SISTEM DETEKSI DAN ESTIMASI JARAK LUBANG PADA

PEDESTRIAN DENGAN TEKNIK PENGOLAHAN CITRA

MENGGUNAKAN MONO KAMERA
Ahmad Rifaldi1, Indrabayu1, Ingrid Nurtanio1
Departemen Teknik Informatika, Fakultas Teknik, Universitas Hasanuddin
Jl. Poros Malino, Gowa, Sulawesi Selatan, Indonesia
Aldi4rifaldi@gmail.com, indrabayu16@gmail.com, Ingrid.nurtanio@gmail.com

Abstrak
Tuna netra merupakan kondisi fisik dimana seseorang tidak dapat melihat, tuna netra di bagi lagi
menjadi low vision dan full blind . salah satu masalah yang dihadapi tuna netra ialah mengetahui objek yang
berada di hadapannya, pada penelitian ini diambil objek lubang untuk dideteksi dan diestimasikan jaraknya,
dengan menggunakan mono kamera.
Pendeteksian lubang dilakukan dengan menggunakan metode Threshold dan BlobAnalysis dengan
akurasi sebesar 88.91 % dan utnuk estimasi jarak digunakan metode Pin hole model dengan nilai MSE (Mean
Squared Error) sebesar 0.03582.

Kata kunci: lubang, tune netra, Thresholding,BlobAnalysis, Pin Hole Model

Dari penelitian diatas, pendeteksian

1. Pendahuluan
1.1 Latar Belakang
Lubang di jalan merupakan suatu hal
yang dihindari, bukan hanya bagi pengendara
motor atau mobil, lubang juga dapat
mencelakakan pejalan kaki, khususnya pejalan
kaki yang memiliki keterbatasan fisik dalam hal
ini penyandang tuna netra. Lubang dapat
terbentuk karena berbagai hal seperti air yang
menggenang [1], pergerakan tanah, atau karena
selalu mendapat tekanan yang berat.
Alat bantu tradisional yang biasa
digunakan oleh penyandang tuna netra ialah
tongkat pemandu dan anjing penuntun,
kelemahannya ialah keterampilan dalam
penggunaan alat dan diperlukan waktu untuk
melatih anjing penuntun tersebut [2].
Berbagai penelitian sebelumya
memberikan solusi dengan membuat sebuah
tongkat pintar yang dapat membantu kebutuhan
tuna netra dalam mobilitasnya, penelitain yang
dilakukan oleh Rao pada tahun 2016
menggunakan laser dan kamera mono dalam
membuat sistem yang dapat mendeteksi dan
mengenali lubang ataupun retakan pada jalan.
[3], penelitian dari Shurti Dambhare dan Prof. A.
Sakhare menggunakan kamera stereo, proximity
sensor, ultrasonic sensor dan modul GPS, dalam
menghasilkan sebuah tongkat pintar untuk
penyandang tuna netra [2].
lubang dan estimasi jarak lubang menggunakan
lebih dari satu sensor atau tambahan perangkat
lain. Oleh karena itu pada penelitian ini akan di
buat sebuah sistem yang hanya menggunakan
mono kamera untuk mendeteksi sekaligus
menghitung estimasi jarak lubang berdasarkan
teknik pengolahan citra.
Lubang memiliki ciri visual lebih gelap
dari objek-objek sekitarnya [4], oleh sebab itu
metode ambang batas keabuan atau Thresholding
sangat tepat diguanakan dalam Tugas Akhir ini.
Metode Thresholding mempunyai
beberapa kelebihan diantaranya tidak
memerlukan banyak proses komputasi, cepat
dengan implementasi yang mudah, dan dapat
digunakan secara real time nantinya.
Untuk menghitung jarak dari lubang
digunakan metode Pinhole Model yang
menginisialisasi jarak asli kedalam piksel citra.
Dengan demikian dalam Tugas Akhir ini
akan diangkat sebuah judul “Sistem Deteksi Dan
Estimasi Jarak Lubang Menggunakan Teknik
Pengolahan Citra Dengan Mono Kamera”.
1.2 Rumusan Masalah
Berdasarkan latar belakang diatas , penulis
merumuskan permasalah yaitu :
1. Bagaimana cara mendeteksi sebuah
lubang di suatu permukaan ?

1
 2. Bagaiman cara mengestimasi jarak
lubang dengan menggunakan mono
kamera?
1.3 Tujuan Penelitian
Tujuan akhir dari penelitian ini yaitu :
1. Untuk mengetahui cara mendeteksi
sebuah lubang pada suatu permukaan.
2. Untuk mengetahui cara estimasi jarak
lubang dengan menggunakan mono
kamera
1.4 Manfaat Penelitian
Dengan dilakukkannya penelitian ini,
diharapkan manfaat yang didapatkan antara
lain :
1. Dari hasil penelitian ini, diharapkan
dapat mengetahui tingkat keakuratan
pengolahan citra dalam mengenali dan
mengestimasi jarak objek.
2. Membantu penyandang tuna netra dalam
mobilitasnya.
3. Sebagai refrensi penlitian-penelitan
selanjutnya.
4. Sebagai refrensi dalam pembuatan
tongkat pintar
2. Landasan Teori
2.1 Deteksi
Deteksi adalah suatu proses
untuk memeriksa atau melakukan
pemerikasaan terhadap sesuatu dengan
mengunakan cara dan teknik tertentu.
Deteksi dapat digunakan untuk berbagai
masalah, misalnya dalam sistem
pendeteksi suatu penyakit, dimana
sistem mengidentifikasi masalah-
masalah yang berhubungan dengan
penyakit yang biasa disebut gejala.
Tujuan dari deteksi adalah
memecahkan suatu masalah dengan
berbagai cara tergantung metode yang
diterapkan sehingga menghasilkan
sebuah solusi[5].
2.2 Estimasi
Estimasi menurut kamus besar
Bahasa Indonesia adalah perkiraan,
penilaian atau pendapat, ini menujukkan
bahwa istilah estimasi dapat kita
gunakan secara umum untuk
menyatakan perkiraan, penilaian atau
pendapat kita mengenai sesuatu.
Milasnya ketika kita melihat seorang
anak bertubuh gemuk anak itu ikut serta
dalam loba lari. Walaupun tubuhnya
gemuk akan tetapi kakinya terlihat
kokoh dan kuat sehingga kita
mengestimasi bahwa ia akan dapat
bersaing dalam lomba lari tersebut.
Istilah estimasi bagi sebagian
orang terdengar cukup “serius” padahal
secara umum kita selalu membuat
estimasi dalam kehidupan sehari-hari.
Istilah estimasi sering kita dengar ketika
orang membicarakan proyek atau
menghitung sebuah nilai statistika pada
sensus penduduk. Misalnya estimasi
waktu dan biaya dalam menyelesaikan
sebuah proyek pembuatan jembatan.
Atau estimasi jumlah populasi penduduk
suatu wilayah dengan menggunakan
sampel [6].
2.3 Pengolahan Citra Digital
Pengolahan citra digital adalah
manipulasi dan interprestasi digital dari
citra dengan bantuan komputer.
Pengolahan citra bertujuan untuk :
 Memperbaikai kualitas gambar,
dilihat dari aspek radiometric dan
aspek geometric. Aspek radiometric
terdiri dari peningkatan kontras,
restorasi citra, transformasi warna
sedangkan askep geometric terdiri
dari rotasi, skala, translasi,
transformasi geometric.
 Melakukan proses penarikan
informasi atau deskripsi objek atau
pengenalan obyek yang terkandung
pada citra.
 Melakukan pemulihan citra ciri
(feature images) yang optimal untuk
tujuan analisis.
 Melakukan kompresi atau reduksi
data untuk tujuan penyimpanan data,
2
 transmisi data, dan waktu proses
data.
Konsep dasar pengolahan citra dengan
data masukan pokok (internal data) berupa
langkah berikut :
1. Pengumpulan data yang relevan,
yaitu citra digital.
2. Klasifikasi atau pengelompokan
dengan cara pengkelasan.
3. Penyusunan data sesuai kelas.
4. Perhitungan manipulasi.
5. Pengujian ketelitian dan
perhitungan.
6. Penyimpulan dan rekapitulasi hasil.
7. Informasi
Operasi-operasi pada pengolahan citra
diterapkan bila :
1. Perbaikan atau memodifikasi citra
dilakukan untuk meningkatakn
kualitas citra/menonjolkan beberapa
aspek informasi yang terkandung
dalam citra (image enhancement).
Contoh : Perbaikan kontras
gelap/terang, perbaikan tepian
objek, penajaman, pemberian waran
semu, dll.
2. Adanya cacat pada citra sehingga
perlu dihilangkan/diminimumkan
(image restoration). Contoh :
penghilang kesamaran (debluring)
citra tampak kabur karena
pengaturan focus lensa tidak tepat /
kamera goyang, penghilangan noise.
3. Elemen dalam citra perlu
dikelompokkan dicocokkan atau di
ukur (image segmentation).
4. Diperlakukannya ekstraksi ciri-ciri
tertentu yang dimiliki citra untuk
membantu dalam pengdientifikasian
objek (image analysis).
5. Sebagai citra perlu digabung dengan
bagian citra yang lain (image
reconstruction).
6. Citra perlu dimampatkan (image
compression)
7. Menyembunyikan data rahasia
(berupa teks/citra) pada citra
sehingga keberadaa data rahasia
tersebut tidak diketahui orang
(stenografi & watermarking) [7].
2.4 ROI
Region of Interest (sering disingkat
ROI), adalah bagian yang dipilih dari
sampel dalam dataset diidentifikasi
untuk tujuan tertentu. Konsep ROI yang
umumnya digunakan di banyak aplikasi.
Misalnya, dalam pencitraan medis,
batas-batas tumor dapat didenfinisikan
pada gambar atau di volume, dengan
tujuan mengukur ukurannya. Perbatasan
endocardial dapat didefenisikan pada
gambar, mungkin selama fase yang
berbeda dari siklus jantung, misalnya
akhir-sistor dan diastole akhir, untuk
tujuan menilai fungsi jantung.
Dalam sistem informasi
geofrafis (GIS), ROI dapat diambil
secara harfiah sebagai pilihan polygonal
dari peta 2D. Dalam visi komputer dan
pengenalan karakter optic, ROI
mendefenisikan batas-batas suatu objek
di bawah pertimbangan dalam banyak
aplikasi, simbolik (tekstual) laber
ditambahkan ke ROI, untuk
menggambarkan isinya secara kompak.
Dalam ROI mungkin terletak poin
individu mendarik (POI).
ROI mengacu memilih
sekelompok voxel atau wilayah otak a
priori ketika menyelediki daerah untuk
efek. Hal ini dapat dilakukan baik
dengan menciptakan ruang pencarian
kecil (biasanya sebuah bola dengan
radius N voxel), atau -berdasarkan atlas
anatomi tersedia melalui program-
program seperti SPM atau download dari
web. Analisis ROI memiliki keuntungan
mengurangi beberapa masalah
perbandingan. Dimana ruang pencarian
berpotensi ratursan ribu voxel dikurangi
menjadi lebih kecil, daerah lebih
penurut, sehingga mengurangi beberapa
3
 perbandingan batas koreksi yang terlalu
ketat. Sepintas ini masuk akal,
mengingat bahwa anda mungkin tidak
tertarik dalam analisis secara
keseluruhan (yaitu, mencari aktivitas di
setiap voxel tunggal dalam seluruh
volume) [8].
2.5 Thresholding
Thresholding atau
ambang batas keabuan merupakan
metode pengolahan citra untuk
memetakan piksel yang memenuhi
syarat ambang batas dan dipetakan ke
suatu nilai piksel yang di kehendaki.
Gambar .1 Rumus Thresholding
Sumber : sayutirahman.stth-medan.ac.id
Keterangan:
f0(x,y) : adalah citra hasil threshold
T : Nilai Pemetaan Piksel
dimisalkan T1 =50,T2=100 T3=150,
maka dapat dipetakan seluruh nilia yang
berada daro 0-50 akan diganti dengan
nilai 50, yang berada antar 50 sampai
100 diganti dengan nilai 100, yang
berada antara 100 sampai 150 diganti
dengan nilai 150, begitu seterusnya
sesuai dengan pemetaan yang dibuat, dan
pembentukan peta harus sesuai dengan
kebutuhan, contoh operasi abang batas
tunggal.
Operasi ambang batas tunggal
adalah yaitu batas pembagian hanya satu,
berarti nilai piksel dekelompokkan
menjadi dua kelompok seperti
ditunjukkan pada rumus berikut :
Gambar .2 Rumus Thresholding Tunggal
Sumber : sayutirahman.stth-medan.ac.id
Piksel – piksel yang nilai intensitasnya
dibawah 128 diubah menjadi hitam (nilai
intensitas 0), sedangkan piksel-piksel
yang inlai intensitasnya diatas 128
diubah menjadi warna putih (nilai
intensitas = 255) [9].
2.6 Blob
Dalam suatu image processing
yang menggunakan segmentasi
foreground, analisis blob merupkanan
teknik yang digunakan untuk
menyatakan luas area piksel dari suatu
image yang menjadi fokus deteksi
Untuk menentukan nilai Blob, ada
beberapa hal yang harus diketahui untuk
menghasilkan sebuah blob yang optimal.
Penentuan luas blob pada setiap objek
pada proses segmentasi foreground perlu
dianalisis karena nilai blob pada tiap
objek akan berbeda. Hal ini dipengaruhi
oleh fitur objek seperti ukuran, jenis, dan
teknik pengambilan data video.
Prosesnya dimulai dari
penandaan area foreground yang
dianggap objek, kemudian pengumpulan
data area menjadi blob seperti posisi
piksel awal, panjang terhadap sumbu x
dan sumbu y dan luas area piksel. Area
sebuah blob [10].
2.7 Pinhole Model
Estimasi Jarak dilakukan dengan metode
Pinhole Model, metodei ini bekerja dengan cara
memberikan piksel ukuran jarak asli seperti pada
gambar 3 :
4

Gambar 3 Ukuran Jarak
Piksel
Jadi pada ukuran piksel ke-640 di
berikan inisialisasi jarak 1m, piksel ke-
618 diberikan inisialisasi jarak 2m,
piksel ke-505 diberikan inisialisasi 3m
dan piksel ke-439 diberikan inisialisasi
4m, jarak 4m merupakan jarak terjauh
untuk mendeteksi lubang pada penelitian
ini, jadi untuk menghitung jarak suatu
objek diberikan rumus ;
𝑖𝑛𝑖𝑠𝑖𝑎𝑙𝑖𝑠𝑎𝑠𝑖 𝑗𝑎𝑟𝑎𝑘 𝑝𝑎𝑑𝑎 𝑝𝑖𝑥𝑒𝑙
𝐽𝑎𝑟𝑎𝑘 𝑎𝑠𝑙𝑖
𝑝𝑜𝑠𝑖𝑠𝑖 𝑝𝑖𝑥𝑒𝑙 𝑎𝑐𝑢𝑎𝑛 𝑡𝑒𝑟𝑑𝑒𝑘𝑎𝑡
= (1)
𝑝𝑜𝑠𝑖𝑠𝑖 𝑝𝑖𝑥𝑒𝑙 𝑏𝑒𝑛𝑑𝑎
𝑗𝑎𝑟𝑎𝑘 𝑎𝑠𝑙𝑖 =
𝑖𝑛𝑖𝑠𝑎𝑖𝑙𝑖𝑠𝑎𝑠𝑖 𝑗𝑎𝑟𝑎𝑘 𝑝𝑎𝑑𝑎 𝑝𝑖𝑥𝑒𝑙∗𝑝𝑜𝑠𝑖𝑠𝑖 𝑝𝑖𝑥𝑒𝑙 𝑏𝑒𝑛𝑑𝑎
𝑝𝑜𝑠𝑖𝑠𝑖 𝑝𝑖𝑥𝑒𝑙 𝑎𝑐𝑢𝑎𝑛 𝑡𝑒𝑟𝑑𝑒𝑘𝑎𝑡
Ket :
Jarak asli : proyek LINPACK dan EISPACK. Saat
merupakan jarak actual yang kita cari
Inisalisasi jarak pada piksel : dapat digunakan sebagai problem solver
merupakan inisailisasi jarak asli
berdasarkan jarak yang di ambil
melalui percobaan real,
Posisi piksel acuan : merupakan
posisi piksel acuann terdekat
dengan posisi piksel benda
Posisi piksel benda : merupakan
posisi benda pada gambar dengan ukuran
piksel
Contoh :
Ketika diketahui jarak benda pada
gambar ialah 550 , untuk mengetahui
jarak aslinya terlebih dahulu kita
mencari nilai posisi piksel acuan terdekat
, berdasarkan gambar II.3 posisi piksel
acuan terdekat dari 550 adalah 505
dengan nilai inisialisasi jarak sebesar 3 m
jadi kita masukkan ke dalam rumus :
3 ∗ 505
𝑗𝑎𝑟𝑎𝑘 𝑎𝑠𝑙𝑖 = = 2.75 𝑚
550
Jadi jarak asli benda berada kurang
lebih 2.75 m
2.8 Matlab
Matlab merupakan Bahasa
pemrograman yang hadir dengan fungsi
dan karakteristik yang berbeda dengan
Bahasa pemrograman lain yang sudah
ada lebih dahulu seperti Delphi, Basic
maupun C++. Matlab merupakan Bahasa
pemrograman level tinggi yang
dikhususkan untuk kebutuhan komputasi
teknis, visualisasi dan pemrograman
seperti komputasi matematika, analisis
data, pengembangan algoritma, simulasi
dan pemodelan dan grafik-grafik
perhitungan. Matlab hadir dengan
membawa warna yang berbeda. Hal ini
karena matlab membawa keistimewaan
dalam fungsi-fungsi matematika, fisika,
statistic dan visualisasi. Matlab
(2) dikembangkan oleh MathWorks, yang
pada awalnya dibuat untuk memberikan
kemudahan mengakses data matrik pada
ini matlab memiliki ratusan fungsi yang
mulai dari simple sampai masalah-
masalah yang kompleks dari berbagai
disipllin ilmu [11].
3. Metode Penelitian
3.1 Tahapan Penelitian
Penelitian ini merupakan pengembangan dari
penelitan-penelitian yang sudah ada sebelumnya.
Pada penelitian ini akan digabungkan metode
untuk deteksi lubang dan metode untuk
mengestimasi jarak. Adapun tahapan – tahapan
yang akan dilakukan diperlihatkan pada gambar
4 :
5

Gambar 4 Tahapan Penelitian
Berdasarkan tahapan penelitan pada
gamabr III.1, tahapan tahapan penelitian ini
adalah sebagai berikut :
a. Studi Literatur penelitan terkait tentang
metode deteksi lubang dengan
menggunaakan Thresholding dan Blob
analysis, untuk estimasi jarak lubang
mengguanakan Pin hole model.
Dilakukan pula pencarian refrensi terkait
yang membahas metode Thresholding
untuk deteksi objek secara umum serta
metode Pin hole model.
b. Pengambilan data dilakukan dengan
kamera smartphone yang di jepit dengan
povie ( point of view) berupa tongsis
yang di gunakan pada leher pengguna.
Dan data yang dihasilkan berupa file
video dengan format .mp4
c. Perancangan sistem. Langkah awal yang
dilakukan pada perancangan sistem
adalah dengan membuat flowchart
penelitan secara umum. Selanjutnya
dilakukan perancangan sistem
menggunakan software Matlab.
d. Uji coba sistem dan analisa. Pada tahap
ini, sistem yang sudah dirancang
selanjutnya diuji untuk melihat
keakuratan dan sensitivitas sistem.
e. Pembuatan laporan. Tahapan akhir yang
dilakukan adalah melakukan penulisan
laporan secara menyeluruh sebagai
bahan publikasi dan laporan akhir
sarjana.
3.2 Waktu dan Lokasi Penelitian
Waktu penelitian dialaksanakan pada
awal februari 2017 hingga Juli 2017.
Penelitian ini dilakukan di laboratorium
Kecerdasan Buatan Jurusan Teknik Elektro
Prodi Informatika atau AIMP, Universitas
Hasanuddin. Lokasi pengambilan bertempat
pada dua kota Palopo dan Gowa, dimana
lokasi ini dipilih karean ketersedian objek
penelitian dalam hal ini lubang. Waktu
pengambilan data dilaksanakan kurang lebih
pukul 12.00 Wita hingga 16.00 Wita dengan
asusmi cahaya yang mendukung dalam
proses deteksi.
3.3 Populasi dan Sampel Data
Tahapa pengumpulan data terdiri
dari pengumpulan data primer dan
pengumpulan data sekunder :
2. Data Primer
Data yang digunakan merupakan data
video lubang yang diambil dengan
menggunakan kamera Smartphone
yang di jepit pada povie dan di
kenakan di leher pengguna. Data
video menggunakan format “.mp4”
yang nantinya akan diolah
mengguanakan software matlab.
3. Data Sekunder
Dalam metode ini dilakukan
pencarian sebanyak mungkin literatur
yang ada, baik dari buku, jurnal
maupaun internet. Mempelajari
literatur yang berkaitan dengan teori
konsep metode Thresholding, Blob
Analysis dan Pin hole Model.
3.3 Teknik Pengumpulan Data
Jenis penelitian ini merupakan
penelitian eksperimental yang bersifat
aplikatif sehingga dari ruang lingkup
masalah dapat dilakukan kajian studi
6
 pustaka (library research), metode
pengumpulan data lapangan (field
research) dan pembuatan aplikasi.
3.4 Perancagan Sistem
Gambar III.2 Desain Sistem
Berdasarkan gambar III.2, maka tahap awal
yang dilakukan adalah melakukan input data
berupa video lubang. Selanutnya lubang
dalam video yang telah diinput dideteksi
menggunakan metode Thresholding dan Blob
Analysis. Pada tahap ini akan dipisahkan
antara objek lubang dan bukan lubang. Tahap
selanjutnya adalah menghitung estimasi jarak
lubang menggunakan Pin hole model.
Flowchart perancangan sistem
digambarkan seperti gambar III.3
specificity, precision dan accuracy yang
dirumuskan sebagai berikut [16].
𝑡𝑝
𝑠𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = (3)
𝑡𝑝+𝑓𝑛
𝑡𝑛
𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑡𝑦 = (4)
𝑡𝑛+𝑓𝑝
𝑡𝑝
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = (5)
𝑡𝑝+𝑓𝑝
𝑡𝑝+𝑡𝑛
𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (6)
𝑡𝑝+𝑡𝑛+𝑓𝑝+𝑓𝑛
Persamaan sensitivity, specifity,
precision dan accuracy diperoleh
berdasarkan confusion matrix yang terdiri
dari empat buah variable antara lain :
1. Tp atau true positive, merupakan
bounding box pada objek lubang atau
dengan kata lain objek tersebut
terklasifikasi benar sebagai lubang;
2. Fp atau false positive, merupakan
bounding box pada objek selain lubang
atau dengan kata lain objek tersebut
terklasifikasi dengan salah sebagai
lubang.
3. Fn atau false negative, merupakan
objek lubang yang tidak di bounding
box atau dengan kata lian objek
tersebut terklasifikasi dengan benar
sebagai bukan lubang.
4. tn atau true negative, merupakan objek
selain lubang yang tidak di bounding
box atau dengan kata lian objek
tersebut terklasifikasi dengan benar
sebagai bukan lubang.

Hasil Estimasi akan dihitung errornya

dengan menggunakan rumus MSE (Mean
Squared Error) sebagai berikut :
1 𝑛
𝑀𝑆𝐸 = ∑ (𝑓 − 𝑦𝑖)2 (7)
𝑛 𝑖=1
ket :
 n = jumlah data
 f = data real
 y = data estimasi (prediksi)
Gambar III.3 Flowchart deteksi dan estimasi MSE sangat baik dalam memberikan
jarak lubang
gambaran terhadap seberapa konsisten
3.5 Analisis Kinerja Sistem model yang dibangun. Dengan
Hasil deteksi akan divalidasi meminimalkan nilai MSE, berarti
menggunakan nilai presentasi sensitivity, meninimalkan varian model. Model yang
memiliki varian kecil mampu memberikan

7
 hasil yang relative lebih konsisten untuk Akurasi Presisi Specificity sensitivity
seluruh data input dibandingkan dengan
model dengan varian MSE yang besar. 88.91 90.19 86.34 90.76

4. Hasil dan Pembahasan

4.1 Hasil Deteksi Lubang
Setealah melakukan perhitungan terhadap 12
Hasil deteksi lubang dapat dilihat pada
video dengan total frame sebanyak 480, True
gambar IV.1 :
Positive sebanyak 285, False Positive sebanyak
31, True Negative sebanyak 195 dan False
Negative sebanyak 29 diperoleh hasil akurasi
sebesar 88,91 %, presisi 90,19 %, specificity
86,34 % dan sensitivity sebesar 90,76 %.

4.2 Hasil Estimasi Jarak Lubang

Tabel IV.3 Hasil Perhitungan MSE
Frame 15 Frame 16 Frame 17
Gambar IV.I Lubang yang terdeteksi di setiap fram
Lubang mulai terdeteksi ketika memasuki ketika Setelah dilukan perhitungan Estimasi jarak
memasuki are ROI. Gambar IV.I
No. Ukuran Ukuran Squared
memperlihatkan lubang yang terdeteksi dari
Aktual Estimasi Error
frame 15 hingga frame 17. (meter) (meter)
Hasil dari perhitungan akurasi dan presisi di 1 2 2 0.0
tunjukkan pada table IV.2 dengan menggunakan 2 2.5 2.2 0.09
rumus confusion matrix. 3 3 2.9 0.0001
Tabel IV.1 Data hasil confusion Matrix Tiap Video 4 3.5 3.73 0.0529
5 4 4.19 0.0361
Jumlah Mean Squared Error 0.03582
Data TP FP TN FN
Frame
dihasilkan Squared error pada jarak 2 meter
video 01 40 40 4 0 0 sebesar 0.0676, pada jarak 2.5 meter sebesar
video 02 40 37 22 0 3 0.1444, pada jarak 3 meter sebesar 0.0484, pada
video 03 40 47 0 0 19 jarak 4 meter sebesar 0.0121 dan pada jarak 4.5
video 04 40 43 0 0 6 meter sebesar 0.0001, dan menghasilkan Mean
video 05 40 40 0 0 0 Squared Error sebesar 0.0567.
video 06 40 40 0 0 0 Dengan masil MSE 0.0567 yang sangat
video 07 40 38 0 0 1 mendekati angka 0 , menunjukkan hasil estimasi
sudah cukup baik, adapun error terjadi
video 08 40 0 0 40 0
disebabkan kamera yang disematkan pada leher
video 09 40 0 0 40 0
pengguna bergeser atau bergerak, sehingga
video 10 40 0 5 35 0
menyebabkan kesalahan estimasi.
video 11 40 0 0 40 0
video 12 40 0 0 40 0
TOTAL 480 285 31 195 29
Tabel IV.2 hasil akurasi,presisi,specifity dan 5. Kesimpulan dan Saran
sensitivity 5.1 Kesimpulan
Kesimpulan yang dapat kita ambil dari penelitian
ini adalah :

8
1. Pendeteksian lubang pada suatu permukaan
dengan menggunakan mono kamera dapat
dilakukan dengan bantuan pengolahan citra,
tahapan pendeteksian dimulai dari
pemecahan video menjadi frame-frame,
melukan crop pada citra, resize, pemberian
ROI, grayscaling, thresholding , noise
cleaner dan diakhiri dengan BlobAnalysis,
dengan melalui tahapan-tahapan di atas kita
dapat mendeteksi lubang pada suatu
permukaan dengan tingkat akurasi sebesar
88.91 %.
2. Pengestimasian jarak pada lubang dengan
menggunakan mono kamera dapat dilakukan
dengan metode pinhole model, metode ini
bekerja dengan cara menginisialisasi jarak
asli ke titik pixel pada citra, perhitungan
estimasi jarak menghasilkan MSE (Mean
Squared Error) sebesar 0.03582.
5.2 Saran
Saran pengembangan dari sistem deteksi
dan estimasi jarak lubang menggunakan mono
kamera ini antara lain :
1. Sebaiknya menambahkan fitur lain
selain warna untuk mendeteksi lubang,
hal ini dikarenakan jika terdapat objek
lain selain lubang yang berwarna hitam
memasuki area deteksi maka akan
menyebabkan kesalahan deteksi.
2. Untuk estimasi jarak sebaiknya
membuat alat bantu khusus untuk
menjepit kamera agar tidak terlalu
bergerak saat diguanakan, karena
tentunya hal ini sangat berpengaruh pada
hasil estimasi jarak nantinya.
6. Daftar pustaka
[1] Detik.com, "Detik News," 11 February 2016. [Online].
Available: http://news.detik.com/berita-jawa-
timur/3139479/banyak-lubang-jalan-terbentuk-akibat-
genangan-air-hujan. [Accessed 12 December 2016].
[2] P. Shurti Dambhare, "Smart Stick for Blind : Obstacle
Detection, Artifical vision and Real-time assistance via[15] A. Rahman, "An Image Based Approach to Compute
GPS," vol. II, p. 3, 2011.
[3] J. G. m. p. e. w. Aravinda S. Rao, "A Vision-Based
System to Detect Pothole and Uneven Surfaces for
Assisting Blind People," IEEE ICC 2016, p. 6, 2016.
[4] i. B. Christian koch, "Pothole Detection in asphalt
pavement image," Elsevier, 2011.
[5] anonim, "unikom," 2016. [Online]. Available:
http://elib.unikom.ac.id/files/disk1/696/jbptunikompp-
gdl-titatjahya-34755-9-unikom_t-i.pdf. [Accessed 11 12
2016].
[6] Pengertian Menurut Para Ahli, "Pengertian Menurut
para Ahli," 20 mei 2017. [Online]. Available:
http://www.pengertianmenurutparaahli.net/pengertian-
estimasi/. [Accessed 16 Juli 2017].
[7] anonim, "Temukan pengertian," agustus 2013. [Online].
Available:
http://www.temukanpengertian.com/2013/08/pengertian
-pengolahan-citra-digital.html . [Accessed 22 Juni
2017].
[8] Anonim, "Metode Algoritma," january 2016. [Online].
Available: http://www.metode-
algoritma.com/2016/01/region-of-interest-roi.html .
[Accessed 29 Juni 2017].
[9] S. Rahman, "Lectrurers Blog STT-Harapan Medan,"
Desember 2013. [Online]. Available:
http://sayutirahman.stth-
medan.ac.id/2013/12/thresholding.html. [Accessed 22
Juni 2017].
[10] BASRI, "Metode Gaussian Mixture Models Untuk
Optimalisasi Perhitungan Kendaraan Dalam Sistem
Transportasi Cerdas," Makassar, 2015.
[11] A.Firmansyah, "Dasar-dasar Pemrograman Matlab,"
ilmukomputer.com, 2007.
[12] M. B. R. K. S.Nienaber, "Detecting Potholes Using
Simple Image Processing Techniques an Real-World
Footage," SATC, pp. 153 - 164, 2015.
[13] R. N. A. V. R. J. A. K. H.Punjabi, "Intelligent Pothole
Detection System," vol. IV, p. 7, 2014.
[14] T. C. H. Z. Sadreddini, "A Distance Measurement
Method Using Single Camera for Indoor
Environments," Int. Conf. Telecommun. Signal Process,
pp. 462-465, 2016.
Object Distance Recieved," vol. I, pp. 304 - 312, 2008.
9
[16] Nurtanio, "Classifying cyst and tumor lesion using
support vector machine based on denta panoramic
images texture feature," makassar, 2013.

10