ANALISA PERBANDINGAN AKURASI METODE OPTICAL...

UNIVERSITASINDONESIA

ANALISA PERBANDINGAN AKURASI METODE OPTICAL

FLOW DAN GAUSSIAN MIXTURE MODELUNTUK SISTEM

PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION

SKRIPSI

DIMAS ARIOPUTRA

0806339061

FAKULTAS TEKNIK

PROGRAM STUDI TEKNIK KOMPUTER

DEPOK

JANUARI 2012

Analisa perbandingan..., Dimas Arioputra, FT UI, 2012

i

i Universitas Indonesia

UNIVERSITASINDONESIA




SKRIPSI

Skripsi ini diajukan untuk melengkapi sebagian persyaratan menjadi

Sarjana Teknik

DIMAS ARIOPUTRA

0806339061

FAKULTAS TEKNIK

PROGRAM STUDI TEKNIK KOMPUTER

DEPOK

JANUARI 2012


ii Universitas Indonesia

HALAMAN PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya saya sendiri,

dan semua sumber baik yang dikutip maupun dirujuk

telah saya nyatakan dengan benar.

Nama : Dimas Arioputra

NPM : 0806339061

Tanda Tangan :

Tanggal : 13 Juni 2012


iii Universitas Indonesia

HALAMAN PENGESAHAN

SKRIPSI INI DIAJUKAN OLEH :

NAMA : Dimas Arioputra

NPM : 0806339061

PROGRAM STUDI : Teknik Komputer

JUDUL SKRIPSI : ANALISA PERBANDINGAN AKURASI METODE

OPTICAL FLOW DAN GAUSSIAN MIXTURE MODEL UNTUK SISTEM


TELAH DIPRESENTASIKAN DAN DITERIMA SEBAGAI BAGIAN

PERSYARATAN YANG DIPERLUKAN UNTUK MEMPEROLEH

GELAR SARJANA TEKNIK PADA PROGRAM STUDI TEKNIK

ELEKTRO, FAKULTAS TEKNIK, UNIVERSITAS INDONESIA

Pembimbing : Dr. Ir. Dodi Sudiana M.Eng. (…..………………)

Penguji 1 :Prima Dewi Purnamasari ST., MT., MSc. (…..………………)

Penguji 2 :Mia Rizkinia ST.MT. (…..………………)

Ditetapkan di : ..........................

Tanggal : ..........................


iv Universitas Indonesia

KATA PENGANTAR

Puji syukur saya panjatkan kepada Tuhan Yang Maha Esa, karena atas

berkat dan rahmat-Nya, proses penulisan Skripsi ini dapat terselesaikan. Penulisan

Skripsi ini dilakukan dalam rangka memenuhi persyaratan dari mata kuliah

Skripsi yang terdapat dalam kurikulum program studi Teknik Komputer

Universitas Indonesia. Saya menyadari bahwa tanpa bantuan dan bimbingan dari

berbagai pihak, dari masa perkuliahan sampai dengan masa penyusunan Skripsi,

sangatlah sulit bagi saya untuk menyelesaikan Skripsi ini. Oleh karena itu, saya

mengucapkan terima kasih kepada:

(1). Dr. Ir. Dodi Sudiana M.Eng., selaku dosen pembimbing, serta dosen-dosen

lainnya, yang telah menyediakan waktu, tenaga, dan pikiran untuk

mengarahkan saya dalam penyusunan Skripsi ini;

(2). Orang tua dan keluarga saya yang telah memberikan bantuan berupa

dukungan material dan moral;

(3). Para Sahabat dan teman-teman yang telah banyak membantu saya dalam

menyelesaikan penyusunan Skripsi ini.

Akhir kata, saya berharap agar Tuhan Yang Maha Esa berkenan membalas

segala kebaikan dari semua pihak yang telah membantu. Semoga Skripsi ini dapat

memberikan manfaat bagi pengembangan ilmu.

Depok, 13 Juni 2012

Dimas Arioputra


v Universitas Indonesia

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI

UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda

tangan di bawah ini:


NPM : 0806339061

Program Studi : Teknik Komputer

Departemen : Teknik Elektro

Fakultas : Teknik

Jenis karya : Skripsi

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan

kepadaUniversitas Indonesia Hak Bebas Royalti Noneksklusif (Non-exclusive

Royalty-Free Right) atas karya ilmiah saya yang berjudul :




beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti

Noneksklusif ini Universitas Indonesia berhak menyimpan,

mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database),

merawat, dan mempublikasikan tugas akhir saya selama tetap mencantumkan

nama saya sebagai penulis / pencipta dan sebagai pemilik Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Depok

Pada tanggal : 13 Juni

Yang menyatakan,

(Dimas Arioputra)


vi Universitas Indonesia

ABSTRAK


Program Studi : Teknik Komputer

Judul : ANALISA PERBANDINGAN AKURASI METODE

OPTICAL FLOW DAN GAUSSIAN MIXTURE MODEL

UNTUK SISTEM PEMANTAU LALU LINTAS

BERBASIS COMPUTER VISION

Teknik yang digunakan untuk Sistem Pemantau Lalu Lintas pada masa sekarang

ini banyak tergantung pada sensor-sensor yang mempunyai kemampuan yang

terbatas, kurang fleksibel, dan seringkali mahal dan sulit untuk dipasang.

Penggunaan kamera digabungkan dengan teknologi Computer Vision menjadi

alternatif yang menarik dari sensor yang ada saat ini. Sensor berbasis kamera ini

mempunyai potensi yang lebih besar untuk mengamati kondisi lalu lintas yang

ada dibanding sensor konvensional saat ini yaitu sensor ini lebih murah dan

mudah untuk dipasang.Di dalam penelitian ini dikembangkan sistem pemantau

lalu lintas menggunakan metode Optical Flow dan Gaussian Mixture Model.

Eksperimen dilakukan menggunakan handycam, berlokasi di salah satu tol dalam

kota Jakarta. Kondisi pengambilan gambar adalah pada kondisi yang berbeda-

beda yaitu pada saat pagi, siang, dan sore, cuaca cerah, dan mendung, serta

kondisi arus lalu lintas padat dan lancar. Setelah pengujian dilakukan, algoritma

Optical Flow memberikan hasil yang lebih baik dibandingkan algoritma Gaussian

Mixture Model yaitu dengan akurasi mencapai 92% dibanding Gaussian yang

hanya mencapai 72%. Faktor-faktor yang mempengaruhi tingkat akurasi adalah

kondisi waktu, cuaca, dan arus kendaraan serta lokasi pengambilan gambar.

Kata kunci:

Optical Flow, Gaussian Mixture Model, Sistem pemantau lalu lintas,Computer

Vision


vii Universitas Indonesia

ABSTRACT

Name : Dimas Arioputra

Study Program : Computer Engineering

Title : ACCURACY ANALYSIS BETWEEN OPTICAL FLOW

AND GAUSSIAN MIXTURE MODEL FOR COMPUTER

VISION BASED ROAD TRAFFIC MONITORING

Current techniques for Sistem Pemantau Lalu Lintas rely on sensors which have

limited capabilities, inflexible and often, costly and disruptive to be installed.

Video camera, coupled with Computer Vision techniques offers an attractive

alternative to current sensors which is portable and low cost . In this research, a

traffic monitoring system using handy camera is developed using Optical Flow

and Gaussian Mixture Model (GMM) methods. The experiment took place in one

of the Jakarta city highway. The condition of the experiment is when the time is in

the morning, afternoon, evening, when it is clear, and cloudy, and also when the

traffic is light and heavy. The experiments shows that Optical Flow algorithm

gives better results regarding to accuracy rate, better than Gaussian Mixture

Model Algorithm. The Optical Flow reach 92% accuracy while Gaussian Mixture

only got to 72% accuracy. Some factors that influenced the accuracy rate of the

system are time, weather, traffic and location.

Keyword :

Optical Flow, Gaussian Mixture Model, Traffic Monitoring System, Computer

Vision


viii Universitas Indonesia

DAFTAR ISI

HALAMAN PERNYATAAN ORISINALITAS ................................................... ii

HALAMAN PENGESAHAN ............................................................................... iii

KATA PENGANTAR ....................................................................................... iv

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI UNTUK

KEPENTINGAN AKADEMIS .............................................................................. v

ABSTRAK ........................................................................................................ vi

ABSTRACT .......................................................................................................... vii

DAFTAR ISI ........................................................................................................ viii

DAFTAR GAMBAR .............................................................................................. x

BAB 1 PENDAHULUAN ................................................................................ 1

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

1.2 Tujuan ....................................................................................................... 1

1.3 Metodologi Penelitian .............................................................................. 2

1.4 Batasan Masalah ....................................................................................... 2

1.5 Sistematika Penulisan ............................................................................... 2

BAB 2 SISTEM PEMANTAU LALU LINTASBERBASIS COMPUTER

VISION 4

2.1 Sistem Pemantau Lalu Lintas ................................................................... 4

2.2 Computer Vision ....................................................................................... 6

2.3 Proses Computer Vision ........................................................................... 8

2.4 Algoritma Sistem ...................................................................................... 9

2.5 Optical Flow ........................................................................................... 10

2.6 Gaussian Mixture Model ........................................................................ 11

2.7 Blob Analysis ......................................................................................... 12

BAB 3 RENCANA PERANCANGANSISTEM SISTEM PEMANTAU

LALU LINTAS ..................................................................................................... 15

3.1 Pendahuluan ........................................................................................... 15

3.2 Pemasangan Perangkat Keras ................................................................. 15

3.3 Konfigurasi Perangkat LunakOptical Flow ........................................... 16


ix Universitas Indonesia

3.4 Konfigurasi Perangkat Lunak Gaussian Mixture Model ........................ 21

3.5 Perancangan Pengujian .......................................................................... 25

BAB 4 PENGUJIAN DAN ANALISIS ALGORITMA OPTICAL FLOW

DAN GAUSSIAN MIXTURE ............................................................................. 26

4.1 Pengujian Algoritma Optical Flow dan Gaussian Mixture ................. 26

4.2 Pengaruh Perbedaan Delay Frame Referensi pada Algoritma Optical

Flow ............................................................................................................. 29

4.3 Pengukuran dan Analisa Algoritma Optical Flow .............................. 30

4.4 Kegagalan Pelacakan pada Algoritma Optical Flow ........................... 31

4.5 Pengaruh Jumlah Training Frame pada Algoritma Gaussian Mixture

Model ............................................................................................................. 32

4.6 Pengukuran dan Analisa Algoritma Gaussian Mixture Model ............ 34

4.7 Kegagalan Pelacakan pada Algoritma Gaussian Mixture Model ........ 35

4.8 Pengaruh Kondisi Cuaca terhadap Akurasi Kedua Metode ................ 35

4.9 Pengaruh Lokasi Pengambilan Gambar dan Sudut Kamera ................ 36

4.10 Perbandingan Akurasi Algoritma Optical Flow dengan Gaussian

Mixture Model ................................................................................................... 36

4.11 Perbandingan Kecepatan Proses Kedua Algoritma ............................. 37

BAB 5 KESIMPULAN .................................................................................. 38

DAFTAR PUSTAKA ........................................................................................... 39


x Universitas Indonesia

DAFTAR GAMBAR

Gambar 2.1Sensor-sensor untuk Sistem Pemantau Lalu Lintas [1] ....................... 5

Gambar 2.2Contoh vision system untuk sistem pemantau lalu lintas [1]................ 8

Gambar 2.3 Proses Computer Vision [3] ................................................................ 8

Gambar 2.4 Hasil Laplacian of Gaussian [9] ........................................................ 13

Gambar 2.5 Matriks Hasil Laplacian of Gaussian [9] .......................................... 13

Gambar 3.1Perancangan perangkat keras ............................................................. 16

Gambar 3.2Konfigurasi perangkat lunak algoritma Optical Flow ....................... 17

Gambar 3.3Screenshot konfigurasi perangkat lunak Optical Flow ...................... 18

Gambar 3.4Konfigurasi perangkat lunak algoritma Gaussian Mixture Model ..... 21

Gambar 3.5Screenshot konfigurasi perangkat lunak Gaussian Mixture Model ... 22

Gambar 4.1 Kondisi berdasarkan waktu yaitu, (a) pagi, (b) siang, dan (c) sore ... 27

Gambar 4.2 Kondisi berdasarkan cuaca yaitu, (a) cerah dan (b) mendung .......... 28

Gambar 4.3 Kondisi berdasarkan arus kendaraan yaitu, (a) lancar dan (b) padat 28

Gambar 4.4 Grafik Hasil Pengukuran Besarnya Delay terhadap Akurasi ............ 29

Gambar 4.5 Grafik Hasil Pengukuran Akurasi Optical Flow ............................... 31

Gambar 4.6 Kegagalan Pelacakan Optical Flow .................................................. 32

Gambar 4.7 Grafik Perbandingan Training Frame dengan Akurasi .................... 33

Gambar 4.8 Grafik Hasil Pengukuran Akurasi Gaussian Mixture Model ............ 34

Gambar 4.9 Kegagalan Pelacakan Algoritma Gaussian Mixture Model .............. 35

Gambar 4.10 Grafik Perbandingan Akurasi Optical Flow dengan Gaussian

Mixture Model ....................................................................................................... 37


1 Universitas Indonesia

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Di masa sekarang ini kemacetan merupakan salah satu permasalahan yang

sangat mengganggu di kota-kota besar di dunia, terutama di Jakarta.

Pertambahan jumlah kendaraan bermotor di Jakarta tidak diiringi dengan

pengadaan jalan yang memadai, sehingga kemacetan di beberapa ruas jalan

pada jam-jam sibuk tak dapat dihindari lagi.

Untuk mengatasi masalah tersebut dibutuhkan perencanaan pengadaan jalan

yang cepat dan akurat untuk meningkatkan efektivitas dan tingkat keamanan

jalan yang akan dibangun.Salah satu tahapan perencanaan tersebut dilakukan

denganmenganalisa kepadatan lalu lintas di beberapa ruas jalan. Para

ilmuwanmenggunakan berbagai jenis sensor untuk memonitor kepadatan lalu

lintas tersebut.

Salah satu sensor yang berperan ini adalah sensor berbasis kamera dengan

teknologi Computer Vision.Berbagai algoritma yang dianggap mampu

memberikan hasil pendeteksian terbaik dikembangkan dan dibandingkan

dengan keakuratan metode-metode yang telah ada untuk mencari hasil

terbaik.Ilmuwan dari Universitas Bristol berhasil membuat sistem dengan

akurasi mencapai 95% [1].

1.2 Tujuan

Tujuan penulisan dari skripsi ini adalah untuk mensimulasikan dan menguji

akurasidua metode pendeteksian yaitumetode Gaussian Mixture Modeldan

Optical Flowuntuk sistem pemantauan lalu lintas berbasis teknologi Computer

Vision. Pengujian akurasidiharapkan dapat menentukan metode terbaik untuk

sistem pemantauan lalu lintas. Dengan metode tersebut diharapkan sistem


2

Universitas Indonesia

pemantauan lalu lintas memiliki performa yang lebih baik.Untuk menguji

kinerja kedua metode, dikembangkan program analisis terhadap rekaman

video lalu lintas menggunakan perangkat lunak MATLAB™. Parameter

kondisi waktu,cuaca dan aruslalu lintas di salah satu ruas jalan tol Jakarta

menjadi faktor yang menentukan kinerja sistem.

1.3 Metodologi Penelitian

Metode yang digunakan untuk Skripsi ini adalah:

1. Studi literatur, dengan membaca berbagai makalah ilmiah dan referensi

terkait bidang penelitianSkripsi ini

2. Perancangan sistem pemantau lalu lintas, menggunakan perangkat lunak.

Untuk analisisdibuat program menggunakan MATLAB™ sebagai

implementasi kedua metode pendeteksian

3. Melakukan pengujian tingkat akurasi kedua metode algoritma, beserta

faktor-faktor yang menentukannya

1.4 Batasan Masalah

Agar permasalahan yang akan dibahas menjadi jelas, maka penelitian ini

dibatasi pada beberapa hal, antara lain:

1. Sistem yang dibuat hanya akan membandingkan keakuratan kedua metode

melalui ketepatan penghitungan jumlah kendaraan.

2. Sistem hanya akan mengamati tiga lajur pada jalan tol.

3. Sistem pengujian video yang telah direkam dapat diproses secara real

time.

1.5 Sistematika Penulisan

Bab I adalah pendahuluan, yang menjelaskan mengenai latar belakang,

perumusan masalah yang akan dihadapi dalam pembuatan skripsi dengan tema

yang diambil, tujuan dibuatnya skripsi ini, batasan masalah yang akan dibahas

pada skripsi ini, metodologi penelitian skripsi ini, dan sistematika penulisan

skripsi.


3


Bab II adalah landasan teori yang menjelaskan tentang Computer Vision,

Sistem Pemantau Lalu Lintas, dan algoritma-algoritma yang digunakan.

Bab III adalah penjelasan tentang skema perancangan sistem pemantau lalu

lintas, pemasangan perangkat keras, dan konfigurasi perangkat lunak. Bab ini

juga akan menjelaskan konsep dari sistem pemantau, pembagian dari sistem-

sistem yang digunakan, dan alur kerja dari sistem.

Bab IV adalah eksperimen dan kemudian menganalisahasil pengujian yang

dilakukan.

Bab V adalah penutup dan kesimpulan skripsi ini.



BAB 2

SISTEM PEMANTAU LALU LINTASBERBASIS COMPUTER VISION

2.1 Pendahuluan

Dalam uraian berikut akan dijelaskan secara lebih lanjut sistem pemantau lalu

lintas berbasis Computer Vision. Penjelasan dibagi dalam beberapa bagian

yaitu sistem pemantau lalu lintas, Computer Vision, proses Computer Vision,

algoritma Optical Flow, Gaussian Mixture Model, dan analisa Blob.

2.2 Sistem Pemantau Lalu Lintas

Sistem Pemantau Lalu Lintas melibatkan pengumpulan data-data yang dapat

menggambarkan karakteristik dari kendaraan dan pergerakannya di jalan raya.

Data-data yang dikumpulkan contohnya adalah:jumlah kendaraan, kecepatan

kendaraan, jalur kendaraan, dan kepadatan kendaraan[1]. Data-data tersebut

yang nantinya akan diproses untuk salah satu dari 4 tujuan berikut:

1. Penegakan hukum: untuk mendeteksi kendaraan kendaraan yang

melanggar peraturan

2. Gerbang tol otomatis: untuk mendeteksi sekaligus mengklasifikasi jenis

kendaraan yang lewat di gerbang tol.

3. Penanggulangan kecelakaan: untuk mendeteksi kemacetan, memonitor

daerah daerah rawan kecelakaan.

4. Menambah kapasitas jalan raya: sebagai dasar pengumpulan informasi

kepadatan jalan untuk pengembangan jalan raya.

Pada masa sekarang ini Sistem Pemantau Lalu Lintasbergantung pada

teknologi sensor yang berdasarkan pada radar, microwave, tubes dan loop

detectorsebagaimana diilustrasikan pada Gambar 2.1 [1]:

1. Radar: untuk mengukur kecepatan kendaraan yang sedang melaju.

2. Detektor Microwave : biasanya dipasang diatas jembatan dan mengarah

secara vertikal kebawah. Alat tersebut mengeluarkan gelombang mikro

yang kemudian dipantulkan jalan dan diterima kembali oleh


5


sensor.Kendaraan yang melintas dibawah sensor tersebut akan

menghasilkan interferensi sehingga dapat dideteksi.

3. SensorTubes: berupa pipa karet yang dipasang diatas permukaan jalan raya

secara melebar. Salah satu ujung dari pipa tersebut ditutup dan ujung

satunya lagi disambungkan ke sensor tekanan. Setiap kendaraan yang

lewat akan menekan pipa tersebut dan kemudian tekanan tersebut diterima

oleh sensor.

4. Detektor Loop:terbuat dari gulungan kawat besar yang ditanam dibawah

permukaan jalan. Ketika kendaraan melewati gulungan kawat tersebut,

induktansi dari kawat tersebut akan berubah dan kemudian kendaraan

dapat terdeteksi.

5. Sensor berbasis kamera. menggunakan kamera untuk mengakuisisi citra

lalu kemudian diolah menggunakan pengolah grafis untuk mendeteksi dan

menghitung jumlah kendaraan

Gambar 2.1Sensor-sensor untuk Sistem Pemantau Lalu Lintas [1]


6


2.3 Computer Vision

Computer Vision merupakan suatu bidang yang berhubungan dengan

pencitraan otomatis dan pengolahan otomatis suatu citra berbasis komputer

untuk mengekstrak dan menginterpretasikan informasi[2]. Atau dengan kata

lain merupakan mesin sains dan teknologi yang dapat melihat. Dalam konteks

ini, dapat melihat berarti mesin tersebut mampu mengekstrak informasi dari

suatu citra untuk menyelesaikan suatu tugas atau pekerjaan, atau mungkin

"memahami" suatu citra secara luas ataupun terbatas.

Computer Visiondiaplikasikan secara beragam, mulai dari vision system untuk

mesin industri sebagai pemeriksa botol selama produksi, sampai kepada riset

untuk kecerdasan buatan menggunakan komputer ataupun robot agar dapat

mengenali lingkungan sekitar. Bidang Computer Vision dan machine vision

seringkali dianggap serupa.Computer Vision meliputi teknologi analisis citra

secara otomatis yang digunakan di banyak bidang.Machine vision biasanya

mengacu pada proses yang menggabungkan analisis citra secara otomatis

dengan metode dan teknologi pengamatan otomatis dan bimbingan robot

untuk aplikasi industri[2].

Di bidang sains, Computer Vision berhubungan dengan teori dari sistem-

sistem buatan yang dapat mengekstrak informasi dari citra-citra. Contohnya

dari rangkaian video, citra dari beberapa kamera, atau data multi dimensi dari

pemindai medis.

Di bidang teknologi, Computer Vision berusaha untuk menerapkan teori-teori

dan model-model untuk pembangunan sistem dari Computer Vision. Contoh-

contoh aplikasi Computer Vision meliputi:

1. Proses kontrol (misalnya pada indusri robot).

2. Navigasi (misalnya pada kendaraan tanpa awak atau robot berjalan).

3. Deteksi kejadian (misalnya pada pengawasan visual atau penghitungan

orang).

4. Pengorganisasian informasi (misalnya pada pengindeksan citra dan

rangkaian-rangkaian citra).


7


5. Pemodelan objek atau lingkungan (misalnya pada analisis citra medis atau

pemodelan topografi).

6. Interaksi (misalnya pada masukan ke sebuah divais untuk interkasi antar

manusia dan komputer).

7. Pemeriksaan otomatis (misalnya pada aplikasi-aplikasi manufaktur).

Sub-domain dari Computer Vision meliputi rekonstruksi citra, deteksi

kejadian, pelacakanvideo,pengenalan objek,pembelajaran, pengindeks-

an, estimasi gerakan, dan restorasi citra[2].

Sebuah contoh vision system untuk Sistem Pemantau Lalu Lintas dapat dilihat

pada Gambar 2.2.Video yang direkam oleh kamera dikirimkan ke komputer

untuk dianalisa. Algoritma Computer Vision melakukan deteksi kendaraan

yang tertangkap oleh kamera.

Sensor berbasis kamera secara potensial lebih baik dibandingkan beberapa

sensor yang ada sekarang ini. Instalasi kamera video di jalan-jalan raya

memakan biaya yang lebih sedikit dan lebih mudah dibandingkan sensor –

sensor lainnya. Satu kamera mampu memonitor lebih dari satu jalur jalan

sepanjang beberapa ratus meter. Sensor berbasis kamera ini juga mampu

mengekstrak informasi yang lebih lengkap, misalnya arah gerak kendaraan,

bentuk, dan warna. Dengan pemosisian yang tepat, kamera dapat melacak

kendaraan yang lewat sekaligus manuvernya ketika melewati jalan yang

kompleks maupun jalan lurus yang panjang.Sensor berbasis kamera ini dapat

dikatakan sukses apabila dapat dioperasikan secara real time, yakni ketika

kamera memproduksi 30 frame setiap detiknya.


8


Gambar 2.2Contoh vision system untuk sistem pemantau lalu lintas[1]

2.4 Proses Computer Vision

Computer Visionitu memiliki aliran proses seperti yng ditunjukkan pada

Gambar 2.3.

Gambar 2.3 Proses Computer Vision [3]

1. Akuisisi Citra

2. Proses Awal

3. Ekstraksi Fitur

4. Deteksi dan Segmentasi

5. Analisis

6. Pengambilian Keputusan


9


1. Akuisisi citramerupakan cara mendapatkan suatu citra.Citra dijital

dihasilkan oleh satu atau lebih sensor menggunakan berbagai jenis

kamera. Tergantung dari tipe sensor, citra yang dihasilkan dapat

berupa citra dua dimensi, tiga dimensi, maupun rangkaian dari banyak

citra. Citra yang dihasilkan dapat berupa citra berwarna maupun

citragray scale.

2. Pada tahap inicitra memasuki tahap proses awalyang merupakan tahap

yang penting dimana citra yang diakuisisidiproses kembali agar

informasinya menjadi relevan.

3. Pada tahap ekstraksi fitur, dikembangkan algoritma untuk mengambil

bagian-bagian tertentu dari citra yang memiliki informasi yang

dibutuhkan.Fitur ini akan menjadi informasi unik yang akan diolah

lebih lanjut.

4. Tahap ini memproses fitur citra lebih lanjut pada tahap deteksi dan

segmentasi. Dimana bagian dari citra yang berisi informasi penting

dideteksi dan kemudian disegmentasi. Sehingga citra tersebut pada

akhirnya dapat dianalisa lebih lanjut.

5. Pada tahap analisis citra yang telah disegmentasi diverifikasi, salah

satunya menggunakan metode pengenalan citrauntuk

mengklasifikasikan objek-objek pada citra tersebut.

6. Dan akhirnya pada tahap pengambilan keputusan, citrayang telah

selesai diproses menjadi penentu keputusan. Misalnya apakah obyek

yang terdeteksi pada citra tersebut adalah kendaraanyang akan dihitung

dalam aplikasi sistem pemantau lalu lintas.

2.5 Algoritma Sistem

Sistem Pemantau Lalu Lintasbergantung pada algoritma yang

mendukungnyauntuk memisahkan bagian bagian yang bergerak dalam suatu


10


citra dan kemudian melacaknya. Jika di daerah yang dipisahkan tersebut

terdapat karakteristik yang sesuai, maka bagian tersebut dapat dianggap

sebagai kendaraan dan selanjutnya dapat dihitung maupun dilacak.Di dalam

penelitian ini digunakan dua metode yang sering dipakai karena

kemudahannya, yaitu:

1. Optical Flow

2. Gaussian Mixture Model

2.6 Optical Flow

Dalam Computer Vision,metode Horn-Schunck sering digunakan untuk

pelacakan objek. Metode ini diimplementasikan di dalam penelitian ini untuk

mendeteksi mobil bergerak dengan melacak vektor gerakan mobil tersebut.

Metode ini diajukan pertama kali pada tahun 1981, merupakan metode

pertama yang menggunakan intensitas cahaya sebagai dasar untuk mendeteksi

objek[4].Metode ini memiliki keuntungan karena menghasilkan vektor

gerakan dengan tingkat kepadatan yang tinggi. Namun metode ini juga

memiliki kekurangan yaitu sensitif terhadap noise [5].Persamaan (2.1) dan

persamaan (2.2) adalah rumus pelacakan Horn-Schunck untuk mengestimasi

pergerakan dan kecepatan dari objek [5].

(2.1)

(2.2)

Dimana , , dan merupakan turunan dari intensitas citra, merupakan

Optical Flow horisontal, merupakan Optical Flow vertikal,

merupakankonstanta smoothness, merupakan perkiraan kecepatan


11


sebuah pikselpada (x,y), dan merupakan rata-rata kecepatan pada

titik-titik sebelumnya [6].

Dengan menggunakan algoritma tersebut maka dapat dicari vektor pergerakan

dari benda yang ingin dilacak. Di dalam konteks penelitian ini objeknya

adalah kendaraan yang dianalisa vektor pergerakannya kemudian

dilakukanthreshold. Hasil threshold citra tersebut kemudian akan dianalisa

lebih lanjut menggunakan algoritma blob analysisuntuk dapat menghitung

jumlah kendaraan yang lewat. Algoritma blob akan dijelaskan lebih lanjut

padasub-bab 2.7.

2.7 Gaussian Mixture Model

Mixture Modeling adalah suatu metode penganalisaan data atau data mining

yang juga disebut dengan istilah-istilah lain seperticlustering,intrinsic

classificationdannumericaltaxonomy. Metode ini memodelkan atau

mengelompokkan data-data di dalam satu set data menjadi kelompok-

kelompok data yang sebelumnya tidak terdefinisikan[7]. Ada banyak metode

dalammixture model, dan yang diterapkan dalam penelitian ini adalah

Gaussian Mixture Model.Gaussian Mixture Modelini merupakan metode

background substraction yang sangat populer.Metode ini pertama kali

diajukan oleh Stauffer dan Grimson [8]. Metode ini menggunakan distribusi

Gaussian untuk memodelkan history dari setiap piksel

citra{ }.Persamaan (2.3) menunjukkan distribusi Gaussian [8]:

(2.3)

Dimana K adalah jumlah distribusi (biasanya bernilai antara tiga sampai lima),

adalah estimasi dari weight, adalah estimasi nilai rata-rata atau mean

value, dan merupakan matriks kovarian pada Gaussian kepada waktu


12


t. merupakan fungsi Gaussianprobability density[8]. Lalu setiap

pikselbaru yang masuk akan dibandingkan dengan Gaussian Mixture

Modelyang sesuai untuk menemukan Gaussian dengan standar deviasi sebesar

2,5. Jika pikselyang baru masuk itu tidak cocok dengan distribusi Gaussian

tersebut, maka distribusi dengan kemungkinan terkecil diganti nilainya dengan

distribusi yang memiliki nilai rata-rata terbaru, nilai inisial varian yang tinggi,

dan dengan weight sebelumnyayang rendah. Maka dari persamaan(2.3) akan

diperoleh nilai Gaussian untuk masing-masing pikselpada suatu citra. Setelah

mendapatkan nilai tersebut, dibutuhkan formulasi untuk membedakan

distribusi foreground dari backgroundseperti ditunjukkan pada persamaan

(2.4) [5]:

(2.4)

Dimana distribusi B merupakan distribusi yang dipilih pertama sebagai model

background dimana T adalah minimum data yang dapat

dipertanggungjawabkan sebagai background. Ini akan menghasilkan distribusi

terbaik [5]. Setelah background dan foreground dipisahkan, maka hasil analisa

diberi proses threshold,dan dihitung lebih lanjut menggunakan analisa blob

yang akan dijelaskan pada sub-bab berikutnya

2.8 Blob Analysis

Pada Computer Visionalgoritma ini digunakan untuk mendeteksi titik atau

area pada sebuah citra yang berbeda baik warna ataupun kecerahannya jika

dibandingkan dengan sekitarnya. Algoritma ini banyak digunakan untuk

mendapatkan informasi yang tidak dapat diperoleh jika menggunakan

algoritma edge detection atau corner detection. Dengan demikian informasi

yang diperoleh menjadi sangat berguna untuk pendeteksian objek.Berikut


13


adalah metode mencari blob menggunakan Laplacian of Gaussian. Persamaan

(2.5) menyatakan hubungan sederhana dari Laplacian of Gaussian[9].

(2.5)

Dimana merupakan bagian piksel yang diberi fungsi Laplacian of

Gaussian.

Gambar 2.4 Hasil Laplacian of Gaussian [9]

Sebuah blob dapat dideteksi dengan melihat maksima dari konvolusi

Laplacian of Gaussian. Maksima dapat dilihat dari distribusi Laplacian of

Gaussian seperti yang ditunjukkan pada Gambar 2.4 pada matriks yang

digambarkan pada Gambar 2.5.

Gambar 2.5 Matriks Hasil Laplacian of Gaussian [9]


14


Matriks Laplacian of Gaussian diberi prosesthreshold untuk menguatkan

bagian mana yang positif dan bagian mana yang negatif sehingga blobcitra

dapat diketahui.



BAB 3

RENCANA PERANCANGANSISTEM SISTEM PEMANTAU LALU

LINTAS

3.1 Pendahuluan

Pada bab ini akan dijelaskan perancangan sistem untuk membandingkan

kedua algoritmaSistem Pemantau Lalu Lintasberbasis Computer Visionyaitu

Gaussian Mixture Model dan Optical Flow. Seperti yang telah dijelaskan

sebelumnya, sistem ini diharapkan untuk dapat beroperasi secara real time.

Karena itulah perancangan perangkat keras dan perangkat lunak yang akan

digunakan harus mampu mendukung sistem ini secara penuh. Bab ini akan

menjelaskan pemasangan perangkat keras dan lunak serta algoritma-algoritma

yang digunakan untuk sistem ini secara lebih lanjut.

3.2 Perancangan Perangkat Keras

Berikut akan dijelaskan perancangan perangkat keras yang akan digunakan.

Pertama tama diasumsikan jalan tol yang dijadikan objek pengambilan citra

mempunyai beberapa batasan sebagai berikut:

1. Memiliki jalur lurus sepanjang kurang lebih 100 m

2. Tidak terdapat trotoar maupun zebra cross

3. Memiliki jembatan penyeberangan sebagai tempat pengambilan citra

Setelah jalan tol diasumsikan, maka selanjutnya pengambilan citra dilakukan

dari tempat yang cukup tinggi di atas jalan. Pengambilan citra dilakukan pada

jembatan penyeberangan menggunakan handycam. Untuk mendapatkan hasil

rekaman yang maksimal, digunakan handycam yang memadai kualitasnya,

untuk menghindari blur dan noise saat merekam.


16


Spesifikasi handycam yang digunakan sebagai berikut:

1. Merk dan Tipe Sony® Model DCR-DVD610E

2. Lensa:Carl Zeiss Vario-Tessar Lens

3. Digital zooming: 40x Optical / 2000x Digital Zoom

4. Resolusi video: 720x576

Setelah dilakukan pengambilan citra, hasil rekaman yang didapat dipindahkan

ke komputer.Komputer mengolah video menggunakan algoritma yang telah

dibuat secara real time.Hasil olahan disimpan dalam suatu file. Blok diagram

untuk perancangan perangkat keras dapat dilihat di Gambar 3.1.

Gambar 3.1Perancangan perangkat keras

3.3 Konfigurasi Perangkat LunakOptical Flow

Berikut akan dijelaskan perancangan dari sistem perangkat yang akan

digunakan. Untuk perangkat lunak untuk sistem ini terdapat 2 jenis algoritma

yang berbeda untuk saling diperbandingkan, yaitu metode Gaussian Mixture

Model dan metode Optical Flow.Pertama-tama akan dijelaskan konfigurasi

Penyiapan lokasi dan kamera

Merekam keadaan jalan

Video dipindahkan ke komputer

Algoritma pengolahan citra pada komputer

Menampilkan informasi jumlah kendaraan


17


perangkat lunak untuk metodeOptical Flow. Untuk metode Optical Flow,

metode ini menggunakan algoritma Horn-Schunck.Seperti yang telah

dijelaskan pada Bab 2. Algoritma ini akan mendeteksi gerakan pada

kendaraan lalu menghasilkan vektor pergerakan, yang kemudian setelah

dilakukan threshold akan menghasilkan gumpalan sehingga dapat dianalisa

menggunakan algoritma blob.

Kedua metode ini akan dibandingkan untuk melihat metode mana yang lebih

cepat dan lebih akurat dalam memproses citra dijital berupa rekaman video

lalu lintas di jalan raya.

Berikut ini adalah diagram dari konfigurasi sistem perangkat lunak

menggunakan metode Optical Flow.

Gambar 3.2Konfigurasi perangkat lunak algoritma Optical Flow

Konfigurasi perangkat lunak ini akan dijelaskan lebih lanjut menggunakan

screenshot dari perangkat lunak MATLAB™.

Inisialisasi

Proses awal gambar

Deteksi motion vector

Threshold motion vector

Menghitung jumlah kendaraan


18


Gambar 3.3Screenshot konfigurasi perangkat lunak Optical Flow

Konfigurasi perangkat lunak untuk algoritma Optical Flow dimulai pada tahap

inisialisasi yaitu pembacaan input video oleh perangkat lunak MATLAB™.

Berikut adalah pseudocode dari tahap inisialisasi:


19


Setelah input dari rekaman video telah dipindahkan ke perangkat lunak

MATLAB™. Pemrosesan dilanjutkan ke tahap berikutnya yaitu proses awal

dari rekaman. Pada tahap ini rekaman gambar dipersiapkan sebelum diproses

lebih lanjut agar mendapatkan hasil yang maksimal. Berikut adalah

pseudocode-nya:

Setelah itu citra yang telah diproses tadi maka disiapkan fungsi

untukmenganalisa menggunakan algoritma Optical Flowuntuk menganalisa

vektor gerakan dari kendaraan yang lewat pada rekaman gambar. Berikut

adalah pseudocode-nya:

/* Inisialisasi

Filename = Video1.avi /*Jalur input untuk video*/

Baca Filename (RGB) /*Baca input dari Filename dalam RGB*/

/* Proses Awal Gambar


Tambahkan fungsi median filter /*Menghilangkan noise

menggunakan median filter*/

/* Optical Flow

/*Set Parameter Optical Flow

Metode Horn-Schunck /*Mengeset Metode untuk Optical Flow */

Mengeset Output dalam Complex form /*Menentukan bentuk output

dari vektor gerakan Optical Flow*/

Mengeset Delay Frame Referensi menjadi n /* Menentukan delay

frame referensi menjadi n frame sebelumnya*/

Baca Video dengan Fungsi Optical Flow

Plot vektor gerakan /*Memplot pada video vektor gerakan*/


20


Setelah vektor gerakan berhasil diplot pada rekaman (vektor gerakan berupa

garis kuning pada Gambar 3.3b) vektor tersebut kemudian dilakukan

threshold sehingga menghasilkan rekaman seperti pada Gambar 3.3c. Berikut


Setelah rekaman tersebut melewati proses threshold maka rekaman dibawa ke

tahap selanjutnya yaitu analisa blob. Gumpalan-gumpalan yang tercipta pada

rekaman yang melewati proses threshold tersebut akan dianalisa oleh

algoritma blob untuk menentukan objek kendaraan yang lewat lalu

menghitung jumlahnya. Berikut adalah pseudocode:

/*Threshold

Threshold vektor gerakan ke putih /*melakukan thresholdvektor

gerakan pada rekaman sehingga jalur yang dilewati vektor gerakan

menjadi putih*/

/*Blob Analysis

/*Set Parameter Blob Analysis

Set Bounding Box Output True /*Tampilkan hasil dalam bentuk

Bounding Box*/

Set Minimum Area Blob = 250 /* Menentukan besarnya area yang akan

dilacak blob analysis dalam besaran piksel*/

Set Maksimum Area Blob = 3600 /* Menentukan besarnya area yang

akan dilacak blob analysis dalam besaran piksel*/

Bandingkan Rasio Bounding Boxes dengan Segmented Area

/*Membandingkan luas Bounding Boxes dengan luas vektor gerakan

yang telah tersegmentasi*/

If Rasio Perbandingan > 0.4 maka dianggap kendaraan

Hitung Jumlah Benar sebagai Jumlah Kendaraan yang lewat


21


3.4 Konfigurasi Perangkat Lunak Gaussian Mixture Model

Untuk metode Gaussian Mixture Model, metode ini mengambil keuntungan

dari background yang statis atau tidak bergerak, lalu menggunakan

algoritmanya untuk memisahkan objek yang bergerak dari background yang

statis.

Algoritma gaussian mixture menggunakan foreground detection untuk

memisahkan kendaraan yang bergerak dari objek-objek lain yang statis.

Pada Gambar 3.4 dapat dilihat konfigurasi perangkat lunak dari algoritma

Gaussian Mixture Model

Gambar 3.4Konfigurasi perangkat lunak algoritma Gaussian Mixture Model



Inisialisasi

Proses awal gambar

Foreground detection

Threshold

Menghitung jumlah kendaraan


22


Gambar 3.5Screenshot konfigurasi perangkat lunak Gaussian Mixture Model



Konfigurasi perangkat lunak untuk algoritma Gaussian Mixture Model

dimulai pada tahap inisialisasi yaitu pembacaan input video oleh perangkat

lunak MATLAB™. Berikut adalah pseudocode dari tahap inisialisasi:


23


Setelah input dari rekaman video telah dipindahkan ke perangkat lunak

MATLAB™. Pemrosesan dilanjutkan ke tahap berikutnya yaitu proses awal

dari rekaman. Pada tahap ini rekaman gambar dipersiapkan sebelum diproses

lebih lanjut agar mendapatkan hasil yang maksimal. Berikut adalah

pseudocode-nya:

Setelah itu citra yang telah diproses tadi maka disiapkan fungsi untuk

menganalisa menggunakan algoritma Gaussian Mixture Modeluntuk

melakukan foregorund detection yaitu mendeteksi benda yang bukan

merupakan bagian dari background yaitu kendaraan yang melintas. Berikut


Setelah citra dianalisa menggunakan algoritma foreground detection, citra

tersebut kemudian dilakukan threshold agar terlihat perbedaan warna yang

/* Inisialisasi

Filename = Video1.avi /*Jalur input untuk video*/


/* Proses Awal Gambar


Tambahkan fungsi median filter /*Menghilangkan noise menggunakan

median filter*/

/* Gaussian Mixture Model

/* Mengeset Parameter untuk Foreground Detection

Set Training Frame /* Mengatur jumlah frame yang akan dilatih

terlebih dahulu*/

Set Standar Deviasi /*Mengatur standar deviasi awal*/

Baca Video dengan fungsi foreground detection


24


mencolok antara objek pada background dan objek pada foregournd seperti

dilihat pada Gambar 3.5b.Berikut adalah pseudocode-nya:

Setelah rekaman tersebut dilakukan threshold maka rekaman dibawa ke tahap

selanjutnya yaitu analisa blob. Gumpalan-gumpalan yang tercipta pada

rekaman yang dilakukan threshold tersebut akan dianalisa oleh algoritma blob

untuk menentukan kendaraan atau bukan kendaraan yang lewat dan lalu

menghitung jumlahnya. Berikut adalah pseudocode-nya:

/*Threshold

Threshold foreground object ke putih /*melakukan thresholdobjek yang

bukan merupakan bagian dari background menjadi putih*/

/*Blob Analysis

/*Set Parameter Blob Analysis

Set Bounding Box Output True /*Tampilkan hasil dalam bentuk

Bounding Box*/

Set Minimum Area Blob = 250 /* Menentukan besarnya area yang akan

dilacak blob analysis dalam besaran piksel*/

Set Maksimum Area Blob = 3600 /* Menentukan besarnya area yang

akan dilacak blob analysis dalam besaran piksel*/

Bandingkan Rasio Bounding Boxes dengan Segmented Area

/*Membandingkan luas Bounding Boxes dengan luas vektor gerakan

yang telah tersegmentasi*/

If Rasio Perbandingan > 0.4 maka dianggap kendaraan

Hitung Jumlah Benar sebagai Jumlah Kendaraan yang lewat


25


3.5 Perancangan Pengujian

Pengujian dilakukan setelah gambar diambil menggunakan handycam.

Pengambilan gambar dilakukan sesuai dengan kondisi yang diinginkan untuk

diujikan, yaitu pada pagi, siang, dan sore hari, lalu ketika cerah dan mendung,

serta ketika arus kendaraan padat dan lancar.Pengujian dilakukan untuk

mengetahui akurasi dari setiap algoritma. Dengan menggunakan perhitungan:



BAB 4

PENGUJIAN DAN ANALISIS ALGORITMA OPTICAL FLOW DAN

GAUSSIAN MIXTURE

4.1 Pengujian Algoritma Optical Flow dan Gaussian Mixture

Pengambilan gambar dilakukan dengan menggunakan handycam Sony®

Model DCR-DVD610E, bertempat di jembatan penyeberangan yang melewati

Tol menuju bandara Soekarno-Hatta. Untuk kondisi padat pengambilan

gambar dilakukan di Tol Kebon Jeruk. Pengambilan gambar dilakukan 7 kali

dengan kondisi yang berbeda-beda yaitu, pada pagi, siang dan sore hari, lalu

pada cerah dan mendung, serta pada kondisi arus kendaraan padat dan lancar.

Setiap rekaman memiliki jumlah kendaraan yang sama yaitu 100 kendaraan

yang lewat. Setelah rekaman gambar pada setiap kondisi didapatkan, rekaman

dipindahkan ke komputer untuk kemudian diproses lebih lanjut. Setiap

algoritma yang diujikan diberikan rekaman yang sama untuk kemudian

dibandingkan akurasinya.Pada Tabel 4.1 dijabarkankarakteristik dari kondisi

yang akan diujikan:

Tabel 4.1Tabel deskripsi kondisi yang diujikan

Kondisi Karakteristik

Pagi Berkisar antara Pukul 06.00 – 10.00

Siang Berkisar antara Pukul 10.00 – 15.00

Sore Berkisar antara Pukul 15.00 – 18.00

Mendung Matahari tertutup awan

Cerah Matahari tidak tertutup awan

Padat Jumlah kendaraan yang tertangkap dalam frame lebih sering

lebih dari tiga kendaraan yang lewat


27


Lancar Jumlah kendaraan yang tertangkap dalam frame lebih sering

satu atau dua kendaraan yang lewat

Pada Gambar 4.1 dapat dilihat screenshot dari kondisi yang berdasarkan

waktu pengambilan data yaitu pada pagi hari, siang hari, dan sore hari:

Gambar 4.1 Kondisi berdasarkan waktu yaitu, (a) pagi, (b) siang, dan (c) sore

Dapat dilihat perbedaanbrightness dan contrast dari masing-masing gambar sesuai

dengan waktu pengambilan. Selanjutnya pada Gambar 4.2 dapat dilihat kondisi

berdasarkan cuaca pada waktu pengambilan.


28


Gambar 4.2 Kondisi berdasarkan cuaca yaitu, (a) cerah dan (b) mendung

Dapat dilihat perbedaan brightness dan contrast yang mencolok pada saat

cuaca cerah dan pada saat cuaca mendung. Terakhir pada Gambar 4.3 dapat

dilihat kondisi terakhir yaitu ketika arus kendaraan padat dan lancar.

Gambar 4.3 Kondisi berdasarkan arus kendaraan yaitu, (a) lancar dan (b) padat

Pada kondisi arus lancar hanya satu atau dua kendaraan yang lewat pada

rekaman video, sedangkan pada kondisi arus padat lebih dari tiga kendaraan

yang lewat pada rekaman video. Seperti dilihat pada Gambar 4.3.


29


4.2 Pengaruh Perbedaan Delay Frame Referensi pada Algoritma Optical

Flow

Delay frame referensi merupakan salah satu parameter yang dapat diubah pada

algoritma Optical Flow. Delay frame referensi ini sendiri merupakan delay

antar frame yang sedang diproses dengan frame referensi. Pengujian dilakukan

untuk mencari tahu seberapa besar pengaruh dari besarnya delay terhadap

kinerja dari algoritma Optical Flow itu sendiri. Pengujian dilakukan

menggunakan salah satu data rekaman dengan besaran delay yang berbeda-

beda yaitu 3,5 dan 7 terhadap 100 kendaraan. Hasil dari pengujian dapat

dilihat pada Tabel 4.2.

Tabel 4.2 Tabel perbandingan berdasarkan delay terhadap 100 kendaraan

Besarnya Delay (Frame)

Penghitungan Kendaraan Benar Akurasi

3 88 88%

5 90 90%

7 92 92%

9 92 92%

Gambar 4.4 Grafik Hasil Pengukuran Besarnya Delay terhadap Akurasi

86

87

88

89

90

91

92

93

3 5 7 9

A

k

u

r

a

s

i

Besarnya Delay (Frame)

Frame Delay Vs Akurasi


30


Dari hasil pengukuran diatas dapat dianalisa bahwa semakin besar delay frame

referensi maka semakin besar pula akurasi yang didapatkan menggunakan

algoritma Optical Flow. Hal ini terjadi karena semakin besar delay frame

referensi maka bentuk kendaraan yang tersegmentasi menjadi lebih bagus.

Bagus berarti kendaraan yang tersegmentasi memiliki bentuk gumpalan yang

lebih tebal sesuai dengan besarnya delay frame referensi.

4.3 Pengukuran dan Analisa Algoritma Optical Flow

Pengujian pertama kondisi menggunakan algoritma Optical Flow. Dengan

parameter delay frame referensi sebesar 7. Diujikan pada 7 kondisi yang telah

disiapkan.

Pada Tabel 4.3 dapat dilihat hasil pengukuran algoritmaOptical Flow pada

kondisi yang berbeda-beda terhadap 100 kendaraan.

Tabel 4.3 Tabel Hasil Pengukuran Akurasi Optical Flow

Kondisi

Jumlah Penghitungan Benar Akurasi

Waktu Cuaca Arus

Pagi Cerah Lancar 87 87%

Pagi Cerah Padat 81 81%

Siang Cerah Lancar 88 88%

Siang Mendung Lancar 92 92%

Sore Cerah Lancar 87 87%

Sore Mendung Lancar 90 90%

Sore Mendung Padat 82 82%


31


Gambar 4.5 Grafik Hasil Pengukuran Akurasi Optical Flow

Dari Tabel 4.3 dan Gambar 4.5 dapat dianalisa bahwa algoritma Optical Flow

memiliki akurasi yang cukup baik yaitu diatas 80%. Algoritma ini dapat

menghitung secara lebih akurat ketika arus kendaraan tidak padat atau lancar.

Hal ini dikarenakan ketika arus kendaraan lancar pemrosesan berjalan lebih

akurat karena kendaraan yang lewat dianalisa satu persatu sehingga tidak

membebani sistem sehingga dapat diproses lebih cepat, berbeda ketika arus

kendaraan padat, sistem dapat memroses tiga kendaraan atau lebih dalam satu

frame sehingga tidak dapat memroses secara efisien.

4.4 Kegagalan Pelacakan pada Algoritma Optical Flow

Kegagalan pelacakan atau failure trackingyang fatal pada algoritma ini terjadi

ketika melacak beberapa kendaraan besar berupa truk kontainer. Perbedaan

warna yang cukup signifikan antara truk dengan muatannya dapat

menyebabkan algoritma menghitung kendaraan tersebut sebagai dua

kendaraan yang berbeda sehingga cukup berpengaruh pada akurasi dari

algoritma tersebut. Contoh kegagalan pelacakan tersebut dapat dilihat pada

Gambar 4.6.

74%76%78%80%82%84%86%88%90%92%94%

PagiCerahLancar

PagiCerahPadat

SiangCerahLancar

SiangMendung

Lancar

SoreCerahLancar

SoreMendung

Lancar

SoreMendung

Padat

A

k

u

r

a

s

i

Kondisi

Akurasi Algoritma Optical Flow


32


Gambar 4.6 Kegagalan Pelacakan Optical Flow

Dapat dilihat algoritma menghitung bagian depan dari truk sebagai satu

kendaraan dan bagian muatan dari truk sebagai kendaraan lain.

Kegagalan pelacakan lain yang tidak begitu signifikan diakibatkan kendaraan

yang melaju melebihi kecepatan 80 Km/jam dan berada pada lajur kanan

sehingga belum sempat diproses oleh sistem.

4.5 Pengaruh Jumlah Training Frame pada Algoritma Gaussian Mixture

Model

Jumlah training frame merupakan salah satu parameter yang dapat diubah

pada algoritma Gaussian Mixture Model. Parameter training frameitu sendiri

merupakan jumlah frame yang dilatih sebagai model background dihitung dari

awal frame video tersebut. Pengujian dilakukan untuk mengetahui seberapa

besar pengaruh besarnya parameter training frame tersebut terhadap akurasi

dari algoritma Gaussian Mixture Model tersebut. Pengujian dilakukan dengan

menggunakan salah satu data rekaman dengan besaran training frame yang

berbeda-beda yaitu 30, 60, 90, 120, dan 150. Hasil dari pengujian tersebut

dapat dilihat pada Tabel 4.4.


33


Tabel 4.4 Tabel Perbandingan Training Frame dengan Akurasi

Training Frame(Frame)

Jumlah Kendaraan Benar

Total Kendaraan Akurasi

30 61 100 61%

60 63 100 63%

90 65 100 65%

120 64 100 64%

150 66 100 66%

Gambar 4.7 Grafik Perbandingan Training Frame dengan Akurasi

Dari Tabel 4.4 dan Gambar 4.7 dapat disimpulkan bahwa semakin besar

training frame, akurasi yang didapat cenderung bertambah meskipun besarnya

tidak signifikan. Hal ini dapat dilihat dari perbedaan antara30 training frame

dengan 150 training frame hanya bertambah 5% saja dan sempat turun pada

120 training frame. Akurasi cenderung bertambah dapat disebabkan oleh

semakin akuratnya model background yang dijadikan referensi sehingga

memudahkan sistem untuk memisahkan objek bergerak dari background.

58%

59%

60%

61%

62%

63%

64%

65%

66%

67%

30 60 90 120 150

Aku

rasi

Training Frame (Frame)

Training Frame Vs Akurasi

Series1


34


4.6 Pengukuran dan Analisa Algoritma Gaussian Mixture Model

Pengujian kedua kondisi menggunakan algoritma Gaussian Mixture Model.

Dengan parameter training frame sebesar 150. Diujikan pada 12 kondisi yang

telah disiapkan. Pada Tabel 4.5 dapat dilihat hasil pengukuran menggunakan

algoritma Gaussian Mixture Model pada kondisi yang berbeda-beda terhadap

100 kendaraan.

Tabel 4.5Tabel Hasil Pengukuran Akurasi Gaussian Mixture Model

Kondisi

Jumlah Penghitungan Benar Akurasi

Waktu Cuaca Arus

Pagi Cerah Lancar 64 64%

Pagi Cerah Padat 59 59%

Siang Cerah Lancar 68 68%

Siang Mendung Lancar 72 72%

Sore Cerah Lancar 65 65%

Sore Mendung Lancar 69 69%

Sore Mendung Padat 62 62%

Gambar 4.8 Grafik Hasil Pengukuran Akurasi Gaussian Mixture Model

Dari Tabel 4.5dapat dianalisa bahwa algoritma Gaussian Mixture Model

memiliki akurasi yang kurang baik yaitu tidak mencapai 80%. Algoritma ini

0%10%20%30%40%50%60%70%80%

PagiCerahLancar

PagiCerahPadat

SiangCerahLancar

SiangMendung

Lancar

SoreCerahLancar

SoreMendung

Lancar

SoreMendung

Padat

A

k

u

r

a

s

i

Kondisi

Akurasi Algoritma Gaussian Mixture Model


35


bahkan tidak dapat menghitung secara akurat ketika arus kendaraan tidak

padat atau lancar. Dan bahkan lebih buruk ketika memroses data rekaman

dengan arus yang padat yaitu hanya 62%. Hal ini dapat disebabkan terlalu

sensitifnya algoritma ini terhadap cahaya sehingga sering terjadi kegagalan

pelacakan pada algoritma ini.

4.7 Kegagalan Pelacakan pada Algoritma Gaussian Mixture Model

Kegagalan Pelacakan yang fatal pada algoritma ini terjadi ketika algoritma

gagal dalam melacak kendaraan yang merupakan foreground object dari jalan

yang merupakan background object. Contoh dari kegagalan pelacakan

tersebut dapat dilihat pada Gambar

Gambar 4.9 Kegagalan Pelacakan Algoritma Gaussian Mixture Model

Kegagalan pelacakan tersebut diakibatkan dua bayangan kendaraan yang

menempel sehingga menyebabkan algoritma tersebut melacak dua kendaraan

tersebut menjadi satu kendaraan, sehingga menurunkan akurasi dari algoritma

tersebut. Hal ini sering terjadi pada saat kondisi cuaca cerah, sehingga

bayangan kendaraan tersegmentasi oleh algoritma Gaussian Mixture Model.

4.8 Pengaruh Kondisi Cuaca terhadap Akurasi Kedua Metode

Pada metode Optical Flow dan Gaussian Mixture Modelakurasi terbaik

dicapai saat kondisi waktu siang hari, cuaca mendung dan arus kendaraan


36


lancar. Hal ini dikarenakan pada kondisi cuaca mendung intensitas cahaya

yang berubah lebih sedikit sehingga algoritma dapat mensegmentasi

kendaraan dengan mudah. Dan bayangan yang dihasilkan kendaraan terlihat

lebih samar sehingga bayangan tersebut tidak tersegmentasi oleh algoritma

yang digunakan.

4.9 Pengaruh Lokasi Pengambilan Gambar dan Sudut Kamera

Untuk mendapatkan hasil terbaik pada pengukuran maka dibutuhkan lokasi

pengambilan gambar yang sesuai dan sudut kamera yang pas yaitu pada

tempat yang tinggi dan sudut kamera yang curam(mendekati arah vertikal).

Namun, pada pengujian yang dilakukan gambar yang direkam tidak

didapatkan pada lokasi dan sudut kamera yang terbaik. Hal ini dikarenakan

keterbatasan lokasi pengambilan gambar yaitu jembatan yang melewati tol

yang tidak terlalu tinggi sehingga pengambilan gambar kendaraan menjadi

terlalu dekat dan sudut kamera menjadi landai(mendekati arah horisontal).

Sehingga menyebabkan beberapa mobil yang melaju dengan kecepatan tinggi

tidak dapat dikenali oleh kedua algoritma sehingga menyebabkan penurunan

akurasi.

4.10 Perbandingan Akurasi Algoritma Optical Flow dengan Gaussian Mixture

Model

Setelah kedua pengujian algoritma Optical Flow dan Gaussian Mixture Model

selesai maka dapat dibandingkan akurasi dari kedua algoritma tersebut.

Perbandingan dapat dilihat dari grafik pada Gambar 4.10.


37


Gambar 4.10 Grafik Perbandingan Akurasi Optical Flow dengan Gaussian Mixture Model

Dari Grafik pada Gambar 4.10 dapat disimpulkan bahwa secara keseluruhan

dilihat dari semua kondisi yang diujikan algoritma Optical Flow memiliki

akurasi yang lebih tinggi, berbeda jauh dari akurasi algoritma Gaussian

Mixture Model. Dimana akurasi algoritma Optical Flow lebih besar dri 80%

dan algoritma Gaussian Mixture Model tidak mencapai 80%

4.11 Perbandingan Kecepatan Proses Kedua Algoritma

Pada saat pengujian kedua algoritma menggunakan komputer yang memiliki

prosesor dengan kecepatan 3 GHz, kedua algoritma memiliki kecepatan proses

video yang sama. Tetapi ketika dites menggunakan komputer atau

laptopdengan kemampuan prosesor yang lebih rendah algoritma Optical flow

dapat mengolah lebih cepat dibandingkan algoritma Gaussian Mixture Model.

Hal ini disebabkan oleh algoritma Optical flow yang lebih sederhana ketika

disimulasikan menggunakan perangkat lunak pengolah grafis dibandingkan

dengan algoritma Gaussian Mixture Model.

0%

20%

40%

60%

80%

100%

Pagi CerahLancar

Pagi CerahPadat

SiangCerahLancar

SiangMendung

Lancar

Sore CerahLancar

SoreMendung

Lancar

SoreMendung

Padat

A

k

u

r

a

s

i

Kondisi

Optical Flow Vs Gaussian Mixture

Optical Flow Gaussian Mixture Model



BAB 5

KESIMPULAN

Setelah melakukan pengujian dan analisis dari algoritma Optical Flow dan

Gaussian Mixture Model, maka dapat disimpulkan beberapa poin sebagai berikut:

1. Algoritma Optical Flow memiliki performa yang lebih baik daripada

Gaussian Mixture Model, hal ini dapat dilihat dari keseluruhan akurasi

yang didapat, dimana Optical Flow dapat mencapai 92% sedangkan

Gaussian Mixture Model hanya mencapai 72%

2. Parameter delay frame referensi pada algoritma Optical Flow berpengaruh

terhadap kinerja dari algoritma itu sendiri. Dimana semakin besar delay

frame referensi maka kinerja algoritma tersebut akan semakin membaik.

Terbaik pada 7 frame.

3. Parameter training frame pada algoritma Gaussian Mixture

Modelberpengaruh pada kinerja dari algoritma itu sendiri. Dimana

semakin besar nilai training frame maka kinerja algoritma tersebut akan

semakin membaik meskipun tidak signifikan. Terbaik pada 150 frame.

4. Kegagalan pelacakan pada algoritma Optical Flow diakibatkan oleh

kendaraan besar seperti truk kontainer yang dianggap sebagai dua

kendaraan, dimana kegagalan pelacakan oleh algoritma Gaussian Mixture

Model melacak dua bayangan kendaraan yang berdekatan menjadi satu

kendaraan.


39


DAFTAR PUSTAKA

[1] CJ Setchell. Application of Computer Vision to Road Traffic Monitoring, Tesis

untuk University of Bristol, September 1997.

[2] Linda G. Shapiro & George C. Stockman. Computer Vision. Prentice Hall,

2001.

[3] Rafael. C. Gonzales & Richard E. Woods, Digital Image Processing 2nd

Edition, Prentice Hall, 2002.

[4] Gary Bradsky & Adrian Kaehler. Learning OpenCV: Computer Vision with

the OpenCV Library, O’Reilly, September 2008.

[5] Berthold K. P. Horn & Brian G. Schunck, Determining Optical Flow, April

1980, Massachussets Institute of Technology Artificial Intelligence Laboratory.

[6] http://www.mathworks.com/help/toolbox/vision/ref/opticalflow.html, diakses

pada tanggal 30 Mei 2012.

[7]

http://digilib.ittelkom.ac.id/index.php?option=com_content&view=article&id=71

8:mixture-model&catid=21:itp-informatika-teori-danpemograman&Itemid=14

diakses pada tanggal 31 Mei 2012.

[8]Hajer Fradi & Jean-Luc Dugelay, Robust Foreground Segmentation Using

Improved Gaussian Model and Optical Flow, Eurocom, Mei 2012.

[9] http://fourier.eng.hmc.edu/e161/lectures/gradient/node10.html diakses pada

tanggal 20 Juni 2012.


http://www.mathworks.com/help/toolbox/vision/ref/opticalflow.html

http://fourier.eng.hmc.edu/e161/lectures/gradient/node10.html

ANALISA PERBANDINGAN AKURASI METODE OPTICAL...

Documents

Transcript of ANALISA PERBANDINGAN AKURASI METODE OPTICAL...