ANALISA PERBANDINGAN AKURASI METODE OPTICAL...
Transcript of 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
ANALISA PERBANDINGAN AKURASI METODE OPTICAL
FLOW DAN GAUSSIAN MIXTURE MODELUNTUK SISTEM
PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION
SKRIPSI
Skripsi ini diajukan untuk melengkapi sebagian persyaratan menjadi
Sarjana Teknik
DIMAS ARIOPUTRA
0806339061
FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK KOMPUTER
DEPOK
JANUARI 2012
Analisa perbandingan..., Dimas Arioputra, FT UI, 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
Analisa perbandingan..., Dimas Arioputra, FT UI, 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
PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION
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 : ..........................
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
v Universitas Indonesia
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI
UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda
tangan di bawah ini:
Nama : Dimas Arioputra
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 :
ANALISA PERBANDINGAN AKURASI METODE OPTICAL
FLOW DAN GAUSSIAN MIXTURE MODELUNTUK SISTEM
PEMANTAU LALU LINTAS BERBASIS COMPUTER VISION
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)
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
vi Universitas Indonesia
ABSTRAK
Nama : Dimas Arioputra
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
3
Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
4 Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
5
Universitas Indonesia
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]
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
6
Universitas Indonesia
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).
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
7
Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
8
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
9
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
10
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
11
Universitas Indonesia
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 ke- pada waktu
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
12
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
13
Universitas Indonesia
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]
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
14
Universitas Indonesia
Matriks Laplacian of Gaussian diberi prosesthreshold untuk menguatkan
bagian mana yang positif dan bagian mana yang negatif sehingga blobcitra
dapat diketahui.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
15 Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
16
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
17
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
18
Universitas Indonesia
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:
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
19
Universitas Indonesia
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
Baca Filename (RGB) /*Baca input dari Filename dalam RGB*/
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*/
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
20
Universitas Indonesia
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
adalah pseudocode-nya:
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
21
Universitas Indonesia
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
Konfigurasi perangkat lunak ini akan dijelaskan lebih lanjut menggunakan
screenshot dari perangkat lunak MATLAB™.
Inisialisasi
Proses awal gambar
Foreground detection
Threshold
Menghitung jumlah kendaraan
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
22
Universitas Indonesia
Gambar 3.5Screenshot konfigurasi perangkat lunak Gaussian Mixture Model
Konfigurasi perangkat lunak ini akan dijelaskan lebih lanjut menggunakan
screenshot dari perangkat lunak MATLAB™.
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:
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
23
Universitas Indonesia
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
adalah pseudocode-nya:
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*/
Baca Filename (RGB) /*Baca input dari Filename dalam RGB*/
/* Proses Awal Gambar
Baca Filename (RGB) /*Baca input dari Filename dalam RGB*/
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
24
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
25
Universitas Indonesia
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:
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
26 Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
27
Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
28
Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
29
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
30
Universitas Indonesia
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%
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
31
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
32
Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
33
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
34
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
35
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
36
Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
37
Universitas Indonesia
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
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
38 Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012
39
Universitas Indonesia
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.
Analisa perbandingan..., Dimas Arioputra, FT UI, 2012