8971 17748 1 SM PDF
8971 17748 1 SM PDF
Abstrak - Lampu lalu lintas (traffic light) seiring Keywords: Digital Image Processing, MATLAB 2009a,
dengan peningkatan jumlah kendaraan akan sangat di Intersection Toar-Lumimuut, traffic light
butuhkan dalam pengaturan lalu lintas terutama di kota-
kota besar yang pertumbuhan jumlah kendaraannya I. PENDAHULUAN
meningkat cepat. Kemacetan terjadi karena pengaturan
pewaktuan lampu lalu lintas yang terpasang masih Di era modern ini banyak kita hadapi berbagai
menggunakan pewaktuan pada kondisi lalu lintas normal.
piranti otomatis yang bekerja secara mandiri tanpa
Dengan demikian diperoleh ide untuk membuat simulasi
traffic light secara otomatis dengan system adaptif yaitu banyak campur tangan dari manusia, piranti piranti ini
traffic light menyesuaikan lamanya waktu lampu hijau bekerja secara otomatis dengan cara mengambil
berdasarkan kepadatan pada ruas jalan. kesimpulan dari berbagai data yang diperoleh dan
Perancangan aplikasi menggunakan Software kemudian melaksanakan keputusan tersebut sesuai
MATLAB 2009a dan Camera Digital sebagai pengolahan dengan keadaan yang telah ditentukan. Data data
dan input citra traffic light. Pengambilan sample gambar tersebut dapat berupa data yang diambil dari sensor
persimpangan traffic light masih berupa prototype ataupun data yang diberikan oleh pengguna piranti
(miniature Persimpangan Toar-Lumimuut) untuk tersebut.
pengolahan citra digital.
Lampu lalu lintas (traffic light) seiring dengan
Dengan menggunakan alat dan bahan di atas, sistem
ini dapat menentukan lama waktu nyala lampu hijau peningkatan jumlah kendaraan akan sangat di butuhkan
berdasarkan kepadatan pada ruas jalan. Program ini dalam pengaturan lalu lintas terutama di kota-kota besar
hanya bisa dijalankan pada lokasi persimpangan yang yang pertumbuhann jumlah kendaraannya meningkat
sesuai dengan referensi (Persimpangan Toar-Lumimuut. cepat. Kemacetan lalu lintas merupakan salah satu
masalah besar yang terjadi di kota besar dan umumnya
Kata Kunci : Citra Digital, MATLAB 2009a, terjadi di persimpangan jalan. Lampu lalu lintas di satu
Persimpangan Toar-Lumimuut, traffic light kondisi akan sangat membantu dalam kelancaran arus
lalu lintas tetapi di lain kondisi malah menjadikan
Abstract - The traffic light along with the increasing kemacetan semakin parah. Contoh banyak yang terjadi
number of vehicles will be needed in the regulation of adalah saat jam sibuk dan sore hari. Kemacetan terjadi
traffic, especially in big cities are growing rapidly increasing karena pengaturan pewaktuan lampu lalu lintas yang
number of vehicles. Congestion occurs because setting the terpasang masih menggunakan pewaktuan pada kondisi
timing of traffic lights installed still using the timing in
lalu lintas normal. Dengan pewaktuan tersebut akan
normal traffic conditions. Thus obtained the idea to create a
simulation of traffic light automatically with the traffic light
menyebabkan terjadinya penumpukan jumlah kendaraan
system that is adaptive to adjust the length of time the green di salah satu sisi persimpangan dan sangat rentan
light by the density of the road. menyebabkan terjadinya kemacetan.
Software application design using MATLAB 2009a and
Digital Camera as an input image processing and traffic II. LANDASAN TEORI
light. The sample images traffic light intersection is still a
prototype (miniature Intersection Toar-Lumimuut) for A. Pengolahan Citra
digital image processing.
Pada dasarnya sistem pengolahan citra terdiri dari
By using the tools and materials above, the system can
determine the length of time green light based on the density objek yang akan diolah, tranducer yang digunakan
of roads. This program can only be run on the location that untuk merepresentasikan objek dalam bentuk citra
corresponds to the reference intersection (Intersection Toar- digital, pengolahan citra digital untuk menghasilkan
Lumimuut). suatu citra digital baru untuk dianalisa, serta proses
E-journal Teknik Elektro dan Komputer,volume 4 no. 4 (2015), ISSN: 2301-8402 36
analisa citra untuk mendapatkan hasil yang diinginkan. Basis Pengetahuan, Sebagai basis data pengetahuan
berguna untuk memandu operasi dari masing-masing
Secara garis besar sistem di atas dapat dilihat pada
modul proses dan mengontrol interaksi antar modul-
gambar 1. modul tersebut.
Gambar 3. Perbedaan Fuzzy Logic dan Boolean Logic Gambar 4. Istilah yang digunakan dalam Fuzzy logic
California. Sistem ini diciptakan karena boolean observasi obyektif terhadap nilai-nilai yang subyektif.
logic tidak mempunyai ketelitian yang tinggi, hanya Selanjutnya membership-function ini dapat
mempunyai logika 0 dan 1 saja. Ia berpendapat bahwa dikombinasikan untuk membuat pengungkapan konsep
logika benar dan salah dari logika Boolean tidak dapat yang lebih jelas. Logika Fuzzy dapat membangun dan
mengatasi masalah gradasi yang berada pada dunia mengaplikasikan pengalaman para pakar secara
nyata. Sehingga untuk membuat sistem yang langsung tanpa harus melalui proses pelatihan. Logika
mempunyai ketelitian yang tinggi maka kita tidak dapat Fuzzy sangat fleksibel.
menggunakan boolean logic. Bedanya Fuzzy dengan
boolean logic dapat diilustrasikan pada gambar 3. Dari gambar 3, pada saat suhu berada pada 75C
Untuk mengatasi masalah gradasi yang tidak maka sistem yang pertama akan bingung karena batas
terhingga tersebut, Zadeh mengembangkan sebuah kondisi dingin < 75C dan kondisi panas > 75C, pada
himpunan Fuzzy. Tidak seperti logika boolean, logika Fuzzy logic, suhu 75C dapat dinyatakan dengan 0.50
Fuzzy mempunyai nilai yang kontinu. dingin dan 0.50 panas. Pengambilan nilai 0.50 berasal
Fuzzy dinyatakan dalam derajat dari suatu dari proses fuzzifikasi yang akan diterangkan pada
keanggotaan dan derajat dari kebenaran. Oleh karena itu proses fuzzification.
sesuatu dapat dikatakan sebagian benar dan sebagian
salah pada waktu yang sama. Terkadang kemiripan Pada gambar 4 dapat dilihat enam istilah yang
antara keanggotaan Fuzzy dengan probabilitas digunakan dalam Fuzzy dan keterangannya adalah
menimbulkan kerancuan. Keduanya memiliki nilai sebagai berikut :
antara [0,1], namun interpretasi nilainya sangat berbeda. Degree of membership (derajat keanggotaan), Fungsi
Keanggotaan Fuzzy memberikan suatu ukuran terhadap dari degree of membership ini adalah untuk
pendapat atau keputusan, sedangkan probabilitas memberikan bobot pada suatu input yang telah kita
mengindikasikan proporsi terhadap keseringan suatu berikan, sehingga input tadi dapat dinyatakan dengan
hasil bernilai benar dalam jangka panjang. nilai. Misalnya suhu adalah dingin, dengan adanya
Ada beberapa alasan mengapa orang menggunakan degree of membership maka suhu dingin tersebut dapat
logika Fuzzy antara lain lima hal yang dapat diuraikan. mempunyai suatu nilai misal 0,5. Batas dari degree of
Konsep logika Fuzzy mudah dimengerti. Konsep membership adalah dari 0 1.
matematis yang mendasari penalaran Fuzzy sangat Scope / Domain, merupakan suatu batas dari kumpulan
sederhana dan mudah dimengerti. Dapat input tertentu. Misalnya suhu dingin adalah dari 10 50
mengekspresikan konsep yang sulit untuk dirumuskan, derajat, sangat cepat adalah dari 200 500 rpm.
seperti misalnya suhu ruangan yang nyaman. Label, adalah kata kata untuk memberikan suatu
Pemakaian membership function memungkinkan keterangan pada Scope / Domain. Contohnya : panas,
Fuzzy untuk melakukan dingin, cepat, sangat cepat, dan lain-lain.
E-journal Teknik Elektro dan Komputer,volume 4 no. 4 (2015), ISSN: 2301-8402 38
Membership Function (fungsi keanggotaan), suatu Pola dengan satu pada pixel (daerah = 1/4)
bentuk bangun yang merepresentasikan suatu batas dari Pola dengan dua berdekatan pada pixel (daerah = 1/2)
scope / domain. Pola dengan dua diagonal pada pixel (daerah = 3/4)
Crisp Input, nilai input analog yang kita berikan untuk
Pola dengan tiga pada pixel (daerah = 7/8)
mencari degree of membership.
Universe of discourse, batas input yang telah kita Pola dengan keempat pada pixel (daerah = 1)
berikan dalam merancang suatu Fuzzy system. Batas ini
berbeda dengan batas scope / domain. Universe of Bwarea sebagai alat ukur membantu visualisasi
discourse adalah batas semua input yang akan diberikan hasil dengan menghasilkan gambar dimana setiap
sedangkan scope / domain adalah suatu batas yang bentuk diberi label dengan nilai wilayah. bwarea tidak
menentukan bahwa input tersebut dinyatakan panas, hanya menghitung jumlah pixel diaktifkan, namun.
dingin, cepat, dan lain-lain. Sebaliknya, bobot bwarea pola pixel di hitung tidak
merata. Bobot ini mengkompensasi distorsi yang
F. Metode Mamdani melekat dalam merepresentasikan sebuah gambar terus
Metode Mamdani sering juga dikenal dengan nama menerus dengan pixel diskrit. Misalnya, garis diagonal
metode Max-Min. metode ini diperkenalkan oleh dari 50 pixel lebih panjang dari garis horizontal 50
Ebrahim Mamdani pada tahun 1975 (Kusuma Dewi, pixel. Sebagai hasil dari bwarea pembobotan
2003). Untuk medapatkan output diperlukan beberapa menggunakan, garis horizontal memiliki luas wilayah
tahapan. 50, tetapi garis diagonal memiliki luas wilayah 62,5.
Pembentukan himpunan Fuzzy pada Metode
H. Kamera Digital
Mamdani, baik variable input maupun variable output
Kamera Digital adalah alat untuk membuat gambar
dibagi menjadi satu atau lebih himpunan Fuzzy.
dari objek untuk selanjutnya dibiaskan melalui lensa
Aplikasi fungsi implikasi pada Metode Mamdani,
kepada sensor CCD (charge coupled device) yang
fungsi implikasi yang digunakan adalah Min.
hasilnya kemudian direkam dalam format digital ke
Komposisi aturan tidak seperti penalaran monoton,
dalam media penyimpanan. Karena hasilnya disimpan
apabila sistem terdiri dari beberapa aturan maka
secara digital maka hasil rekam gambar ini harus diolah
inferensi diperoleh dari kumpulan dan kolerasi antar
menggunakan pengelola digital pula semacam komputer
aturan.
atau mesin cetak yang dapat membaca media simpan
digital tersebut.
G. Bwarea
Kemudahan dari kamera digital adalah hasil
Bwarea merupakan teknik pengolahan citra yang
gambar yang dengan cepat diketahui hasilnya secara
memperkirakan jumlah daerah dalam pixel yang
instan, kemudahan memindahkan hasil (transfer), dan
terkandung pada sebuah gambar yang sudah
penyuntingan warna, ketajaman, kecerahan dan ukuran
dibinerisasi. Suatu daerah adalah pengukuran ukuran
yang dapat dilakukan dengan relative lebih mudah.
latar depan (foreground) dari citra atau dapat juga
dikatakan sebagai jumlah pixel pada citra. Fungsi ini
tidak secara sederhana hanya menghitung jumlah pixel, I. Matlab (Matrix Laboratory)
tetapi juga melakukan pembobotan pola pixel yang Matlab merupakan bahasa pemrograman dengan
berbeda ketika menghitung suatu area. kemampuan tinggi dalam bidang komputasi. Saat ini,
Total = bwarea (BW) memperkirakan wilayah bahasa pemrograman tidak hanya dituntut memiliki
objek dalam citra biner BW. total adalah skalar yang kemampuan dari segi komputasi, tetapi juga
nilainya sesuai dengan jumlah total pada pixel dalam kemampuan visualisasi yang baik. Matlab memiliki
gambar, tapi mungkin tidak persis sama karena pola kemampuan untuk mengintegrasikan komputasi,
yang berbeda dari bobot pixel. visualisasi, dan pemrogaman. Dalam visualisasi sebuah
BW dapat berupa numerik atau logis. Untuk input objek, matlab memiliki kemampuan merotasi obyek
numerik, setiap pixel nol dianggap ada. tanpa mengubah programnya.
Algoritma bwarea memperkirakan luas dari semua
pixel di dalam gambar dengan menjumlahkan bidang
setiap pixel dalam gambar. Wilayah dimana pixel III. PERANCANGAN SISTEM
individu ditentukan dengan melihat 2-by-2 tetangganya.
Ada enam pola yang berbeda, masing-masing mewakili A. Konsep Dasar Perancangan Otomatis Traffic light
daerah yang berbeda: Konsep dasar merupakan pedoman untuk
merencanakan sesuatu dalam melakukan rancangan,
Pola dengan nol pada pixel (daerah = 0) dimana konsep ini memuat langkah langkah dan
E-journal Teknik Elektro dan Komputer,volume 4 no. 4 (2015), ISSN: 2301-8402 39
petunjuk untuk menentukan sesuatu penunjang yang gambar 6 dan maket persimpangan yang digunakan
dibutuhkan dalam mendesain (lihat gambar 5). pada gambar 7.
Perancangan sistem ini dibuat dalam dua bagian,
yaitu bagian pemasukan referensi serta identifikasi C. Perancangan Program
kepadatan berdasarkan hasil input kamera pada sebuah Pengolahan Citra Digital
miniature persimpangan traffic light. Untuk pengolahan citra digital dibuat dalam
Sistem ini merupakan loop terbuka karena tidak ada program Matlab 2009a dengan memanfaatkan fasilitas
umpan balik, output tidak berpengaruh pada input.
GUI (Graphical User Interface).
Sistem ini bekerja saat pengguna menekan pushbutton.
Jalankan software Matlab 2009a, kemudian klik File >
B. Perancangan Alat (Maket) New, pilih GUI. (Lihat gambar 8).
Skema perancangan Maket persimpangan Toar- Muncul jendela GUIde Quick Start (seperti pada
Lumimuut untuk otomatis traffic light dapat dilihat pada gambar 9). Klik Blank GUI (Default) dan akan terbuka
E-journal Teknik Elektro dan Komputer,volume 4 no. 4 (2015), ISSN: 2301-8402 40
jendela GUI yang berisi desain visual program (seperti Potong bagian dari koordinat yang telah di tentukan
pada gambar 10). pada titik [X1 Y1 X2 Y2]/[1200 1470 700 1520],
Desain visual program pada GUI Matlab dirancang sehingga hanya daerah yang akan di pakai saja yang di
menggunakan 1 push button, 4 axes, 32 edit text, 8 ambil seperti pada gambar 10 dan 11.
static text dan 5 panel. Push button digunakan untuk Selanjutnya potong (cropping) menjadi 6 bagian
membuka citra, proses grayscaling, proses binerisasi, seperti pada gambar 12 & 13. Akan ada 6 area yang
dan analisa. Axes digunakan untuk menampilkan citra. diidentifikasi, area ini berada pada koordinat yang
Edit text digunakan untuk menampilkan hasil eksekusi berbeda-beda. Seperti pada contoh cropping area A1
program, Static text dan Panel digunakan sebagai dan seterusnya. Contoh listing program yang digunakan
keterangan (seperti pada gamba 11). untuk hasil cropping di atas :
G=imread('D:\Skripsi\Citra\Gambar\utara.jpg');
D. Proses Pengambilan Citra A=imcrop(A, [1200 1470 700 1520]);
Proses pengambilan citra dilakukan dalam mode A1=imcrop(A1, [260 1030 240 480]);
offline. Proses pengambilan citra persimpangan traffic A2=imcrop(A1, [260 480 240 480]);
light ini menggunakan camera digital, dengan cara A3=imcrop(A1, [260 10 240 480]);
memposisikan kamera pada tempat yang sama dari A4=imcrop(A1, [10 1030 240 480]);
tempat yang lebih tinggi, pengambilan citra ini A5=imcrop(A1, [10 480 240 480]);
dilakukan pada sebuah miniatur persimpangan traffic A6=imcrop(A1, [10 10 240 480]);
light. Citra yang diambil kemudian disalin kedalam Hasil proses cropping citra Jalan kemudian
memori penyimpanan program dan akan digunakan dimasukan ke dalam program aplikasi yang dibuat
nanti pada proses selanjutnya. menggunakan bahasa pemrograman GUI Matlab.
Setelah itu data citra yang diambil di jadikan sebagai
E. Proses Cropping citra referensi ataupun sebagai citra yang akan
Proses selanjutnya adalah proses pemotongan diidentifikasi. Kemudian dilakukan proses
gambar atau cropping dengan menentukan batas-batas Thresholding.
daerah yang akan di analisa dengan cara memanggil
citra yang sudah disimpan lewat m-file yang ada di F. Proses Thresholding
program matlab. Citra ditampilkan lewat figure, Setelah melakukan cropping dilakukan proses
kemudian tentukan batas-batas daerah yang akan Thresholding. Proses ini dilakukan untuk mengubah
dianalisa lewat titik koordinat yang ditunjukkan pada citra warna menjadi hitam putih.
data cursor. Ambil nilai-nilai yang didapatkan untuk Pengolahan citra dengan thresholding ini karena
dimasukkan pada proses pemotongan seperti pada pixel objek dan background mempunyai level intensitas
gambar 10 & 11. yang berbeda dalam dua mode dominan dari citra yang
sudah di binerisasi. Pada citra yang ada pixel yang
diberinilai 1 berkaitan dengan latar belakang
Gambar 10. Menentukan batas-batas daerah yang akan di analisa pada Gambar 11. Menentukan batas-batas daerah yang akan di analisa pada
lokasi parkir yang kosong lokasi parkir yang penuh
E-journal Teknik Elektro dan Komputer,volume 4 no. 4 (2015), ISSN: 2301-8402 41
Gambar 12. Area A1 (kosong) pada koordinat [260 1030 240 480] Gambar 13. Area A1 (terisi) pada koordinat [260 1030 240 480]
Gambar 14. Hasil Thresholding data referensi dengan nilai 0.6 Gambar 15. Hasil Thresholding data referensi dengan nilai 0.6
Gambar 19. Rule Viewer Sebagai Proses Penalaran Output Gambar 21. Pengujian Program Berhasi
Gambar 20. Pengujian Program Berhasil Gambar 22. Pengujian Program Gagal
Program akan melakukan perhitungan Fuzzy gambar, sehingga pengujian program tidak berhasil
apabila data variabel dimasukkan. Data yang telah (mengalami error).
dimasukkan, dibaca untuk kemudian dikonversi dari Telah dilakukan juga Time Sampling untuk
nilai tegas menjadi nilai derajat keanggotaan Fuzzy. pengujian lama waktu saat pengolahan citra ketika
Nilai-nilai ini akan menjadi input untuk proses membuka (load) data citra (gambar) dari sebuah sample
deFuzzyfikasi dengan menggunakan aturan (Rule) untuk di analisa, hasilnya lama waktu untuk membuka
logika Fuzzy yang sudah ditentukan. sebuah gambar bukan tergantung berdasarkan jumlah
Dengan menggunakan rule pada gambar 19 bisa pixel, tapi tergantung pada resolusi dari sebuah gambar.
diambil kesimpulan hasil yang di dapati ketika input Spesifikasi Laptop/PC juga berpengaruh pada lama
(jumlah mobil) bertambah maka output (lama lampu waktu untuk membuka gambar untuk analisa citra.
hijau) juga bertambah. Sebagai contoh dimasukan input Keakuratan pemantau dan penentuan citra dengan
3 kendaraan pada tiap jalur dapat dilihat pada label pengolahan citra digital menggunakan metode
Input [Utara; Timur; Selatan; Barat] dari kiri ke kanan. Bwarea,Yang didapat dengan rumus seperti pada
Sehingga output pada label Hijau (lama lampu hijau) = gambar 23.
35. Berdasarkan hasil yang ada tingkat keakuratan
mencapai 73,3333%, dapat dilihat bahwa program ini di
E. Pengujian Hasil jalankan masih secara offline pada miniatur
Pada pengujian sample seperti pada gambar 20 dan persimpangan Toar-Lumimuut berdasarkan referensi
21, posisi serta jumlah mobil yang terdeteksi sesuai yang ada. Masih belum efektif jika di jalankan pada
seperti pada gambar, sehingga pengujian program lokasi persimpangan Toar-Lumimuut yang sebenarnya,
berhasil. Sedangkan pada gambar 22, jumlah mobil harus di lakukan observasi untuk menentukan titik
yang terdeteksi berbeda dengan jumlah mobil pada koordinat (wilayah) terlebih dahulu, agar bisa
E-journal Teknik Elektro dan Komputer,volume 4 no. 4 (2015), ISSN: 2301-8402 45
A. Kesimpulan
Berdasarkan pengujian yang dilakukan maka dapat
disimpulkan sebagai berikut:
Keakurasian sistem mencapai 73,3333% dari citra
yang ada menggunakan logika Fuzzy dan pengolahan
citra dengan metode bwarea. Masih terdapat error pada
sistem yang dibuat, karena posisi mobil tidak selamanya
akan berada pada batas-batas daerah (koordinat) seperti
yang telah di analisa, misalnya posisi mobil berada di
tengah jalan/miring sehingga menyebabkan sample
yang terbaca oleh sistem berbeda dengan yang
tertangkap oleh kamera.