RANCANG BANGUN MODEL DETEKSI PELANGGARAN ZEBRA CROSS PADA TRAFFIC LIGHT MENGGUNAKAN METODE ADAPTIF BACKGROUND SUBSTRACTION (Skripsi) Oleh PAMI RULI SETIAWAN FAKULTAS TEKNIK JURUSAN TEKNIK ELEKTRO UNIVERSITAS LAMPUNG 2018
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
RANCANG BANGUN MODEL DETEKSI PELANGGARAN ZEBRA
CROSS PADA TRAFFIC LIGHT MENGGUNAKAN METODE ADAPTIF
BACKGROUND SUBSTRACTION
(Skripsi)
Oleh
PAMI RULI SETIAWAN
FAKULTAS TEKNIK
JURUSAN TEKNIK ELEKTRO
UNIVERSITAS LAMPUNG
2018
ABSTRACT
DESIGN OF ZEBRA CROSS DETECTION MODEL ON TRAFFIC LIGHT
USING ADAPTIVE BACKGROUND SUBTRACTION METHOD
By
PAMI RULI SETIAWAN
The zebra crossing violations are often in Indonesia, whether they are carried out
by the law enforcement officials or non-legal officers. The traffic accidents were
most occured due to the driver’s breaking through the line of traffic light when the
red light is on. To overcome with this problem, a zebra crossing detection system
was conducted. In this study, zebra cross detection system was made using adaptive
background substraction method, and Raspberry Pi 3. Adaptive background
substraction method is applied to measure and processes the images which violate
the traffic light line using a camera. The images which have been attained then
detect the object which violates the detection line. Then, the object after being
proceesed will be given a buzzer as a means of a warning. The results show that the
zebra cross violation detection model successfully classified objects, and capable
of producing a warning to objects that violate through the buzzer automatically.
Keywords: Violations, Adaptif Background Substraction, Traffic Light, Raspberry
Pi 3.
ABSTRAK
RANCANG BANGUN MODEL DETEKSI ZEBRA CROSS PADA
TRAFFIC LIGHT DENGAN MENGGUNAKAN METODE ADAPTIF
BACKGROUND SUBSTRACTION
Oleh
PAMI RULI SETIAWAN
Indonesia sering terjadi pelanggaran zebra cross, baik yang dilakukan oleh penegak aparat
hukum non aparat hukum. Salah satu jenis pelanggaran zebra cross yang sering
mengakibatkan kecelakaan lalu lintas adalah pengendara melanggar atau
menerobos Traffic Light saat lampu merah menyala. Untuk mengatasi masalah
pelanggaran tersebut ialah dengan sebuah sistem pendeteksi pelanggaran zebra
cross. Pada penelitian ini dibuat sistem deteksi zebra cross dengan menggunakan
metode adaptif Background Subtraction menggunakan Raspberry Pi 3. Metode
adaptif Background Subtraction digunakan untuk memproses citra berisi objek
yang ditangkap pada traffic light menggunakan kamera, citra yang diperoleh dapat
menangkap objek yang melanggar garis line deteksi. Kemudian hasil objek yang
ditangkap saat melanggar akan diberikan peringatan berupa buzzer. Hasil pengujian
menunjukan bahwa model deteksi pelanggaran zebra cross berhasil
mengklasifikasikan objek yang melanggar, mampu memberikan peringatan objek
yang melangggar melalui buzzer secara otomatis.
Kata Kunci: Pelanggaran, Adaptif Background Substraction, Traffic Light,
Raspberry Pi 3.
RIWAYAT HIDUP
Penulis dilahirkan di Purba Sakti, Lampung Utara pada
tanggal 12 Juli 1996 sebagai anak pertama dari tiga
bersaudara, dari bapak Paimin dan ibu Tumiyem. Pendidikan
sekolah dasar diselesaikan di SD 02 Yapindo pada tahun 2005
dan SDN 1 Bandar Sakti pada tahun 2005 sampai 2009, Sekolah Menengah Pertama
di SMP Yapindo diselesaikan pada tahun 2011, dan Sekolah Menengah Atas di
SMAN 1 Abung Semuli diselesaikan pada tahun 2014. Pada tahun 2014, Penulis
terdaftar sebagai mahasiswa Jurusan Teknik Elektro Fakultas Teknik Universitas
Lampung melalui jalur Mandiri (Ujian Mandiri Perguruan Tinggi Negeri) 2014.
Selama menjadi mahasiswa penulis aktif menjadi asisten pada tahun 2015 hingga
2018 di Laboratorium Elektronika. Penulis juga aktif dalam organisasi Himpunan
Mahasiswa Teknik Elektro (HIMATRO) sebagai Anggota Divisi Kerohanian pada
tahun 2015-2016, Pada Tahun 2016 – 2017 sebagai Anggota Divisi Pengabdian
Masyarakat. Pada rentang waktu 17 Juli - 15 September 2017, penulis
melaksanakan Kerja Praktik di PT. Vertech Perdana dan ditempatkan pada Divisi
Automation dan Control products dan service. Penyelesaian Kerja Praktik tersebut
menghasilkan sebuah laporan Kerja Praktik dengan judul “Sistem Redundant CPU
(Central Prosesing Unit) pada Desalination Panel dengan menggunakan PLC
SIMATIC S7-400 di PT. Vertech Perdana)”.
PERSEMBAHAN
Dengan Ridho Allah SWT, teriring shalawat kepada Nabi Muhammad
Shalallahu Alaihi W assalam Karya tulis ini kupersembahkan untuk: Ayah dan Ibuku Tercinta
Paimin & Tumiyem
Serta Adikku Tersayang Citra Rosida Dwi Lestari dan Sabrina Mutiara Rosnata
Keponakan Tersayang
Lukman Nurharis, Juwita Nurnissa , Rizky Meldiano dan Dzihni
Teman-teman kebanggaanku Rekan-rekan Jurusan Teknik Elektro 14
Almamaterku
Universitas Lampung
Bangsa dan Negaraku Republik Indonesia
Terima-kasih untuk semua yang telah diberikan kepadaku. Jazzakallah
Khairan.
MOTO
“JADILAH MANUSIA YANG SELALU BERSYUKUR”
“Ya Tuhanku, lapangkanlah dadaku. Dan mudahkanlah bagiku urusanku.
Dan lepaskanlah kekakuan lidahku. (Supaya) mereka memahami
perkataanku”.
(Thaha: 25-28)
Katakanlah: “Wahai Tuhan Yang mempunyai kerajaan, Engkau berikan
kerajaan kepada orang yang Engkau kehendaki dan Engkau cabut kerajaan
dari orang yang Engkau kehendaki. Engkau muliakan orang yang Engkau
kehendaki dan Engkau hinakan orang yang Engkau kehendaki. Di tangan
Engkaulah segala kebajikan. Sesungguhnya Engkau Maha Kuasa atas segala
sesuatu.
(Ali-Imran: 26).
JANGANKAN YANG SULIT, YANG MUSTAHILPUN JIKA
DILAKUKAN KARENA ALLAH, MAKA AKAN DIMUDAHKAN
OLEHNYA.
“Tanamlah pohon di sepanjang jalan hidupmu, meski kelak kamu tidak akan
pernah memetik buahnya. Teruslah berbuat baik di setiap nafas hidupmu,
meski kamu tidak akan pernah mendapatkan balasan darinya”
SANWACANA
Bismillaahirrohmaanirroohiim
Segala puji bagi Alloh SWT karena berkat rahmat dan karunia-Nya telah
memberikan kekuatan dan kemampuan berpikir kepada penulis dalam penyelesaian
penulisan Skripsi ini sehingga laporan ini dapat selesai tepat pada waktunya.
Sholawat dan salam tak lupa penulis sampaikan kepada Nabi Muhammad SAW
karena dengan perantara beliau kita semua dapat merasakan nikmatnya ibadah,
nikamatnya bersyukur, dan insya Alloh nikmatnya surga.
Skripsi ini berjudul “Rancang Bangun Model Deteksi Zebra Cross Pada Traffic
Light dengan menggunakan metode Adaptif Background Substraction“ yang
merupakan salah satu syarat untuk memperoleh gelar Sarjana Teknik di Jurusan
Teknik Elektro Fakultas Teknik Universitas Lampung.
Selama menjalani pengerjaan Skripsi ini, penulis mendapatkan bantuan pemikiran
maupun dorongan moril dari berbagai pihak. Oleh karena itu dalam kesempatan
kali ini, penulis ingin mengucapkan terima kasih kepada :
1. Bapak Prof. Dr. Ir. Hasriadi Mat Akin, M.P. selaku Rektor Universitas
Lampung.
2. Bapak Prof. Suharno, M.Sc., Ph.D. selaku Dekan Fakultas Teknik Universitas
Lampung.
2. Bapak Dr. Ing. Ardian Ulvan, S.T., M.Sc dan Bapak Dr. Herman Halomoan S,
S.T.,M.T. selaku Ketua Jurusan serta Sekertaris Jurusan Teknik Elektro
Fakultas Teknik Universitas Lampung.
3. Bapak F.X. Arinto Setiawan, M.T, selaku kepala Laboratorium Elektronika,
Jurusan Teknik Elektro Universitas Lampung serta sebagai dosen pembimbing
utama, terimakasih atas atas kesediaan waktunya dalam membimbing dan
memberikan ilmu.
4. Bapak Syaiful Alam,S.T.,M.T. selaku Dosen Pembimbing Pendamping, terima
kasih atas waktu dan bimbingannya selama mengerjakan skripsi.
5. Ibu Dr. Ir. Sri Ratna S, M.T. selaku Penguji Utama, terima kasih atas
masukannya guna membuat skripsi ini menjadi lebih baik lagi.
6. Bapak Herri Gusmedi,S.T.,M.T selaku pembimbing Akademik penulis yang
banyak sekali memberikan ,motivasi dan dorongan semasa penulis berada di
bangku perkulihan Jurusan Teknik Elektro Universitas Lampung
7. Seluruh Bapak dan Ibu Dosen Teknik Elektro, Terimakasih atas bimbingan dan
ilmu yang telah diberikan selama menuntut ilmu di Jurusan Teknik Elektro
Universitas Lampung.
8. Kak Yudi Eka Putra S.T selaku PLP Laboratorium Elektronika, yang telah
membantu dalam banyak hal.
9. Ayah, Ibu serta adikku tercinta tiada kata yang dapat tertulis segala
pengorbanan yang kalian lakukan untuk hidupku, yang selalu memberikan
semangat, dukungan, nasihat, dan do’a restu yang tak henti-hentinya diberikan
selama ini.
10. Nurhana, Hafid, Nelly, Nurri, Rizeki, dan Vitriane Keluarga KKN Tiyuh
Wonokerto Periode Januari 2018-Febuari 2018 terimakasih atas do’a, motivasi,
serta hal-hal yang telah membuat penulis semangat untuk mengerjakan Tugas
Akhir ini.
11. Para Asisten dan Staff Elka yang telah memberikan gagasan dan bantuan dalam
hal pembuatan alat, serta suasana indah yang mungkin kedepannya tidak kita
rasakan kembali.
12. Seluruh teman-teman ELEKTRO 2014 atas kebersamaan dan kekeluargaan
yang kalian semua berikan kepada penulis, mulai penulis masuk kuliah hingga
penulis menyelesaikan skripsi ini, terima kasih atas nilai kehidupan yang kalian
berikan. Bagi penulis kalian Keluarga yang selalu Luar Biasa.
13. KHUSUS kepada Arif Munandar, C.S.T (Sensei Yang Terhormat) terimakasih
telah mengajari serta menemani hingga penulis mendapatkan gelar S.T semoga
cepat menyusul.
14. Resty Rahmawanti yang telah membantu dan memberikan dukungan kepada
penulis selama proses penyusunan tugas akhir ini , semoga cepat menyusul
gelar S.Pd
15. Semua pihak yang tidak dapat disebut satu persatu yang telah membantu serta
mendukung penulis dari awal kuliah sampai dengan terselesaikannya Skripsi
ini.
Semoga Alloh SWT membalas kebaikan semua pihak yang telah membantu dalam
penyelesaian Skripsi ini.
Bandar Lampung, 09 October 2018
Penulis,
Pami Ruli Setiawan
DAFTAR ISI
Halaman
ABSTRACT ............................................................................................................ ii
ABSTRAK ............................................................................................................. iii
LEMBAR PERSETUJUAN.................................................................................... v
LEMBAR PENGESAHAN ................................................................................... vi
SANWACANA ...................................................................................................... xi
DAFTAR ISI ......................................................................................................... xv
DAFTAR GAMBAR .......................................................................................... xvii
DAFTAR TABEL ................................................................................................. xx
BAB I. PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang .............................................................................................. 1
1.2 Tujuan Penelitian ........................................................................................... 1
1.3 Manfaat Penelitian ....................................................................................... 11
1.4 Perumusan Masalah ..................................................................................... 12
1.5 Batasan Masalah .......................................................................................... 13
1.6 Hipotesis ...................................................................................................... 13
1.7 Sistematika Penulisan .................................................................................. 14
BAB II. TINJAUAN PUSTAKA .......................................................................... 16
2.1 Pendahuluan ................................................................................................ 16
2.2 Pengertian Traffic Light ............................................................................... 18
2.3 Pewaktuan Traffic Light .............................................................................. 20
2.3.1. Traffic Light waktu tetap ..................................................................... 20
2.1.1. Traffic Light waktu progesif ................................................................ 21
2.4 Citra Digital ................................................................................................. 21
2.5 Definisi Pengolahan Citra ........................................................................... 24
2.6. Background subtraction ............................................................................. 29
2.7. Tresholding ................................................................................................. 32
2.8. Libarry OpenCV ........................................................................................ 34
2.9. Pemodelan Adaptif ..................................................................................... 35
2.10. Format File Citra ...................................................................................... 36
2.10.1.AVI (Audio Video Interleaved).......................................................... 36
2.11. Deteksi Objek ........................................................................................... 37
2.12. Penelitian Terkait ..................................................................................... 38
BAB III. METODE PENELITIAN....................................................................... 43
3.1 Waktu dan Tempat Penelitian ..................................................................... 43
3.2 Alat dan Bahan ............................................................................................ 43
3.3 Metode yang digunakan .............................................................................. 44
3.4. Pengambilan Citra ...................................................................................... 46
3.5. Metode Penelitian ....................................................................................... 47
3.5.1. Diagram Alir Penelitian ........................................................................ 47
3.6. Pendeteksi Pelanggaran Zebra Cross Pada Traffic Light ........................... 49
3.6.1. Deteksi Pelanggaran Saat Lampu Merah ............................................. 50
3.6.2. Perancangan Model Sistem .................................................................. 54
3.7. Pengatur Raspberry Pi ................................................................................ 52
3.7.1. Pengatur Program ................................................................................. 53
3.8. Perancangan Model .................................................................................... 54
3.9. Pengujian Sistem ........................................................................................ 56
3.9.1. Pengujian Subsistem ............................................................................. 56
3.9.2. Pengujian Keseluruhan ......................................................................... 57
BAB IV. HASIL DAN PEMBAHASAN ............................................................ 58
4.1 Hasil dan Pengambilan Data ....................................................................... 58
4.1.1. Perancangan Model Pendeteksi Pelanggaran Zebra Cross ................... 59
4.1.2. Perangakat Lunak ................................................................................. 63
4.1.3. Hasil Perolehan Citra ............................................................................ 64
4.1.4. Hasil Pengolahan Awal ........................................................................ 67
4.1.5. Hasil Pendeteksi Objek......................................................................... 69
4.1.6. Hasil Pemodelan Latar Belakang ......................................................... 73
4.1.7. Hasil Morfologi Image Procesing ........................................................ 76
4.2 Pengujian ..................................................................................................... 78
4.2.1. Pengujian Perangkat Keras ................................................................... 79
4.2.2. Pengujian Perangkat Lunak .................................................................. 81
4.1.3. Hasil Pengujian Model Pendeteksi Pelanggaran Zebra Cross .............. 82
4.1.4. Pengujian Keseluruhan ......................................................................... 84
4.2 Pembahasan ................................................................................................. 87
BAB V. SIMPULAN DAN SARAN ................................................................... 91
5.1 Simpulan ...................................................................................................... 91
5.2 Saran ............................................................................................................ 92
DAFTAR PUSTAKA
LAMPIRAN
DAFTAR GAMBAR
Gambar........................................................................................................Halaman
2.1 Contoh alat elektronik .................................................................................... 17
2.2 Citra Digital ..................................................................................................... 24
2.3 Contoh Background subtraction ..................................................................... 30
3.1 Contoh proses Background Substraction ........................................................ 46
3.2 Diagram Alir Penelitian .................................................................................. 48
3.3 Diagram Proses Pendeteksi Pelanggaran zebra cross Pada Traffic Light ....... 49
3.4 Diagram Alur sistem Pendeteksi Pelanggaran Saat Lampu Merah ................ 51
3.5 Flow chart Pendeteksi Pelanggaran zebra cross pada timer Traffic light ...... 52
3.6 Perangkat Raspberry Pi .................................................................................. 53
3.7 Contoh Program Dual Camera Record ........................................................... 54
3.8 Perancangan Model Traffic (tampak depan) ................................................... 55
3.9 Perancangan Model Traffic Light (tampak samping)...................................... 56
4.1 Model deteksi pelanggaran zebra cross........................................................... 60
4.2 Perangkat Raspberry Pi 3 ................................................................................ 61
4.3 Tampilan perangkat kamera logitech .............................................................. 61
4.4 Tampilan perangkat lampu AC 3 warna. ........................................................ 62
4.5 Tampilan perangkat relay. .............................................................................. 63
4.6 Dekstop Raspbian Jessie. ................................................................................ 63
4.7 Tampilan awal python 2 .................................................................................. 64
4.8 Hasil perolehan Citra pada kondisi pagi hari dengan intensitas 8,27 lux ...... 65
4.9 Hasil perolehan Citra pada kondisi siang hari dengan intensitas 45 lux ......... 66
4.10 Hasil perolehan Citra pada kondisi sore hari dengan intensitas 90 lux......... 67
4.11 Model Latar belakang awal citra pagi, siang dan sore hari ........................... 68
4.12 Frame untuk variant awal (matrik 1) ........................................................... 69
4.13 Pemodelan Latar Belakang menggunakan adaptif background subtraction . 70
4.14 Proses Pengurangan Citra ............................................................................. 71
4.15 Proses Pengembangan .................................................................................. 72
4.16 Hasil Pemodelan Latar Belakang .................................................................. 74
4.17 Citra Biner tanpa Morfologi Opening ........................................................... 76
4.18 Hasil Penetuan objek yang bergerak tanpa melalui Morfologi Opening ...... 77
4.19 Citra Biner Tanpa Hasil Morfologi Opening ................................................ 78
4.20 Penentuan Garis batas Zebra Cros ............................................................... 85
DAFTAR TABEL
Tabel............................................................................................................Halaman
1.1 Hasil Operasi Zebra Tahun 2015 ...................................................................... 3
1.2 Data Pelanggaran Lalu Lintas di Bandar Lampung .......................................... 4
1.3 Penelitian Sebelumnya .................................................................................... 10
4.1 Hasil Pengujian Perangkat Keras .................................................................... 80
4.2 Hasil Pengujian Perangkat Lunak ................................................................... 81
4.3 . Hasil pendeteksian pelanggaran zebra cross pada model yang dirancang ... 83
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi di wilayah kepulaan Indonesia pada zaman
sekarang ini berjalan dengan sangat cepat. Hal tersebut diwujudkan dengan
terciptanya berbagai macam teknologi yang bermanfaat untuk mempermudah
kehidupan manusia dalam beraktivitas. Salah satu realisasi dari
perkembangan teknologi saat ini ialah perkembangan teknologi dalam bidang
otomotif. Di Indonesia sendiri, salah satu dampak dari perkembangan
teknologi tersebut ialah pengguna kendaraan di jalan raya yang semakin
meningkat. Hal ini tidak sebanding dengan meningkatnya jumlah kendaraan
dengan volume jalan yang tetap sehingga menyebabkan kepadatan lalu lintas
mengakibatkan kemacetan. Kemacetan yang terjadi dapat disebabkan oleh
beberapa faktor diantaranya pelanggaran lalu lintas yang dilakukan oleh
pengendara dan pengaturan lampu lintas yang tidak berkerja secara optimal.
Pelanggaran lalu lintas yang disebabkan oleh pengendara menyebabkan
ketidaknyamanan bagi para pengguna jalan lainnya. Hal ini salah satunya
2
disebabkan oleh para pengguna kendaraan yang kurang disiplin dalam
menaati rambu lalu lintas di jalan raya, para pengendara melanggar atau
menerobos Traffic Light saat kondisi lampu merah akan menyala.
Pelanggaran sangat berbahaya bagi diri sendiri dan bagi para penguna jalan
yang lain. Hal ini didukung oleh data yang diperoleh dari NTMC (National
Traffic Management Center) POLRI yaitu data analisa dan evaluasi
pelaggaran lalu lintas selama Operasi Zebra Cross tahun 2015. Di Jakarta
melakukan Operasi Zebra Cross tahun 2015 pada rabu malam tanggal 4
nopember tahun 2015 secara keseluruhan mengalami kenaikan jumlah
pelanggaran lalu lintas yang disebabkan pengendara jika dibandingkan
dengan tahun 2014.
Adapun tindakan langsung yang diberikan ialah pemberian surat tilang dan
menegur pelanggar lalu lintas oleh Petugas. Berikut ini menunjukan data
jumlah pelanggaran lalu lintas yang dikeluarkan oleh Posko Operasi Zebra
Cross tahun 2015 oleh Analisa dan Evaluasi (Anev), selama digelarnya
operasi Zebra 2015 dari tanggal 22 October – 4 November 2015:
3
Tabel 1.1 Data Hasil Operasi Zebra Tahun 2015 http://ntmc-
korlantaspolri.blogspot.co.id.
No PENINDAKAN
Tahun Trend
KET
H.1 s.d
H.14
Tahun
2014
H.1 s.d
H.14
Tahun
2015 Angka %
1 TILANG 540,665 550,772 10,107 2% NAIK
2 TEGURAN 110,686 134,201 23,515 21% NAIK
JUMLAH 651,351 684,973 33,622 5% NAIK
Berdasarkan data komulatif, jumlah penindakan pelanggaran lalu lintas H.1-
H.14 Operasi pada Zebra tahun 2015 mencapai 684,973 lembar, sedangkan
pada tahun 2014 mencapai 651,351 lembar. Artinya mengalami peningkatan
jumlah pelanggaran lalu lintas 33,622 lembar atau dengan trend naik 5 %.
Sedangkan data dari Satuan Lalu Lintas Polresta kota Bandar Lampung
menyebutkan bahwa selama 2016 (Januari-November) telah terjadi 46.119
kasus yang terjadi pelanggaran lalu lintas di Bandar Lampung, dapat
diperlihatkan tabel 1.2 :
4
Tabel 1.2 Data Pelanggaran Lalu lintas di Kota Bandar Lampung
Bulan
Jumlah
Pelanggaran
Penindakan
Tilang Non Tilang
Januari 7197 5670 1527
Februari 4654 3793 861
Maret 5414 3455 1959
April 3515 2690 825
Mei 6019 5264 755
Juni 2361 4158 880
Juli 5038 3667 865
Agustus 4532 3438 865
September 4248 2512 810
November 3141 2511 629
Jumlah 46119 36354 9765
Sumber dari : Kepolisian Resor Bandar Lampung tahun 2016
Berdasarkan tabel tersebut dapat dilihat bahwa tingginya angka pelanggaran
lalu lintas di Kota Bandar Lampung disebabkan oleh kurangnya dalam
perhatian masyarakat terhadap tertib lalu lintas. Hal tersebut dapat dikatan
bahwa tingginya jumlah pelanggaran lalu lintas dapat menyababkan jumlah
korban jiwa atau nyawa manusia meningkat akibat kecelakaan yang dapat
terjadi disetiap waktu.
Berdasarkan latar belakang tersebut, salah satu cara alternatif yang dapat
dimanfaatkan untuk mengurangi jumlah pelanggaran di persimpangan jalan
yaitu dengan menerapkan deteksi pelanggaran secara visual yang akan
diintergrasikan dengan pola pengaturan lalu lintas. Selanjutnya, untuk
menggunakan deteksi pelanggaran secara visual, dibutuhkan suatu sistem
software yang saling terintergritas dengan baik sehingga deteksi pelanggran
tersebut akan mendapatkan hasil yang optimal. Tampilan visual dari deteksi
5
pelanggaran dapat menerapkan image processing. Dengan menerapkan suatu
proses image processing, tampilan visual ini akan berkerja secara real time.
Pengendalian webcam yang digunakan secara real time ini akan
memaksimalkan hasil citra ketika akan terjadi suatu pelanggaran lalu lintas.
Maka dari itu, diperlukan perencanaan dan pengimplementasian model
pendeteksi pelanggaran lalu lintas secara visual dengan cara
mengintergrasikan peraturan lalu lintas dan sistem pendeteksian pelanggaran
pada lalu lintas tersebut. Keunggulan pada sistem ini yaitu dapat membantu
pekerjaan petugas kepolisian dalam menindaklanjuti pelanggaran–
pelanggaran lalu lintas yang akan terjadi sekaligus membuat masyarakat agar
lebih taat dalam berlalu lintas. Oleh karena itu, sangat diharapkan alat
pendeteksi lalu lintas ini dapat menjadi solusi alternatif dalam mengurangi
pelanggaran lalu lintas sehingga dapat meminimalisir adanya kecelakaan
yang terjadi.
Penelitian yang mengenai pendeteksi pelanggaran pada zebra cross juga telah
banyak di lakukan. Penelitian sebelumnya menggunakan sensor pendeteksi
photodiode dan webcam untuk menangkap gambar pelanggaran dilakukan
oleh Halim Wongsokuncoro 2016 dari Universitas Airlangga. Berbeda
dengan penelitian ini, menggunakan Raspberry Pi 3. Jika terjadi pelanggaran
zebra cross maka akan berbunyi buzzer.
6
Penelitian sebelumnya yang berkorelasi dengan deteksi zebra cross juga
dilakukan oleh Hario Baskoro Basoeki 2014 dari Politeknik Negeri Surabaya
menjelaskan pengujian dilakukan menggunakan 10 video yang
mengambarkan pantau dalam keadaan lampu merah sedang menyala dan 10
video yang mengambarkan daerah yang dipantau keadaan lampu hijau
sedang menyala. Hasil pengujian ini menghasilkan prosentase sebesar
86,67% untuk pelanggaraan saat lampu merah dan 96,67% untuk pendeteksi
pelanggaran lampu hijau. Untuk saran pada penelitian tersebut dapat mencari
metode lain untuk proses segmentasi dan ekstraksi fitur sehingga dapat
meningkatkan tingkat keakuratan dari sistem tiap-tiap deteksi pelanggaran.
Jenis kamera yang digunakan perlu diperhatikan spesifikasinya.
Penelitian sebelumnya yang berkaitan dengan deteksi zebra cross pada citra
digital dengan menggunakan metode Hough Transform dilakukan oleh Fitria
Indriani 2017 Universitas Brawijaya menjelaskan penggunaan operasi dilasi
sangat mengandalkan dalam proses structuring element yang digunakan.
structuring element memungkinkan sistem mengenali posisi zebra cross,
tetapi kegagalan yang ditimbulkan sangat tinggi. Terdapat beberapa faktor
yang mempengaruhi hasil pendeteksian zebra cross yaitu cara pengambilan
citra, tingkat pencahayaan yang tidak merata, rusak atau tidaknya zebra cross
pada traffic light.
Penelitian sebelumnya yang berkaitan dilakukan oleh Andri Alfiani 2013
Teknik Elektronika, PENS menjelaskan proses pengambilan gambar
7
menggunakan webcam sangat kurang bagus hasil gambarnya ketika siang
hari. Error yang didapatkan pengujian adalah sebesar 13,08 %.
Penelitian sebelumnya berkaitan dilakukan oleh Danding Adhi Priutamo
2013 dari Universitas Telkom dengan judul simulasi dan analisis sistem smart
traffic light berbasis pengolahan citra digital dengan metode deteksi tepi dan
segmentasi dapat berkerja dengan baik. Sistem ini memiliki rata-rata akurasi
80,93%. Nilai rata-rata yang didapatkan dari video yang diuji dari tiga konidis
yaitu pagi hari (cerah) sebesar 82,85%, siang hari (cerah) 77,14% dan sore
hari (berawan) 82,85%. FPS akan terjadi berpengaruh terhadap waktu
komputasi,sedangkan data rate sangat berpengaruh terhadap data antrian
kendaraan. Objek seperti bayangan, pohon yang bercabangnya berada diatas
jalan, dan orang yang menyebrang jalan akan mempengaruhi tingkat akurasi
karena jika objek masuk kedalam wilayah akan diproses, maka objek tersebut
akan dikenali sebagai kendaraan bermotor.
Penelitian sebelumnya yang berkaitan dengan deteksi pelanggaran lalu lintas
menggunakan evaluasi kendaraan dilakukan oleh Katayo Klubsuwan 2013
dari Universitas Bangkok Thailand menjelaskan metode yang diusulkan
menunjukkan kinerja tinggi dalam hal akurasi deteksi pelanggaran dan
kompleksitas komputasi karena sistem dapat dilakukan secara real-time.
Algoritma ini dapat mendeteksi sinyal lampu lalu lintas menggunakan
pemrosesan video murni dengan akurasi tinggi dan menunjukkan deteksi
pelanggaran reduksi cahaya dan jalur kecepatan tinggi. Pada penelitian
8
selanjutnya, jaringan syaraf tiruan akan diaplikasikan untuk mendeteksi
pelanggaran lalu lintas kendaraan. Masalah dalam proses pengambilan
gambar akan ditingkatkan untuk kinerja yang lebih tinggi dalam
mengidentifikasi berapa banyak kendaraan dalam setiap frame.
Penelitian selanjutnya tentang pengenalan zebra cross yang dilakukan (Sun
,2016) menggunakan metode Hough Transform untuk ekstraksi dan
rekonstruksi zebra cross dengan akurasi sebesar 98,4%. Dengan
perkembangan teknologi saat ini sudah banyak sistem pengendali lalu lintas
cerdas dengan melihatkan metode – metode yang beragam, seperti yang telah
di lakukan oleh (Sudarono, 2011), (Khoswanto dkk, 2005), (Manto, 2015),
dan (Sonia dkk, 2015). Akan tetapi sampai saat ini, hasil yang didapat masih
belum optimal. Penelitian ini bertujuan membuat sebuah sistem pendeteksi
pelanggaran zebra cross pada traffic light yang optimal yaitu sebuah sistem
berbasis pengolahan citra menggunakan sensor kamera.
Penelitian yang metode adaptif background subtraction sudah banyak
dilakukan oleh penelitian-penelitian sebelunya. Penelitian sebelumnya
menggunakan metode ini untuk mendeteksi keberadaan objek dibawah air
(Prabowo, 2017). Pada penelitian bawah air perubahan latar belakang terjadi
akibat gelombang air, perubahan intensitas cahaya, dan adanya objek-objek
kecil yang harus dideteksi sebagai latar belakang.
Penelitian lainnya adalah menggunakan metode ini untuk mengurangi
perubahan- perubahan kecil latar belakanng karena latar belakang bersifat
9
dinamis (Setyawan, 2015). Perubahan-perubahan kecil yang terjadi pada latar
belakang dinamis misalnya gerakan daun akibat angin di tetesan air hujan.
Penelitian tentang deteksi zebra cross menggunakan pengolahan citra
dilakukan sebelumnya. Salah satunya penggunaan metode self similarity
untuk mendeteksi zebra cross (Wang, C. dkk, 2015). Pada penelitian ini
menggunakan self similarity dipergunakan untuk mendeteksi adanya zebra
cross sedangkan pada penelitian yang dilakukan zebra cross diasumsikan
sudah diketahui dengan posisinya ditentukan menggunakan garis bantu.
Penelitian ini akan dibuat sistem pendeksian pelanggaran zebra cross pada
traffic light berbasis citra dengan metode adaptif Background Substraction.
Alat yang digunakan menggunakan kamera yang berguna untuk mengcapture
hasil yang melanggar zebra cross. Setelah melakukan menangkap gambar
kemudian buzzer ON menandakan ada yang melanggaran di garis zebra.
Proses deteksi ini menggunakan line deteksi untuk menandakan ada yang
melanggaran pada zebra cross. Sehingga diharapkan akan memperbaiki hasil
yang diperoleh dari penelitian sebelumnya. Penempatan dari membagun
model ini yaitu nantinya dapat mengurangi kemacetan, dan membantu
kepolisian dalam menertibkan lalu lintas, dan dapat diharapkan menghasilkan
peraturan lalu lintas secara adiptif yang akan menekan jumlah pelanggaran
zebra cross pada Traffic Light sehingga masyarakat dapat menaati peraturan
berlalu lintas. Penelitian ini dilakukan hanya akan mendeteksi adanya
pelanggar lalu lintas dan memberikan peringatan berupa suara melalui buzzer.
10
Pelanggaran terjadi jika lampu Traffic Light sedang dalam kondisi menyala
merah dan kendaraan melewati batas zebra cross.
Manajemen lalu lintas semakin didukung dengan aplikasi teknologi
informasi. Perkembangan teknologi memperkenalkan pendeteksian
pelanggaran zebra cross sebagai salah satu bagian penting dari kecerdasan
berbasis visual navigasi kendaraan. Pengenalan deteksi pelanggaran zebra
cross ini bisa dilakukan dengan menerapkan metode adaptif Background
Substraction.
Berikut ini diperlihatkan pada tabel 1.3 penelitian sebelumnya sebagai berikut
:
Tabel 1.3 Penelitian Sebelumnya
No Nama (Instansi) Judul penelitian
1
Danding Adhi Priutomo, Ir. Rita
Magdalena, M.T., Nur Andini, S.T.,
M.T.(Prodi S1 Teknik
Telekomunikasi, Fakultas Teknik
Elektro, Telkom University) Tahun
2016
Simulasi Dan Analisis Sistem
Smart Traffic Light Berbasis
Pengolahan Citra Digital Dengan
Metode DeteksiTepi Dan
Segmentasi
2
Katanyoo Klubsuwan, Wittaya
Koodtalang Image Processing
Research and Development
(Surasak Mungsing Master of
Science in Information Technology
ProgramInformation Science
Institute of Sripatum
UniversityBangkok, Thailand
Tahun 2014
Traffic Violation Detection using
Multiple Trajectories Evaluation of
Vehicles
3
Hario Baskoro Basoeki, Johan
Kharisma Amirudin, Nino Prasetyo
Hamal Pratama, Agus Supriyanto,
Fani Firdausi Nuzula, Politeknik
Elektronika Negeri Surabaya.Tahun
2014
“BTRAFFWATCH” Solusi Untuk
Pihak Kepolisian Dalam
Melakukan Pengawasan Dan
Pendeteksi Pelanggaran Pada
Lampu Lalu Lintas
11
4
Andri Alfian, Ronny Susentyoko,
Eru Puspita, Program Studi Teknik
Elektronika PENS-ITS Tahun 2013
Alat Pendeteksi Pelanggaran Marka
Lalu Lintas Dengan Indikasi
Jumlah Pelanggar
5
Fitria Indriani1, Fitri
Utaminingrum, Yuita Arum Sari,
Program Studi Teknik Informatika,
Fakultas Ilmu Komputer, Unversitas
Brawijaya Tahun 2017
Deteksi Zebra Cross Pada Citra
Digital Dengan Menggunakan
Metode Hough Transform
6.
Halim Wongsokuncoro. Program
Studi Teknik Otomasi Sistem
Instrumentasi, Fakultas Teknik,
Universitas Airlangga Tahun 2016
Rancang Bangun Pendeteksi
Pelanggaran Pada Traffic Light
Berbasis
Mikrokontroler.
7.
Prabowo, M.R., Hudayani,
N.,Purwiyanti, S., Sulistiyanti, S.R.,
Setyawan, F.X.A.(2017) Proc.
EECSI 2017, Yogyakarta,
Indonesia, 19-21 September.
A Moving Objects Detection In
Underwater Video Using
Subtraction Of The Background
Model
8.
Setyawan, F.X.A., Tan, J.K., Kim,
H., Ishikawa, S.(2015) 10-12
Januari, 27-31.
Detecting moving objects on a
video having a dynamic
background, proceeding of
International Conference on
Artificial Life and Robotics
(ICAROB)
9
Wang, C., Zhao, C., Wang, H.
(2015) The Open Automation and
Control Systems Journal,Vol. 7,
974-986.
Self-Similarity Based Zebra-
Crossing Detection for Intelligent
Vehicle
1.2 Tujuan Penelitian
Tujuan dari penelitian ini antara lain :
1. Membuat model yang dapat mendeteksi adanya pelanggaran pada
traffic light.
2. Mengetahui kinerja keseluruhan sistem alat dalam mendeteksi
pelanggaran pada traffic light
12
3. Mengetahui performasi kinerja alat dalam mendeteksi dan menangkap
gambar sesuai input yang diberikan pada traffic light.
1.3 Manfaat Penelitian
Manfaat dari penelitian ini yaitu:
1. Mempermudah pendeteksian pelanggaran yang ada pada traffic light
yang berguna membantu aparat penegak hukum dalam melakukan
pengawasan lalu lintas dan dapat membuat masyarakat lebih sadar
hukum.
2. Sebagai pengembangan atas penelitian sebelumnya khususnya sistem
pendeteksi pelanggaran zebra cross dengan indikasi jumlah pelanggar
pada traffic light.
1.4 RumusanMasalah
Rumusan masalah dari penelitian ini adalah :
1. Bagaimana membuat sebuah model mendeteksi adanya pelanggaran
pada traffic light ?
2. Bagaimana kinerja software dalam mendeteksi dan menangkap gambar
pelanggaran sesuai dengan input yang diberikan pada traffic light?
3. Bagaimana kinerja keseluruhan sistem alat dalam pendeteksi
pelanggaran pada traffic light ?
13
1.5 Batasan Masalah
Pada penelitian ini dibatasi pada hal-hal sebagai berikut :
1. Hanya membahas tentang traffic light
2. Hanya menggunakan satu metode yaitu Adaptip Background
Subraction
3. Tidak membahas apabila ada orang yang menyebrang pada Traffic
Light.
4. Webcam digunakan sebagai alat pemotret pelanggaran Traffic light.
5. Diasumsikan yang melintas di jalan adalah kendaraan mobil.
1.6 Hipotesis
Model yang dikonstruksi untuk dapat mendeteksi traffic light yaitu dengan
menggunakan sebuah metode dalam pengolahan citra, yaitu metode Adaptif
Background Substraction. Background Substraction yang diketahui sebagai
Foreground Detection, ialah salah satu teknik dalam bidang pengolahan citra
dan computer vision yang bertujuan untuk mendeteksi atau mengambil
foreground dari background untuk selanjutnya akan diolah lebih lanjut.
Umumnya, foreground yang dibutuhkan ialah berupa objek manusia, mobil
dan teks. Citra diperoleh dari sebuah kamera. Data yang diperoleh akan
dianalis, kemudian dapat menentukan keadaan lalu lintas dan dijadikan
sebagai input. Lalu diproses kedalam suatu program sehingga dapat
14
mendeteksi pelanggaran trafic light. Sistem yang dirancang diduga dapat
melakukan pendeteksian terhadap jenis dimensi objek zebra cross yang
diamati. Penggunaan applikasi OpenCV dengan bahasa pemprogram Pyton
versi 2.7 juga dapat digunakan dalam proses pendeteksian tersebut.
1.7 Sistematika Penulisan
Untuk memudahkan penulisan dan pemahaman mengenai materi tugas akhir
ini, maka tugas akhir ini dibagi menjadi 5 bab, yaitu :
BAB I. PENDAHULUAN
Memuat latar belakang, tujuan, manfaat, perumusan masalah, batasan
masalah, hipotesis, dan sistematika penulisan.
BAB II. TINJAUAN PUSTAKA
Menjelaskan tentang teori-teori yang mendukung pendeteksi pelanggaran
zebra cross pada traffic light serta teori-teori tentang metode yang akan
digunakan, yaitu metode adaptif Background Substraction.
BAB III. METODE PENELITIAN
Berisi waktu dan tempat penelitian, alat dan bahan yang digunakan, garis
besar metode yang diusulkan, serta diagram alir metode yang diusulkan.
BAB IV. HASIL DAN PEMBAHASAN
15
Menjelaskan hasil penelitian, pembahasan, dan perhitungan kinerja metode
yang diusulkan.
BAB V. SIMPULAN DAN SARAN
Memuat simpulan yang diperoleh dari hasil penelitian, dan saran-saran untuk
pengembangan lebih lanjut.
DAFTAR PUSTAKA
LAMPIRAN
BAB II
TINJAUAN PUSTAKA
Untuk menjalankan penelitian ini maka perlu diperhatikan yaitu sistem lalu lintas
yang aman untuk pengendara bermotor dan dapat diimplementasikan untuk
pendeteksi pelanggaran zebra cross. Tugas akhir ini menjalankan sistem
pengolahan sinyal pada masukan sebagai entry point dalam dateksi pelanggaran
zebra cross. Sehingga, pembuatan rancang bangun memanfaatkan beberapa
komponen diantaranya Raspberry Pi sebagai pengontrol, webcam sebagai
menangkap gambar hasil pelanggaran, buzzer berfungsi sebagai peringatan untuk
pengendara dan database disimpan ke dalam sebuah komputer. Pelanggaran terjadi
ketika kondisi lampu menyala merah pada traffic light dan kendaraan melewati
batas zebra cross.
2.1 Pendahuluan
Citra merupakan salah satu fungsi yang secara kontinu dari intrnsitas cahaya
sangat penting sebagai bentuk suatu bidang. Citra memiliki fungsi
karakteristik seperti data teks, yaitu citra kaya akan informasi.
17
Pengolahan citra ialah sebuah teknik pengolahan citra atau gambar oleh
sebuah komputer. Menurut Efford 2000, pengolahan citra atau image
processing merupakan sebuah istilah umum sangat diperlukan untuk
memanipulasi dan memodifikasi gambar dengan menggunakan berbagai
proses. Pengolahan citra adalah proses memperbaiki kualitas citra agar yang
dihasilkan lebih mudah di interpretasikan oleh manusia atau komputer (Kadir
dkk, 2013).
Terdapat contoh pemprosesan dalam pengolahan citra yang
diimplementasikan dalam beberapa aplikasi nyata seperti, penginderaan jarak
jauh melalui satelit, deteksi objek bergerak, klasifikasi bentuk tubuh ataupun
machine vision.Saat ini banyak sekali peralatan alat elektronik yang berkaitan
dengan pengolahan citra seperti kamera digital, kamera trap, finger print,
scanner, dan sebagainya. Gambar 2.1 adalah contoh berbagai macam
peralatan elektronik yang berkaitan dengan pengolahan citra. Selain prinsip
pengolahan citra dapat diterapkan pada alat-alat, masih cukup banyak
penggunaan prinsip-prinsip pengolahan citra di sekeliling kita.
Gambar 2.1. Contoh alat elektronik (a) Kamera digital
(b) Kamera trap (c) Scanner.
(a) (b) (c)
18
Seperti pada penelitian sebelumnya (Sonia dkk, 2015) pengolahan citra
digunakan pada pengklasifikasian kendaraan pada traffic light dengan
menggunakan suatu metode ialah menggunakan pemprosesan edge detection.
Melalui penggunaan pengolahan citra, komputer dapat menjalankan proses
deteksi dan menggolongkan jenis kendaraan yang melewati traffic light.
2.2 Pengertian Traffic Light
Lampu lalu lintas menurut Undang-undang no. 22/2009 penjelasan mengenai
lalu lintas dan angkutan jalan adalah alat pemberi isyarat lampu lalu lintas
atau (APILL) merupakan lampu lalu lintas yang dapat mengontrol arus lalu
lintas yang terikat di persimpangan jalan, tempat penyebrangan seperti
pejalan kaki (zebra cross), dan tempat arus lintas lainnya. Lampu lalu lintas
ini dapat mengisyaratkan kendaraan harus berjalan atau berhenti secara
bergantian dari berbeda arah. Pengaturan lalu lintas di persimpangan jalan ini
dimaksudkan untuk mengatur pergerakan kendaraan sehingga dapat bergerak
secara bergantian dan tidak saling menggangu antar arus yang ada.
Lampu lalu lintas telah diabsorsi di hampir semua kota di dunia ini. Lampu
ini secara universal telah diakui menggunakan warna yang berbeda untuk
menandakan tiga jenis keadaan; warna merah menunjukkkan berhenti, warna
kuning menandakan hati-hati dan warna hijau menandakan berjalan
kendaraan.
19
Tujuan adanya lampu lalu lintas diantaranya sebagai berikut :
1. Menghindari hambatan kendaraan mobil dan motor yang diakibatkan oleh
perbedaan arus jalan.
2. Memfasilitasi persimpangan antar jalan utama untuk kendaraan dan
pejalan kaki dengan jalan sekunder sehingga kelancaran arus lalu lintas
dapat terjamin.
3. Mengurangi tingginya tingkat kecelakaan di jalan raya yang diakibatkan
oleh tabrakan antar kendaraan karena perbedaan arus jalan.
Peraturan hukum tentang zebra cross itu sendiri sesuai dengan Undang-
Undang No: 22 Tahun 2009 tentang Lalu Lintas dan Angkutan Jalan (LLAJ),
pasal 131 Ayat (2), menyatakan bahwa “Pejalan kaki berhak mendapatkan
prioritas pada saat menyebrang jalan di tempat penyebrangan”. Menurut Pasal
284 menyatakan bahwa “Setiap orang yang mengumudikan kendaraan
bermotor dengan tidak mengutamakan keselamatan pejalan kaki atau
pesepeda sebagaimana dimaksud dalam Pasal 106 Ayat (2) dipidana dengan
pidana kurungan paling lama 2 (dua) bulan atau denda paling banyak Rp
500.000,00 (lima ratus ribu rupiah).
Berbagai upaya dalam mengatasi kemacetan lalu lintas adalah dengan
penambahan sarana jalan, pembagunan jalan tol, jalan layang, terowongan,
sistem pengaturan lampu ATCS (Area Traffic Control Sistem) dan lain-lain.
Dengan demikian, untuk mengatur lalu lintas yang sangat padat dibutuhkan
rambu lalu lintas dan petugas kepolisian yang berjaga. Lampu lalu lintas dapat
20
memberikan keuntungan bagi peningkatan keamanan jalan raya yaitu
mengurangi kemacetan dan memberikan keamanan bagi pengguna
penyebrangan jalan. Jadi, lampu lalu lintas dapat diartikan sebagai lampu
yang digunakan untuk mengatur kelancaran lalu lintas di suatu persimpangan
jalan dengan cara memberi kesempatan pengguna jalan dari masing-masing
arah untuk berjalan secara bergantian.
2.3 Pewaktuan Traffic Light
2.3.1. Traffic Light Waktu Tetap
Lampu lalu lintas waktu tetap adalah waktu yang diperlukan untuk
suatu rangkaian indikasi lampu lalu-lintas yang lengkap dan besarnya
antara 30 sampai 120 detik. Lampu lalu lintas waktu tetap diatur untuk
mengulangi dengan tetap rangkaian indikasi lampu lalu lintas pada
interval waktu tertentu. Aspek berhenti pada suatu persimpangan jalan
mengakibatkan terkumpulnya kendaraan dalam antrian di belakang
garis henti. Pelepasan antrian ini terjadi setelah menerima lampu hijau
dan akan bergerak mula-mula dalam bentuk kumpulan (Hobbs, 1995).
2.3.2 Traffic Light Waktu Progresif
21
Pengaturan lampu untuk traffic light waktu progresif yang sederhana
untuk suatu jalan tertentu dilakukan dengan menggunakan diagram
waktu ruang. Saat ini, pendekatan menggunakan diagram waktu ruang
ditambah atau digantikan dengan simulasi menggunakan analisa atau
simulasi dengan komputer memerlukan beberapa langkah yaitu:
1. Menghitung jumlah waktu yang memadai;
2. Menentukan panjang siklus yang memadai untuk seluruh sistem
dan pembagian siklus pada setiap persimpangan berdasarkan
hasil perhitungan.
3. Menentukan kecepatan tempuh yang paling diinginkan di setiap
jalan (Hobbs, 1995).
2.4 Citra digital
Menurut kamus Webster, citra adalah suatu representasi, kemiripan, atau
imitasi dari suatu objek atau benda. Citra dapat disebut sebagai citra digital
jika citra tersebut disimpan dalam format digital (dalam bentuk file). Citra
digital hanya dapat diolah menggunakan komputer sedangkan jenis lainnya
tidak bisa atau harus diubah ke citra digital terlebih dahulu sebelum diolah
komputer.
Sebuah citra digital dapat diwakili oleh sebuah matriks yang terdiri dari M
kolom N baris, dimana perpotongan antara kolom dan baris disebut piksel
22
(piksel = menangkap elemen), merupakan elemen terkecil dari sebuah citra.
Piksel mempunyai dua parameter, yaitu koordinat dan intensitas atau warna.
Nilai yang terdapat pada koordinat (x,y) adalah f(x,y), yaitu besar intensitas
atau warna dari piksel di titik itu. Oleh sebab itu, sebuah citra digital dapat
ditulis dalam bentuk matriks pada gambar 2.1.
𝐟(𝐱, 𝐲) = |
𝒇(𝟎, 𝟎) 𝒇(𝟎, 𝟏) 𝒇(𝟎, 𝑴 − 𝟏)
𝒇(𝟏, 𝟎) … … 𝒇(𝟏, 𝑴 − 𝟏)
𝒇(𝑵 − 𝟏. 𝟎) 𝒇(𝑵 − 𝟏. 𝟏) 𝒇(𝑵 − 𝟏. 𝑴 − 𝟏)|
Berdasarkan gambar 2.1 matriks citra digital, Suatu citra ƒ(x,y) dalam
fungsi matematis dapat dituliskan persamaan (2.1) sebagai berikut :
0 ≤ x ≤ M-1
0 ≤ y ≤ N-1
0 ≤ ƒ(x,y) ≤ G-1 ..................................................................................... (2.2)
dimana :
M = jumlah piksel baris (row) pada array citra
N = jumlah piksel kolom (column) pada array citra
G = nilai skala keabuan (gray level)
Besarnya nilai M, N dan G pada umumnya merupakan perpangkatan dari
dua seperti yang terlihat pada persamaan ( 2.2 ).
M = 2m ; N = 2n; G = 2k …………………............................................(2.3)
Dimana nilai m, n dan k adalah bilangan bulat positif. Interval (0,G) disebut
skala keabuan (grayscale). Besar G tergantung pada proses digitalisasinya.
Biasanya keabuan 0 (nol) menyatakan intensitas hitam dan 1 (satu)
23
menyatakan intensitas putih. Untuk citra 8 bit, nilai G sama dengan 28 = 256
warna derajat keabuan (Kusumanto, 2011 ).
Citra merupakan fungsi terus menerus dari intensitas cahaya pada suatu
bidang. Selanjutnya sebagian dari berkas cahaya yang berasal dari sumber
cahaya akan dipantulkan kembali, pantulan cahaya inilah yang ditangkap oleh
oleh alat optik, misalnya mata pada manusia, kamera, pemindai, dan
sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam
(Hermawan, 2014).
Piksel adalah sebuah elemen gambar yang mempunyai nilai yang
menunjukan intensitas warna. Berdasarkan cara penyimpanan atau
pembentukannya, citra digital dapat dibagi menjadi dua jenis yaitu :
1. Citra digital yang di hasilkan akan diperoleh kumpulan piksel dalam
array dua dimensi hitam dan putih.
2. Citra yang dibentuk oleh fungsi–fungsi geometri dan matematika.
Pada jenis yang pertama citra ini disebut citra bitmap atau citra raster. Pada
jenis yang kedua yaitu citra yang di bentuk oleh grafik vektor.
Citra digital (diskrit) dihasilkan dari citra analog (kontinu) melalui
digitalisasi. Digitalisasi citra analog terdiri dari sampling dan quantitazion
Sampling adalah pembagian citra ke dalam elemen-elemen diskrit (piksel),
sedangkan quantitazion adalah pemberian nilai intensitas warna pada setiap
piksel dengan nilai yang berupa bilangan bulat (Awcock, 1996).
24
Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x
dan y adalah koordinat spasial dan nilai f(x,y) adalah brightness level dari citra
pada koordinat tersebut, hal tersebut diilustrasikan pada Gambar 2.2.
Gambar 2.2 Contoh Citra Digital.
Teknologi dasar untuk menciptakan dan menampilkan warna pada citra
digital berdasarkan pada penelitian bahwa sebuah warna merupakan
kombinasidari tiga warna dasar, yaitu merah, hijau dan biru (Red, Green,
Blue- RGB).
2.5 Pengolahan Citra Digital
Sebuah citra sudah pasti kaya informasi, namun sering kali citra yang kita
miliki mengalami penurunan mutu, tentu saja citra semacam ini menjadi lebih
sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut
menjadi berkurang. Agar citra mudah diinterpretasi, maka citra tersebut perlu
dimanipulasi menjadi citra yang memiliki kualitas lebih baik. Terminologi
lain yang berkaitan erat dengan pengolahan citra adalah computer vision.
Pada hakikatnya, computer vision mencoba meniru cara kerja sistem visual
manusia (Hadwi, 2013). Manusia melihat objek dengan indera penglihatan,
lalu citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia
25
mengerti objek apa yang tampak dalam pandangan matanya. Hasil
interpretasi ini digunakan untuk pengambilan keputusan, misalnya digunakan
untuk memberi perintah menghindar ketika melihat halangan saat sedang
berjalan. Computer vision merupakan memproses gambar otomatis yang
mengintegrasikan sejumlah proses untuk persepsi visual, seperti akuisisi
citra, pengolahan citra, klasifikasi, pengenalan (recognition), dan membuat
keputusan (Mulyawan, 2014).
Operasi-operasi yang dilakukan di dalam pengolahan citra banyak. ragamnya.
Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan dalam
beberapa jenis sebagai berikut:
1. Perbaikan Kualitas Citra (Image Enhancement)
Jenis operasi perbaikan kualitas citra bertujuan untuk memperbaiki
kualitas citra dengan cara memanipulasi parameter-parameter citra.
Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih
ditonjolkan. Contoh-contoh operasi perbaikan citra adalah:
A. Peningkatan kontras
Dalam peningkatan kontras diperlukan untuk menghasilkan
sebaran terang dan gelap di dalam sebuah citra sehingga
didapatkan hasil citra yang sesuai. Berikut ini adalah perhitungan
tingkat penyebaran piksel ke dalam intensitas warna pada citra
asli yang didapat:
𝑭𝟎(𝒙,𝒚) = 𝑮. (𝑭𝟏(𝒙,𝒚) − 𝑷) + 𝑷........................................... (2.4)
Keterangan:
26
F0 = Nilai piksel pada titik (x,y) setelah peningkatan kontras
F1 = Nilai piksel pada (x,y) sebelum peningkatan
P = Nilai pusat pengkontrasan 0-255
G = Koefisien penguatan kontras
B. Perbaikan brightness
Brightness adalah pemprosesan kecerahan gambar, apabila nilai
intensitas piksel dikurangi dengan nilai tertentu maka citra akan
menjadi lebih gelap, dan jika nilai intensitas piksel ditambah
dengan nilai tertentu maka akan lebih terang. Rumus
perhitungannya sebagai berikut :
𝑭𝟎(𝒙,𝒚) = 𝑭𝟏(𝒙,𝒚) + 𝑲............................................ (2.5)
Keterangan:
F0 = Nilai piksel pada titik (x,y) setelah brightness
F1 = Nilai piksel pada (x,y) sebelum penambahan
K = Nilai penguatan kecerahan
C. Gray-Scaling
Proses awal yang banyak dilakukan dalam image processing
adalah mengubah citra berwarna menjadi citra grayscale, hal ini
digunakan untuk menyederhanakan model citra. Citra berwarna
terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-layer.
Sehingga untuk melakukan proses-proses selanjutnya tetap
diperhatikan tiga layer di atas. Bilasetiap proses perhitungan
dilakukan menggunakan tiga layer, berarti dilakukantiga
27
perhitungan yang sama. Sehingga konsep itu diubah dengan
mengubah 3 layer di atas menjadi 1 layer matrik grayscale dan
hasilnya adalah citra grayscale. Dalam citra ini tidak ada lagi
warna, yang ada adalah derajat keabuan.
Grayscale merupakan warna-warna piksel yang berada dalam
rentang gradasi warna hitam dan putih. Untuk merubah gambar
RGB menjadi grayscale dapat dilakukan dengan persamaan
seperti berikut :
𝐘(𝐱,𝐲) = (0,229 ∗ 𝐑) + (0,229 ∗ 𝐆) + (0,229 ∗ 𝐑) ……..(2.6)
dimana :
Y = derajat keabuan
R = nilai piksel channel Red
G = nilai piksel channel Green
B = nilai piksel channel Blue
2. Pemugaran Citra (Image Restoration)
Operasi pemugaran gambar yaitu menghilangkan/meminimumkan
cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi
perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi
citra diketahui. Contoh operasi pemugaran citra sebagai berikut :
a. penghilangan kesamaran (deblurring)
b. penghilangan noise
3. Pemampatan Citra (Image Compression)
28
Jenis operasi pemapatan citra dapat dilakukan agar citra dapat
direpresentasikan dalam bentuk yang lebih kompak sehingga
memerlukan memori yang lebih sedikit. Hal pentingyang harus
diperhatikan dalam pemampatan adalah citra yang telah dimampatkan
harus tetap mempunyai kualitas gambar yang bagus.
4. Segmentasi (Image Segmentation)
Jenis operasi segmentasi bertujuan untuk memecah suatu citra ke dalam
beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini
berkaitan erat dengan pengenalan pola.
5. Analisis Citra (Image Analysis)
Jenis operasi ini bertujuan menghitung besaran kuantitatif dari citra
untuk menghasilkan deskripsinya. Teknik pengolahan citra
mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi
objek. Proses segmentasi diperlukan untuk melokalisasi objek yang
diinginkan dari sekelilingnya. Contoh-contoh operasi pengolahan citra
yaitu:
a. Pendeteksian tepi objek (edge detection)
b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
6. Reconstruksi Citra (Image Reconstruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa
gambar hasil dari sebuah proyeksi. Operasi rekonstruksi citra banyak
29
digunakan dalam bidang medis. Misalnya beberapa foto rontgen
dengan sinar X digunakan untuk membentukulang gambar organ tubuh
(Nixon dkk, 2002).
2.6 Background Substraction
Background subraction adalah suatu proses untuk menemukan objek pada
gambar dengan cara membandingkan gambar yang ada dengan sebuah model
latar belakang. Background Substraction mempunyai peranan penting dalam
visi komputer yaitu salah satunya dalam hal sistem pemantauan. Prosedur
Background Subtraction terdiri dari 3 tahap, yaitu pre-processing,
background modeling, dan foreground detection. Peranan yang dilakukan
dalam Background Substraction adalah untuk membedakan bagian latar dan
objek yang ada pada sebuah citra. Untuk membedakan adanya objek di dalam
citra maka hal yang harus dilakukan adalah dengan memahami atau
mengetahui model dari latar. Prosedur Background Subtraction terdiri dari3
tahap, yaitu pre-processing, background modeling, dan foreground detection.
30
Gambar 2.3 Background subtraction 1- gambar sekarang, 2-background
model, 3- hasil background subtraction, 4-hasil background subtraction
setelah threshold
1. Pre-processing
Pada tahap ini data mentah dari kamera (atau input lainnya) diproses
menjadi bentuk yang dapat dimengerti oleh bagian program lain. Pada
tahapan awal ini dilakukan penghapusan noise dan eliminasi objek kecil
pada gambar agar menjadi lebih informatif. Eliminasi objek kecil
dilakukan dengan menggunakan mathematical morphology yaitu
transformasi opening (Ardhianto dkk, 2013)
2. Background modeling
Tahap ini bertujuan untuk membentuk model background yang
konsisten, namun tetap dapat beradaptasi dengan perubahan
lingkungan yang ada. Model harus dapat mentoleransi tingkat
perubahan lingkungan, namun tetap sensitif dalam mendeteksi
pergerakan dari objek yang relevan. Algoritma background modeling
sendiri sangat banyak, namun pada skripsi ini akan dipakai
Approximated Filter yaitu hanya pendekatan batas atas dan batas bawah
berdasarkan piksel yang didapat karena proses komputasinya cepat dan
hasilnya cukup memuaskan.
3. Foreground detection
31
Pada tahap ini, dilakukan proses ekstraksi foreground dari
background. Secara sederhana hal ini dilakukan dengan persamaan
(2.7).
𝑹(𝒓,𝒄) = 𝑰(𝒓,𝒄) − 𝑩(𝒓,𝒄)................................................................... (2.7)
Dimana:
R= hasil foreground
I = gambar saat ini
B = background model
r = baris, c = kolom
Nilai R lalu dibandingkan dengan nilai threshold yang telah
ditentukan, jika lebih besar dari nilai threshold maka piksel di I(r,c)
dapat dianggap berbeda dengan piksel di B(r,c). Nilai threshold adalah
semacam nilai untuk mentoleransi error yang mungkin terjadi,
threshold sendiri dipakai untuk mengurangi error yang disebabkan
noise pada gambar digital (Sito, 2013).
2.7 Thresholding
Thresholding adalah istilah yang seing dikenal dalam Pengolahan Citra
Digital untuk sebah nilai batas ambang yang merupakan salah satu teknik
segmentasi yang baik digunakan untuk citra dengan perbedaaan nilai
intensitas yang signifikan antara latar belakang dan objek utama. Dalam
32
pelaksanaannya, Thresholding membutuhkan nilai yang digunakan sebagai
nilai pembatas antara objek utama latar belakang, dan nilai tersebut
dinamakan dengan Threshold.
Pencarian metode Threshold yang sedehana tidak membutuhkan pengetahuan
yang lebih tentang citra dan Thresholding pun bisa bekerja pada citra yang
memiliki noise. Metode iterative merupakan pendekatan yang baik untuk
dilakukan seperti berikut :
1. Memilih initial dari threshold ( T ). Dapat dilakukan secara random atau
menurut metoda yang diinginkan
2. Citra ini disegmentasikan ke dalam piksel objek dan piksel background
seperti persamaan 2.8 dan 2.9.
G1 = {f(m,n) :f(m,n) >T} ...................................................................... (2.8)
G2 = {f(m,n) :f(m,n) < T}...................................................................... (2.9)
di mana :
G1 adalah nilai piksel objek.
G2 adalah nilai piksel background.
f(m,n) adalah nilai dari piksel yang terletak pada kolom dan baris.
3. Hitung nilai rata–rata gray value μ1 dan μ2 pada piksel dalam G1 dan
G2.
4. Hitung nilai threshold baru dengan persamaan 2.10 :
T = ½ ( μ1 + μ2 )...........................................................................(2.10)
5 Ulangi langkah ke 2 sampai dengan langkah ke 4 dengan nilai T yang
berbeda sampai nilai thereshold yang baru sama dengan nilai yang
sebelumnya.
33
Thresholding merupakan konversi citra berwarna ke citra biner yang
dilakukan dengan cara mengelompokkan nilai derajat keabuan setiap piksel
kedalam 2 kelas, hitam dan putih. Pada citra hitam putih terdapat 256 level,
artinya mempunyai skala “0” sampai “255” atau [0,255], dalam hal ini nilai
intensitas 0 menyatakan hitam, dan nilai intensitas 255 menyatakan putih, dan
nilai antara 0 sampai 255 menyatakan warna keabuan yang terletak antara
hitam dan putih (Munir, 2004). Pada operasi pengambangan, nilai intensitas
piksel dipetakan ke salah satu dari dua nilai, α₁ atau α₂.
Rumus untuk menentukan nilai threshold bisa didapatkan dari persamaan
sebagai berikut:
𝑮(𝒙,𝒚) = {𝒃𝒆𝒓𝒏𝒊𝒍𝒂𝒊 𝟏 𝒋𝒊𝒌𝒂𝑭(𝒙,𝒚)≥ T}
𝑮(𝒙,𝒚) = {𝒃𝒆𝒓𝒏𝒊𝒍𝒂𝒊 𝟎 𝒋𝒊𝒌𝒂𝑭(𝒙,𝒚)< T} (2.11)
dimana:
g(x,y) = nilai matriks citra hasil thresholding.
f(x,y) = merupakan nilai matriks citra yang akan di-threshold.
T = merupakan nilai threshold (0 – 255)
Hasil akhir yang didapatkan adalah model latar belakang ini adalah model
latar belakang sebelumnya dengan frame terakhir. Selisih antara model latar
belakang dengan frame berupa citra biner yang diharapkan bernilai kurang
dari nilai threshold. Apabila selisih bernilai kurang dari threshold maka
dianggap bernilai 0 (hitam) dan apabila melebihi nilai threshold maka
dianggap bernilai 1 (putih). Selisih yang diharapkan adalah sebuah matrik
yang nantinya digunakan untuk menghitung jumlah piksel.
34
2.8 Library Open-CV
Open-CV (Open Computer Vision) adalah sebuah API (Application
Programming Interface) library yang sudah sangat familiar pada pengolahan
citra computer vision. Computer vision itu sendiri adalah salah satu cabang
dari bidang ilmu pengolahan citra (Image Processing) yang memungkinkan
komputer dapat melihat seperti manusia. Dengan computer vision tersebut
komputer mampu mengambil keputusan, melakukan aksi, dan mengetahui
suatu objek. Beberapa pengimplementasian dari computer vision diantaranya
face recognition, face detection, face/object tracking, road tracking, dll.
OpenCV adalah library open source untuk computer vision untuk C/C++,
OpenCV didesain untuk aplikasi real-time, memiliki fungsi-fungsi akuisisi
yangbaik untuk image/video. OpenCV juga menyediakan interface ke
Integrated Performance Primitives (IPP) Intel sehingga jika anda bisa
mengoptimasi aplikasi computer vision anda jika menggunakan prosesor Intel
(Michael, 2009).
2.9 Pemodelan Adaptif
Latar belakang adalah suatu citra dimana terdapat objek yang tidak bergerak
(statis) (Silvia, 2012). Pada saat ini terdapat banyak sekali aplikasi-aplikasi
yang membantukan input berupa latar belakang untuk mendeteksi suatu objek
35
bergerak. Pendeteksian suatu objek dilakukan dengan membedakan intensitas
antara latar belakang dengan objeknya. Pada pemisahan ini dibutuhkan
inisialisasi ulang apabila terdapat perubahan pada latar belakang. Apabila
tidak dilakukan inisialisasi ulang dapat menyebabkan kesalahan pada objek
yang dihasilkan.
Kesalahan ini banyak terjadi pada area yang pengerakan latar belakangnya
sangat minimum (non dynamic background). Kasus ini banyak terjadi pada
area indoor dan outdoor seperti perubahan intensitas cahaya dari siang hari
ke sore hari, pohon melambai terbawa angin, perubahan posisi benda pada
latar belakang penambahan benda dalam latar belakang dan sebagainya.
Untuk mengurangi kesalahan yang mungkin terjadi karena perubahan latar
belakang maka diperlukan suatu pemodelan adiptif. Pemodelan adiptif adalah
suatu pemodelan latar belakang yang dapat menyesuaikan perubahan–
perubahan yang mungkin terjadi. Pemodelan adaptif ini berkerja dengan
merata-rata gabungan nilai piksel dari semua frame yang berurutan atau bobot
yang berbeda antara piksel yang dideteksi sebagai objek dengan piksel yang
terdeteksi sebagai latar berlakang (Silvia,2012).
2.10 Format File Citra
36
Citra digital memiliki beberapa jenis format file yang dapat digunakan.
Format file citra digital dapat digunakan berupa .bmp,.png,.tiff,.gif,.pgm,dan
lain-lain. Sedangkan untuk format video ada beberapa macam jenis antara
lain ASF, AVI,DV,mpg,vob, mov, mp4, wrnf dan 3gp. Dalam tugas akhir ini
digunakan format file video avi.
2.10.1 AVI (Audio Video Interleaved)
AVI merupakan format berkas (file) video buatan Microsoft. Format ini
merupakan salah satu format video tertua yang diperkenalkan oleh
Microsoft sejak diriliskan Windows 3.1. format video ini mampu
menghasilkan pergerakan sebesar 15 fps dengan kualitas suara
mencapai 11.025 Hz. Hampir semua kamera video khusus yang analog,
memghasilkan format file berekstensi “avi” saat di transfer ke PC.
2.11 Deteksi Objek
Dalam kamus besar bahasa Indonesia (KBBI), kata deteksi memilki artian
usaha untuk menemukan dan menentukan keberadaan , anggapan ataupun
kenyataan. Pada pengolahan citra, proses pendeteksian objek dapat dilakukan
dengan memisahkan foreground dengan background-nya. Deteksi objek
merupakan sabuah proses dalam mengolah citra dimana citra merupakan
sebuah citra bergerak (video). Citra video pada dasarnya merupakan
37
gabungan beberapa citra gambar yang saling bergantian pada durasi waktu
tertentu. Citra gambar yang saling berganti ini sering disebut frame. Proses
pengantian frame pada citra video saling berlangsung secara cepat sehingga
kita tidak menyadarinya.
Dalam sebuah citra video, frame kedua tidak selalu identik dengan frame
pertama, begitu pula dengan frame-frame berikutnya. Hal inilah yang menjadi
dasar pemikiran teknik-teknik deteksi objek bergerak pada pengolahan citra
dengan menganalisa nilai selisih antara frame pertama yang dapat juga
disebut dengan latar belakang atau background dengan frame-frame
berikutnya.
Terdapat metode-metode dalam pendeteksi objek bergerak, beberapa
diantaranya adalah background subtraction dan haar-like feature
(Febriyanto, 2013). Disimpulkan bahwa metode background subtraction
lebih baik digunakan dari pada metode haar-like feature, karena metode
background subtraction lebih peka terhadap perubahan objek ataupun
perubahan lingkaran disekitar objek. Selain itu metode adaptif background
subtraction dapat berkerja secara optimal dalam berbagai kondisi seperti
perubahan warna objek, perubahan background, kecepatan objek, serta
perubahan intensitas cahaya dilingkungan sekitar objek. Prinsip kerja dari
metode background subtraction ini adalah dengan cara subtraksi ini akan
dianalisa untuk menemukan pergerakan objek pada citra video.
38
Namun kelemahan dalam metode ini, terlalu sensitifnya metode ini dalam
substraksi background, mengakibatkan banyak noise yang ditimbulkan
sehingga objek sulit untuk dikenali. Oleh karena itu biasanya background
subtraction ditambah dengan metode Morphological Image Processing.
2.12 Penelitian Terkait
Terdapat beberapa penelitian sebelumnya yang berhubungan dengan
pendeteksi pelanggaran zebra cross pada traffic light diantaranya oleh Andri
Alfian dkk (2013) dengan Alat pendeteksi Pelanggaran Marka Lalu Lintas
dengan Indikasi Jumlah Pelanggaran”, pada jurnal mahasiswa dari jurusan
Teknik Elektronika PENS-ITS tersebut menjelaskan bahwa pendeteksi
pelanggaran lalu lintas ini menggunakan cara di sinari photo resistor untuk
mendeteksi pelanggaran lalu lintas. Dan kamera akan menangkap secara
otomatis dan hasil tersebut langsung diproses menggunakan image processing
maka gambar tersebut akan diproses menggunakan metode kelabuan, gray to
biner dan scanning pada suatu titik piksel untuk menghitung jumlah
pelanggaran yang terjadi. Untuk tingkat keakuratan pendeteksi pelanggaran
pada penelitian tersebut mencapai 86,96 %.
Pada penelitian selanjutnya oleh Hario Baskoro dkk (2014) dengan judul
BTRAFFWACHT” Solusi untuk pihak kepolisian untuk dalam melakukan
pengawasan dan pendeteksian pelanggaran pada lampu lalu lintas.Dari
Politeknik Elektronika Negeri Surabaya, penulis tersebut mencoba untuk
menganti media deteksi dari sinar leser dengan kamera, penggabungan image
39
processing, computer vision dan optical flow sebagai core dari sistem
pengawasan yang lebih robust penggunaannya. Selanjutnya penelitian
Danding dkk (2016) Simulasi dan Analisa Sistem Smart Traffic Light berbasis
Pengolahan citra digital dengan metode deteksi tepi dan segmentasi”,
penelitian tersebut menggunakan metode deteksi tepi dan segmentasi
penelitian ini dilakukan perhitungan panjang antrian kendaraan pada
persimpangan empat ruas jalan.
Selanjutnnya penelitian Fitria Indriani dkk (2017) judul jurnal Deteksi Zebra
Cross pada Citra Digital Dengan Menggunakan Metode Hough Transform”,
pada penelitian tersebut menggunakan metode Hough Transform untuk
deteksi zebra cross pada citra digital. Berdasarkan hasil pengujian
menghasilkan persentase pendeteksi 95,2% untuk kondisi pagi akan tetapi ada
beberapa waktu yang memegaruhi pendeteksian zebra cross yaitu
pengambilan citra, tingkat pencahayaan yang tidak merata (penyebaran
intensitas), rusak atau tidaknya zebra cross.
Selanjutnya pada penelitian Katanyoo Klubsuwan dkk (2014) judul jurnal
Deteksi Pelanggaran Lalu Lintas Menggunakan Lintasan Evaluasi
Kendaraan”, pada jurnal dari Master of Science in Information Technology
Program Information Science Institute of Sripatum University Bangkok,
Thailand. Pada penelitian ini menggunakan cara deteksi lalu lintas, seperti
pengendalian lampu lalu lintas dengan menggunakan pemrosesan video
murni dan mendeteksi kendaraan di zona terlarang. Saat lampu merah ON
sistem mulai merekam untuk menangkap lampu merah yang melanggar
40
kendaraaan. Namun pada sistem mereka tidak mampu mendeteksi
pelanggaran kendaraan sebelum stop line seperti pelanggaran jalur perubahan
karena seringnya pelanggaran jalur ganti.
Pada Penelitian Halim Wongso kuncoro (2016) dengan judul jurnal Rancang
Bangun Pendeteksian Pelanggaran pada traffic light Berbasis
Mikrokontroler”, pada tugas akhir dari Teknik Otomasi Sistem Instrumentasi
Universitas Airlangga. Tugas akhir ini menggunakan cara deteksi
pelanggaran yang dapat menggunakan software image processing. Dengan
menggunakan image processing tampilan visual akan berkerja secara real
time. Pengendalian webcam secara real time tersebut akan memaksimalkan
hasil potret ketika terjadi pelanggaran lalu lintas.
Pada Penelitian Ridho Prakoso Al Farisi (2018) judul skripsi Rancang
Bangun Model Pendeteksi Timer Traffic Light Dengan Metode Background
Substraction”, Universitas Lampung. Menggunakan cara menangkap objek
didepan kamera yang dalam hal ini di jalan raya dan mampu memberikan
parameter–parameter sebagi input untuk diteruskan ke pengendalian Timer
trafiic light sehingga nantinya dapat mengurangi kemacetan, membantu
menertibkan lalu lintas, meningkatkan infrastuktur jalan dan memberikan
kepastian waktu tunggu sesuai dengan keadaaan lalu lintas.
Pada penelitian oleh Nurul Hudayani (2017) dengan judul skripsi Pemodelan
latar belakang adaptif menggunakan metode Gaussian Mixture pada video
41
dalam air. Penelitian ini menejelaskan menggunakan metode GMM
dilakukan untuk air pada kondisi bergelombang maupun pada kondisi tenang
menghasilkan PSNR yang besar yaitu 62,18 dan 66,01. Pada nilai PSNR
setiap video selalu berbeda-beda dalam hal ini di pengaruhi kualitas video dan
juga dengan nilai 𝜌 dan β. Pengambilan data malam hari, rata-rata nilai PSNR
sangat rendah dibandingkan dengan kondisi saat pagi dan siang hari hal ini di
karenakan tingkat pencahayaan pada malam hari tidak stabil sehingga
menggangu pemodelan latar belakang yang tidak ada.
Dari penelitian sebelumnya, maka penelitian ini menggunakan metode yang
berbeda yaitu adaptif background subtraction. Kamera sebagai input dan
menggunakan mini PC untuk menggunakan fungsi logikanya. Penulis
menemukan terdapat kekurangan dalam proses pengolahan citra yaitu cara
pengambilan citra, tingkat pencahayaan yang tidak merata (penyebaran
intensitas), rusaknya atau tidaknya zebra cross, terdapat delay sehingga
pengendali traffic light membutuhkan waktu sekitar 4 detik. Pada penelitian
ini dilakukan di rancang bangun, dan latar belakang dipengaruhi oleh gerakan
objek dan juga pencahayaan. Penulis ini menggunakan line deteksi digunakan
untuk mendeteksi objek bila terjadi pelanggaran di zebra cross
BAB III
METODE PENELITIAN
3.1 Waktu dan tempat penelituan
Penelitian ini proses perancangan tugas akhir dilaksanakan mulai tanggal
Febuari sampai October 2018, bertempat Ruang Laboratorium Elektronika,
Jurusan Teknik Elektro, Fakultas Teknik, Univeritas Lampung.
3.2 Alat dan Bahan
Alat dan bahan yang digunakan dalam pembuatan tugas akhir ini adalah
sebagai berikut:
1. Raspberry Pi 3 1 buah
2. VGA HD USB CAM 1 buah
3. Traffic Light 3 buah
4. Miniatur Kendaraan
5. Kabel Penghubung
6. PapanTraffic Light
7. Library Open CV + Bahasa Pemrograman Phyton
8. Adaptor 5V 1 buah
44
9. Besi dan Alumunium penyanggah
10. Mur dan Baut
11. Obeng 1 buah
12. Cat secukupnya
13. Triplek dan kayu
14. Lem bakar dan kabel twis
3.3 Metode yang digunakan
Penyelesaian masalah deteksi pada zebra cross dalam hal ini menggunakan
metode Adaptif Background Substraction. Pada penelitian ini menggunakan
kamera sebagai mengcapture hasil pelangggar zebra cross dan buzzer
memberikan peringatan. Proses deteksi ini menggunakan line deteksi di garis
zebra cross ketika objek melewati garis zebra cross maka respon yang di
hasilkan buzzer ON menadakan kendaraan melanggaran zebra cross.
Kemudian kendaraan mundur agar tidak terjadinya pelanggaran zebra cross.
Metode yang digunakan yaitu Adaptif Background Subtraction akan
berkerja dengan mengambil sebuah citra yang akan bertujuan untuk
menghasilkan sebuah model latar belakang. Model latar belakang tersebut
digunakan sebagai referensi untuk dibandingkan dengan image yang diambil
setelahnya, lalu didapat hasil citra yang berbeda. Jumlah pixel dari citra
tersebut akan dihitung sesuai dengan parameter keadaan ruas jalan. Model
latar belakang di ambil pada keadaan ruas jalan kosong. Dan untuk
pengambilan image dilakukan secara berkala saat kondisi lampu merah
menyala di setiap ruas jalan secara bergantian. Perbandingan background dan
45
image yang diambil adalah sebagai input yang akan diteruskan ke program
pendeteksi pelanggaran zebra cross pada traffic light.
Proses pengurangan citra dilakukan secara absolut dimana perbedaan setiap
pixel dari kedua citra akan diperoleh dan selalu bernilai positif. Kedua citra
harus memiliki tipe data dan ukuran yang sama dikarenakan teknik ini akan
melihat perbedaan untuk setiap pixel di dalam citra.
Sebagai contoh sederhana pengurangan citra digital secara absolut terlihat
pada pengurangan citra X dan Y berikut inimenjadi citra Z Hasil pengurangan
citra secara absolut akan selalu menghasilkan nilai positif.
X = uint8([255 10 75; 44 225 100]);
Y = uint8([50 50 50; 50 50 50]);
Z = imabsdiff(X,Y)
Z = 205 40 25 6 175 50
Nilai Z adalah kumpulan pixel yang telah menjadi foreground. Setelah itu
dilakukan transformasi menggunakan threshlold untuk mengetahui nilai pixel
tersebut termasuk kedalam hitam atau putih.
46
Gambar 3.1 Contoh proses Background Substraction
Gambar 3.1. menerangkan contoh dalam metode yang digunakan untuk
menetukan deteksi zebra cross pada traffic light. Dari hasil pengurangan dua
buah citra tersebut didapatkan hasil citra berupa perahu saja tanpa adanya
citra yang lain, dan citra perahu tersebut belum bisa dijadikan objek karena
belum di threshold, sehingga dilakukan pengelompokan nilai derajat keabuan
setiap piksel menjadi hitam dan putih. Cara ini difungsikan agar dapat
menentukan parameter kepadatan piksel pada citra, dengan menghitung
jumlah piksel putih sebagai mendeksi objek pelanggaran traffic light
3.4 Pengambilan Citra
Pengambilan citra menggunakan 1 kamera yang dipasang pada setiap ruas
jalan, dalam model ini hanya menggunakan 1 ruas jalan saja. Kamera tersebut
ditempatkan pada sisi atas traffic light berdekatan dengan timer di masing-
masing jalan. Hal ini dimaksudkan agar jarak jangkau pengambilan gambar
dapat sampai kebagian belakang. Semakin baik penempatan kamera maka
47
gambar yang dihasilkan semakin baik pula. Kamera yang digunakan logitech
tipe 270c agar memiliki spesifikasi yang sama sehingga dapat membantu
proses pengolahan citra dan mempercepat pengolahan program. Kamera akan
mendeteksi pelanggaran pada zebra cross. Pelanggaran akan terjadi jika
lampu traffic light sedang dalam kondisi menyala dan kendaraan akan
melewati batas zebra cross.
3.5 Metode Penelitian
Pada penelitian dan perancangan tugas akhir ini, langkah-langkah kerja yang
dilakukan adalah sebagai berikut:
3.5.1 Diagram Alir Penelitian
Diagram alir penelitian ini dibuat untuk menjelaskan langkah-langkah
kerja yang akan dilakukan dalam penelitian secara jelas, diperlihatkan
pada gambar 3.2. dibawah ini:
48
Gambar 3.2. Diagram Alir Penelitian
49
3.6 Pendeteksi Pelanggaran Zebra Cross Pada Traffic Light
Dalam penelitian ini menggunakan alat Raspberry Pi 3 sebagai processor
dengan quad core 1,5 Ghz. Pada program tersebut pendeteksi pelanggaran
zebra cross tersebut menggunakan Library OpenCV pada Bahasa
pemrograman Phyton. Adapun diagram system pada gambar 3.3 sebagai
berikut:
Gambar 3.3 Diagram Proses Pendeteksi Pelanggaran zebra cross pada traffic
light
Objek merupakan keadaan ruas jalan raya dan pendeteksi zebra cross dimana
sebelumnya sudah didapat image berupa latar belakang. Objek didapat
menggunakan kamera VGA HD USB, hasil tersebut akan berupa image baru
yang akan dibandingkan dengan gambar citra latar belakang. Untuk
membandingkan image tersebut, akan dibutuhkan perangkat Raspberry Pi 3
dan hasil pembanding tersebut akan di jadikan sebagai perameter. Untuk
dapat mengolah citra, Raspberry Pi membutuhkan program yang dapat
Objek Kamera RASPBERRY PI
3
PROGRAM
SWITCH LED
buzzer
50
mengolah input menjadi sebuah output. Output tersebut adalah Switch LED
dan Buzzer.
3.6.1 Deteksi Pelanggaran Saat Lampu Merah
Pelanggaran lalu lintas yang sering terjadi pada saat lampu merah
menyala adalah kendaraan berjalan menerobos lampu merah dan
berhenti di zebra cross yang melewati garis zebra cross. Untuk dapat
mendeteksi pelangggran yang terjadi pada saat lampu merah menyala,
ada 4 tahapan pemrosesan gambar yang dilakukan. Tahapan–tahapan
tersebut adalah Pre-processing, Segmentation, Noise filtering dan
Violations detection. Berikut ini adalah diagram alur dari sistem yang
dibuat :
51
Gambar 3.4 Diagram Alur sistem Pendeteksi Pelanggaran Saat Lampu
Merah
Deteksi pelanggaran dilakukan dengan cara memperhatikan ukuran
kontur yang terdeteksi setelah proses noise reduction pada frame awal.
Jika kontur yang terdeteksi memiliki ukuran yang sesuai, hal ini
dideteksi sebagai pelanggaran. Dengan cara ini, dapat diketahui berapa
banyak objek yang melanggar pada suatu kejadian.
3.6.2 Perancangan Model Sistem
Pada tahap ini yaitu pembuatan diagram alir atau flowchat program
alat deteksi pelanggaran zebra cross pada traffic light. Secara
keseluruhan sistem dapat dilihat pada Gambar3.5
52
Gambar 3.5 Flow chart Pendeteksi Pelanggaran zebra cross pada timer
Traffic light
3.7 Pengaturan Raspberry Pi
Rapberry Pi 3 merupakan mikrokomputer yang memiliki RAM sebesar 1 GB
sehingga memungkinkan mengolah data gambar dengan cepat. Masukan
yang akan diproses oleh mikrokomputer tersebut adalah kamera yang
dirancang untuk mengidentifikasi keadaan masing-masing ruas jalan raya.
Raspberry Pi 3 ini memiliki 40 buah pin yang dapat menjadi input dan output.
Dalam penelitian ini beberapa pin digunakan sebagai output untuk
disambungkan dengan beberapa perangkat seperti LED merah, kuning, dan
53
hijau sebagai indikator traffic light serta buzzer untuk memberikan peringatan
pada traffic light.
Gambar 3.6. Perangkat Raspberry Pi
3.7.1 Pengaturan Program
Bahasa pemrograman Python digunakan karena kemampuannya dalam
menggabungkan kapabilitas juga dengan sintaksis kode yang sangat
jelas, serta dilengkapi dengan fungsionalitas pustaka standar yang besar
serta komprehensif.
Python umumnya berfungsi sebagai bahasa skrip meskipun
penggunaan bahasa ini lebih luas mencakup konteks pemanfaatan yang
umumnya tidak dilakukan dengan menggunakan bahasa skrip pada
praktiknya. Selain itu, Python versi 2.7 dapat digunakan untuk berbagai
kepentingan pengembangan perangkat lunak dan dapat berjalan di
berbagai platform sistem operasi.
54
Gambar 3.7 Contoh program Dual Camera Record
3.8 Perancangan Model
Secara umum perangkat keras ini dibuat dengan miniatur kendaraan yang
ditempatkan pada papan yang berukuran ± 40 x 60 cm. Model perancangan
perangkat keras ini dibuat hanya menggunakan satu ruas jalan saja, karena
sistem yang di buat sudah mempresentasikan keadaan 4 simpangan traffic
light yang secara bergantian. Tahap perancangan perangkat keras meliputi
perealisasian dalam perancangan alat. Cara perealisasian tersebut yakni
55
merancang alat dan juga merancang dan merakit komponen yang akan
membentuk satu kesatuan sistem alat, meliputi pembuatan minimum sistem
mikrokontroler, pembuatan model traffic light dan menghubungkan sensor
dengan sistem pengambilan gambar pada webcam.
A. Kondisi Operasi Alat pada gambar 3.8 dan gambar 3.9
1. Saat kondisi jalan lampu traffic light merah menyala menandakan
berhenti. Maka kamera akan ON kemudian melihat kondisi apakah
terjadi pelanggaran atau tidak jika terjadi pelanggaran maka buzzer ON
2. Saat kondisi jalan lampu traffic light kuning menyala menandakan
tanda hati hati bila terjadi kendaraaan berada digaris zebra cross maka
buzzer akan ON menandakan kendaran melakukan pelanggaran.
3. Saat kondisi lampu merah dan kuning di harapkan kendaraan agar
mundul dibelakang garis zebra cross.
4. Saat kondisi jalan lampu traffic light hijau menyala menadakan untuk
berjalan semua kendaraan.
Gambar 3.8 Perancangan model traffic light (Tampak depan)
56
Gambar 3.9 Perancangan model traffic light (Tampak Samping)
3.9 Pengujian Sistem
Uji coba sistem ini dilakukan untuk menemukan tingkat keberhasilan dari alat
yang telah dibuat. Adapun pengujian sistem ini dilakukan secara pembagian
keseluruhan diantaranya sebagai berikut:
3.9.1 Pengujian Subsistem
Pengujian subsistem ini dilakukan untuk mengatahui apakah perangkat
tersebut dapat berfungsi dengan baik. Pengujian antara lain:
1. Pengujian Perangkat Keras
Selain itu, pengujian ini dilakukan untuk mengatahui apakah
sensor dan perangkat yang akan digunakan dapat berkerja atau
tidak. Pengujian ini meliputi kamera sehingga diketahui hasil
pengambilan gambar dari sensor ini. Pengecekan lampu LED
untuk mengetahui nyala lampu merah, kuning, dan hijau. kamera
57
akan mendeteksi sebagai sensor deteksi pelanggaran zebra cross
pada lalu lintas.
2. Pengujian Perangkat Lunak
Pengujian ini dilakukan untuk mengatahui apakah sistem operasi
yang digunakan dapat berkerja dengan baik dan software yang
ada dapat dijalankan untuk membuat program.
3.9.2 Pengujian Keseluruhan
Pengujian keseluruhan sistem ini merupakan pengujian yang dilakukan
dengan menghubungkan subsistem yang ada menjadi kesatuan.
Pengujian ini dilakukan setelah pegujian setiap subsistem selesai
dilaksanakan pada model pendeteksi pelanggaran zebra cross pada
traffic light. Terhadap sistem yang telah dirancang tersebut, dilakukan
pengujian parameter keadaan pendeteksi pelanggaran pada zebra cross
pada saat lampu merah menyala, pengujian pengaruh cahaya pada
adaptif background subtraction di waktu berbeda, pengujian process
time pada pengambilan gambar secara otomatis
BAB V
SIMPULAN DAN SARAN
5.1 Kesimpulan
Adapun kesimpulan yang dapat diambil dari penelitian ini adalah:
1. Rancang bangun pendeteksian pelanggaran pada traffic light dibuat
menggunakan kamera sebagai detector adanya pelanggaran yang
selanjutnya akan mengirimkan pesan ke PC/Laptop untuk melakukan
potret dari webcam, hasil tersebut akan di simpan melalui database
2. Nyala lampu hijau, kuning, dan merah dapat diatur dengan baik
menggunakan Raspberry Pi 3sesuai dengan waktu yang diinginkan.
3. Hasil perancangan menunjukkan bahwa sistem telah berkerja dengan
baik dan diperoleh hasil persentase keberasilan sebesar 100%.
4. Dari data hasil pengujian yang telah dilakukan maka dapat dilakukan
bahwa alat pendeteksian pelanggaran pada traffic light ini memiliki
kinerja dengan baik. Ketika terdapat pengendara yang menerobos
traffic light pada kondisi merah menyala maka secara otomatis
pengendara tersebut terdeteksi dan dilakukan capture pada kendaraan
tersebut.
92
5.2 Saran
Berdasarkan penelitian yang telah dilakukan, terdapat beberapa saran yang
dapat disampaikan untuk melengkapi atau menyempurnakan penelitian
selanjutnya adalah sebagai berikut:
1. Menambahkan panel surya sebagai supply energi tambahan untuk
menjaga traffic light agar tetap menyala ketika supply utama
mati/power off.
2. Menambahkan 2 camera di setiap ruas jalan agar dapat mengatur Timer
traffic light dan pendeteksi zebra cross.
3. Untuk penelitian selanjutnya mendeteksi pelanggaran dan dapat
mengambil gambar plat kendaraan dengan menggunakan metode lain.
DAFTAR PUSTAKA
Alfarisi P., R.2018. Rancang Bangun Model Pengendali Timer Traffic Light
dengan Metode Background Subtraction. Universitas Lampung.
Alfian Andri, Susetyoko R., Puspita E., 2013. Alat Pendeteksi Pelanggaran Marka
Lalu Lintas Dengan Indikasi Jumlah Pelanggar. ITS.
Ardhianto Eka., Hadikurniawati W., Budiarso Z., 2013. Implementasi Metode
Subtracting dan Metode Regionprops untuk Mendeteksi Jumlah Objek
Berwarna RGB pada File Video. Universitas Stikubank
Awcock, G.W. 1996. ”Digital Image Processing”. New Jersey. Prentice Hall.
Basoeki B.H, Amirudin K. J., Pratama Hamal P.N. 2014. “BTRAFFWATCH”
Solusi Untuk Pihak Kepolisian Dalam Melakukan Pengawasan Dan
Pendeteksi Pelanggaran Pada Lampu Lalu Lintas. Politeknik Elektronika
Negeri Surabaya.
Febriyanto, A.2013. Analisis Kinerja Background Subtraction dan Haar-Like
Feature Untuk Monitoring Pejalan Kaki Menggunakan Kamera Webcam.
(Skripsi). Universitas Islam Negeri Sunan Kalijaga.
Hadwi Permata Anggi. 2013. Simulasi Dan Analisis Metode Level Set Untuk
Deteksi Kontur Objek 3d Sederhana Berbasis Stereovision. Universitas
Telkom
Hermawan, Fany. 2014. [online]. Tersedia: http://elib.unikom.ac.id/.
UNIVERSITAS KOMPUTER INDONESIA. [diakses 20 Januari 2018]
Hobbs, F.D. 1995. Perencanaan dan Teknik Lalu Lintas. Universitas Gajah
Mada. Yogyakarta.
Indriani Fitria., Fitri Utaminingrum F., Sari Arum Y. 2017. Deteksi Zebra Cross
Pada Citra Digital Dengan Menggunakan Metode Hough Transform.
Unversitas Brawijaya.
Kadir, Abdul. Susanto, Adhi. 2012. Pengolahan Citra Teori dan Aplikasi.
Yogyakarta.
Kusumanto RD., Tompunu N.,A. 2011. Pengolahan Citra Digital Untuk
Mendeteksi Objek Menggunakan Pengolahan Warna Model Normalisasi
RGB. Politeknik Negeri Sriwijaya. Palembang.
Klubsuwan Katanyoo, Koodtalang Wittaya. 2014. Traffic Violation Detection using
Multiple Trajectories Evaluation of Vehicles . Surasak Mungsing Master of
Science in Information Technology Program Information Science Institute of
Sripatum UniversityBangkok.
L. Li, W. Huang, I. Y. H. Gu, dan Q. Tian. Foreground object detection
from videos containing complex background, in Proceedings of the eleventh
ACM international conference on Multimedia - MULTIMEDIA ’03, pp. 2, Juli
7-8, 2003.
Maniswari Dian Sonia., Rusdinar Angga., Purnama Bendy,. 2015. Smart
Traffic Light using Image Processing and Fuzzy Logic Method. Telkom
University, Bandung.
Manto. 2011. Perangkat Pengatur Timer Lampu Lalu Lintas Berdasarkan
Antiran Kendaraan. (Skripsi). Universitas Indonesia. Depok.
Michael, Yoseph Ricky. 2009. Pengenalan Computer Vision Menggunakan
Open CV dan FLTK edisi 1. Mitra Wacana Media. Jakarta.
Mulyawan, H.2014. Identifikasi dan Tracking Objek Berbasis Image
Processing Secara Real Time. Politeknik Negeri Surabaya, Surabaya.
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan
Algoritmik. (Skripsi). Informatika Bandung. Bandung.
Nixon, Mark S. Aguado, Alberto S. 2002. Feature Extraction and Image
Processing. Linacre House, Oxford. Jordan Hill.
Priutomo Adhi D., Magdalena R., Andini N., 2016. Simulasi Dan Analisis Sistem
Smart Traffic Light Berbasis Pengolahan Citra Digital Dengan Metode
Deteksi Tepi Dan Segmentas. Telkom University.
Prabowo, M.R., Hudayani, N.,Purwiyanti, S., Sulistiyanti, S.R., Setyawan,
F.X.A.2017. A Moving Objects Detection In Underwater Video Using
Subtraction Of The Background Model, Proc. EECSI 2017, Yogyakarta,
Indonesia, 19-21 September 2017.
Setyawan, F.X.A., Tan, J.K., Kim, H., Ishikawa, S. 2015. Detecting moving objects
on a video having a dynamic background. Proceeding of International
Conference on Artificial Life and Robotics (ICAROB), 10-12 Januari, 27-31.
Silvia, R. Adipranata, Wibisono. F.,S. 2012. Adaptive Background dengan
Metode Gaussian Mixture Model untuk Real-Time Tracking. (Skripsi)
Universitas Kristen Petra .Surabaya.
Sito. 2013. Implementasi Metode Image Subtracting Untuk Mendeteksi
Gerakkan Objek Dengan Warna Pada File Video. (Skripsi). Fakultas
Teknologi Informasi Universitas Stikubank. Semarang.
Sun, Y.,Zhang, F., Gao, Y.& Huang, X.,2016.Extraction and Reconstruction of
Zebra Croosings from High Resolution Aerial Image.
Sudarono, 2011. Pengendalian Blok Sistem Traffic Light dengan Pengaturan
Rush Hour yang dapat Diatur Secara Terjadwal. (Skripsi). Universitas
Muhammadiyah Surakarta. Semarang.
Wang, C., Zhao, C., Wang, H. 2015. Self-Similarity Based Zebra-Crossing
Detection for Intelligent Vehicle. The Open Automation and Control Systems
Journal,Vol. 7, 974-986.
Wongsokuncoro.Halim, 2016. Rancang Bangun Pendeteksi Pelanggaran Pada
Traffic Light Berbasis Mikrocontroller. (Skripsi), Universitas Airlangga,
Surabaya.
Related Documents
