada video dan kendaraan berada pada posisi < 10 piksel dari garis tepi frame atau noise. 3. Bayangan yang muncul pada kendaraan divideo, mempengaruhi bentuk kendaraan itu sendiri. Sehingga dimensi kendaraan menjadi lebih besar. Hal ini mengakibatkan penentuan tetapan luasan dimensi (piksel) kendaraan menjadi sulit dalam pendeteksian. 4. Keberhasilan Progam pendeteksi aktivitas kendaraan dan kekosongan area parkir pada saat kondisi kendaraan tidak berdekatan dengan kendaraan lain memiliki persentase sebesar 100%. Sedangkan video yang terdapat kondisi berdekatan memiliki persentase keberhasilan sebesar 66,67%. 5. Pada pengujian video dengan menggunakan metode multi-camera objek dapat dipantau dengan coverage area semakin luas, sehingga jumlah frame objek dipantau semakin banyak dan waktu semakin lama,
yaitu pada video multi-cam1 dengan single-camera sebanyak 96 frame dan 3 detik, tetapi jika dengan multicamera sebanyak 152 frame dan 5 detik. 5.2. Saran Saran yang dapat digunakan untuk pengembangan lebih lanjut dari tugas akhir ini adalah: 1. Untuk sistem pendeteksi aktivitas kendaraan jika diaplikasikan untuk perekaman video pada pintu masuk dan keluar parkir, maka penempatan kamera hendaklah membentuk sudut 45o dengan ketinggian 1,95 m. Hal ini dikarenakan pada pengujian dengan sudut tersebut, hasil dari luasan yang paling efektif tidak ter terlalu kecil dan besar. 2. Menambahkan template kendaraan yang bermacambermacam macam jenis model kendaraan dan menggunakan metode pendeteksi yang lebih akurat. 3. Untuk sistem pendeteksi kekosongan area parkir jika diaplikasikan secara langsung pada ruang parkir, maka kondisikan ruangan dalam keadaan mendapatkan pencahayaan dari berbagai arah agar cahaya dalam ruangan rata dan bayangan yangan muncul seminimal mungkin. 4. Agar dapat diaplikasikan sebagai Real Time Video Surveillance,, kamera yang digunakan harus dapat dikenali oleh software Matlab. DAFTAR PUSTAKA [1].Aghajan, H. and Cavallaro, A.. 2009. Multi-Camera Networks Principles and Applications Applications. United states : Academic Press [2].Review of Background Substraction traction Methodes http://www.staff.it.uts.edu.au/~massimo/BackgroundSub http://www.staff.it.uts.edu.au/~massimo/BackgroundSubs tractionReview-piccardi.pdf [3].Robert M. Haralick and Linda G G. Shapiro. 1992. Computer and Robot Vision,, Volume II,. AddisonWesley, 316-317 pages RIWAYAT PENULIS Dodi Wahyu Budiarso, lahir di Ngawi pada tanggal 229 Agustus 1987, Pada tahun 2000 penulis menamatkan pendidikan Sekolah Dasar di SDN Keraskulon 1 Ngawi, kemudian melanjutkan pendidikan di SLTPN 2 Ngawi dan selesai pada tahun 2003. Penulis menyelesaikan Pendidikan Sekolah Menengah Umum di SMUN 2 Ngawi pada tahun 2006. Dengan anugerah A Allah SWT,, penulis dapat melanjutkan studi di PTN Institut Teknologi Sepuluh Nopember Surabaya dengan mengambil Jurusan Teknik Elektro. Penulis mengambil Bidang Studi Telekomunikasi Multimedia dan aktif dalam kegiatan Laboratorium Jaringan dan Laboratorim M Multimedia, seperti menjadi asisten Praktikum Dasar Sistem Telekomunikasi dan menjadi Koordinator Praktikum Komunikasi Data dan Pengolahan Sinyal Multimedia. Selain itu, Penulis juga aktif dalam kegiatan kemahasiswaan Himpunan Mahasiswa Elektro ITS dan Badann Eksekutif Mahasiswa ITS.
6
