laporan tugas khusus 13699

TUGAS KHUSUS

PENGHITUNGAN JUMLAH MOBIL DENGAN COMPUTER

VISION MENGGUNAKAN LIBRARY OPENCV

CAR COUNTING WITH COMPUTER VISION USING OPENCV LIBRARY

FATTAH AZZUHRY

11/313564/PA/13699

PROGRAM STUDI ILMU KOMPUTER

JURUSAN ILMU KOMPUTER DAN ELEKTRONIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2015

i

HALAMAN PENGESAHAN

TUGAS KHUSUS

Laporan tugas khusus ini disusun sebagai salah satu prasyarat

kelulusan mata kuliah tugas khusus dengan judul :



Telah dipersiapkan dan disusun oleh

FATTAH AZZUHRY

11/313564/PA/13699

Dr.-Ing.MHD Reza Pulungan, S.Si, M.Sc.

Dosen Pembimbing

ii

PERNYATAAN

Dengan ini saya menyatakan bahwa Tugas Khusus ini tidak terdapat karya

yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan

Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat

yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis

diacu dalam naskah ini dan disebutkan dalam daftar pustaka.

Yogyakarta, 10 Juli 2015

Fattah Azzuhry

iii

KATA PENGANTAR

Puji syukur kehadirat Allah SWT atas limpahan rahmat, karunia, serta

petunjuk-Nya sehingga tugas akhir berupa penyusunan tugas khusus ini telah

terselesaikan dengan baik.

Dalam penyusunan tugas akhir ini penulis telah banyak mendapatkan

arahan, bantuan, serta dukungan dari berbagai pihak. Oleh karena itu pada

kesempatan ini penulis mengucapan terima kasih kepada:

1. Bapak Dr.-Ing.MHD Reza Pulungan,S.Si, M.Sc. selaku Dosen

Pembimbing serta Ketua Program Studi Ilmu Komputer Fakultas

Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada yang

telah berkenan meluangkan waktu dan pikiran dalam penyelesaian tugas

khusus ini.

2. Bapak Prof. Jazi Eko Istiyanto, M.Sc.,Ph.D. selaku Ketua Jurusan Ilmu

Komputer dan Elektronika Fakultas Matematika dan Ilmu Pengetahuan

Alam Universitas Gadjah Mada.

3. Bapak Anifuddin Azis, M.Kom. selaku Dosen Pembimbing Akademik

penulis.

4. Bapak Dr. Pekik Purwantoro, M.Si selaku Dekan Fakultas Matematika dan

Ilmu Pengetahuan dan telah menyumbangkan template naskah tugas

khusus FMIPA UGM berbasis OpenOffice untuk menyusun naskah ini.

5. Segenap Dosen dan civitas akademik di lingkungan Program Studi Ilmu

Komputer, Jurusan Matematika, Fakultas Matematika dan Ilmu

Pengetahuan Alam, Universitas Gadjah Mada.

6. Kedua Orang Tua, kakak dan adik yang selalu memberikan doa restu serta

arahan selama belajar dan menyelesaikan tugas khusus ini.

Akhir kata penulis berharap semoga tugas khusus ini dapat memberikan

manfaat bagi kita semua, terutama bagi perkembangan ilmu pengetahuan serta

perkembangan Ilmu Komputer dan Teknologi Informasi.

Yogyakarta, 10 Juli 2015

Penulis

iv

DAFTAR ISI

HALAMAN PENGESAHAN ................................................................................ i

PERNYATAAN ...................................................................................................... ii

KATA PENGANTAR ........................................................................................... iii

DAFTAR ISI ......................................................................................................... iv

DAFTAR GAMBAR ............................................................................................ vi

INTISARI............................................................................................................. vii

ABSTRACT ........................................................................................................ viii

Bab I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang Masalah ...................................................................... 1

1.2 Perumusan Masalah ............................................................................ 2

1.3 Batasan Masalah.................................................................................. 2

1.4 Tujuan dan Manfaat Penelitian ........................................................... 3

1.5 Metodologi Penelitian ......................................................................... 3

1.6 Sistematika Penulisan.......................................................................... 4

BAB II TINJAUAN PUSTAKA ........................................................................... 5

BAB III DASAR TEORI ...................................................................................... 9

3.1 Pengolahan Citra ................................................................................. 9

3.1.1 Pengertian ....................................................................................... 9

3.1.2 Piksel dan Resolusi Citra ................................................................ 9

3.1.3 Hubungan Antar Piksel ................................................................. 10

3.1.4 Ciri Gambar .................................................................................. 10

3.1.5 Grayscale ....................................................................................... 11

3.1.6 Binary Image .................................................................................. 11

3.1.7 Thresholding ................................................................................. 12

3.1.8 Erosi .............................................................................................. 12

3.1.9 Dilasi ............................................................................................. 13

3.1.10 Operasi Closing ........................................................................... 13

3.1.11 Canny Edge Detection................................................................. 13

3.1.12 Contour dan Hierarchy ................................................................ 14

3.1.13 Matriks ........................................................................................ 14

3.1.14 Deteksi Gerakan .......................................................................... 14

3.2 Computer vision ................................................................................ 15

3.3 OpenCV............................................................................................. 17

3.3.1 Pengertian ..................................................................................... 17

3.3.2 Fitur ............................................................................................... 17

3.4 Bahasa C++ ....................................................................................... 18

BAB IV ANALISIS DAN PERANCANGAN ................................................... 20

4.1 Bahan................................................................................................. 20

v

4.2 Peralatan ............................................................................................ 20

4.3 Prosedur Kerja dan Pengumpulan Data ............................................ 21

4.4 Analisis dan Perancangan Sistem...................................................... 22

4.4.1 Analisis kebutuhan fungsional ...................................................... 22

4.4.2 Kebutuhan non-fungsional ............................................................ 22

4.5 Rancangan Penelitian ........................................................................ 23

4.5.1 Rancangan Arsitektur Sistem ........................................................ 23

4.5.2 Rancangan Proses ......................................................................... 23

BAB V IMPLEMENTASI DAN HASIL PENGUJIAN ................................... 26

5.1 Inisialisasi Program ........................................................................... 26

5.1.1 Inisialisasi Capture........................................................................ 26

5.1.2 Inisialisasi Parameter Mixture of Gauss ........................................ 27

5.1.3 Inisialisasi rectangle, contour, dan hierarchy ................................ 28

5.2 Program Utama ................................................................................. 29

5.2.1 Iterasi while ................................................................................... 29

5.2.2 Inisialisasi Matriks Video .............................................................. 30

5.2.3 Pengambilan frame ....................................................................... 30

5.2.4 Penerapan Gaussian Mixture pada Video ..................................... 30

5.2.5 Perbaikan Model Foreground Hasil dari Gaussian Mixture ......... 31

5.2.6 Cropping ROI (Region of Interest) Frame dan Duplikasi ............ 32

5.2.7 Pencarian Kontur .......................................................................... 33

5.2.8 Pengkotakan dan Penghitungan Mobil ......................................... 34

5.3 Display Window ................................................................................ 35

5.4 Hasil Pemrosesan Citra ..................................................................... 36

BAB VI PENGUJIAN DAN PEMBAHASAN .................................................. 39

6.1 Uji Variasi Parameter Gaussian Mixture ........................................... 39

6.1.1 Hasil Pengujian dan Pembahasan Variasi Nilai Gaussian Mixture 39

6.1.2 Hasil Pengujian dan Pembahasan Variasi Nilai Variansi .............. 42

6.2 Uji Fungsi Perbaiki ........................................................................... 46

6.3 Uji Akurasi ........................................................................................ 48

6.3.1 Tingkat Akurasi Penghitungan Mobil ........................................... 48

6.3.2 Pembahasan Akurasi Penghitungan Mobil ................................... 49

BAB VII PENUTUP ............................................................................................ 51

7.1 Kesimpulan ....................................................................................... 51

7.2 Saran .................................................................................................. 52

DAFTAR PUSTAKA........................................................................................... 53

vi

DAFTAR GAMBAR

Gambar 3.1. Blok Diagram Pengolahan Citra ........................................................ 9

Gambar 3.2 Binary Image ..................................................................................... 12

Gambar 4.1 Arsitektur sistem penghitung mobil .................................................. 23

Gambar 4.2 Diagram blok algoritma penghitungan jumlah mobil ....................... 24

Gambar 5.1 Inisialisasi capture ............................................................................. 26

Gambar 5.2 Inisialisasi parameter Mixture of Gaussian ....................................... 28

Gambar 5.4 Kode inisialisasi rectangle, contour, dan hierarchy .......................... 28

Gambar 5.5 Kode masukan key untuk perulangan ............................................... 29

Gambar 5.6 Kode inisialisasi matriks video ......................................................... 30

Gambar 5.7 Kode pengambilan frame .................................................................. 30

Gambar 5.8 Kode Penerapan Gaussian Mixture pada Video ................................ 31

Gambar 5.9 Kode Perbaikan Model Foreground .................................................. 31

Gambar 5.10 Kode Program Perbaikan Model Foreground ................................. 32

Gambar 5.12 Kode fungsi pembuatan garis pada video ....................................... 33

Gambar 5.11 Kode fungsi pencarian kontur yang ada di video ............................ 34

Gambar 5.12 Kode fungsi pengkotakan dan penghitungan mobil ........................ 35

Gambar 5.13 Kode penampil video ...................................................................... 36

Gambar 5.14. Hasil algoritma Gaussian Mixture (a) Video asli (b) Hasil

segmentasi Background (c) Hasil segmentasi Foreground ................................... 37

Gambar 5.15. Hasil perbaikan foreground (a) Foreground (b) Hasil perbaikan ... 37

Gambar 5.16 Pendeteksian mobil ......................................................................... 38

Gambar 5.17 Penghitungan mobil......................................................................... 38

Gambar 6.1 Ekstraksi foreground dengan threshold background = 0 .................. 40

Gambar 6.2 Ekstraksi foreground dengan threshold background = 0,1................ 40

Gambar 6.3 Ekstraksi foreground dengan threshold background = 0,5 ............... 41

Gambar 6.4 Ekstraksi foreground dengan threshold background = 0,9 ............... 41

Gambar 6.5 Ekstraksi foreground dengan threshold background = 1 .................. 42

Gambar 6.6 Ekstraksi foreground dengan nilai variansi = 0 ................................. 43

Gambar 6.7 Ekstraksi foreground dengan nilai variansi = 10 ............................... 44



Gambar 6.10 Ekstraksi foreground dengan nilai variansi = 50 ............................. 45

Gambar 6.11 Proses perbaikan dengan ukuran lingkaran 5 .................................. 46

Gambar 6.12 Proses perbaikan dengan ukuran lingkaran 10 ................................ 47

Gambar 6.13 Proses perbaikan dengan ukuran lingkaran 15 ................................ 47

Gambar 6.14 Rumus pengukuran akurasi penghitungan mobil ............................ 48

Gambar 6.15 Aplikasi rumus pada penghitungan mobil yang dilakukan ............. 49

vii

INTISARI



Fattah Azzuhry

11/313564/PA/13699

Suatu sistem transportasi pintar (intelligent transport system) adalah suatu

sistem cerdas terkait transportasi yang semakin diminati dan semakin penting

seiring dengan perkembangan teknologi dan pertumbuhan penduduk. Beberapa

kegunaan dari sistem ini adalah untuk fungsi keamanan seperti pencegahan

kecelakaan, fungsi produktivitas seperti pengaturan lalu lintas dan pencegahan

macet, fungsi lingkungan seperti pengurangan konsumsi gas emisi, serta fungsi

informasi sebagai sumber informasi bagi pengguna untuk keperluan yang lain.

Salah satu bagian penting dari penerapan sistem ini adalah informasi terkait

jumlah mobil yang ada di jalan. Oleh karena itu, pada penelitian ini

dikembangkan Sistem Penghitung Mobil, yakni salah satu penerapan computer

vision yang digunakan untuk penghitungan jumlah mobil yang ada di jalan raya.

Pada penerapan Sistem Penghitung Mobil ini, terlebih dahulu dilakukan

pengambilan gambar video dari jalan raya tempat mobil berada. Adapun pada

penelitian ini, video yang diambil adalah video suatu jalan dari internet. Video ini

kemudian diubah ke dalam matriks frame dan warna dari video diubah ke dalam

warna biner sehingga pada citra tersebut, warna yang dimiliki hanyalah hitam dan

putih. Setelah didapatkan citra biner ini, dilakukan pemisahan antara bagian

foreground (bagian yang bergerak) dari background (bagian yang diam) dengan

algoritma Gaussian Mixture Frame Differencing. Foreground yang didapat ini

kemudian diperbaiki dengan pengisian bagian yang kurang jelas seperti masih

putus-putus agar dapat terbentuk suatu kontur yang untuh. Setelah itu dilakukan

pendeteksian dengan pengkotakan pada setiap mobil yang terdeteksi dan

penghitungan jumlah kontur yang dideteksi tersebut. Hasil yang didapat kemudian

diperlihatkan pada window display di mana jumlah mobil yang terdeteksi dapat

dilihat.

viii

ABSTRACT

CAR COUNTING WITH COMPUTER VISION

USING OPENCV LIBRARY

Fattah Azzuhry

11/313564/PA/13699

The demand and importance for an intelligent transport system is getting

higher throughout the years in line with the increasing development of technology

and population growth. This system is useful because of its importance for

facilitating safety functions, such as accident prevention, productivity functions

such as traffic control and the prevention of traffic jams, environmental functions

such as reduction of emission gas consumption, as well as a source of information

functions for the user so that the information can be used for other purposes. In

order to fully develop this system, one important part for implementation of this

system is the information regarding the number of cars on the road. Therefore, in

this study, a Car Counting System is developed, which is one of the application of

computer vision for counting the number of cars on the road.

For implementation of this Car Counting System, an input of a video

capturing the road used for car counting is needed. In this study, however, the video

that is used is obtained from the internet. The video is then converted into frame

matrices and the color used in the video is converted into binary color, where the

image only consists of black and white color. After this binary image from the video

is extracted, the separation between the foreground (moving parts) from

background (stationary part) can be done using Gaussian Mixture Frame

Differencing algorithm. Now that the foreground is already extracted from this

algorithm, it is then corrected by filling the empty parts between two contours and

the broken contours, using white circular shape to form a better contour. After this

repaired contour is produced, the detection and counting of car can be performed.

The detection is done by boxing every car that is detected and then the car counting

is performed. The results are then shown in the display window where the number

of cars that are detected can be seen.

1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Pada zaman sekarang, kecelakaan lalu lintas yang terjadi di jalanan adalah

salah satu masalah pokok di berbagai negara di dunia ini. Berdasarkan hasil statistic

yang dilakukan oleh WHO, terdapat sekitar 1,24 juta orang meninggal dan 50 juta

orang cedera yang diakibatkan oleh adanya kecelakaan lalu lintas (Peden, 2004), di

mana sebagian besar di antaranya terjadi di negara berkembang seperti Indonesia.

Salah satu penyebab utama dari permasalahan tersebut adalah semakin padatnya

jalanan, baik jalan raya maupun jalan biasa, terutama di kota-kota besar pada saat

jam masuk, pulang, dan istirahat kantor.

Dalam rangka penanggulangan masalah kemacetan dan kecelakaan yang

semakin parah dari hari ke hari tersebut, beberapa langkah penanganan dapat

diambil. Salah satu langkah penanganan yang bersifat preventif adalah

pembangunan suatu sistem pemantauan arus lalu lintas sebagai sarana pendeteksian

gerakan kendaraan bermotor. Sistem pemantauan arus lalu lintas ini banyak

didiskusikan dan dipelajari dalam beberapa tahun terakhir karena dapat

memberikan informasi yang bermanfaat seperti kepadatan arus lalu lintas, panjang

antrian, rata-rata kecepatan lalu lintas, dan jumlah total kendaraan pada interval

waktu tertentu (Salvi, n.d.). Sebagai contoh untuk di daerah Yogyakarta terdapat

sistem Intelligent Transportation System (ITS) yang sedang dikembangkan dan

akan diimplementasikan pada Trans Jogja sebagai sarana informasi bagi pengguna

Trans Jogja.

Mekanisme kerja dari sistem ini pada dasarnya adalah dengan pemasangan

suatu kamera di jalan tertentu. Hasil berupa rekaman video tersebut kemudian

dikirimkan ke sistem tracking dan menghitung kendaraan dengan menganalisis

2

suatu video input menggunakan computer vision. Metode yang dapat digunakan

untuk mengekstrak informasi mengenai kondisi lalu lintas tersebut adalah dengan

mendeteksi dan melakukan tracking pada kendaraan (Sirisha et al., 2013,

Daigavane et al., n.d., Choi, 2006).

Sebelum sistem tersebut dapat diimplementasikan, perlu dilakukan

pencarian algoritma sebagai rancangan langkah-langkah yang akan dilakukan oleh

sistem dan program untuk implementasi dari algoritma penghitungan kendaraan

bermotor tersebut. Pada penelitian ini, dilakukan implementasi computer vision di

mana suatu inputan berupa video dianalisis dengan menggunakan algoritma

Gaussian Frame Differencing, sehingga dapat dihasilkan output berupa data

informasi lalu lintas kendaraan di jalan yang bersangkutan.

1.2 Perumusan Masalah

1. Bagaimana cara menghitung jumlah kendaraan dengan computer

vision menggunakan library OpenCV?

2. Berapa tingkat keakurasian yang dapat dicapai oleh algoritma yang

digunakan?

3. Apakah parameter yang berpengaruh pada akurasi dari algoritma

yang digunakan?

4. Langkah apa yang harus dilakukan untuk meningkatkan keakurasian

tersebut agar algoritma ini layak untuk digunakan untuk

implementasi sistem traffic monitoring?

1.3 Batasan Masalah

1. Library yang digunakan adalah OpenCV

2. Objek/kendaraan yang akan diujikan adalah mobil yang berada di

jalan yang besar. Hal ini dikarenakan ukuran mobil yang relatif

cukup besar untuk dideteksi serta kecepatan mobil yang cukup tinggi

sehingga jarak antar mobil renggang satu sama lain.

3

3. Algoritma yang digunakan dalam pendeteksian dan tracking dari

mobil tersebut adalah algoritma Gaussian Average dan Frame

Differencing.

4. Penelitian ini dibatasi pada implementasi algoritma penghitungan

jumlah mobil dengan menggunakan suatu video arus lalu lintas

mobil di jalan raya yang berasal dari internet, tidak meliputi

pengambilan data secara real-time di jalan raya.

1.4 Tujuan dan Manfaat Penelitian

Tujuan yang ingin dicapai dalam penelitian ini adalah :

1. Meneliti pemrosesan citra dengan metode Gaussian Average and

Frame Differencing pada sistem penghitungan mobil dengan bahasa

C++ dan library OpenCV

2. Melakukan uji akurasi algoritma penghitungan mobil yang

diterapkan

Manfaat dari penelitian ini adalah untuk mengetahui cara meningkatkan

efisiensi dan efektivitas dari program dan metode ini agar selanjutnya dapat

diterapkan untuk pembangunan sistem pemantauan lalu lintas yang dapat

diterapkan secara nyata dan bermanfaat bagi penggunanya.

1.5 Metodologi Penelitian

Metodologi penelitian yang direncanakan dalam penelitian ini adalah

sebagai berikut :

1. Perumusan masalah yang akan diajukan sebagai tema

2. Pengkajian dan pembelajaran lebih lanjut mengenai Sistem Penghitungan

Jumlah Kendaraan di Jalan dengan metode sebagai berikut :

a. Studi literatur dan konsultasi dosen pembimbing agar didapatkan

pengetahuan mengenai sistem.

b. Analisis dari sistem yang akan dibuat, meliputi kebutuhan

4

fungsional dan non-fungsional serta spesifikasi teknis dan non-

teknis pada sistem tersebut. Setelah itu dilakukan perancangan

metode penghitungan mobilnya.

c. Implementasi sistem dilakukan dengan pembuatan program

kemudian diujicobakan pada suatu video dengan pengkalibrasian

parameter di dalam program dengan kondisi jalan yang ada di

video. Setelah itu dilakukan pengujian untuk mengetahui tingkat

akurasi dan keberhasilan yang didapatkan.

1.6 Sistematika Penulisan

Laporan tugas khusus ini terdiri dari beberapa bagian, antara lain :

BAB I PENDAHULUAN

BAB II TINJAUAN PUSTAKA

BAB III DASAR TEORI

BAB IV ANALISIS DAN PERANCANGAN

BAB V IMPLEMENTASI DAN HASIL PENGUJIAN

BAB VI KESIMPULAN

5

BAB II

TINJAUAN PUSTAKA

Penelitian yang berhubungan dengan pendeteksian gerak lewat kamera telah

banyak dilakukan. Metode pendeteksian yang pertama dilakukan oleh Young et al.

(2011), yang terdiri dari metode frame differences, background subtraction,

pixellate filter, dan bob counter. Pada metode frame differences, citra ke t-1

digunakan sebagai citra referensi. Penelitian lain dilakukan oleh Li et al. (2010) di

mana algoritma pendeteksian gerak yang digunakan adalah algoritma Support

Vector Machine (SVM). Selain pendeteksian gerak, pada penelitian tersebut juga

dibahas adanya segmentasi untuk masing-masing objek.

Terobosan baru dengan penggabungan dua metode dilakukan oleh Zheng et

al. (2009), di mana metode yang digunakan adalah metode frame differences yang

digabungkan dengan pengaturan ambang batas yang bersifat adaptif (adaptive

threshold). Dengan adanya penelitian ini, dimungkinkan adanya pendeteksian suatu

area yang dinyatakan bergerak di mana nilai threshold yang digunakan bersifat

variatif dan dapat secara otomatis disesuaikan dengan kebutuhan.

Selain itu, penelitian lain juga dilakukan oleh dengan teknik pendeteksian

gerak yang diterapkan dengan metode statistical correlation method (Murali &

Girisha 2009). Metode ini digunakan setelah penerapan teknik temporal differences

(frame differences) pada analisis suatu frame citra. Berbeda dengan penelitian yang

telah dilakukan, pada penelitian ini pendeteksian gerak dilakukan dengan

kombinasi antara teknik frame differences dengan optical flow. Setelah itu, metode

ini dilanjutkan dengan teknik morphological filter untuk pendeteksian gerak. Selain

metode-metode yang diusulkan pada penelitian di atas, beberapa penelitian lain

6

juga pernah dilakukan untuk pengembangan computer vision yang dapat

diimplementasikan sebagai mekanisme penanganan kemacetan dan pengelolaan

lalu lintas.

Pada pendeteksian kendaraan dengan model lain, beberapa studi telah

dilakukan di mana pendeteksian dilakukan tanpa background modelling untuk

mengatasi permasalahan variasi pencahayaan, bayangan, dan pohon-pohon yang

bergoyang (Alasdair, 2004). Selain itu, diskusi lain terkait kemampuan video

kamera dalam pemantauan dan pelacakan kendaraan bergerak dengan OpenCV

telah dilakukan di mana dilakukan perbandingan hasil kombinasi antara

pemrograman computer vision dan network socket pada GNU Linux (Pambudi et

al., 2011). Penggunaan metode lain juga dilakukan oleh beberapa peneliti lain di

mana algoritma Gaussian Mixture Model diimplementasikan untuk identifikasi

background pada gambar dengan resolusi HD. Rangkaian yang diusulkan oleh

peneliti tersebut didasarkan pada implementasi OpenCV yang sangat cocok untuk

peningkatan performa pada fase background learning di awal (Kusumanto et al.,

2011).

Pada penelitian lain dilakukan pendeteksian kelelahan mata pada seorang

pengemudi dengan algoritma deteksi berbasis OpenCV dan platform

pengembangan computer vision. Cara kerja algoritma tersebut adalah dengan

penerapan suatu lokalisasi pada daerah mata kemudian dilakukan pendeteksian

kondisi pada daerah mata tersebut berdasarkan perhitungan kasar. Setelah itu,

tingkat kelelahan pengemudi dapat dideteksi oleh sistem yang kemudian dapat

diimplementasikan untuk penanggulangan kecelakaan pada pengendara mobil

(Pambudi, 2011).

Penelitian lain juga dilakukan dengan suatu mesin untuk pengenalan dan

pelacakan suatu objek planar dan mesin grafis dengan menggunakan library

7

OpenCV dan API Frankencamera (Kusumanto et al., 2011), serta pembangunan

sistem parkir otomatis berbasis pada teori binocular dan metode bidirectional path-

planning dengan platform OpenCV (Liang, 2011).

Salah satu metode dilakukan untuk abstraksi dan klasifikasi data kendaraan

di mana sensor penglihatan didapatkan dengan Graphics Processing Units (GPU)

sebagai prototipe kemudian dilakukan integrasi data navigasi yang didapat dengan

data dari sensor RADAR. Penelitian ini dapat digunakan pada Visual Simultaneous

Localization and Mapping (V-SLAM) yang dapat dimanfaatkan pada platform

kendaraan masa depan (Nagendra, 2011). Penelitian lain juga dilakukan di mana

algoritma penghapusan bayangan yang mengkombinasikan informasi pada warna

RGB dan HSV serta algoritma Iterative Pyramidal LK Optical Flow digunakan

untuk desain dan implementasi sistem pendeteksi dan pelacakan arus lalu lintas

kendaraan pada OpenCV. Dari hasil eksperimen didapat kinerja yang jauh lebih

baik dari metode yang diusulkan ini jika dibandingkan dengan algoritma optical

flow tradisional (Zhaoxiang et al., 2011).

Penelitian lain yang juga diusulkan adalah metode perkiraan lokasi

kendaraan di jalan apabila dilihat dari perspektif mata burung (Nagendra and

Venkatesh, 2012). Selain itu, terdapat studi lain juga yang dilakukan terkait desain,

implementasi, dan uji suatu metode untuk pendeteksian rambu-rambu lalu lintas

berdasarkan computer vision. Sistem ini memiliki dua modul utama. Modul yang

pertama adalah preprocessing dengan segmentasi warna, teknik threshold, filter

Gaussian, deteksi tepian, dan deteksi kontur, sedangkan modul yang kedua adalah

deteksi yang berbasis Polygonal Approximation yang diterapkan pada kontur untuk

identifikasi area yang mengandung rambu-rambu lalu lintas (Salhi et al., 2014).

Pada studi yang lain juga dibahas pengembangan suatu sistem pengelolaan dan

pengendalian kemacetan lalu lintas di mana pengguna akan diberikan peringatan

8

dan saran apabila terdapat kemacetan di suatu tempat (Aslam et al., 2011,

Alcantarilla et al., 2008). Selain itu juga dilakukan pengembangan sistem cerdas

lalu lintas berbasis vision (Malhi et al., 2011).

9

BAB III

DASAR TEORI

3.1 Pengolahan Citra

3.1.1 Pengertian

Image processing atau yang sering disebut dengan pengolahan citra digital

adalah suatu proses pengolahan suatu gambar asli menjadi gambar lain sesuai

dengan yang diinginkan. Misalnya, apabila gambar yang didapatkan terlalu gelap,

dengan image processing ini gambar tersebut dapat diproses sehingga didapatkan

gambar yang lebih jelas. Secara garis besar, image processing dapat diilustrasikan

sebagai berikut :

Gambar 3.1. Blok Diagram Pengolahan Citra

Prinsip dasar dari pengolahan citra adalah pengolahan warna RGB pada

posisi tertentu. Dalam pengolahan citra, warna direpresentasikan dengan nilai

hexadesimal, antara 0x00000000 yaitu warna hitam sampai 0x00ffffff yaitu warna

putih.

3.1.2 Piksel dan Resolusi Citra

Piksel merupakan satuan komponen terkecil dari gambar yang menentukan

ukuran suatu gambar. Resolusi citra menyatakan ukuran bit dari suatu citra dalam

satuan piksel. Untuk citra biner, piksel gambar dengan tingkat kecerahan di bawah

suatu angka tertentu diwakili oleh 0 sedangkan piksel dengan tingkat kecerahan

Gambar

Asli

Proses

Filter

Gambar

Hasil

10

di atas angka tersebut diwakili oleh 1. Dengan demikian seluruh citra yang

terdapat di dalam memory komputer dapat diwakili oleh logika 1 dan 0.

3.1.3 Hubungan Antar Piksel

Dalam masalah pengolahan citra, hubungan antar piksel itu sangat penting.

Pada setiap piksel p di suatu koordinat (x,y), terdapat 4 tetangga secara horizontal

dan vertikal. Dengan adanya hubungan antar piksel ini, batas-batas suatu objek serta

bagian-bagian daerah kecil dari suatu gambar dapat didefinisikan. Untuk itu,

diperlukan beberapa kriteria sebagai pertimbangan apakah dua piksel saling

terhubung atau tidak. Di antara kriteria tersebut adalah apakah pada kedua piksel

itu terdapat prinsip kedekatan yang sesuai dengan konsep yang telah ditentukan

seperti konsep 4-neighbours atau 8-neighbours. Kriteria yang lain adalah apakah

kedua piksel tersebut memiliki gray level sesuai dengan kriteria yang diinginkan.

Sebagai contoh, jika nilai yang terdapat pada kedua piksel masing-masing adalah 0

dan 1, dan keduanya merupakan bagian dari 4-neighbours, maka kedua piksel

tersebut dinyatakan tidak saling terhubung. Hal ini dikarenakan nilai yang terdapat

pada kedua piksel tersebut berbeda.

3.1.4 Ciri Gambar

Ciri adalah suatu tanda khas yang dapat digunakan sebagai pembeda antara

satu hal dengan yang lain. Ciri-ciri dasar dari suatu gambar adalah :

a. Warna : warna pada suatu gambar dapat dinyatakan dalam bentuk

histogram dari gambar tersebut yang dituliskan dengan notasi H(r,g,b) di

mana r adalah jumlah kemunculan merah, g adalah hijau, dan b adalah

biru.

b. Bentuk : ciri bentuk suatu gambar dapat ditentukan oleh tepi atau besaran

momen dari suatu gambar. Proses penentuan ciri suatu bentuk antara lain

adalah deteksi tepi, threshold, segmentasi dan penghitungan momen

11

seperti mean, median, dan standar deviasi dari setiap gambar.

c. Tekstur : dapat ditentukan dengan filter di mana ciri ini sangat handal

dalam penentuan informasi suatu gambar.

3.1.5 Grayscale

Proses awal yang banyak dilakukan dalam pengolahan citra adalah

pengubahan citra berwarna menjadi citra grayscale agar model citra dapat

disederhanakan. Citra yang awalnya terdiri dari 3 layer matriks yaitu R-layer, G-

layer, dan B-layer diubah ke dalam 1 matriks grayscale. Proses pengubahan citra

berwarna dengan nilai matriks masing-masing r, g, dan b ini adalah dengan suatu

konversi di mana nilai yang terdapat di layer r, g, dan b dimasukkan ke dalam

matriks grayscale. Dengan demikian, maka persamaan matriks grayscale ini dapat

dituliskan sebagai berikut :

= + +

3

Di mana rxy adalah nilai piksel red titik (x,y), gxy adalah nilai piksel green

titik(x,y), bxy adalah nilai piksel blue titik (x,y), sedangkan grxy adalah nilai piksel

grayscale titik (x,y).

3.1.6 Binary Image

Setiap piksel yang ada pada binary image hanya terdiri dari warna hitam

atau putih. Karena hanya ada dua piksel, maka hanya diperlukan 1 bit per piksel (0

dan 1) atau apabila dituliskan dalam 8 bit, hanya terdapat 0 dan 255, sehingga sangat

efisien dalam penyimpanan. Binary image ini adalah hasil pengolahan dari

grayscale image di mana digunakan suatu nilai threshold sehingga gambar dengan

tingkat keputihan kurang dari threshold akan diberi nilai 0 (warna hitam) sedangkan

gambar dengan tingkat keputihan lebih dari/sama dengan threshold akan diberi nilai

1 (warna putih).

12

Gambar 3.2 Binary Image

3.1.7 Thresholding

Thresholding adalah konversi citra grayscale ke citra biner (binary image)

yang dilakukan dengan pengelompokan nilai derajat keabuan setiap piksel ke dalam

2 kelas, yaitu hitam dan putih. Pada suatu citra grayscale, terdapat 256 level di mana

terdapat skala 0 hingga 255 atau [0,255] pada setiap piksel, di mana warna

hitam dinyatakan oleh nilai intensitas 0, warna putih dinyatakan oleh nilai intensitas

255, sedangkan warna keabuan yang terletak di antara warna hitam dan putih

dinyatakan oleh nilai intensitas antara 0 sampai 255. Setelah itu, objek dapat

dipisahkan menurut rentang threshold tersebut.

3.1.8 Erosi

Erosi adalah proses penghapusan titik-titik batas objek menjadi bagian dari

latar berdasarkan structuring element yang digunakan. Pada operasi ini ukuran

objek diperkecil dengan pengikisan bagian sekeliling objek. Cara ini dapat

dilakukan dengan dua cara. Cara yang pertama adalah dengan pengubahan semua

titik batas yang ada ke dalam titik latar. Setelah itu, cara yang kedua adalah dengan

pengaturan agar semua titik di sekeliling titik latar menjadi titik latar.

Algoritma untuk operasi erosi diawali dengan fungsi iteratif (for), untuk

seluruh titik di dalam citra dan dilakukan pengecekan (if) apakah titik tersebut titik

latar atau tidak. Apabila iya, maka dilakukan pengubahan seluruh tetangganya

13

menjadi titik latar. Sedangkan apabila tidak, maka tidak dilakukan apa-apa

(dilanjutkan titik berikutnya).

3.1.9 Dilasi

Dilasi adalah proses penggabungan titik latar menjadi bagian dari objek

berdasarkan structuring element yang digunakan, sehingga proses ini dapat dikatan

sebagai kebalikan dari erosi. Cara ini dapat dilakukan dengan pengubahan seluruh

titik latar yang bertetangga dengan titik batas dan yang terdapat di sekeliling titik

batas menjadi titik objek.

Algoritma yang digunakan adalah dengan iterasi (for) untuk seluruh titik

dalam citra kemudian dilakukan pengecekan kondisional (if) apakah titik tersebut

titik objek atau tidak. Apabila iya, dilakukan pengubahan seluruh tetangganya

menjadi titik objek. Sedangkan apabila tidak, maka tidak dilakukan apa-apa

(lanjutkan).

3.1.10 Operasi Closing

Operasi closing ini adalah kombinasi antara operasi erosi dan dilasi yang

dilakukan secara berurutan, di mana citra asli dierosi terlebih dahulu baru kemudian

hasilnya didilasi. Efek yang dihasilkan adalah pengisian lubang kecil pada objek,

penggabungan objek-objek yang berdekatan dan penghalusan batas dari objek besar

tanpa mengubah area objek secara signifikan.

3.1.11 Canny Edge Detection

Pada metode Canny ini tidak terdapat operator khusus, akan tetapi metode

ini terdiri dari beberapa langkah khusus. Pada metode ini, bagian tepi dideteksi

dengan dilakukan pencarian nilai gradien lokal maksimal dari suatu citra I. Gradien

tersebut dihitung dengan turunan dari Gaussian filter. Untuk pendeteksian tepian

yang terlihat jelas, kurang jelas/lemah, dan yang kurang jelas/lemah tetapi

terhubung dengan yang jelas, digunakan dua threshold. Metode ini berbeda dengan

14

metode sebelumnya di mana proses penghilangan noise harus dilakukan terlebih

dahulu. Metode Canny ini lebih utama apabila digunakan pada pendeteksian tepian

yang kurang jelas, yang tidak dapat diperoleh dengan metode lain.

3.1.12 Contour dan Hierarchy

Contour adalah kumpulan titik piksel secara kontinu di mana warna dan

intensitas yang dimiliki sama. Contour dapat digunakan sebagai alat pendeteksian

dan pengenalan objek, yang mana pada penelitian ini contour yang diinginkan

adalah mobil. Contour ini dapat dicari setelah dilakukan perbaikan pada citra biner

foreground, di mana dapat pada pencarian contour ini dapat ditentukan threshold

(ukuran minimal suatu objek agar dapat dihitung sebagai contour) terlebih dahulu.

Pada OpenCV, pencarian contour dilakukan seperti pada pencarian suatu objek

putih dari suatu background hitam.

Sementara itu, hierarchy adalah gambaran hubungan antara contour, di

mana dari hierarchy ini adalah letak suatu kontur relatif terhadap kontur yang lain.

Sebagai contoh kasus, letak contour yang terdapat di dalam contour yang lain bisa

ditentukan dari hierarchy dari contour tersebut. Bagian yang ada di luar disebut

dengan parent sedangkan bagian yang ada di dalam disebut child. Representasi dari

hubungan inilah yang disebut sebagai hierarchy.

3.1.13 Matriks

Suatu array multi-channel dengan n dimensi dapat direpresentasikan oleh

matriks. Matriks ini dapat digunakan sebagai media penyimpanan vector, citra

berwarna/grayscale, voxel volume, vector field, point cloud, tensor, dan histogram.

3.1.14 Deteksi Gerakan

Dalam deteksi pergerakan objek terdapat proses pencocokan yang disebut

dengan Frame Difference di mana frame yang satu dikurangi dengan frame yang

lain serta pemberian label pada frame berbeda yang lebih besar dari objek. Dari

15

proses ini, batas tepian dari suatu objek yang bergerak dapat ditangkap.

Langkah pertama adalah dengan pengubahan suatu video image grayscale

image untuk memudahkan pemrosesan citra. Apabila timbul suatu image baru pada

video tersebut (image bergerak), maka program akan menghitung perbedaan yang

terjadi antara dua image dengan melakukan penghitungan nilai rata-rata dari semua

nilai gray value dari gambar tersebut sebagai mean. Nilai mean yang didapat akan

dibandingkan dengan nilai threshold yang ditentukan oleh user. Semakin kecil

batas nilai threshold-nya, maka motion detection akan semakin sensitif.

Ada tiga metode yang umum digunakan untuk mendeteksi gerak. Metode

tersebut adalah background subtraction, optical flow, dan frame differences.

Background subtraction dilakukan dengan membandingkan citra tertentu dengan

citra yang dijadikan sebagai referensi. Metode deteksi gerak dengan metode ini

dianggap sederhana tetapi kurang sesuai untuk semua kondisi lingkungan yang

dipantau. Sedangkan optical flow adalah metode yang menggunakan karakteristik

pergerakan untuk mendeteksi gerak secara independen yang melewati sebuah

kamera. Metode yang terakhir adalah frame differences, yang juga dikenal sebagai

temporal differences. Metode ini dilakukan dengan membandingkan frame citra

yang ditangkap sesuai dengan urutan waktu. Algoritma dari frame differences ini

dilakukan melalui 3 tahap. Tahap pertama adalah proses penentuan citra latar

(background). Tahap kedua adalah proses aritmatika subtraction. Pembandingan

dilakukan terhadap nilai-nilai piksel yang dihasilkan dari proses komputasi

komponen warna citra. Selanjutnya dilakukan operasi AND untuk mengkomparasi

piksel kedua citra tersebut. Tahap terakhir adalah pengaturan ambang batas

(threshold) yang merupakan bagian penting untuk penentuan ketelitian dari

pendeteksian gerak.

3.2 Computer vision

16

Computer vision adalah ilmu dan metode aplikasi dalam menggunakan

komputer untuk memahami isi suatu citra (image content). Pada hakikatnya,

computer vision mencoba meniru cara kerja visual manusia (human vision). Human

vision sesungguhnya sangat kompleks, manusia melihat obyek dengan indera

penglihatan (mata) lalu objek citra diteruskan ke otak untuk diinterpretasi sehingga

manusia mengerti objek apa yang dilihat. Hasil interpretasi ini dapat digunakan

untuk mengambil suatu keputusan. Sebagaimana mata dan otak, computer vision

adalah sistem yang dapat menganalisis objek secara visual setelah data objek yang

bersangkutan dimasukkan dalam bentuk citra.

Area permasalahan dalam computer vision adalah pengukuran dan

pemrosesan yang dapat dilakukan dengan berbagai metode. Beberapa area

permasalahan dalam computer vision adalah sebagai berikut :

1. Recognition : untuk mengenali objek data citra, aplikasinya seperti

Content Based Image Retrieval (CBIR)

2. Motion : untuk mengenali data citra bergerak. Aplikasinya seperti

Egomotion yang membagi gerakan 3D dari kamera.

3. Restorasi citra : untuk mendapatkan data suatu citra, citra bergerak atau

objek 3D tanpa noise.

Proses-proses dalam computer vision dibagi dalam 3 aktivitas :

1. Memperoleh atau mengakuisisi citra digital. Proses ini bisa juga disebut

sebagai image preprocessing.

2. Melakukan teknik komputasi untuk memproses atau memodifikasi data

citra berupa piksel.

3. Menganalisis dan menginterpretasi citra menggunakan hasil pemrosesan

untuk tujuan tertentu, misalnya memandu robot, mengontrol peralatan,

memantau manufaktur, dan lain-lain (Pambudi, 2011).

17

3.3 OpenCV

3.3.1 Pengertian

OpenCV adalah library gratis yang dikembangkan oleh developer Intel

Corporation. Library ini terdiri dari fungsi-fungsi computer vision dan API untuk

image processing, baik level tinggi maupun rendah. Library ini didesain untuk

meningkatkan efisiensi komputasional dan optimasi pada aplikasi yang bersifat

realtime. OpenCV sangat disarankan bagi programmer yang berkutat pada bidang

computer vision karena library ini menyediakan infrastruktur computer vision yang

simpel, standar dan tetap handal, yang digunakan oleh banyak ilmuwan komputer

dan programmer-programmer lain. Meskipun Intel membuat library ini, library ini

tetap bersifat cuma-cuma dan opensource sehingga aplikasi ini bebas digunakan

semua orang dan dibangun pada hampir semua arsitektur komputer. Selain itu,

OpenCV juga memberikan kemudahan dalam eksekusi dan mempunyai operasi

run-time yang mudah.

Saat ini developer dari Intel Corporation telah membuat berbagai macam

versi OpenCV untuk bahasa pemrograman C/C++, C#, dan Java. Akan tetapi untuk

bahasa C# dan Java masih dalam tahap pengembangan. Sedangkan untuk bahasa

pemrograman C/C++, library OpenCV sudah cukup lengkap sehingga tidak

memerlukan library lainnya untuk pemrosesan computer vision. Oleh karena itu,

pada penelitian ini digunakan bahasa C++ sebagai bahasa pemrogramannya.

3.3.2 Fitur

Berikut ini adalah fitur-fitur yang tersedia pada library OpenCV :

a. Manipulasi data gambar (alokasi memori, melepaskan memori, copy gambar,

setting serta konversi gambar)

b. Image/Video I/O (bisa menggunakan kamera yang sudah didukung oleh

library ini)

18

c. Manipulasi matrikss dan vektor serta terdapat juga routines aljabar linear

(products, solvers, eigenvalues, SVD)

d. Image processing dasar (filtering, edge detection, pendeteksian tepi, sampling

dan interpolasi, konversi warna, operasi morfologi, histogram, image

pyramids)

e. Analisis struktural

f. Kalibrasi kamera

g. Pendeteksian Gerak

h. Pengenalan Objek

i. Basic GUI (display gambar/video, mouse/keyboard kontrol, scrollbar)

j. Image labelling (line, comic, polygon, text drawing)

3.4 Bahasa C++

Bahasa C++ adalah bahasa pemrograman yang diturunkan dari bahasa

pemrograman sebelumnya yaitu BCL dan C. Untuk mendukung fitur-fitur pada

C++, dibangun efisiensi dan support sistem untuk pemrograman tingkat rendah.

Berbeda dari C, bahasa C++ memberikan dukungan terhadap pemrograman

berorientasi objek (OOP). Pada dasarnya C++ adalah bahasa C yang telah sedikit

dikembangkan, di mana bahasa ini memiliki kemampuan utama seperti :

a. Bahasa standard-nya ANSI bisa dipakai di berbagai platform

b. Kecepatan program yang relatif lebih cepat dibandingkan program yang

sama buatan bahasa lain

c. Kode bahasa C++ mempunyai portabilitas dan fleksibilitas tinggi

d. Bahasa C++ tersedia hampir di semua jenis komputer

e. Kode program bersifat reusable sehingga dapat digunakan pada project

lainnya dengan hanya menggunakan library dan file header

19

f. Bahasa C++ hanya menyediakan sedikit kata kunci (48 kata kunci)

g. Dukungan pustaka fungsi dan kelas yang banyak

h. Bahasanya terstruktur sehingga akan lebih mendukung OOP

i. Termasuk bahasa tingkat menengah dan dekat dengan bahasa mesin

j. C++ dapat membuat aplikasi graphic prosessor berkualitas tinggi

Selain kelebihan, C++ juga memiliki kekurangan antara lain :

a. C++ tidak murni OOP sehingga kurang cocok untuk mengajarkan konsep

OOP karena kaidah-kaidah OOP dapat dilanggar

b. Pada C++ terdapat konsep pointer yang sangat membingungkan

sekaligus menjadi alasan mengapa C++ kurang disukai.

c. Walaupun tidak terpengaruh oleh sistem operasi, tool development-nya

harus spesifik pada salah satu sistem operasi.

d. Implementasi C++ di jaman sekarang sudah sangat sedikit sekali

e. Membuat sesuatu dengan C++ relatif sulit dibandingkan bahasa lain

20

BAB IV

ANALISIS DAN PERANCANGAN

4.1 Bahan

Bahan yang digunakan adalah video hasil pengambilan gambar suatu jalan

raya yang didapatkan dari sumber di internet. Video tersebut digunakan sebagai

gambaran dari implementasi sistem ini terhadap suatu jalan raya tertentu.

4.2 Peralatan

Pada pengembangan suatu perangkat lunak, dibutuhkan perangkat keras dan

perangkat lunak yang digunakan untuk proses pembuatan program. Adapun

peralatan yang digunakan adalah sebagai berikut :

a. Hardware Pemroses Video

Pada penelitian ini, hardware pemroses video yang digunakan adalah

laptop/komputer standar. Hal ini dikarenakan tahap penelitian masih sebatas

prototype. Adapun detail spesifikasi dari pemroses video yang digunakan dapat

dilihat pada Tabel 4.1.

Tabel 4.1 Hardware yang digunakan sebagai pemroses video

Model CPU AMD Quad-Core Processor 1.4 GHz

Memori 4 GB RAM DDR2

Sistem Operasi Linux Mint

Penyimpanan SSD 80 GB

Tampilan Standard

21

Seperti yang diperlihatkan pada Tabel 4.1, penelitian akan dilaksanakan

pada suatu PC pemroses dengan spesifikasi prosesor AMD Quad-Core 1.4 GHz,

4GB RAM DDR2, dan SSD 80 GB. Agar sistem yang didapat lebih leluasa dan

ringan, maka sistem operasi yang digunakan adalah Linux Mint yang merupakan

turunan dari Linux Ubuntu. Hal ini dikarenakan Linux Mint relatif lebih ringan,

cepat dan kecil memori yang dibutuhkan, apabila dibandingkan dengan sistem

operasi yang lain.

b. Software Pemroses Video

Untuk kebutuhan pemrosesan video ini, library yang digunakan pada

pengolahan citra adalah OpenCV karena OpenCV bersifat opensource dan

memenuhi standar untuk computer vision di mana cukup banyak algoritma-

algoritma efisien yang sudah tersedia di dalam library ini. Selain itu, kelebihan

utama yang lain dari library ini adalah ringan untuk dipakai. Adapun IDE yang

digunakan untuk pemrograman adalah Code::Blocks sedangkan compiler yang

digunakan adalah compiler GCC terbaru. Video codec yang digunakan oleh

OpenCV Linux versi 2.4.2 ini adalah V4Lan dan FFMPEG 0.8x.

4.3 Prosedur Kerja dan Pengumpulan Data

1. Studi literatur tentang metode yang dibutuhkan untuk pemrosesan video.

2. Pengambilan suatu video suatu arus lalu lintas dari internet.

3. Analisis kebutuhan untuk video jalan raya tersebut kemudian dilakukan

perancangan algoritma dengan flowchart, yang meliputi pendeteksian

gambar bergerak, pemisahan antara background dengan foreground,

perbaikan gambar foreground yang kurang sempurna, dan pendeteksian

serta penghitungan kontur mobil yang terlihat.

4. Implementasi dari algoritma yang telah dibuat pada program dengan bahasa

C++ dan library OpenCV.

22

5. Pengujian algoritma dan analisis data.

6. Pembuatan laporan berupa tugas khusus.

4.4 Analisis dan Perancangan Sistem

Berikut ini adalah analisis kebutuhan dari sistem yang dibuat :

4.4.1 Analisis kebutuhan fungsional

Kebutuhan fungsional adalah kebutuhan yang berisikan proses yang

dilakukan oleh perangkat lunak yang akan dibuat. Adapun kebutuhan fungsional

dari sistem ini adalah bahwa jumlah dari kendaraan di jalan raya yang direkam oleh

camcorder dapat dihitung dengan sistem ini.

4.4.2 Kebutuhan non-fungsional

Kebutuhan non-fungsional adalah kebutuhan terkait kriteria yang dapat

digunakan dalam pengukuran kinerja sistem yang ada. Adapun kebutuhan non-

fungsional dari sistem ini adalah bahwa sistem yang dikembangkan memiliki

kinerja sebagai berikut :

a. Waktu respon cepat, pemrosesan video di dalam sistem harus dilakukan

secara cepat sehingga sistem ini dapat diterapkan untuk keperluan di

dunia nyata secara real-time.

b. Stabil dan dapat diandalkan, adanya error, bug, dan kesalahan lain pada

sistem sedapat mungkin dikurangi/dihilangkan.

c. Portable, sistem ini dapat digunakan di berbagai platform tanpa

kendala.

d. Dapat dikembangkan lagi, sistem sebaiknya dapat ditambahkan fitur

atau pengaturan baru apabila suatu saat dilakukan upgrade.

e. Dapat digunakan untuk berbagai macam jalan raya, sistem sebaiknya

dapat diimplementasikan pada bentuk jalan raya yang lain, tidak sebatas

23

pada jalan raya yang ditampilkan pada video.

4.5 Rancangan Penelitian

4.5.1 Rancangan Arsitektur Sistem

Gambar 4.1 Arsitektur sistem penghitung mobil

Seperti yang diperlihatkan pada gambar 4.1, alur kerja sistem diawali oleh

kamera di mana pengambilan gambar video ini dilakukan oleh kamera yang

dipasang di jalan. Dikarenakan penelitian ini dibatasi hanya pada pengambilan

video dari internet, maka langkah ini hanya dilakukan pada implementasi sistem

yang secara nyata. Setelah itu video disimpan ke dalam media penyimpanan. Dari

media penyimpanan tersebut, video tersebut dikirimkan ke PC pemroses dengan

program yang dibuat dengan library OpenCV ini. Dari PC pemroses ini didapatkan

hasil output berupa jumlah mobil yang ada di jalan raya tersebut. Setelah itu, hasil

yang didapat dapat digunakan sesuai kebutuhan. Sebagai contoh, apabila sistem

penghitungan mobil ini akan digunakan untuk aplikasi tertentu, maka hasil dapat

dikirimkan ke suatu server dari aplikasi tersebut sehingga informasi terkait jumlah

mobil yang telah dihitung dapat diakses oleh pengguna.

4.5.2 Rancangan Proses

Pada penelitian ini dilakukan suatu penghitungan jumlah mobil dengan yang

termasuk dalam lingkup computer vision. Algoritma yang digunakan adalah

Gaussian Average dan Frame Differencing di mana suatu objek yang bergerak

dengan background yang ada dapat dipisahkan. Adapun diagram blok algoritma

Kamera Penyimpan

video

PC

Pemroses Hasil

Pemrosesan

24

dari analisis penghitungan jumlah mobil ini dapat dimodelkan seperti pada Gambar

4.2 berikut :

Gambar 4.2 Diagram blok algoritma penghitungan jumlah mobil

Diagram algoritma yang digunakan dalam penghitungan jumlah mobil di

jalan raya ini diperlihatkan pada gambar 1. Langkah pertama, input video yang

digunakan di dalam sistem ini bisa terdiri dari dua buah tipe, yaitu video yang

langsung diambil dari kamera secara realtime atau video yang telah disimpan di

dalam suatu media penyimpanan tertentu. Setelah itu, input video tersebut diambil

frame yang terdapat di dalamnya satu per satu sehingga didapat satu buah citra

untuk setiap frame. Citra dari tiap frame ini diproses dengan fungsi Frame

Differencing yang terdapat pada OpenCV agar dapat dibedakan antara objek yang

bergerak dengan background. Setelah itu, objek yang didapat kemudian dilakukan

segmentasi. Hasil yang didapat dari segmentasi ini adalah objek yang dianggap

kurang sempurna sehingga perlu diperbaiki terlebih dahulu dengan dilakukan

Input

Video

Ekstraksi

Background

Ekstraksi

Foreground

Segmentasi

Foreground

Cek video

dari kamera

atau file AVI

Capture

Frame

Pencarian

perbedaan

frame

Difference

Perbaikan

Hasil Biner

Foreground

Pendeteksian

Mobil Dengan

Gaussian Average

Penghitungan

Jumlah Mobil Hasil Berupa

Jumlah Mobil

Pencarian

kontur yang

terbentuk

25

pengisian pada bagian yang pecah-pecah di dalam objek yang ada. Setelah

didapatkan hasil yang cukup mudah untuk dibaca, dilakukan pencarian kontur

yang terbentuk pada video di mana pada pencarian setiap kontur ini terdapat batas

minimal ukuran kontur agar didapatkan hasil yang benar-benar berupa mobil. Dari

kontur yang didapatkan ini, mobil yang ada dapat dihitung dengan algoritma

Gaussian Average sehingga didapatkan hasil berupa jumlah mobil yang ada di

jalan tersebut.

26

BAB V

IMPLEMENTASI DAN HASIL PENGUJIAN

5.1 Inisialisasi Program

Pada program ini ada beberapa inisialisasi yang harus dilakukan, yaitu

inisialisasi capture video dan frame serta deklarasi ukuran frame yang akan

digunakan.

5.1.1 Inisialisasi Capture

Fungsi capture adalah fungsi pada OpenCV yang digunakan untuk

pemanggilan file baik berupa gambar maupun video. Deklarasi inisialisasi capture

dan frame dituliskan pada Gambar 5.1.

Gambar 5.1 Inisialisasi capture

Ketiga baris kode di atas berada pada baris yang berbeda-beda. Dikarenakan

kode yang cukup banyak, seluruh kode tidak dapat ditampilkan di laporan ini

sehingga hanya diambil bagian inti dari kode tersebut.

Pada program ini digunakan sumber yang berupa gambar video dari internet.

Oleh karena itu, setelah dilakukan deklarasi variabel capture, fungsi capture yang

digunakan adalah kode di baris ketiga pada gambar 5.1. Frame pada OpenCV

digunakan sebagai basis pemrosesan video dengan sistem sequential frame, di mana

pemrosesan dilakukan pada tiap bagian dari frame yang ada. Pada program ini

ditampilkan beberapa frame untuk didapatkan pemrosesan yang baik, antara lain :

a. Frame gambar asli, yakni frame video asli sebelum diproses.

CvCapture* capture;

capture = cvCaptureFromCAM( argc == 2 ? argv[1][0] - '0' : 0 );

capture = cvCaptureFromAVI( argv[1] );

27

b. Frame background, yakni frame yang terdiri dari bagian yang tidak

bergerak. Frame ini didapatkan ketika proses frame differencing

dilakukan.

c. Frame foreground, yakni frame yang terdiri dari bagian yang bergerak.

Frame ini didapatkan lewat proses yang sama dengan frame background,

yakni saat dilakukan proses frame differencing.

d. Frame hasil perbaikan, yakni frame yang didapat dari hasil perbaikan

foreground sehingga didapat frame yang lebih mudah untuk dideteksi

e. Frame display window, yakni frame di mana identifikasi mobil pada

gambar dilakukan dengan penandaan pada setiap mobil yang terdeteksi

dengan kotak. Pada frame ini terdapat garis di daerah jalan sehingga

apabila garis tersebut dilewati oleh mobil, mobil tersebut akan dihitung.

5.1.2 Inisialisasi Parameter Mixture of Gauss

Sebelum pemanggilan fungsi Mixture of Gauss, terlebih dahulu dilakukan

inisialisasi parameter berikut :

a. Pointer untuk menyimpan address sementara yang disediakan oleh fungsi

CvGaussBGStatModelParams.

b. Pointer untuk menyimpan address model hasil dari penerapan Mixture of

Gauss terhadap video.

28

Adapun inisialisasi parameter ini dituliskan pada gambar 5.2.

Gambar 5.2 Inisialisasi parameter Mixture of Gaussian

Dari gambar 5.3 dapat dilihat bahwa dilakukan deklarasi variabel params

sebagai pointer penyimpanan nilai parameter yang digunakan. Adapun nilai

win_size adalah tingkatan learning rate di mana nilai alpha adalah 1. Nilai

n_gauss adalah jumlah dari Gaussian mixture untuk setiap piksel. Nilai

bg_threshold digunakan sebagai nilai minimal untuk suatu objek dapat dianggap

sebagai background. Nilai std_threshold adalah nilai minimal objek dapat

dianggap sebagai objek yang bergerak. Nilai minArea adalah ukuran minimal

suatu objek agar dapat dimasukkan ke dalam foreground. Nilai weight_init adalah

nilai weight di waktu awal dan variance_init adalah nilai variansi di waktu awal.

5.1.3 Inisialisasi rectangle, contour, dan hierarchy

Gambar 5.4 Kode inisialisasi rectangle, contour, dan hierarchy

CvGaussBGStatModelParams* params = new

CvGaussBGStatModelParams;

params->win_size=10;

params->n_gauss=5;

params->bg_threshold=0.2;

params->std_threshold=1.5;

params->minArea=0.01;

params->weight_init=0.05;

params->variance_init=30;

CvBGStatModel* bgModel = cvCreateGaussianBGModel(videoFrame

,params);

Rect bounding_rect,bounding_rect2;

vector contours;

vector hierarchy;

vector contours1;

vector hierarchy1;

29

Sebelum rectangle, contour, dan hierarchy digunakan, dilakukan inisialisasi

variabel terlebih dahulu. Adapun pengertian dari rectangle adalah bentuk kotak

yang digunakan pada tiap mobil di mana seluruh mobil yang terdeteksi pada suatu

frame akan ditandai dengan kotakan di area mobil tersebut. Yang kedua dilakukan

inisialisasi dua buah contour dengan menggunakan tipe data

vector. Selain itu juga dilakukan inisialisasi dua buah hierarchy

sebagai gambaran hubungan antar contour dengan tipe data vector.

5.2 Program Utama

Program utama (main program) ini adalah bagian di mana skrip yang ingin

diimplementasikan dari algoritma yang ada dapat dijalankan.

5.2.1 Iterasi while

Bagian main program ini dimulai dengan iterasi while di mana program

dapat dihentikan dengan penekanan tombol q di keyboard seperti yang

diperlihatkan pada gambar 5.5.

Gambar 5.5 Kode masukan key untuk perulangan

Seperti yang diperlihatkan pada gambar 5.5, key adalah masukan pengguna

di mana apabila input yang dimasukkan pengguna adalah huruf q, maka program

akan dilanjutkan pada bagian setelah iterasi while tersebut. Adapun cvWaitKey(10)

adalah fungsi input di mana penungguan dilakukan setiap 10 ms. Apabila nilai 10

diganti dengan 0, maka input akan ditunggu terus menerus. Hal ini dapat digunakan

untuk pendeteksian frame demi frame dengan penekanan keyboard pada setiap

pergantian frame.

int key=-1;

key = cvWaitKey(10);

while(key != 'q')

30

5.2.2 Inisialisasi Matriks Video

Gambar 5.6 Kode inisialisasi matriks video

Sebelum dapat diproses, frame harus diubah ke dalam matriks terlebih

dahulu. Oleh karena itu, matriks yang akan digunakan harus diinisialisasi terlebih

dahulu di bagian awal. Variabel matriks yang digunakan ini diperlihatkan pada

gambar 5.6.

5.2.3 Pengambilan frame

Setelah dilakukan inisialisasi, alur program yang sebenarnya dapat

dijalankan. Seluruh bagian pengambilan frame ini berada di dalam iterasi while

sehingga selalu dilakukan pengambilan frame dari seluruh frame yang ada di

dalam video. Adapun kode program diperlihatkan pada gambar 5.7.

Gambar 5.7 Kode pengambilan frame

Seperti yang diperlihatkan pada gambar 5.7, program diawali dengan query

frame yang diambil dari video capture (video yang asli). Setelah itu dilakukan

pengecekan conditional if, di mana apabila tidak terdapat frame lagi, maka iterasi

while di program utama ini akan dihentikan. Apabila frame sudah didapatkan dari

video, maka frame tersebut diubah dengan fungsi cvarrToMat dan disimpan ke

dalam variabel matriks video.

5.2.4 Penerapan Gaussian Mixture pada Video

Mat video, fg_perbaikan, fg_perbaikan1, video1, video2;

videoFrame = cvQueryFrame(capture);

if( !videoFrame) break;

video=cvarrToMat(videoFrame);

31

Setelah frame video diambil, dipanggil suatu fungsi cvUpdateBGStatModel

agar didapatkan model foreground/background yang telah di-update pada frame

video. Adapun bgModel sendiri adalah model foreground/background Gaussian

dengan parameter yang telah disebutkan pada inisialisasi parameter Gaussian.

Untuk kode program dari fungsi ini diperlihatkan pada gambar 5.8.

Gambar 5.8 Kode Penerapan Gaussian Mixture pada Video

Pada bagian ini dilakukan isolasi bagian tertentu (foreground) dari bagian

lainnya (background). Foreground adalah bagian frame yang relatif kecil dan

berubah dalam jangka waktu yang relatif pendek. Sedangkan background adalah

bagian besar dari frame yang cenderung tidak berubah dalam jangka waktu yang

cukup panjang.

5.2.5 Perbaikan Model Foreground Hasil dari Gaussian Mixture

Dari hasil ekstraksi foreground tersebut dilakukan suatu segmentasi

foreground yang kemudian dilakukan perbaikan pada model Gaussian bgModel

yang dimiliki agar didapatkan foreground yang lebih jelas. Dikarenakan

foreground yang dimiliki semakin jelas, maka proses pendeteksian dan

pengenalan objek akan semakin akurat. Adapun kode program pemanggilan

fungsi perbaikan foreground ini diperlihatkan pada gambar 5.9.

Gambar 5.9 Kode Perbaikan Model Foreground

cvUpdateBGStatModel(videoFrame,bgModel);

fg_perbaikan=perbaiki(bgModel->foreground);

32

Seperti yang diperlihatkan pada gambar 5.9, dari kode ini dilakukan

pemanggilan fungsi perbaiki. Input dari fungsi perbaiki ini adalah model

foreground yang biasa, kemudian dilakukan pemrosesan dan dihasilkan output

berupa model foreground yang telah diperbaiki. Adapun kode program dari fungsi

perbaiki ditunjukkan pada gambar 5.10.

Gambar 5.10 Kode Program Perbaikan Model Foreground

5.2.6 Cropping ROI (Region of Interest) Frame dan Duplikasi

Pada bagian ini dilakukan pembatasan wilayah pendeteksian di mana region

of interest atau bagian yang diinginkan adalah di daerah jalan yang ingin dihitung.

Agar ROI yang diinginkan lebih jelas, dibuat suatu garis di dalam video display

yang akan diperlihatkan. Garis tersebut adalah penanda di mana bagian tempat

mobil yang ingin dihitung adalah mobil yang melewati garis tersebut. Adapun kode

fungsi pembuatan garis, pembatasan wilayah pendeteksian, dan duplikasi frame

Mat perbaiki(Mat grey){

Mat tmp=grey.clone;

morphologyEx(tmp,tmp,MORPH_GRADIENT,getStructuringEleme

nt(MORPH_ELLIPSE,Size(30,30)));

bitwise_not(tmp,tmp);

Mat smallholes=Mat::zeros(tmp.size(), CV_8UC1);

vector contours;

findContours(tmp,contours,CV_RETR_LIST,CV_CHAIN_APPRO

X_SIMPLE);

for(int i = 0; i < contours.size(); i++){

double area = contourArea(Mat(contours[i]));

if(area

33

pada video tersebut diperlihatkan pada gambar 5.12.

Gambar 5.12 Kode fungsi pembuatan garis pada video

Seperti yang diperlihatkan di gambar 5.12, dibuat garis pada frame dengan

nama video antara titik (0,100) dengan (420,000) dengan warna (110,220,0) dengan

ketebalan 2 dan bertipe 8-connected. Setelah itu dilakukan duplikasi oleh video1 di

mana dilakukan cropping pada video sehingga area batas area yang dihasilkan

dimulai dari titik (0,100) dengan ukuran tinggi 7 dan lebar 320, kemudian dilakukan

duplikasi oleh video2 dari video karena video akan diubah untuk keperluan tertentu

di kode selanjutnya. Selain duplikasi dari frame video, duplikasi juga dilakukan

terhadap frame fg_perbaikan dengan lebar yang sama pada titik yang sama,

kemudian disimpan ke dalam fg_perbaikan1.

5.2.7 Pencarian Kontur

Operasi pencarian kontur dilakukan setelah bagian foreground dari frame

telah diperbaiki. Pada OpenCV, fungsi pencarian kontur ini dilakukan fungsi yang

terdiri dari parameter antara lain :

a. Input, frame video input tempat di mana kontur ingin dicari;

b. Output, berupa contour dengan tipe data vector seperti

yang telah diperlihatkan pada bagian inisialisasi contour;

c. Hubungan antar contour yang direpresentasikan oleh hierarchy dengan tipe

data vector

d. Mode pencarian, pada kasus ini mode pencarian yang digunakan adalah

CV_RETR_CCOMP. Pada mode ini, seluruh kontur dicari dan

line( video, Point( 0, 100 ), Point( 420, 100), Scalar( 110, 220, 0 ), 2, 8);

video1=video(Rect(0,100,320,7));

video2=video.clone();

fg_perbaikan1=fg_perbaikan(Rect(0,100,320,7));

34

diorganisasikan ke dalam 2 level hierarchy. Level yang pertama dari

hierarchy ini digunakan untuk kontur yang ada di luar sedangkan level

kedua digunakan untuk pembatas kontur.

e. Metode aproksimasi, pada kasus ini metode aproksimasi yang digunakan

adalah CV_CHAIN_APPROX_SIMPLE. Dengan metode ini,

pengkompresan dilakukan pada segmen horizontal, vertikal, dan diagonal

sehingga yang disimpan hanyalah titik penyusun kontur tersebut berada.

Sebagai contoh, apabila kontur yang ditemukan adalah suatu kotak

sempurna (tanpa lengkungan), maka yang disimpan hanyalah 4 buah titik

penyusun yang berada di masing-masing pojok dari kotak tersebut. Tujuan

utama dari metode ini adalah agar data dapat dikurangi dengan pencarian

fitur tertentu sehingga kontur dapat dibedakan antara yang satu dengan yang

lain

Fungsi pencarian kontur ini diperlihatkan pada gambar 5.11.

Gambar 5.11 Kode fungsi pencarian kontur yang ada di video

Dari gambar 5.11, dapat dilihat bahwa pencarian kontur dilakukan terhadap

video coba1 dan coba. Hasil kontur yang didapat disimpan di dalam contours dan

contours1 sedangkan hierarchy yang didapat disimpan dalam hierarchy dan

hierarchy1.

5.2.8 Pengkotakan dan Penghitungan Mobil

findContours( coba1, contours, hierarchy,CV_RETR_CCOMP,

CV_CHAIN_APPROX_SIMPLE );

findContours( coba, contours1, hierarchy1,CV_RETR_CCOMP,

CV_CHAIN_APPROX_SIMPLE );

35

Setelah kontur dapat dicari sesuai yang telah dibahas di dalam subbab 5.2.7,

langkah selanjutnya adalah penandaan mobil yang terdeteksi dengan pengkotakan

pada bagian luar dari mobil tersebut serta penghitungan jumlah mobil yang ada.

Gambar 5.12 Kode fungsi pengkotakan dan penghitungan mobil

Langkah pertama dari penghitungan ini adalah dengan pemilahan mana

kontur yang dapat dianggap sebagai mobil dan yang bukan. Hal ini dilakukan

dengan pembatasan minimal luas area agar dapat dikategorikan sebagai mobil.

Seperti yang diperlihatkan pada gambar 5.12, luas area minimal agar mobil dapat

dikategorikan pada program ini adalah 115. Untuk itu, dilakukan suatu perulangan

dari 0 hingga jumlah keseluruhan kontur yang terdeteksi dan dilakukan pengecekan

satu persatu apakah luas minimal dari kontur tersebut terpenuhi atau tidak. Apabila

terpenuhi, dilakukan pengkotakan pada kontur mobil tersebut dengan fungsi

boundingRect yang disimpan ke dalam variabel bounding_rect. Setelah itu, variabel

ini diaplikasikan ke dalam fungsi rectangle agar kotak tersebut dapat terlihat di

frame video 1. Untuk setiap kontur yang terdeteksi ini, nilai kontur yang merupakan

representasi dari jumlah mobil ini akan ditambah 1, sehingga akan didapatkan hasil

akhir berupa jumlah total mobil yang terdeteksi.

5.3 Display Window

Bagian yang ingin diperlihatkan pada jendela ditampilkan pada display

window. Pada bagian ini dilakukan pemberian tulisan pada video berupa jumlah

for( int i = 0; i< contours.size(); i++){

double a=contourArea( contours[i]);

if(a>115){

double kontur;

bounding_rect=boundingRect(contours[i]);

rectangle(video1, bounding_rect, Scalar(0,255,0),2, 8,0);

kontur++;

cout

36

mobil yang terhitung beserta pengaturan yang dilakukan. Adapun kode yang

digunakan untuk menampilkan jendela penampil ditunjukkan pada gambar 5.13.

Gambar 5.13 Kode penampil video

Seperti yang diperlihatkan pada gambar 5.13, pada kode tersebut

dilakukan pengaturan jenis, ukuran, ketebalan, letak font beserta isi tulisan

kemudian ditaruh ke dalam video dengan warna putih (255,255,255). Setelah itu

dilakukan penampilan video sehingga didapatkan hasil video yang diinginkan.

5.4 Hasil Pemrosesan Citra

Setelah dilakukan implementasi kode dengan OpenCV seperti yang

diperlihatkan pada subbab 5.1-5.3, dapat dilihat hasil dari pemrosesan citra yang

dilakukan. Adapun urutan pemrosesan citra yang dilakukan ini dimulai dari

pengambilan gambar asli yang kemudian dikenakan algoritma Gaussian Mixture

sehingga didapat hasil background dan foreground seperti yang diperlihatkan pada

gambar 5.14.

string text = format("%f",kontur);

int fontFace = FONT_HERSHEY_SCRIPT_SIMPLEX;

double fontScale = 0.5;

int thickness = 3;

Point textOrg(10,20);

putText(video,text, textOrg, fontFace, fontScale,Scalar::all(255), thickness, 8);

Scalar color( 255,255,255);

imshow(Display Window, video );

37

Gambar 5.14. Hasil algoritma Gaussian Mixture (a) Video asli (b) Hasil

segmentasi Background (c) Hasil segmentasi Foreground

Seperti yang diperlihatkan pada gambar 5.14(a), terdapat garis horizontal

di tengah video yang digunakan sebagai penanda bahwa setiap kali garis tersebut

dilewati mobil, maka mobil tersebut akan dihitung satu buah mobil. Adapun

fungsi dari segmentasi background dan foreground tersebut adalah digunakan

untuk pembentukan kontur yang diperbaiki agar kemudian dapat dihitung jumlah

kendaraan (mobil) yang ada. Setelah didapat segmentasi dari frame video tersebut,

dilakukan proses perbaikan dari foreground ke dalam suatu frame yang sudah

diperbaiki dan dapat digunakan untuk penghitungan jumlah mobil seperti yang


Gambar 5.15. Hasil perbaikan foreground (a) Foreground (b) Hasil

perbaikan

Proses perbaikan seperti yang ditunjukkan pada gambar 5.15 dilakukan

dengan cara pengisian lubang-lubang pada daerah foreground dengan suatu

bentuk lingkaran warna putih sehingga didapat frame yang telah diperbaiki.

Setelah dilakukan perbaikan seperti yang diperlihatkan pada gambar 5.15,

dilakukan pendeteksian mobil dengan pencarian kontur pada frame yang telah

diperbaiki seperti yang diperlihatkan pada gambar 5.16.

38

Gambar 5.16 Pendeteksian mobil

Seperti yang diperlihatkan pada gambar 5.16 tersebut, setiap kontur yang

ditemukan atau mobil yang terdeteksi diberi tanda dengan kotak di sekitar mobil

tersebut.

Gambar 5.17 Penghitungan mobil

Seperti yang diperlihatkan pada gambar 5.17, untuk setiap mobil yang terdeteksi

tersebut, apabila garis horizontal yang berada di tengah video dilewati oleh salah

satu mobil maka mobil tersebut akan dihitung sebagai satu buah mobil.

39

BAB VI

PENGUJIAN DAN PEMBAHASAN

6.1 Uji Variasi Parameter Gaussian Mixture

Pengubahan dari frame video asli ke segmen background dan foreground

yang didapat ini dipengaruhi oleh beberapa parameter. Pada bab IV dan V telah

disebutkan bahwa proses implementasi pencarian background dan foreground

dipengaruhi oleh variabel-variabel yang terdapat pada Gaussian Mixture di

OpenCV. Oleh karena itu dilakukan variasi parameter yang terdapat pada

CvGaussBGStatModelParams dengan variasi parameter sebagai berikut :

a. Threshold background yang digunakan sebagai nilai batas untuk pembeda

antara background dan foreground adalah : 0, 0,1, 0,5, 0,9, dan 1.

b. Inisiasi variansi sebagai variansi untuk variansi objek diam dengan yang

tidak antara lain adalah : 0, 10, 20, 25, dan 50.

6.1.1 Hasil Pengujian dan Pembahasan Variasi Nilai Gaussian Mixture

Nilai threshold yang digunakan sebagai pembeda antara background dan

foreground akan divariasikan dengan nilai 0, 0,1, 0,5, 0,9, dan 1. Tujuan dari

percobaan variasi pada nilai tersebut adalah untuk didapat korelasi/hubungan

antara tingkat kejelasan foreground dengan besar nilai minimal threshold yang

digunakan. Dari variasi ini, diharapkan tingkat eror yang dihasilkan pada

foreground dapat dikurangi.

Adapun hasil percobaan dengan variasi nilai threshold tersebut


40

Gambar 6.1 Ekstraksi foreground dengan threshold background = 0

Pada gambar 6.1 diperlihatkan hasil ekstraksi foreground dengan threshold

sebesar 0. Adapun parameter yang digunakan untuk pengukuran tingkat

keakuratan adalah parameter yang kualitatif. Dari gambar 6.1 dapat dilihat bahwa

foreground yang dihasilkan dari threshold 0 sangat buruk dan tidak jelas. Hal ini

dikarenakan banyak daerah bergerak pada frame yang dianggap sebagai

background.

Gambar 6.2 Ekstraksi foreground dengan threshold background = 0,1

Dari gambar 6.2, diperlihatkan hasil ekstraksi foreground dengan tingkat

threshold yang lebih tinggi dari tingkat threshold yang digunakan pada gambar

6.1. Adapun hasil yang didapat adalah foreground terlihat lebih jelas tapi masih

41

kurang jelas untuk dapat diperbaiki agar kemudian dapat digunakan dalam

pendeteksian mobil.


Pada gambar 6.3 dapat dilihat bahwa foreground yang dihasilkan cukup

jelas di mana bagian yang bergerak dapat dideteksi tanpa pendeteksian bagian

bergerak lain yang tidak cukup signifikan seperti pohon bergerak dan lain-lain.


Pada gambar 6.4, ekstraksi foreground yang dihasilkan sangat jelas akan

tetapi beberapa bagian lain yang bergerak seperti pohon dan lain-lain juga

terdeteksi. Untuk pengukuran mobil, hal ini dapat berpengaruh pada tingkat

akurasi pengukuran. Akan tetapi, seperti yang diperlihatkan pada gambar 6.4,

42

bagian bergerak selain mobil tersebut ada di tempat yang bukan di sekitar garis.

Oleh karena itu, bagian bergerak selain mobil tersebut tidak akan terdeteksi

sebagai satu buah mobil.

Gambar 6.5 Ekstraksi foreground dengan threshold background = 1

Pada pengujian dengan tingkat threshold background = 1 seperti yang

diperlihatkan pada gambar 6.5, seluruh bagian background pada frame dideteksi

sebagai foreground sedangkan bagian yang bergerak tidak dideteksi sebagai

foreground. Oleh karena itu, threshold ini tidak akan digunakan karena jumlah

mobil yang dihitung akan berkebalikan dengan jumlah yang sebenarnya.

Dari beberapa pengujian variasi nilai threshold yang telah dilakukan,

threshold yang akan digunakan untuk penghitungan jumlah mobil ini adalah

threshold =0,9. Hal ini dikarenakan pada pengujian tersebut, foreground yang

dihasilkan sangat jelas. Meskipun pada foreground tersebut bagian yang bergerak

seperti pohon juga terdeteksi, foreground tersebut tetap dapat digunakan karena

bagian tersebut berada di luar area penghitungan kontur yang dilakukan.

6.1.2 Hasil Pengujian dan Pembahasan Variasi Nilai Variansi

43

Gambar 6.6 Ekstraksi foreground dengan nilai variansi = 0

Pada pengujian dengan nilai variansi = 0, didapatkan ekstraksi foreground

di mana bagian yang tidak bergerak terlihat sangat jelas seperti yang diperlihatkan

pada gambar 6.6. Hal ini akan berpengaruh ketika foreground diperbaiki di mana

bagian yang saling dekat satu sama lain akan diberi bentuk lingkaran untuk

pengisian bagian yang kurang sempurna yaitu lubang atau jarak yang terdapat

antara satu titik putih dengan yang lain. Apabila variansi ini digunakan, bagian

yang tidak diinginkan seperti pohon atau goyangan pada kamera dapat dihitung

sebagai satu buah mobil. Oleh karena itu, dilakukan pengujian variansi yang lain

untuk dapat diperbaiki agar kemudian dapat dilakukan penghitungan pada frame

yang sudah diperbaiki tersebut.

44


Pada pendeteksian dengan nilai variansi = 10 ini, bagian bergerak yang

lain seperti pohon dan benda di jalan sudah tidak terlalu jelas lagi. Akan tetapi,

bagian tersebut berpotensi untuk diperbaiki oleh fungsi perbaikan sehingga

dihasilkan suatu kontur. Oleh karena itu, nilai variansi yang lain akan

diujicobakan.


Dengan penggunaan nilai variansi sebesar 20, dari gambar 6.8 dapat dilihat

bahwa foreground yang dihasilkan cukup jelas di mana bagian yang tidak

diinginkan semakin terlihat pudar.


45

Dari gambar 6.9 dapat dilihat bahwa pada hasil ekstraksi foreground

dengan nilai variansi = 25 ini bagian yang tidak diinginkan semakin kecil dan

dengan ukuran tersebut, tidak ada potensi bagi kontur tersebut untuk dapat

dihitung sebagai mobil.


Pada ekstraksi foreground dengan nilai variansi sebesar 50 ini dihasilkan

kontur tanpa adanya objek yang tidak diinginkan akan tetapi objek target atau

mobil pada kasus ini terlihat kurang jelas. Meskipun kontur seperti yang

diperlihatkan pada gambar 6.10 dapat terlihat, akan tetapi beberapa bagian pada

satu mobil dapat diperbaiki menjadi dua buah kontur. Hal ini akan sangat

berpengaruh pada jumlah mobil yang dihitung dan tingkat keakuratan pengukuran

mobil.

Dari variasi pengujian variansi yang telah dilakukan dapat dilihat bahwa

pada beberapa bagian, foreground yang dihasilkan lebih baik dibandingkan

dengan yang lain. Adapun pada kasus ini, variansi yang akan digunakan adalah

25. Hal ini dikarenakan pada tingkat variansi 25, objek yang tidak diinginkan

sudah cukup kecil untuk dihitung sedangkan objek yang diinginkan masih cukup

jelas untuk kemudian diperbaiki agar selanjutnya dapat dihitung.

46

6.2 Uji Fungsi Perbaiki

Setelah foreground yang diinginkan dapat diekstraksi, dilakukan perbaikan

pada frame foreground tersebut dengan dilakukan pengisian bagian yang hitam

yang berada di antara bagian yang putih. Hal ini dilakukan agar kontur pada

bagian tersebut tidak dihitung sebagai dua atau lebih kontur, tetapi dihitung

sebagai satu buah kontur, yaitu mobil. Adapun uji variasi yang dilakukan pada

subbab ini adalah variasi ukuran lingkaran yang digunakan untuk perbaikan

kontur. Ukuran dari lingkaran yang akan diujikan tersebut adalah 5, 10, dan 15.

Gambar 6.11 Proses perbaikan dengan ukuran lingkaran 5

Seperti yang diperlihatkan pada gambar 6.11, terdapat lubang pada salah

satu mobil di hasil perbaikan yang dihasilkan dengan ukuran lingkaran sebesar 5

ini. Selain itu pada mobil yang ada di sebelah kanan bawah dari mobil tersebut,

terdapat suatu cekungan yang diakibatkan tidak diisinya bagian tersebut dengan

lingkaran putih.

47


Seperti yang diperlihatkan pada gambar 6.12, seluruh mobil yang ada di

hasil perbaikan dapat diperbaiki tanpa adanya cekungan ataupun lubang di tengah

mobil. Selain itu, bagian yang ada di antara dua buah mobil tidak diberi lingkaran

sehingga dua buah mobil dapat dihitung sebagai dua buah mobil yang berbeda.


Pada gambar 6.13 di bagian kiri atas terdapat dua buah mobil yang saling

terpisah tetapi diperbaiki oleh lingkaran yang terlalu besar sehingga mobil-mobil

tersebut terlihat sebagai satu buah objek mobil. Pada kasus ini, mobil yang berada

di sebelah kiri atas memang tidak dihitung karena garis tidak dilewati oleh mobil

tersebut. Akan tetapi, apabila hal tersebut terjadi mobil yang berada di tengah di

48

mana garis berada, maka terdapat potensi di mana dua buah mobil tersebut akan

dihitung sebagai satu buah mobil.

Dari pengujian yang telah dilakukan, dapat ditentukan ukuran lingkaran

dengan tingkat kejelasan kualitatif yang paling baik. Oleh karena itu, lingkaran

dengan ukuran yang ada di tengah atau 10 digunakan karena pada hasil perbaikan

dengan lingkaran ukuran tersebut, tidak terdapat lubang maupun salah satu bagian

mobil yang terhubung dengan bagian mobil lain yang ada di sebelah mobil

tersebut.

6.3 Uji Akurasi

6.3.1 Tingkat Akurasi Penghitungan Mobil

Setelah didapat parameter yang paling baik pada masing-masing fungsi,

penghitungan mobil dapat dilakukan. Penghitungan tingkat akurasi ini dilakukan

dengan penghitungan jumlah mobil yang sebenarnya ada pada video dan

penghitungan jumlah mobil yang dilakukan oleh program. Dari penjalanan

program, hasil yang didapat untuk penghitungan mobil yang sebenarnya adalah

sebanyak 48 mobil sedangkan pada penghitungan mobil pada program adalah

sebanyak 46 mobil. Dari hasil yang didapat tersebut, tingkat akurasi pengukuran

dapat ditentukan. Adapun rumus yang digunakan untuk pengukuran tingkat

akurasi dalam penghitungan mobil ini diperlihatkan pada gambar 6.14.

= 100%

100%

Gambar 6.14 Rumus pengukuran akurasi penghitungan mobil

Dari rumus pada gambar 6.14, dapat dilihat bahwa parameter yang

digunakan untuk pengukuran tingkat akurasi ini adalah beda hitung sebenarnya

dengan hasil hitung dari program dan hasil hitung yang sebenarnya. Untuk beda

hitung antara pengukuran sebenarnya dengan hasil hitung dari program adalah

49

sebesar 48-46 = 2, sedangkan jumlah pengukuran sebenarnya dari mobil adalah

46. Oleh karena itu, tingkat akurasi dari penghitungan mobil ini adalah seperti

yang diperlihatkan pada gambar 6.15.

= 100% 2

46 100% = 100% 4,35% = 95,65%

Gambar 6.15 Aplikasi rumus pada penghitungan mobil yang dilakukan

Seperti yang diperlihatkan pada gambar 6.15, tingkat akurasi yang didapat

adalah sebesar 95,65%.

6.3.2 Pembahasan Akurasi Penghitungan Mobil

Tingkat akurasi yang didapatkan dari penghitungan mobil ini adalah

sebesar 95,65%. Adapun penyebab utama dari ketidakakuratan penghitungan

mobil ini adalah pada bagian awal penghitungan mobil yaitu di bagian frame awal

di mana video baru saja di-capture sehingga terdapat banyak bagian yang berbeda

pada frame apabila dibandingkan

laporan tugas khusus 13699

Documents