oleh:
Kuncoro Triandono Mukti
1103144126
LEMBAR PENGESAHAN
TUGAS AKHIR
PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN
OPERATOR CANNY, KIRSCH & MARR-HILDRETH (LoG) PADA
DETEKSI MARKA JALAN
Disusun oleh:
Kuncoro Triandono Mukti
1103144126
Pembimbing 1 Pembimbing 2
ii
UNIVERSITAS TELKOM No. Dokumen ITT-AK-FEK-PTT-FM-004/001
Jl. Telekomunikasi No.1 No. Revisi
Ters. Buah Batu Bandung 40257
FORMULIR LEMBAR Berlaku Efektif
OSINALITAS
LEMBAR ORISINALITAS
Menyatakan bahwa Tugas Akhir ini merupakan karya hasil orisinalitas saya
sendiri, dengan judul:
iii
ABSTRAK
iv
ABSTRACT
v
KATA PENGANTAR
Assalamualaikum Wr.Wb.
Alhamdulillah, segala puji syukur penulis panjatkan kepada Allah SWT karena
atas segala rahmat dan karunia-Nya yang memampukan penulis sehingga dapat
menyelesaikan Proposal Tugas Akhir yang berjudul “PERBANDINGAN
METODE DETEKSI TEPI MENGGUNAKAN OPERATOR CANNY,
KIRSCH & MARR-HILDRETH (LoG) PADA DETEKSI MARKA JALAN”.
Maksud dan tujuan dari penulisan Proposal Tugas Akhir ini adalah untuk memenuhi
persyaratan kelulusan program Studi Strata I pada Jurusan Sistem Komputer
Fakultas Teknik Elektro di Telkom University, Bandung.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah
memberikan dukungan sehingga Tugas Akhir ini dapat diselesaikan. Penulis
mengharapkan kritik dan saran yang membangun sebagai bahan evaluasi dari para
pembaca agar dapat dijadikan sebagai perbaikan dan bermanfaat bagi para
pembaca. Semoga Tugas Akhir ini dapat dikembangkan ke arah yang lebih baik
dan bermanfaat bagi pembaca serta dunia pendidikan.
Wassalamualaikum Wr. Wb
Penulis
vi
UCAPAN TERIMA KASIH
Segala puji syukur penulis panjatkan kepada Allah SWT karena atas segala
kasih karunia-Nya yang memampukan penulis sehingga dapat menyelesaikan
Tugas Akhir. Ucapan terima kasih yang sebesar-besarnya disampaikan penulis
kepada :
1. Orang Tua, Adik, dan keluarga yang telah memberikan bantuan dukungan
moril, materil serta do’a.
2. Desti Mina Rahayu yang telah memberikan semangat selaku tim dalam
pengerjaan tugas akhir.
3. Ir. Agus Virgono, M.T., selaku pembimbing 1 telah menyediakan waktu,
tenaga, saran, dan pikiran untuk mengarahkan pengerjaan tugas akhir ini.
4. Randy Erfa Saputra, S.T., M.T. selaku pembimbing 2 telah menyediakan
waktu, tenaga, saran, dan pikiran untuk mengarahkan pengerjaan tugas
akhir ini.
5. Dosen sistem computer Telkom University yang telah memberikan ilmu
selama pembelajaran dikelas maupun diluar kelas.
6. Teman-teman Gubuk Cinta yang selalu menemani disaat suka maupun
duka.
7. MS OFFICE yang selalu ada saat membuat revisi
8. Windows sebagai system operasi terbaik
9. ACER E552-G FX Series sebagai senjata utama yang selalu ada hingga hari
kemenangan tiba
vii
DAFTAR ISI
viii
4.1. Pengujian Sistem Pendeteksian .............................................................. 21
4.1.1. Tujuan Pengujian ............................................................................ 21
4.1.2. Cara Pengujian ................................................................................ 21
4.1.3. Hasil Pengujian ............................................................................... 21
4.1.4. Analisis Hasil Pengujian ................................................................. 33
4.2. Pengujian Modifikasi Sistem Pendeteksian ........................................... 38
4.2.1. Tujuan Pengujian ............................................................................ 38
4.2.2. Cara Pengujian ................................................................................ 38
4.2.3. Hasil Pengujian ............................................................................... 39
4.2.4. Analisis Hasil Pengujian ................................................................. 51
4.3. Pengujian Toolbox ................................................................................. 56
4.3.1. Tujuan Pengujian ............................................................................ 56
4.3.2. Cara Pengujian ................................................................................ 56
4.3.3. Hasil Pengujian ............................................................................... 56
4.3.4. Analisa Hasil Pengujian .................................................................. 57
4.4. Pengujian Resolusi ................................................................................. 59
4.4.1. Tujuan Pengujian ............................................................................ 59
4.4.2. Cara Pengujian ................................................................................ 59
4.4.3. Hasil Pengujian ............................................................................... 59
4.4.4. Analisis Hasil Pengujian ................................................................. 60
BAB V KESIMPULAN DAN SARAN ................................................................ 63
DAFTAR PUSTAKA .......................................................................................... 64
LAMPIRAN A Hasil pengujian Toolbox dan Resolusi ........................................ 67
ix
DAFTAR GAMBAR
x
DAFTAR TABEL
xi
DAFTAR ISTILAH
FN : False Negative
FP : False Positive
FT : Frame terdeteksi
GS : Garis sebenarnya
PR : Precision-Recall
ROI : Region of Interest
TP : True Positive
WP : Rata-rata waktu proses
xii
BAB I
PENDAHULUAN
Kecelakaan lalu lintas selalu menjadi masalah utama saat berkendara oleh
karena itu banyak penelitian yang dilakukan untuk meningkatkan sistem
keselamatan pada kendaraan sebagai solusi untuk mengurangi risiko kecelakaan
lalu lintas diantaranya yaitu Self-driving atau Autonomous driving, Advanced
Driving Assistance System (ADAS), Driving Assistance System (DAS). Salah satu
teknologi yang sangat berguna pada sistem-sistem tersebut yaitu deteksi jalur atau
lane detection [11] yang menggunakan marka membujur (e.g. garis putus dan utuh)
sebagai acuan agar kendaraan tetap berjalan pada jalurnya.
1
1.2. Tujuan
Berdasarkan uraian pada latar belakang diatas, rumusan masalah yang akan
dibahas pada Tugas Akhir ini diuraikan pada poin – poin berikut:
• Bagaimana performansi operator Canny, Marr-Hildreth (LOG) dan Kirsch
dalam segi hasil pendeteksian dan waktu komputasi?
• Bagaimana pengaruh resolusi terhadap hasil pendeteksian?
• Apakah operator Canny, Marr-Hildreth (LOG) dan Kirsch pada edge
detection dapat digunakan untuk mendeteksi marka garis putus-putus pada
kecepatan kendaraan yang bervariasi?
Berdasarkan uraian pada latar belakang diatas, batasan masalah pada Tugas
Akhir ini diuraikan pada poin – poin berikut:
• Operator yang digunakan pada metode edge detection yaitu Operator
Canny, Laplacian of Gaussian (Marr-Hildreth) dan Kirsch.
• Objek yang diteliti merupakan marka garis putus – putus.
• Waktu pada saat cuaca cerah atau berawan.
• Kecepatan kendaraan 30, 50, dan 80 kilometer per jam (km/jam).
• Resolusi video 800 x 450 piksel dan 320x180 piksel dengan Frame Rate 30
fps.
• Modifikasi tidak menghilangkan kemampuan dasar dari setiap operator,
modifikasi hanya dilakukan pada tahap pre-processing diantaranya,
2
mengubah, menghilangkan, manambah nilai inisialisasi threshold, Noise
Reduction, Sharpening, Enhancement.
1. Studi Literatur, pada tahap merupakan sumber acuan pada tugas akhir ini.
Bersumber dari berbagai jurnal mengenai deteksi jalur (lane detection)
beserta dengan metode deteksi tepi (edge detection) dan teori-teori
pendukung dalam perancangan sistem deteksi jalur.
2. Studi penelitian, Pada tahap ini akan dilakukan berbagai pembelajaran
terhadap teori yang dibutuhkan/ digunakan, cara kerja suatu metode atau
algoritma, bersumber melalui buku – buku terkait atau artikel yang
membahas tentang topik tersebut.
3. Analisis kebutuhan, Pada tahap ini analisis kebutuhan terdiri dari
penyediaan perangkat – perangkat yang akan digunakan, aplikasi
pendukung serta pengambilan data uji.
4. Perancangan sistem, Pada tahap ini perancangan sistem terdiri dari
deskripsi umum sistem dan implementasi perancangan sistem.
5. Pengujian sistem, Pada tahap ini akan dilakukan simulasi aplikasi untuk
melihat performansi atau kinerja aplikasi yang telah di rancang.
6. Modifikasi sistem, Pada tahap ini akan dilakukan modifikasi terhadap
sistem yang telah di rancang apabila tidak memenuhi kriteria yang telah
ditetapkan.
7. Analisis pengujian, Pada tahap ini akan dilakukan analisis terhadap hasil
pengujian sistem pendeteksian jalur menggunakan operator Canny, Marr-
Hildreth dan Kirsch mengenai kinerjanya dan dilakukan analisis
perbandingan terhadap hasil kinerjanya.
8. Penyusunan Laporan, Pada tahap ini akan dilakukan penyusunan buku,
jurnal dan dokumentasi yang berkaitan dengan penelitian yang telah
dilakukan berdasarkan metodologi penelitian tugas akhir ini.
3
1.6. Sistematika Penulisan
Sistematikan penulisan pada tugas akhir ini akan diuraikan menjadi beberapa
topik pembahasan yang akan dijelaskan sebagai berikut:
BAB I PENDAHULUAN
Bab ini terdiri dari latar belakang masalah, rumusan masalah, tujuan, batasan
masalah, metodologi penelitian dan sistematika penelitian yang berkaitan
dengan penulisan tugas akhir ini.
Bab ini terdiri dari pembahasan jurnal – jurnal yang membahas mengenai
pendeteksian jalur menggunakan metode deteksi tepi dan beberapa teori yang
akan digunakan pada sistem pendeteksian marka garis utuh dan putus – putus
pada tugas akhir ini.
Bab ini terdiri dari deskripsi umum sistem, kebutuhan pendukung sistem,
pembahasan mengenai sistem pendeteksian jalur, implementasi metode dan
spesifikasi sistem.
Bab ini berisi tentang cara pengujian sistem dan hasil dari pengujian akan
dilakukan Analisa, hasil Analisa akan dibuat kesimpulannya.
Bab ini berisi tentang kesimpulan akhir dari penelitian yang telah dilakukan
pada tugas akhir ini serta akan diberikan saran untuk pengembangan yang
akan dilakukan pada penelitian selanjutnya.
4
BAB II
DASAR TEORI
Hasil pada penelitian [5] dijadikan sebagai acuan dengan persentase hasil
deteksi pada siang hari mencapai 80%, pada malam hari mencapai 60% dan didalam
terowongan mencapai 73% dan hasil rata-rata yang diperoleh oleh penulis adalah
70,4%, serta penulis menyimpulkan bahwa hasil dari sistem ini mampu mencapai
5
persyaratan standar untuk memberikan informasi bagi pengemudi untuk menjamin
keselamatan.
6
2.2.2. Deteksi Tepi (Edge Detection)
Edge detection digunakan sebagai dasar teknik untuk mengekstraksi tepi pada
citra digital. Yang dimaksud edge di sini adalah tepian obyek atau region tertentu
di dalam citra, Edge secra sederhana dapat didefinisikan sebagai diskontinuitas
(ketidaksamaan, ketidakkontinuan) nilai pixel yang melebihi nilai batasan tertentu.
Pada penelitian ini menggunakan 3 operator yaitu Canny, Laplacian of Gaussian,
dan Kirsch. Berikut merupakan teori dasar ke-3 operator tersebut.
Operator laplacian sangat sensitif terhadap noise yang terletak pada titik-titik
tepi. Jadi, sebelum deteksi tepi dilakukan, filter yang dapat melemahkan noise
diperlukan. Operator Laplacian of Gaussian merupakan kombinasi dari operator
gaussian dan operator laplacian. Karena LoG menggunakan Gaussian filter maka
masking dari LoG akan bergantung pada ukuran masking Gaussian, misal gaussian
kernel 5x5 maka akan dihasilkan masking sebagai berikut:
7
Perhitungan LoG sendiri dapat menggunakan Zero Crossing di mana suatu fungsi
menyentuh titik nol/saat dimana suatu fungsi berpindah dari nilai positif ke negatif.
2.2.2.3.Operator Kirsch
Nilai magnitude kemudian dihitung dengan mencari nilai maksimum pada setiap
arah.
Pada gambar 2.3 terdapat 3 titik yang akan dicari posisi nya untuk
menemukan garis yang sebenarnya. Untuk setiap titik, sejumlah garis di plot untuk
8
melewatinya. Kemudian, akan dicari nilai 𝜌 = 𝑥 cos 𝜃 + 𝑦 𝑠𝑖𝑛𝜃 dengan range 𝜃
(0° − 150°) untuk setiap garis. Kemudian setelah didapatkan nilai setiap garis
maka nilai tersebut akan dirubah ke grafik ruang hough seperti kurva dibawah ini.
jika piksel pada mask = 0 maka proses tidak dijalankan. Koordinat mungkin
berubah tergantung dengan panjang Cap mobil dan posisi kamera.
9
BAB III
PERANCANGAN DAN IMPLEMENTASI
Sistem yang dirancang berfungsi untuk mendeteksi suatu marka pada jalanan.
pada penelitian ini marka yang dimaksud yaitu marka garis putus. Sistem akan
menerima masukkan berupa suatu video dengan objek berupa jalanan dengan
marka. Sistem yang dirancang akan menggunakan metode yang berbeda-beda
tergantung kemampuan-nya saat mendeteksi marka garis putus. secara umum
sistem dapat dideskripsikan seperti yang ditampilkan pada gambar 3.1.
Pada bagian ini, akan dibahas perancangan serta parameter yang akan diuji.
Pengujian yang dilakukan bertujuan untuk menguji apakah algoritma pendeteksian
marka garis putus yang digunakan mampu untuk mendeteksi marka pada masukkan
video yang berisi sejumlah marka dengan persentase yang sudah ditentukan. Video
tersebut diambil dengan menggunakan kecepatan kendaraan yang berbeda-beda
yaitu pada kecepatan 30, 50, 80 km/jam dengan tujuan untuk mengetahui sampai
pada kecepatan berapakah sistem mampu mendeteksi marka garis putus. Kemudian
pada video tersebut juga digunakan resolusi yang berbeda, untuk mengetahui
10
apakah penggunaan resolusi yang berbeda akan mempengaruhi hasil deteksi marka
garis.
Tabel 3 1. Ringkasan data pengujian
Action camera yang digunakan akan diletakkan pada bagian belakang kaca
diatas dashboard dibagian dalam mobil. Untuk mengurangi pengambilan objek
yang tidak diperlukan seperti langit, kamera akan dimiringkan menghadap kebawah
sebesar ±15°. Ilustrasi pemasangan posisi kamera dapat dilihat pada gambar 3.2 dan
3.3.
11
3.3.3. Pengambilan Data Uji
Lokasi pengambilan data uji berada di Jalan Asera Boulevard, Harapan Indah
II, Bekasi Utara. Jarak yang diambil yaitu 147,4 Meter pada kecepatan 30, 50 & 80
km/jam. Cuaca cerah pukul 5 sore untuk kecepatan 30 dan 50 km/jam sedangkan
untuk kecepatan 80 km/jam berawan pada pukul 7 pagi. Sesuai dengan perancangan
yang telah dilakukan proses pemasangan kamera dilakukan pada bagian kaca diatas
dashboard yang dapat dilihat pada gambar 3.5.
12
Gambar 3.7. Posisi kemiringan kamera
Agar tidak terdapat distorsi seperti efek fish eye pada gambar yang terrekam,
kamera diatur agar mendapatkan gambar yang baik dan fokus terhadap marka garis,
pada gambar 3.7 ditampilkan hasil pengambilan data uji.
Marka garis putus-putus memiliki panjang 308 cm serta gap (jarak antara 1
garis dengan garis lainnya) dengan ukuran 468 cm, Proses pengukuran dapat dilihat
pada gambar 3.8.
13
3.4. Perancangan Sistem Pendeteksian Marka
3.4.1. Sistem Pendeteksian
Sistem deteksi marka yang dirancang pada penelitian ini akan menghasilkan
3 sistem dengan operator deteksi tepi yang berbeda disetiap sistemnya, sistem
pertama akan menggunakan Operator Canny pada proses deteksi tepi, selanjutnya
Marr-Hildreth (LoG), dan yang terahir Kirsch. Dapat dilihat pada gambar 3.9 tahap
pendeteksian marka garis putus secara umum akan diterapkan pada setiap operator.
Sistem ini dijalankan pada setiap frame yang didapatkan dari video secara real-
time.
Pada gambar 3.9 tahap preprocessing ditandai dengan kotak berwarna biru,
Citra yang ditangkap oleh kamera memiliki mode warna RGB yang harus diubah
menjadi skala keabuan terlebih dahulu menggunakan formula 4.1, tahap ini
digunakan untuk mempermudah pengolahan citra selanjutnya jika mode warna
masih berskala RGB maka setiap proses harus diterapkan pada kanal R, G & B. lalu
menggabungkan hasilnya kembali agar menjadi 1 citra utuh. Komposisi nilai
mengacu pada MATLAB dimana a = 0.2989, b = 0.5870 dan c = 0.1140.
𝐴𝑏𝑢 = 𝑎 𝑥 𝑅 + 𝑏 𝑥 𝐺 + 𝑐 𝑥 𝐵, 𝑎 + 𝑏 + 𝑐 = 1 (4.1)
Pada bagian edge detection operator yang digunakan ada 3 yaitu Canny,
Marr-Hildreth (LoG) dan Kirsch maka akan ada 1 sistem dengan proses deteksi tepi
14
yang berbeda. Inisialisasi nilai apapun tidak akan diubah pada ke-3 operator
tersebut, inisialisasi nilai akan mengacu pada nilai bawaan yang digunakan
MATLAB.
15
Rancangan awal modifikasi algoritma pendeteksian dapat dilihat pada
gambar 3.12 jika metode yang digunakan pada modifikasi algoritma pendeteksian
ini masih belum bisa mencapai target maka akan dilakukan modifikasi sesuai
dengan diagram alur pada gambar 3.11 hingga sistem berhasil mencapai target yang
telah ditentukan. Metode yang akan digunakan diantaranya perbaikan citra,
penajaman citra dan operasi tetangga.
Pada rancangan awal ini metode Region of Interest akan digunakan untuk
mendapatkan area penting pada citra yang mengandung marka garisnya saja. Pada
gambar 3.13.a ditampilkan simpul (mask) yang akan diterapkan pada sistem
pendeteksian, dan gambar 3.13.b merupakan ilustrasi penerapan mask pada citra
yang akan diolah. Tahap ROI ini akan menghasilkan pengolahan citra pada bagian
dalam mask saja, bagian luarnya tidak akan diolah dan langsung dihitamkan.
Tujuan dari pengujian sistem yang telah dibangun yaitu untuk menghitung
marka yang berhasil dideteksi dan membandingkan dengan jumlah marka garis
sebenarnya. Pengujian dilakukan dengan menjalankan sistem deteksi pada masukan
berupa video dan performansi sistem deteksi bisa didapatkan dengan
16
membandingkan keluaran sistem deteksi dengan data posisi serta banyaknya objek
marka yang telah diketahui sebelumnya. Oleh karena itu, untuk membandingkan
keluaran sistem dengan data sebenarnya maka digunakan metode Confusion Matrix
dengan menggunakan perhitungan precision-recall yang dapat dilakukan
menggunakan persamaan 4.1 dan 4.2. Kemampuan sistem dikatakan “Baik” jika
persentase precission-recall ≥ 80%.
𝑇𝑃
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = × 100 (4.1)
𝑇𝑃 + 𝐹𝑃
𝑇𝑃
𝑅𝑒𝑐𝑎𝑙𝑙 = × 100 (4.2)
𝑇𝑃 + 𝐹𝑁
Dimana:
Berbeda dengan marka garis utuh semakin jauh marka garis putus yang
tertangkap kamera maka akan membuat garis semakin kecil dan seperti menyatu.
Karena perhitungan yang dilakukan mengandalkan pengelihatan manusia untuk
mengurangi peluang terjadi kesalahan perhitungan maka perhitungan marka garis
yang terdeteksi akan dibatasi. Ilustrasi permasalahan dan solusi dapat dilihat pada
gambar 3.14.
17
(d). Hasil yang akan dihitung
(c). Solusi
Pada gambar 3.12 terdapat beberapa panel utama, panel pertama digunakan
untuk melakukan pengaturan kamera jika pengaturan kamera sudah selesai
dilakukan akan tampil panel kedua yang digunakan untuk melakukan pengaturan
18
sistem pendeteksian marka. Panel ketiga digunakan untuk menampilkan informasi
dan hasil dari pendeteksian marka garis. Angka didalam kotak pada gambar 3.12
merupakan tombol dengan fungsi berbeda-beda yang dapat dilihat pada tabel 3.2.
Tombol Fungsi
0. Informasi Menampilkan form baru dengan informasi pembuat
1. Pengaturan Mengatur kamera mana yang akan digunakan berdasarkan
Kamera kamera yang terhubung pada komputer
2. Pratampil Menapilkan gambar yang dilihat dari kamera tanpa memulai
Kamera sistem
Menjalankan sistem untuk mengolah gambar yang
3. Mulai
didapatkan dari kamera
4. Berhenti Memberhentikan sistem yang sedang berjalan
5. Reset Mengembalikan pengaturan seperti awal
6. Keluar Keluar dari aplikasi
7. Simpan
Menyimpan pengaturan kamera yang akan digunakan
Pengaturan
8. Adaptor Menampilkan adaptor yang tersedia pada komputer
Menampilkan perangkat yang tersedia dari adaptor yang
9. Kamera
telah dipilih
Menampilkan format atau resolusi yang didukung dari
10. Resolusi
kamera yang telah dipilih
Menampilkan operator deteksi tepi yang akan digunakan
11. Operator
dalam pengolahan citra
Menampilkan algortima umum atau modifikasi yang akan
12. Algoritma
digunakan dalam pengolahan citra
Menampilkan toolbox yang akan digunakan dalam
13. Toolbox
pengolahan citra
14. Batasan Menampilkan pengaturan banyaknya frame yang akan
frame diolah
Jika Batasan frame yang dipilih merupakan “batasi frame”
15. Jumlah
maka text box ini akan aktif dan dapat diisi dengan angka
frame
sesuai dengan jumlah yang diinginkan
16. Tampilkan Menampilkan opsi bagaimana hasil dari pengolahan citra
Hasil akan ditampilkan
Digunakan untuk membuat simpul pada proses ROI, tombol
17. Buat simpul ini akan berguna jika algortima yang dipilih adalah
ROI modifikasi
19
Tombol Fungsi
18. Simpan Digunakan untuk menyimpan hasil pengolahan citra sebagai
Gambar gambar untuk dilihat nanti
20
BAB IV
PENGUJIAN DAN ANALISIS
Pada bagian ini akan dilakukan pengujian dan analisa terhadap aplikasi
sistem deteksi marka yang telah dibuat. Adapun perangkat dan aplikasi pendukung
yang digunakan dalam pengujian ini yaitu MATLAB 2018a, Sparkocam video,
Action Camera GoPro, dan Laptop dengan spesifikasi AMD FX 8800 RAM 8 GB.
Video data uji memiliki spesifikasi sebagai berikut, 3 video berbeda dengan
kecepatan 30, 50 dan 80 km/jam dengan jarak 147.4 meter, resolusi masing-masing
video 800x450 piksel dengan 30 fps. Inisialisasi nilai pada setiap metode
menggunakan pengaturan default MATLAB, Nilai yang akan dibandingkan yaitu
waktu komputasi, persentase recall dan precision.
21
Tabel 4.1. Perbandingan hasil pengujian sistem pendeteksian
Rata-
Garis rata
Frame Garis Recall Precision
km/j Op. sebenarnnya TP FP FN Waktu
terdeteksi terdeteksi (%) (%)
(GS) Proses
(detik)
Canny 21 114 16 14 2 100 12,3% 87,5% 0,7956
30 LOG 26 140 50 0 50 140 0% 0% 0,6507
Kirsch 17 34 68 0 68 34 0% 0% 1,0343
Canny 13 66 11 4 7 62 6,1% 36,4% 0,7848
50 LOG 16 92 39 7 32 85 7,6% 17,9% 0,6619
Kirsch 10 60 40 0 40 60 0% 0% 1,0381
Canny 8 42 2 2 0 40 4,8% 100,0% 0,8073
80 LOG 10 50 14 0 14 50 0% 0% 0,6538
Kirsch 6 32 24 0 24 32 0% 0% 1,076
a. Operator Canny
30 km/jam
# Citra Keluaran GS TP FP FN
1 4 1 0 3
2 6 0 0 6
3 6 1 1 5
4 4 0 0 4
22
30 km/j
# Citra Keluaran GS TP FP FN
5 4 0 0 4
6 6 0 0 6
7 6 2 0 4
8 4 1 0 3
9 6 0 0 6
10 6 0 0 6
11 6 4 0 2
12 6 0 1 6
13 4 0 0 4
14 6 0 0 6
15 6 2 0 4
16 6 2 0 4
17 6 0 0 6
18 6 1 0 5
19 6 0 0 6
23
30 km/j
# Citra Keluaran GS TP FP FN
20 4 0 0 4
21 6 0 0 6
50 km/j
# Citra Keluaran GS TP FP FN
1 6 0 1 6
2 6 0 0 6
3 4 0 1 4
4 4 1 1 3
5 6 0 0 6
6 6 0 0 6
7 4 0 0 4
8 4 0 0 4
9 6 1 0 5
10 6 0 1 6
24
50 km/j
# Citra Keluaran GS TP FP FN
11 4 0 1 4
12 4 1 1 3
13 6 1 1 5
Jumlah 66 4 7 62
80 km/j
# Citra Keluaran GS TP FP FN
1 6 0 0 6
2 6 0 0 6
3 4 0 0 4
4 4 0 0 4
5 4 0 0 4
6 6 1 0 5
7 6 0 0 6
8 6 1 0 5
Jumlah 42 2 0 40
25
b. Operator Marr-Hildreth (LOG)
Hasil pengujian ditampilkan pada 3 tabel yang berbeda, hasil
pengujian dengan kecepatan 30 km/jam ditampilkan pada tabel 4.2,
kecepatan 50 km/jam ditampilkan pada tabel 4.3 dan kecepatan 80 km/jam
ditampilkan pada 4.4. Nilai yang terdapat pada tabel yaitu Jumlah garis
sebenarnya pada citra (GS), Jumlah marka garis yang terdeteksi (TP),
Jumlah garis deteksi yang salah (FP) dan Jumlah marka garis tidak
terdeteksi (FN).
30 km/j
# Citra Keluaran GS TP FP FN
1 4 0 2 4
2 6 0 2 6
3 6 0 3 6
4 4 0 2 4
5 6 0 2 6
6 4 0 1 4
7 6 0 2 6
8 6 0 2 6
9 4 0 2 4
26
30 km/j
# Citra Keluaran GS TP FP FN
10 6 0 1 6
11 6 0 2 6
12 4 0 2 4
13 6 0 2 6
14 4 0 2 4
15 4 0 2 4
16 6 0 3 6
17 6 0 2 6
18 6 0 2 6
19 6 0 2 6
20 6 0 2 6
21 6 0 2 6
22 6 0 1 6
23 6 0 2 6
27
30 km/j
# Citra Keluaran GS TP FP FN
24 6 0 2 6
25 6 0 1 6
26 4 0 2 4
50km/j
# Citra Keluaran GS TP FP FN
1 6 0 2 6
2 6 0 2 6
3 6 2 2 4
4 6 2 2 4
5 6 0 2 6
6 6 0 1 6
7 6 0 2 6
8 6 3 1 3
9 4 0 2 4
28
50 km/j
# Citra Keluaran GS TP FP FN
10 6 0 2 6
11 6 0 2 6
12 6 0 3 6
13 6 0 2 6
14 6 0 3 6
15 4 0 2 4
16 6 0 2 6
Jumlah 92 7 32 85
80km/j
# Citra Keluaran GS TP FP FN
1 6 0 1 6
2 4 0 2 4
3 4 0 1 4
4 6 0 1 6
5 4 0 1 4
29
80km/j
# Citra Keluaran GS TP FP FN
7 6 0 1 6
8 6 0 1 6
9 4 0 2 4
10 4 0 2 4
Jumlah 50 0 14 50
c. Operator Kirsch
Hasil pengujian ditampilkan pada 3 tabel yang berbeda, hasil
pengujian dengan kecepatan 30 km/jam ditampilkan pada tabel 4.2,
kecepatan 50 km/jam ditampilkan pada tabel 4.3 dan kecepatan 80 km/jam
ditampilkan pada 4.4. Nilai yang terdapat pada tabel yaitu Jumlah garis
sebenarnya pada citra (GS), Jumlah marka garis yang terdeteksi (TP),
Jumlah garis deteksi yang salah (FP) dan Jumlah marka garis tidak
terdeteksi (FN).
30km/j
# Citra Keluaran GS TP FP FN
1 4 0 4 4
2 6 0 4 6
3 6 0 4 6
4 6 0 4 6
30
30 km/j
# Citra Keluaran GS TP FP FN
5 4 0 4 4
6 4 0 4 4
7 6 0 4 6
8 4 0 4 4
9 4 0 4 4
10 4 0 4 4
11 4 0 4 4
12 6 0 4 6
13 6 0 4 6
14 6 0 4 6
15 6 0 4 6
16 4 0 4 4
17 4 0 4 4
Jumlah 84 0 68 84
31
Tabel 4.9. Pengujian operator Kirsch pada kecepatan 50 km/j
50km/j
# Citra Keluaran GS TP FP FN
1 6 0 4 6
2 6 0 4 6
3 6 0 4 6
4 6 0 4 6
5 6 0 4 6
6 6 0 4 6
7 6 0 4 6
8 6 0 4 6
9 6 0 4 6
10 6 0 4 6
Jumlah 60 0 40 60
80km/j
# Citra Keluaran GS TP FP FN
1 6 0 4 6
32
80 km/j
# Citra Keluaran GS TP FP FN
2 4 0 4 4
3 4 0 4 4
4 6 0 4 6
5 6 0 4 6
6 6 0 4 6
Jumlah 32 0 24 32
Pada bagian ini akan dilakukan analisis berdasarkan hasil pengujian yang
telah ditampilkan pada tabel 4.1. Analisis dibagi menjadi 2 bagian, bagian pertama
menganalisis tentang perbandingan hasil pendeteksian operator sedangkan bagian
kedua merupakan analisis perbandingan waktu komputasi setiap operator. Jika
diperlukan penelitian lebih lanjut akan digunakan 1 frame sebagai data yang akan
dianalisis.
a. Hasil Pendeteksian
100%
90%
80%
70%
60%
Akurasi
50%
40%
30% Canny
20% 12% LOG Kirsch Canny Canny
6% LOG Kirsch 5%
LOG Kirsch
10% 0% 0% 0% 0% 0% 0%
0%
30 km/jam 50 km/jam 80 km/jam
33
Dapat dilihat pada gambar 4.1, tidak ada operator yang berhasil
mencapai minimum hasil pendeteksian sebesar 80%, rendahnya persentase
hasil deteksi disebabkan oleh hasil deteksi tepi masing – masing operator yang
lebih dominan kepada pepohonan dibandingkan dengan jalanan seperti yang
ditampilkan pada gambar 4.2.a sampai dengan 4.2.c. Hal ini mengakibatkan
proses voting objek berbentuk garis pada transformasi hough lebih dominan
terhadap garis yang berada dipepohonan dari pada marka garis yang berada di
jalanan seperti yang ditampilkan pada gambar 4.2.d sampai dengan 4.2.f.
Gambar 4.2. Hasil deteksi tepi frame ke-5 dan voting transformasi hough
34
seperti yang ditampilkan pada gambar 4.3 dimana theta (θ) merepresentasikan
sudut piksel yang bersimpangan dan rho (ρ) merepresentasikan koordinat piksel
pada citra sebenarnya. Sesuai dengan rancangan ilustrasi pada gambar 3.10
akan dilakukan voting terhadap 4 koordinat (θ, ρ) dengan jumlah piksel
bersimpimpangan tertinggi maka didapatkan hasil pada koordinat (1199,176)
dengan jumlah piksel 327, (639,2) dengan jumlah piksel 324, (1343,154)
dengan jumlah piksel 317, (702,1) dengan jumlah piksel 292.
35
Berdasarkan analisis diatas didapatkan kesimpulan jika sistem
pendeteksian tidak dapat digunakan untuk mendeteksi marka garis karena pada
tahap voting transformasi hough lebih dominan kepada pepohonan, untuk
memperbaiki permasalahan ini akan dilakukan pengolahan pada area jalanan
agar hasilnya hanya fokus kepada marka garis saja.
b. Waktu komputasi
Waktu komputasi/frame
Kirsch
100%
LOG
62,91%
Canny
76,92%
Waktu komputasi
Tahap
(detik)
Konversi ke Skala Abu 0,0014
Penerapan Median Filter 0,0057
Canny LOG Kirsch
Deteksi Tepi
0,4855 0.3909 0,2683
Hough Transform 0,0175 0,0307 0,2933
Hough Peaks 0,0100 0,0110 0,0109
36
Waktu komputasi
Tahap
(detik)
Hough Lines 0,0190 0,0084 0,0506
Menggambar Garis 0,0191 0,0101 0,0117
Representasi Citra 0,0008 0,0007 0,0007
Canny 4.664
LOG 18.108
Kirsch 225.022
37
Dapat dilihat pada tabel 4.12 jika dihitung hasil tepi (piksel putih) yang
dihasilkan oleh setiap operator, operator Canny mengekstrak 4.664 piksel
sebagai tepi, LOG dengan jumlah 18.108 piksel dan Kirsch sebanyak 225.022
piksel hasil ini sesuai dengan teori [18] dimana canny menghasilkan tepi dengan
tingkat kesalahan yang rendah sedangkan LOG tidak sensitif terhadap derau dan
Kirsch memiliki hasil tepi yang tegas dan tebal. Pada proses transformasi hough
akan dilakukan pencarian piksel per piksel pada sudut yang sama, dapat dilihat
pada tabel 4.11 waktu komputasi transformasi hough pada operator canny
memiliki waktu komputasi 0.0175 detik sedangkan LOG 0,0307 detik dan
Kirsch 0,2683 detik. Jika dengan 4.664 piksel transformasi hough menghasilkan
waktu 0,0175 detik dan 225.022 piksel menghasilkan waktu 0,2683 detik maka
setiap bertambah 1 piksel waktu komputasi transformasi hough bertambah
sekitar ±0.00000170 detik.
Berdasarkan analisis diatas dapat diketahui jika urutan waktu komputasi
operator tercepat adalah Kirsch, LOG, Canny. Waktu komputasi keseluruhan
sistem dipengaruhi oleh hasil deteksi tepi yang mengakibatkan perubahan
waktu komputasi pada tahap transformasi hough.
Video data uji memiliki spesifikasi sebagai berikut, 3 video berbeda dengan
kecepatan 30, 50 dan 80 km/jam dengan jarak 147.4 meter, resolusi masing-masing
38
video 800x450 piksel dengan 30 fps. Nilai yang akan dibandingkan yaitu waktu
komputasi, persentase recall dan precision.
Waktu
Frame Garis Garis Recall Precision
km/j Op. TP FP FN Proses
Terdeteksi sebenarnya terdeteksi (%) (%)
(detik/frame)
30 km/j
# Citra Keluaran GS TP FP FN
1 6 5 0 1
2 5 5 0 0
3 6 4 1 2
4 6 6 1 0
5 6 5 0 1
39
30 km/j
# Citra Keluaran GS TP FP FN
6 6 6 0 0
7 6 5 0 1
8 4 4 1 0
9 6 5 1 1
10 6 6 1 0
11 6 6 0 0
12 6 5 0 1
13 6 6 0 0
14 6 4 2 2
15 6 5 1 1
16 6 5 1 1
17 6 5 0 1
18 4 4 1 0
19 6 6 0 0
40
30 km/j
# Citra Keluaran GS TP FP FN
20 6 4 0 2
50 km/j
# Citra Keluaran GS TP FP FN
1 6 5 1 1
2 6 4 1 2
3 4 4 1 0
4 6 6 0 0
5 6 6 0 0
6 6 4 1 2
7 6 5 1 1
8 6 6 0 0
9 6 4 2 2
10 6 4 2 2
11 4 4 1 0
41
50 km/j
# Citra Keluaran GS TP FP FN
12 4 4 0 0
Jumlah 66 56 10 10
80 km/j
# Citra Keluaran GS TP FP FN
1 6 5 0 1
2 6 4 0 2
3 6 5 0 1
4 6 6 0 0
5 4 4 1 0
6 6 4 1 2
7 6 3 0 3
8 6 4 0 2
Jumlah 46 35 2 11
30 km/j
# Citra Keluaran GS TP FP FN
1 4 4 0 0
42
30 km/j
# Citra Keluaran GS TP FP FN
2 6 6 0 0
3 6 5 0 1
4 6 6 0 0
5 6 6 0 0
6 4 4 0 0
7 6 6 0 0
8 6 6 0 0
9 6 4 0 0
10 6 6 0 0
11 6 6 0 0
12 6 4 0 0
13 6 6 0 0
14 6 5 0 1
15 5 5 0 0
43
30 km/j
# Citra Keluaran GS TP FP FN
16 6 6 0 0
17 6 6 0 0
18 6 6 0 0
19 6 6 0 0
20 4 4 0 0
21 6 6 0 0
22 6 6 0 0
23 4 4 0 0
24 6 6 0 0
50 km/j
# Citra Keluaran GS TP FP FN
1 6 6 0 0
2 6 4 0 2
3 6 6 0 0
44
50km/j
# Citra Keluaran GS TP FP FN
4 6 4 0 2
5 6 5 2 1
6 6 5 0 1
7 6 6 0 0
8 6 6 0 0
9 4 4 0 0
10 4 4 1 0
11 6 5 0 1
12 6 6 0 0
13 6 5 0 1
14 6 4 0 2
15 4 4 0 0
16 4 4 0 0
Jumlah 88 78 3 10
45
Tabel 4.19. Pengujian operator LOG pada kecepatan 80 km/j
80km/j
# Citra Keluaran GS TP FP FN
1 4 4 0 0
2 4 4 0 0
3 4 4 0 0
4 6 6 0 0
5 6 5 0 1
6 6 4 0 2
7 6 4 0 2
8 6 3 0 3
9 6 6 0 0
Jumlah 48 40 0 8
c. Kirsch
Tabel 4.20. Pengujian operator kirsch pada kecepatan 30 km/jam
30 km/j
# Citra Keluaran GS TP FP FN
1 4 4 0 0
2 6 6 0 0
3 4 4 0 0
46
30 km/j
# Citra Keluaran GS TP FP FN
4 6 6 0 0
5 4 4 0 0
6 6 6 0 0
7 4 4 0 0
8 6 6 0 0
9 6 5 0 1
10 6 6 0 0
11 6 4 0 2
12 6 6 0 0
13 6 6 0 0
14 6 5 0 1
15 6 6 0 0
16 4 4 0 0
47
30 km/j
# Citra Keluaran GS TP FP FN
17 6 6 0 0
18 6 6 0 0
19 6 6 0 0
20 6 5 1 1
21 6 6 0 0
22 6 6 0 0
23 6 6 0 0
24 6 6 0 0
25 6 6 0 0
26 6 6 0 0
27 6 6 0 0
28 6 6 0 0
29 6 6 0 0
48
Tabel 4.21. Pengujian operator kirsch pada kecepatan 50 km/j
50 km/j
# Citra Keluaran GS TP FP FN
1 6 6 0 0
2 6 6 0 0
3 6 6 0 0
4 6 4 0 2
5 6 5 1 1
6 4 4 0 0
7 6 5 1 1
8 4 4 1 0
9 4 4 0 0
10 6 6 0 0
11 6 6 0 0
12 6 6 0 0
13 6 6 0 0
49
50 km/j
# Citra Keluaran GS TP FP FN
14 6 6 0 0
15 6 6 0 0
16 6 6 0 0
17 6 6 0 0
18 6 5 1 1
Jumlah 102 97 4 5
80 km/j
# Citra Keluaran GS TP FP FN
1 6 6 0 0
2 4 4 0 0
3 4 4 1 0
4 4 4 0 0
5 6 4 0 2
6 6 5 0 1
7 4 4 0 0
50
80 km/j
# Citra Keluaran GS TP FP FN
8 6 5 0 1
9 6 6 0 0
10 4 4 0 0
11 6 4 0 2
Jumlah 56 50 1 6
60%
40%
20%
0%
30 km/jam 50 km/jam 80 km/jam
51
gambar 4.7.b hasilnya transformasi hough hanya mendeteksi marka garis
sebagai objek garis dibandingkan dengan sistem sebelum dimofikasi hasil
transformasi hough lebih dominan pada garis dipepohonan ini yang
menyebabkan akurasi pendeteksian meningkat.
52
(a) Canny (b) LOG (c) Kirsch
53
Berdasarkan hasil analisis diatas maka didapatkan kesimpulan jika
aplikasi pendeteksian marka garis membutuhkan hasil deteksi tepi yang tegas
seperti hasil deteksi tepi Kirsch. Jika diurutkan berdasarkan hasil pendeteksian
tertinggi operator terbaik adalah Kirsch, LOG, Canny.
b. Waktu komputasi
Waktu komputasi/frame
Kirsch
68%
LOG
82%
Canny
100%
Waktu komputasi
Tahap
(detik)
Konversi ke Skala Abu 0,0009
Peningkatan Kontras 0,0126
Mencari piksel putih 0,0178
54
Waktu komputasi
Tahap (detik)
Canny LOG Kirsch
Hough Transform 0,0035 0.0045 0,0059
Hough Peaks 0,0100 0.0129 0,0104
Hough Lines 0,0040 0.0049 0,0045
Menggambar Garis 0,0083 0.0072 0,0108
Representasi Citra 0,0010 0,0023 0,0006
Total Waktu 0,5459 0,454 0,3318
Dapat dilihat pada tabel 4.24 jumlah piksel hasil deteksi tepi Canny
sebanyak 395 piksel, LOG 575 piksel dan Kirsch 1088 piksel. Jika dibandingkan
dengan sistem sebelum dimodifikasi, sistem setelah modifikasi mengurangi
ekstraksi tepi pada operator canny hingga 91.5%, LOG sebesar 96.8%, Kirsch
sebesar 99.5% dan menyisakan ekstraksi tepi pada bagian marka jalan saja,
persentase diatas didapatkan dari perbandingan piksel tepi pada sistem sebelum
modifikasi dan setelah dimodifikasi. Pengurangan ekstraksi tepi ini akan
mereduksi waktu komputasi transformasi hough hingga 97.8% pada operator
kirsch atau 45 kali lebih cepat dari pada sistem sebelum dimodifikasi.
Tabel 4.24. Jumlah tepi hasi deteksi tepi
Canny 494
LOG 575
Kirsch 1100
55
per piksel transformasi hough dapat dihitung menggunakan perhitungan
𝑤𝑎𝑘𝑡𝑢 𝑒𝑘𝑠𝑒𝑘𝑢𝑠𝑖 ℎ𝑜𝑢𝑔ℎ
maka bertambahnya 1 piksel tepi yang terdeteksi akan
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑡𝑒𝑟𝑑𝑒𝑡𝑒𝑘𝑠𝑖
4.3.Pengujian Toolbox
4.3.1. Tujuan Pengujian
Agar sistem pendeteksi dapat diaplikasian pada dunia nyata sistem harus
mampu memproses dan menyajikan informasi secepat mungkin sesaat setelah
frame diambil dari kamera, oleh karena itu dibutuhkan waktu komputasi secepat
mungkin. Pengujian ini dilakukan untuk membandingkan waktu komputasi dan
hasil pendeteksi dari toolbox MATLAB dan toolbox Manual yang telah dibuat.
Perbandingan Toolbox yang dimaksud adalah perbandingan fungsi atau modul
operator deteksi tepi yang dibuat sendiri berdasarkan teori pada buku [18] dengan
fungsi yang dibuat oleh MATLAB.
56
Tabel 4.25. Hasil pengujian toolbox operator Canny
Rata-rata
km/j Toolbox Frame Terdeteksi Recall (%) Precission (%)
Waktu Proses (detik/frame)
Rata-rata
km/j Toolbox Frame Terdeteksi Recall (%) Precission (%)
Waktu Proses (detik/frame)
Rata-rata
km/j Toolbox Frame Terdeteksi Recall (%) Precission (%)
Waktu Proses (detik/frame)
57
toolbox manual yang membutuhkan waktu komputasi ±0,8509 detik. jika
dibandingkan dengan toolbox Manual, toolbox MATLAB mengoptimasi waktu
komputasi operator Canny 3 kali lebih cepat, sedangkan pada operator LOG dan
Kirsch dapat mengoptimasi waktu hingga 2 kali lebih cepat.
Selain memiliki waktu optimasi yang baik hasil pengujian operator canny
pada kecepatan 80 km/jam menggunakan toolbox MATLAB berhasil mencapai
minimum target pendeteksian, permasalahan yang dialami operator Canny tetap
sama yaitu transformasi hough tidak mengenali ekstraksi tepinya sebagai garis.
Tetapi yang membuat toolbox MATLAB berhasil mencapai 80% yaitu jumlah
frame terdeteksi 2 kali lebih banyak dibandingkan toolbox manual, pada toolbox
manual operator canny hanya mampu mendeteksi 8 frame sedangkan pada toolbox
MATLAB operator canny mampu mendeteksi 22 frame. Jika pada toolbox manual
seluruh frame gagal mendeteksi garis terakhir (garis yang bersilangan dengan batas
merah), hal ini hanya terjadi pada 9 frame di toolbox MATLAB dapat dilihat pada
tabel 4.28.
Tabel 4.28. Ringkasan kesalahan deteksi operator canny toolbox MATLAB
1 1
3 2
10 1
12 1
13 2
16 2
18 2
19 2
20 2
22 1
TOTAL 16
58
Dapat dilihat pada tabel 4.29 gagalnya hasil pendeteksian disebabkan oleh
hasil ekstraksi tepi yang terpotong oleh garis pembatas dan membuat transformasi
hough tidak menganggap objek tersebut sebagai garis. Berdasarkan hasil analisis
diatas toolbox MATLAB memiliki hasil persentase lebih tinggi 2% s/d 4% dan
waktu komputasi 2-3x lebih cepat dibandingkan toolbox yang dibuat sendiri.
Dengan waktu rata rata 0.2 detik untuk operator Canny, 0.4 detik untuk operator
LOG dan 0.3 detik untuk operator Kirsch. Sistem dapat mendeteksi 2 - 5 frame
perdetik jika diimplementasi pada dunia nyata hasil tersebut masih belum bisa
dikatakan baik karena sistem mengalami delay selama 0.2 – 0.4 detik setiap frame.
4.4.Pengujian Resolusi
4.4.1. Tujuan Pengujian
59
4.4.4. Analisis Hasil Pengujian
a. Hasil Pengujian
100%
80%
60%
Akurasi
94,70%
93,60%
91,10%
Kirsch
Kirsch
86,80%
84,50%
Canny
LOG
Canny
87%
LOG
40%
20%
0%
320 x 180 800 x 450
Gambar 4.10. Perbandingan akurasi operator pada resolusi 180p & 450p
60
tingginya akurasi disebabkan oleh hasil ekstraksi tepi pada operator Kirsch
sangat tebal dan menutupi marka garis dapat dilihat pada gambar 4.11
perbandingan hasil ekstraksi tepi operator Canny, LOG dan Kirsch.
Gambar 4.11. Perbandingan hasil ekstraksi tepi pada resolusi 320x180 piksel
Berdasrkan analisis diatas maka operator Canny, LOG dan Kirsch dapat
digunakan pada saat resolusi 320x180 piksel dengan hasil akurasi tertinggi
pada operator Kirsch.
b. Waktu Komputasi
Canny 21,90%
Kirsch 18,42%
LOG 15,34%
61
1 𝑑𝑒𝑡𝑖𝑘
Canny dapat mendeteksi = 17 frame/detik, operator LOG 15
0,0576 𝑑𝑒𝑡𝑖𝑘
62
BAB V
KESIMPULAN DAN SARAN
63
DAFTAR PUSTAKA
[1] Yadi Li, Liguo Chen, Haibo Huang, Xiangpeng Li, Wenkui Xu, Liang
Zheng, Jiaqi Huang. 2016. Nighttime lane markings recognition based on
Canny detection and Hough transform. 2016 IEEE International
Conference on Real-time Computing and Robotics.
[3] Danding Adhi Priutomo. 2016. Simulasi dan Analisis Sistem Smart Traffic
Light Berbasis Pengolahan Citra Digital Dengan Metode Deteksi tepid an
Segmentasi. e-Proceeding of Engineering: Vol.3, No.1.
[4] Ari Purno Wahyu Wibowo, Ardiles Sinaga. 2016. Implementasi Teknologi
LDWS Pada Transportasi sebagai pengukung sarana dan keamanan
berkendara. Seminar Nasional Telekomunikasi dan Informatika 2016
(SELISIK 2016).
64
Information Technology (ECTI) Association of Thailand - Conference
2011.
[9] Oki Januar Insani Mulyana. 2016. Implementasi Lane Detection dengan
metode Hough Transform untuk penilaian mengemudi berdasarkan marka
jalan (Studi kasus Sukses Mandiri). Jurnal Ilmiah Komputer dan
Informatika (KOMPUTA).
[10] Mohammed Aly. 2008. Real time Detection of Lane Markers in Urban
Streets. Intelligent Vehicles Symposium, 2008 IEEE.
[12] Seongrae Kim, Junhee Lee, and Youngmin Kim. 2016. Speed-Adaptive
Ratio-Based Lane Detection Algorithm for Self-Driving Vehicles. ISSOC
2016.
[14] Jamel Baili1, Mehrez Marzougui1, Ameur Sboui, Samer Lahouar, Mounir
Hergli, J.Subash Chandra Bose, Kamel Besbes, 2016.Lane Departure
Detection Using Image Processing Techniques. 2017 2nd International
Conference on Anti-Cyber Crimes (ICACC).
65
[15] Yassin Kortli, Mehrez Marzougui, Belgacem Bouallegue, J. Subash
Chandra Bose, Paul Rodrigues, Mohamed Atri. A Novel Illumination-
Invariant Lane Detection System. 2nd International Conference on Anti-
Cyber Crimes (ICACC).
[16] Jie Guo, Zhihua Wei, Duoqian Miao. 2015. Lane Detection Method Based
on Improved RANSAC Algorithm. IEEE Twelfth International Symposium
on Autonomous Decentralized Systems.
[18] Abdul Kadir & Adhi Susanto, Teori dan Aplikasi Pengolahan Citra. Andi,
Yogyakarta, 2013.
66
LAMPIRAN A Hasil pengujian Toolbox dan Resolusi
67
Lampiran 1. Hasil pengujian toolbox Canny
Canny
30km/j 50km/j 80km/j
# GS TP FP FN # GS TP FP FN # GS TP FP FN
1 6 5 1 1 6 6 0 1 6 5 1
2 6 5 1 2 6 5 1 2 6 6 0
3 6 5 1 3 6 6 0 3 6 4 2
4 4 4 0 4 6 5 1 4 4 4 0
5 6 5 1 5 6 5 1 5 6 5 1
6 6 6 0 6 4 4 0 6 4 4 0
7 6 6 0 7 6 4 2 7 4 4 0
8 6 5 1 8 6 6 0 8 4 4 0
9 4 4 0 9 6 6 1 0 9 4 4 0
10 6 4 2 10 6 6 2 0 10 6 5 1
11 6 6 0 11 6 5 1 11 4 4 0
12 6 5 1 12 6 5 1 12 6 5 1
13 4 4 0 13 6 5 1 13 6 4 2
14 6 5 1 14 6 5 1 14 4 4 0
15 6 5 1 15 6 5 1 15 6 6 0
16 6 5 1 16 6 4 2 16 6 4 2
17 6 5 1 17 4 4 0 17 6 6 0
18 6 6 0 18 6 5 1 18 6 4 2
19 6 6 0 19 6 5 1 19 6 4 2
20 6 6 0 20 4 4 0 20 6 4 2
21 4 4 0 21 6 5 1 21 4 4 0
22 6 5 1 22 6 6 0 22 6 4 2
23 6 5 1 23 5 5 0 116 98 0 18
24 6 5 1 24 6 5 1
25 6 5 1 25 6 5 1
26 6 6 0 26 6 5 1
27 6 4 2 27 6 5 1
28 6 6 0 28 6 6 0
29 4 4 0 29 6 6 0
30 6 5 1 30 6 4 2
31 6 5 1 31 6 5 1
32 6 5 1 32 6 5 1
33 6 5 1 33 4 4 0
34 6 6 0 34 6 4 2
35 6 6 0 35 6 5 1
36 4 4 0 201 175 3 26
37 6 6 0
68
30km/j
# GS TP FP FN
38 6 6 0
39 6 5 1
40 6 6 0
41 6 4 1 2
42 6 6 0
43 6 6 0
44 6 6 0
45 6 5 1
46 6 6 0
47 6 6 0
48 6 5 1
49 6 6 0
50 6 5 1
51 4 4 0
52 6 5 1
53 6 5 1
54 6 5 1
55 6 6 0
56 6 6 0
57 6 5 1
58 6 6 0
59 4 4 0
60 6 4 2
61 6 6 0
62 6 5 1
63 6 4 2
362 325 1 37
69
Lampiran 2. Hasil pengujian toolbox LOG
MARR - HILDRETH (LOG)
30km/j 50km/j 80km/j
# GS TP FP FN # GS TP FP FN # GS TP FP FN
1 6 4 2 1 6 6 0 1 6 4 2
2 4 4 0 2 6 5 1 2 6 4 2
3 6 5 1 3 6 6 0 3 4 4 0
4 6 4 2 4 6 4 2 4 6 6 0
5 6 5 1 5 4 4 0 5 6 5 1
6 6 4 2 6 6 5 1 1 6 6 6 0
7 6 4 2 7 6 5 1 7 4 4 0
8 4 4 0 8 4 4 1 0 8 4 4 0
9 6 6 0 9 6 6 0 9 6 4 2
10 6 6 0 10 6 6 0 10 6 6 0
11 4 4 0 11 6 6 0 11 6 5 1
12 6 5 1 12 6 6 0 12 6 5 1
13 6 6 0 13 6 6 0 13 6 5 1
14 6 5 1 14 6 5 1 1 14 4 4 0
15 6 5 1 15 6 5 1 76 66 0 10
16 6 6 0 16 6 5 1
17 6 4 2 17 6 5 1
18 6 5 1 18 6 5 1
19 4 4 0 19 6 5 1
20 6 5 1 20 6 5 1
21 6 6 0 21 6 6 0
22 4 4 0 22 6 3 3
23 6 6 0 128 113 3 15
24 6 5 1
25 4 4 0
26 6 5 1
27 6 6 0
28 4 4 0
29 6 5 1
30 6 5 1
31 4 4 0
32 6 6 0
33 6 6 0
34 6 6 0
35 6 6 0
36 6 4 2
70
30km/j
# GS TP FP FN
37 6 6 0
38 6 5 1 1
39 6 5 1
40 6 6 0
41 6 6 0
42 6 4 2
43 6 6 0
44 6 6 0
45 6 5 1
46 6 4 2
47 6 3 3
266 233 1 33
71
Lampiran 3. Hasil pengujian toolbox Kirsch
30km/j 50km/j 80km/j
# GS TP FP FN # GS TP FP FN # GS TP FP FN
1 6 6 0 1 6 6 0 1 6 4 2
2 5 5 0 2 6 4 2 2 6 6 0
3 6 6 0 3 4 4 0 3 6 4 2
4 4 4 1 0 4 6 6 0 4 4 4 0
5 6 6 0 5 4 4 0 5 6 6 0
6 4 4 0 6 6 6 0 6 4 4 0
7 6 6 0 7 6 6 0 7 4 4 0
8 6 6 0 8 4 4 0 8 4 4 0
9 5 5 0 9 6 6 0 9 4 4 0
10 6 6 0 10 6 6 0 10 4 4 0
11 6 6 0 11 6 6 0 11 6 6 0
12 6 6 0 12 6 6 0 12 6 6 0
13 5 5 0 13 6 5 1 1 13 4 4 0
14 6 6 0 14 6 6 0 14 4 4 0
15 6 6 0 15 4 4 0 15 6 5 1
16 6 5 1 16 6 6 0 16 6 6 0
17 6 6 0 17 6 6 0 17 4 4 0
18 6 6 0 18 6 6 0 18 4 4 0
19 6 6 0 19 6 6 1 0 19 6 6 1 0
20 6 6 0 20 6 6 0 94 89 1 5
21 6 6 0 21 6 5 1 1
22 4 4 1 0 22 6 6 0
23 5 5 0 23 6 5 1 1
24 6 6 0 24 6 6 0
25 4 4 0 25 6 6 0
26 6 6 0 26 6 6 0
27 6 6 0 27 5 5 0
28 6 6 0 28 6 6 0
29 4 4 2 0 29 4 4 1 0
30 6 5 1 1 30 6 6 0
31 6 6 0 31 6 6 0
32 6 6 0 32 175 170 5 5
33 6 6 0
34 6 6 0
35 6 6 0
36 6 6 0
37 6 6 1 0
72
30km/j
# GS TP FP FN
38 6 6 0
39 6 6 0
40 6 6 0
41 6 6 0
42 6 6 0
43 6 6 0
44 6 6 0
45 6 6 0
46 6 6 0
47 6 6 0
48 4 4 0
49 6 6 0
50 6 6 0
284 282 6 2
73
Lampiran 4. Hasil pengujian Resolusi 320x180 px
80 km/j
# GS TP FP FN # GS TP FP FN # GS TP FP FN
1 6 6 0 1 4 4 2 0 1 4 3 1
2 6 6 0 2 4 4 2 0 2 6 5 1
3 6 4 1 2 3 4 4 2 0 3 6 6 0
4 6 6 1 0 4 6 2 1 4 4 4 3 1
5 6 6 0 5 6 6 1 0 5 4 4 0
6 4 4 0 6 6 6 2 0 6 4 4 0
7 6 4 1 2 7 4 4 0 7 6 5 1 1
8 6 5 1 8 6 6 2 0 8 4 4 0
9 6 6 1 0 9 6 6 2 0 9 6 5 1
10 6 5 1 10 6 5 2 1 10 4 2 2
11 6 5 1 11 4 2 2 11 4 4 0
12 4 2 2 12 4 4 0 12 6 6 2 0
13 4 4 0 13 4 4 0 13 6 6 2 0
14 4 4 0 14 4 4 0 14 6 3 3
15 4 4 0 15 6 6 0 15 4 2 2
16 4 3 1 16 4 4 1 0 16 4 4 0
17 4 3 1 17 6 5 1 17 4 4 0
18 6 5 1 1 18 6 5 1 18 6 6 1 0
19 6 2 4 19 4 4 0 19 4 4 0
20 4 4 0 20 6 5 1 20 6 4 2
21 4 4 0 21 6 5 1 1 21 6 6 0
22 4 4 0 22 4 4 2 0 22 4 4 0
23 4 4 2 0 23 4 4 0 23 4 4 0
24 6 5 1 24 4 4 0 24 4 3 1
25 4 2 2 25 4 4 0 25 4 4 0
26 4 2 2 26 6 6 0 26 6 6 0
27 4 2 2 27 6 6 0 27 6 6 0
28 4 4 0 28 4 4 0 28 4 4 0
29 6 5 1 29 4 4 0 29 6 4 1 2
30 6 5 1 30 6 6 0 30 4 4 0
31 6 5 1 31 6 5 1 1 31 6 6 1 0
32 4 4 0 32 6 4 2 2 32 6 5 1 1
33 4 4 0 33 4 4 0 33 6 6 1 0
34 4 4 0 34 4 4 0 34 6 6 0
35 4 4 1 0 35 6 5 1 1 35 4 4 0
36 6 4 2 36 6 5 1 1 36 4 4 1 0
37 6 6 0 37 6 6 1 0 37 6 5 1
74
Canny LOG Kirsch
# GS TP FP FN # GS TP FP FN # GS TP FP FN
38 6 6 0 38 4 4 0 38 6 6 0
39 4 4 0 39 4 4 0 39 6 6 0
40 4 4 1 0 40 6 5 1 40 6 6 0
41 6 6 0 41 6 6 2 0 41 4 4 0
42 4 4 0 42 6 6 0 42 4 4 0
43 6 4 2 43 4 4 1 0 43 6 5 1 1
44 6 5 1 44 4 4 0 44 6 5 1 1
45 4 2 2 45 4 4 0 45 6 6 1 0
46 4 4 0 46 4 4 0 46 6 6 0
47 6 5 1 47 6 5 1 47 4 3 1
48 6 6 0 48 6 6 0 48 4 3 1
49 6 5 1 49 6 5 1 1 49 4 4 0
50 4 4 0 50 4 2 1 2 50 6 6 0
51 4 4 0 51 4 4 0 51 6 6 0
52 4 4 0 52 4 4 0 52 4 4 0
53 4 4 0 53 6 5 1 1 53 4 4 0
54 6 5 1 54 6 6 0 54 4 4 0
55 6 4 2 55 4 4 0 55 4 4 0
56 6 6 0 56 4 4 0 56 6 6 1 0
57 6 3 3 57 4 4 0 57 6 6 0
58 6 3 3 58 6 6 0 58 6 6 0
59 4 2 2 59 6 5 1 1 59 4 4 0
60 4 4 2 0 60 6 5 1 1 60 4 4 0
61 4 4 0 61 4 4 1 0 61 6 5 1 1
62 6 6 0 62 4 4 0 62 6 6 1 0
63 6 6 0 63 4 4 0 63 6 6 1 0
64 6 6 0 64 6 5 1 64 6 6 0
65 6 6 0 65 6 5 1 65 6 6 0
66 4 4 0 66 6 5 1 1 66 6 5 1 1
67 6 6 0 67 6 5 1 1 67 6 6 2 0
68 6 5 1 68 4 2 2 68 6 5 1 1
69 6 5 1 69 4 4 0 69 6 6 1 0
70 6 6 0 70 6 6 2 0 70 6 6 0
71 6 6 0 71 6 4 2 2 71 6 6 0
72 4 4 1 0 72 6 5 1 72 6 6 0
73 6 6 0 73 6 6 0 73 4 4 0
74 6 5 1 74 4 4 0 74 6 6 1 0
75 6 5 1 75 6 5 1 1 75 6 6 0
76 6 5 1 76 6 5 1 1 76 6 6 0
77 6 5 1 77 6 5 1 1 77 4 4 0
78 6 5 1 78 6 6 0 78 4 4 0
75
Canny LOG Kirsch
# GS TP FP FN # GS TP FP FN # GS TP FP FN
79 6 6 0 79 4 4 0 79 4 4 0
80 6 6 0 80 4 4 0 80 4 4 0
81 6 5 1 81 4 4 0 81 4 4 0
82 6 5 1 82 6 5 1 82 6 5 1
83 6 5 1 414 377 44 37 83 6 6 0
84 6 5 1 1 84 4 4 0
85 6 5 1 85 4 4 0
86 6 6 0 86 4 4 0
87 6 5 1 87 6 6 2 0
88 6 5 1 88 6 5 1
89 6 6 0 89 6 5 1
90 4 3 1 J 456 427 26 29
91 4 4 0
92 6 5 1
93 6 5 1
94 6 5 1
95 6 5 1 1
500 435 14 65
76