PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN OPERATOR CANNY, KIRSCH & MARR-HILDRETH (LoG) PADA DETEKSI MARKA JALAN

PERBANDINGAN METODE DETEKSI TEPI
MENGGUNAKAN OPERATOR CANNY, KIRSCH & MARR-

HILDRETH (LoG) PADA DETEKSI MARKA JALAN
COMPARISON OF EDGE DETECTION OPERATOR USING

CANNY, KIRSCH & MARR-HILDRETH (LoG) FOR ROAD
MARKING DETECTION
TUGAS AKHIR
Disusun sebagai syarat untuk memperoleh gelar Sarjana Teknik

pada Program Studi S1 Sistem Komputer
Universitas Telkom
oleh:
Kuncoro Triandono Mukti
1103144126
FAKULTAS TEKNIK ELEKTRO

UNIVERSITAS TELKOM
BANDUNG
2018
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
PENGESAHAN TUGAS AKHIR
LEMBAR PENGESAHAN
TUGAS AKHIR
PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN
OPERATOR CANNY, KIRSCH & MARR-HILDRETH (LoG) PADA
DETEKSI MARKA JALAN
COMPARISON OF EDGE DETECTION OPERATOR USING CANNY,

KIRSCH & MARR-HILDRETH (LoG) FOR ROAD MARKING DETECTION
Telah disetujui dan disahkan sebagai Tugas Akhir

Program S1 Sistem Komputer
Fakultas Teknik Elektro
Universitas Telkom
Disusun oleh:
1103144126
Bandung, 09 Juli 2018

Menyetujui,
Pembimbing 1 Pembimbing 2
Ir. Agus Virgono, M.T. Randy Erfa Saputra, S.T., M.T.

NIP : 93660027 NIP : 15870030
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
Nama : Kuncoro Triandono Mukti

NIM : 1103144126
Alamat : Adhyaksa Raya Nomor 5, RT 03/ RW 05, Desa Sukapura,
Bojongsoang, Bandung, Jawa Barat
No.HP : 085795002903
E-mail : kuncoroteem@gmail.com
Menyatakan bahwa Tugas Akhir ini merupakan karya hasil orisinalitas saya
sendiri, dengan judul:
PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN

OPERATOR CANNY, KIRSCH & MARR-HILDRETH (LoG) PADA
DETEKSI MARKA JALAN
COMPARISON OF EDGE DETECTION OPERATOR USING CANNY,
KIRSCH & MARR-HILDRETH (LoG) FOR ROAD MARKING DETECTION
Atas pernyataan ini, saya siap menanggung segala bentuk resiko/sanksi

yang diberikan kepada saya apabila kemudian nanti ditemukan adanya
pelanggaran kejujuran akademik atau etika keilmuan dalam karya ini, atau
ditemukan bukti yang menunjukkan ketidak aslian karya ini.

1103144126
iii
ABSTRAK
Self-driving atau Autonomous driving, Advanced Driving Assistance System

(ADAS) merupakan salah satu topik yang banyak digemari dalam berbagai
penelitian yang berhubungan dengan keamanan kendaraan. Salah satu teknologi
yang sangat berguna pada autonomous driving yaitu deteksi jalur atau lane
detection yang menggunakan marka membujur (e.g. garis putus dan utuh) sebagai
acuan agar kendaraan dapat berjalan tetap pada jalurnya. Berbagai operator pada
deteksi tepi diajukan untuk mendapatkan hasil akurasi deteksi semaksimal
mungkin. Namun, pergerakan marka garis antar frame akan bervariasi tergantung
pada kecepatan kendaraan. Jika sistem gagal mendeteksi marka garis pada
kecepatan tinggi, akan mengakibatkan sistem autonomous driving salah mengambil
keputusan. Pada penelitian ini, akan dilakukan analisis perbandingan kemampuan
operator Canny, Laplacian of Gaussian (Marr-Hildreth) dan Kirsch pada metode
deteksi tepi untuk mendeteksi marka garis putus – putus pada kecepatan yang
bervariasi. Hasil pengujian menunjukan jika seluruh operator berhasil mencapai
target minimum pendeteksian yaitu 80% dan didapatkan operator terbaik untuk
pendeteksian marka garis yaitu Kirsch dengan persentase tertinggi pada kecepatan
30, 50 dan 80 km/jam.
Kata kunci: Deteksi Tepi, Perbandingan, Kecepatan, Garis putus-putus
iv
ABSTRACT
Self-driving or Autonomous driving, Advanced Driving Assistance System (ADAS)

is one of the most popular topics in research related to vehicle safety. One of the
most useful technologies in autonomous driving is lane detection that uses
longitudinal marks (e.g. straight and dashed lines) as a reference to keep the vehicle
running on lane. Various operators on edge detection are proposed to obtain the best
accuracy of lane detection. However, the movement of the line marks between
frames will vary depending on the speed of the vehicle. If the system fails to detect
the line marker at high speed, will cause the autonomous driving system make a
wrong decision. In this final task, we will perform a comparison analysis of Canny,
Laplacian of Gaussian (Marr-Hildreth) and Kirsch's ability on edge detection
methods to detect dashed line marks at varying speeds. The results showed that all
operators succeeded in achieving the minimum detection target of 80% and
obtained the best operators for line marker detection is Kirsch with the highest
percentage at all speeds 30, 50 and 80 km / h.
Keywords: Edge Detection, Comparison, Speed, Dashed Line
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
LEMBAR PENGESAHAN .................................................................................... ii

LEMBAR ORISINALITAS .................................................................................. iii
ABSTRAK ............................................................................................................. iv
ABSTRACT ............................................................................................................ v
KATA PENGANTAR ........................................................................................... vi
UCAPAN TERIMA KASIH ................................................................................. vii
DAFTAR ISI ........................................................................................................ viii
DAFTAR GAMBAR .............................................................................................. x
DAFTAR TABEL .................................................................................................. xi
DAFTAR ISTILAH .............................................................................................. xii
BAB I PENDAHULUAN ..................................................................................... 1
1.1. Latar Belakang ......................................................................................... 1
1.2. Tujuan ....................................................................................................... 2
1.3. Rumusan Masalah .................................................................................... 2
1.4. Batasan Masalah ....................................................................................... 2
1.5. Metodologi Penyelesaian Masalah ........................................................... 3
1.6. Sistematika Penulisan ............................................................................... 4
BAB II DASAR TEORI ......................................................................................... 5
2.1. Tinjauan Pustaka ...................................................................................... 5
2.2. Landasan Teori ......................................................................................... 6
BAB III PERANCANGAN DAN IMPLEMENTASI .......................................... 10
3.1. Deskripsi Umum Sistem ............................................................................ 10
3.3.2. Perancangan Posisi Kamera ................................................................ 11
3.3.3. Pengambilan Data Uji ......................................................................... 12
3.4. Perancangan Sistem Pendeteksian Marka .................................................. 14
3.4.1. Sistem Pendeteksian ............................................................................ 14
3.4.2. Modifikasi Sistem Pendeteksian ......................................................... 15
3.5. Perancangan Pengujian Sistem Deteksi ..................................................... 16
3.6. Perancangan dan Realisasi Tampilan Aplikasi .......................................... 18
3.6.1. Perancangan Tampilan Aplikasi ......................................................... 18
3.6.2. Realisasi Tampilan Aplikasi ............................................................... 20
BAB IV PENGUJIAN DAN ANALISIS ............................................................. 21
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
4.2.2. Cara Pengujian ................................................................................ 38
4.2.3. Hasil Pengujian ............................................................................... 39
4.3. Pengujian Toolbox ................................................................................. 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
4.4.2. Cara Pengujian ................................................................................ 59
4.4.3. Hasil Pengujian ............................................................................... 59
BAB V KESIMPULAN DAN SARAN ................................................................ 63
DAFTAR PUSTAKA .......................................................................................... 64
LAMPIRAN A Hasil pengujian Toolbox dan Resolusi ........................................ 67
ix
DAFTAR GAMBAR
Gambar 2.1. Algoritma Pendeteksian ..................................................................... 6

Gambar 3.2. Blok diagram gambaran umum sistem ............................................. 10
Gambar 3.3. Posisi pemasangan kamera. a) Tampak dalam, b) Tampak depan ... 11
Gambar3.4. Posisi kemiringan kamera ................................................................. 11
Gambar 3.5. Dimulai dari sebelah kiri, a) peta lokasi, b) area 30 km/j, c) area 50
& 80 km/j .............................................................................................................. 12
Gambar 3.6. Posisi pemasangan kamera. a) Tampak dalam, b) Tampak samping 12
Gambar 3.7. Posisi kemiringan kamera ................................................................ 13
Gambar 3.8. Hasil pengambilan data uji ............................................................... 13
Gambar 3.9. Pengukuran panjang garis dan jarak antar garis ............................... 13
Gambar 3.10. Diagram alur sistem pendeteksian.................................................. 14
Gambar 3.11. Ilustrasi garis yang terdeteksi. ........................................................ 15
Gambar 3.12. Diagram alur proses modifikasi algoritma pendeteksian ............... 15
Gambar 3.13. Rancangan awal modifikasi algortima pendeteksian ..................... 16
Gambar 3.14. Rancangan proses ROI. a) Simpul, b) Penerapan ROI .................. 16
Gambar 3.15. Ilustrasi permasalahan dan solusi perhitungan ............................... 18
Gambar 3.16. Antarmuka halaman awal ............................................................... 18
Gambar 3.17. Tampilan antarmuka aplikasi ......................................................... 20
Gambar 4.1. Perbandingan hasil pendeteksian antar operator .............................. 33
Gambar 4.2. Hasil deteksi tepi frame ke-5 dan voting transformasi hough .......... 34
Gambar 4.3. Ruang hough (hough space) ............................................................. 35
Gambar 4.4. Koordinat garis hasil transformasi hough ........................................ 35
Gambar 4.5. Perbandingan waktu komputasi ....................................................... 36
Gambar 4.6. Perbandingan operator...................................................................... 51
Gambar 4.7. Perbandingan hasil pendeteksian ..................................................... 52
Gambar 4.8. Perbandingan hasil pendeteksian ..................................................... 53
Gambar 4.9. Perbandingan wkatu eksekusi .......................................................... 54
Gambar 4.10. Perbandingan akurasi operator pada resolusi 180p & 450p ........... 60
Gambar 4.11. Perbandingan hasil ekstraksi tepi pada resolusi 320x180 piksel ... 61
Gambar 4.12. Perbandingan waktu komputasi pada resolusi ............................... 61
x
DAFTAR TABEL
Tabel 4.1. Perbandingan hasil pengujian sistem pendeteksian ............................. 22

Tabel 4.2. Pengujian operator canny pada kecepatan 30 km/j .............................. 22
Tabel 4.5. Pengujian operator marr-hildreth (LOG) pada kecepatan 30 km/j ...... 26
Tabel 4.8. Pengujian operator Kirsch pada kecepatan 30 km/j ............................. 30
Tabel 4.9. Pengujian operator Kirsch pada kecepatan 50 km/j ............................. 32
Tabel 4.10. Pengujian operator Kirsch pada kecepatan 80 km/j ........................... 32
Tabel 4.11. Catatan waktu komputasi ................................................................... 36
Tabel 4.12. Jumlah tepi hasi deteksi tepi .............................................................. 37
Tabel 4.13. Perbandingan hasil pengujian ............................................................ 39
Tabel 4.14. Pengujian operator canny pada kecepatan 30 km/j ............................ 39
Tabel 4.17. Pengujian operator LOG pada kecepatan 30 km/j ............................. 42
Tabel 18. Pengujian operator LOG pada kecepatan 50 km/j ................................ 44
Tabel 4.19. Pengujian operator LOG pada kecepatan 80 km/j ............................. 46
Tabel 4.20. Pengujian operator kirsch pada kecepatan 30 km/jam ....................... 46
Tabel 4.21. Pengujian operator kirsch pada kecepatan 50 km/j ............................ 49
Tabel 4.22. Pengujian operator kirsch pada kecepatan 80 km/j ............................ 50
Tabel 23. Perbandingan waktu komputasi setiap operator.................................... 54
Tabel 4.24. Jumlah tepi hasi deteksi tepi .............................................................. 55
Tabel 4.25. Hasil pengujian toolbox operator Canny ........................................... 57
Tabel 4.26. Hasil pengujian toolbox Operator LOG ............................................. 57
Tabel 4.27. Hasil pengujian toolbox Operator Kirsch .......................................... 57
Tabel 4.28. Ringkasan kesalahan deteksi operator canny toolbox MATLAB ...... 58
Tabel 4.29. Hasil pengujian resolusi ..................................................................... 59
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
1.1. Latar Belakang
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.
Tujuan utama penelitian – penelitian sebelumnya terfokus pada dua topik

[11]. Salah satunya adalah pendeteksian jalur secara efektif menggunakan berbagai
metode pengolahan citra, seperti metode yang digunakan pada penelitian [1-4], [8],
[9] yaitu edge detection. Berbagai operator pada edge detection diajukan untuk
mendapatkan hasil akurasi deteksi semaksimal mungkin. Namun, pergerakan
marka garis antar frame akan bervariasi tergantung pada kecepatan kendaraan.
Tidak seperti garis utuh, garis putus – putus akan terlihat menyatu saat kecepatan
kendaraan semakin tinggi. Pada penelitian [11] metode yang diajukan mendapatkan
akurasi sebesar 96.84% pada kecepatan [5-45] km/jam. Sedangkan pada penelitian
[1-2], [4-5], [7-10], [12-17] tidak ada yang menjelaskan pada kecepatan berapa
metode diuji, pada kasus tertentu mungkin saat kecepatan 45 km/jam akurasi lane
detection mencapai 90% tetapi pada kecepatan 80 km/jam metode yang diajukan
belum tentu dapat mendeteksi marka garis tersebut. Jika sistem gagal mendeteksi
marka tersebut pada kecepatan tinggi, akan mengakibatkan sistem autonomous
driving salah mengambil keputusan.
Perancangan sistem untuk membandingkan operator edge detection

berdasarkan kecepatan kendaraan dapat dilakukan untuk menganalisis dan
mengetahui kemampuan setiap operator saat mendeteksi marka garis putus – putus
pada kecepatan yang bervariasi.
1
1.2. Tujuan
Tujuan pada penelitian ini yaitu melakukan simulasi untuk menganalisis

kemampuan pada operator Canny, Marr-Hildreth dan Kirsch pada edge detection
untuk mendeteksi marka garis putus – putus pada kecepatan kendaraan yang
bervariasi, dengan persyaratan hasil deteksi dapat memenuhi standar untuk
memberikan informasi pada pengendara dengan persentase marka yang terdeteksi
mencapai 80%.
1.3. Rumusan Masalah
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?
1.4. Batasan Masalah
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.
1.5. Metodologi Penyelesaian Masalah
Untuk memberikan gambaran dalam proses penyelesaian tugas akhir ini.

Berikut merupakan tahapan yang akan dilakukan:
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 II TINJAUAN PUSTAKA DAN LANDASAN TEORI
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 III PERANCANGAN SISTEM
Bab ini terdiri dari deskripsi umum sistem, kebutuhan pendukung sistem,
pembahasan mengenai sistem pendeteksian jalur, implementasi metode dan
spesifikasi sistem.
BAB IV PENGUJIAN DAN ANALISIS
Bab ini berisi tentang cara pengujian sistem dan hasil dari pengujian akan
dilakukan Analisa, hasil Analisa akan dibuat kesimpulannya.
BAB V KESIMPULAN DAN SARAN
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
2.1. Tinjauan Pustaka
Penelitian mengenai perbandingan deteksi jalur atau lane detection

menggunakan metode deteksi tepi pernah dilakukan, Pada penelitian [1-10]
metode-metode yang digunakan berdasarkan metode deteksi jalur tradisional atau
umum hanya saja setiap peneliti melakukan beberapa modifikasi guna mendapatkan
hasil yang diinginkan. Pada penelitian [7], Peneliti menggunakan metode umum
tanpa dilakukan modifikasi dikarenakan penelitian ini didasari oleh pencarian
operator yang paling optimum dengan waktu operasi yang cepat dan persentase
pendeteksian tertinggi dengan melakukan perbandingan antara operator Robert,
Prewitt, Sobel dan Canny. Pada umumnya metode umum menggunakan beberapa
Teknik pengolahan citra diantaranya konversi citra ke grayscale, noise reduction,
deteksi tepi, hough transform. Sedangkan pada penelitian [2], [12], [15], [16]
dilakukan modifikasi dengan tambahan teknik Region of Interest (ROI), teknik ini
sangat berguna untuk deteksi jalur secara real-time karena dengan teknik ini proses
pengolahan citra hanya akan dilakukan pada bagian yang dipilih saja.
Pengujian yang dilakukan oleh penelitian terdahulu tidak seluruhnya sama,

pada penelitian [15] sistem diuji dengan cara menghitung jumlah frame yang dapat
dideteksi saja. Sedangkan pada penelitian [5], [7] dan [16] menggunakan parameter
yang disebut dengan True Positive (TP) yang merupakan jumlah seluruh garis
aktual yang terdeteksi, False Positive (FP) yaitu garis terdeteksi tetapi bukan garis
aktual, False Negative (FN) yaitu garis aktual yang tidak terdeteksi. Dari parameter
berikut tingkat persentasi deteksi dihitung menggunakan formula Recall yaitu
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒
dimana N merupakan total garis aktual.
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒+𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒
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.
2.2. Landasan Teori
2.2.1. Deteksi Jalur (Lane Detection)
Lane detection dapat dilakukan dengan berbagai

macam metode, metode umum yang sering digunakan
untuk mendeteksi jalur yaitu mengambil citra jalan
dengan bantuan kamera yang dipasang diluar atau
didalam kendaraan. Kemudian dilakukan preprocessing
untuk mengubah mode warna pada citra grayscale,
tahap ini bertujuan untuk mengurangi waktu
pemrosesan. Apabila citra tidak diubah ke grayscale
maka sistem akan mengolah 3 channel warna keabuan
pada citra yaitu (R) merah, (G) hijau dan (B) Biru yang
menyebabkan proses memakan waktu yang lebih lama.
Jika citra yang akan diolah memiliki derau (noise) maka
akan membuat gambar menjadi tidak jelas dan
menghalangi tepi yang sebenarnya pada citra. Oleh
karena itu, akan diterapkan filter smoothing seperti
gaussian, median, mean, dsb untuk mengurangi derau
pada gambar. Kemudian akan dilakukan pemindaian
tepi menggunakan edge detection dan mengubah citra
menjadi binary atau hitam putih. Setelah itu akan
dilakukan pemindaian batas jalur pada citra
menggunakan hough transform. Dan menghasilkan
garis batas pada jalur lalu manampilkannya lagi pada
Gambar 2.1. Algoritma
citra awal dengan mewarnai marka garis yang terdeteksi. Pendeteksian
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.
2.2.2.1. Operator Canny
Dikembangkan oleh John F. Canny pada tahun 1986 dan menggunakan

algoritma multi-tahap untuk mendeteksi berbagai tepi dalam gambar. Algoritma ini
memiliki beberapa tahap, yaitu:
1. Hysteresis Thresholding,
2. Kalkulasi Gradasi
3. Nonmaximum Suppression
4. Thresholding Hysteresis
2.2.2.2. Operator Laplacian of Gaussian
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:
Gambar 2.2. Matriks 5x5 LOG
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
Operator Kirsch adalah salah satu algoritma yang digunakan dalam

mendeteksi tepi pada saat proses pengolahan citra. Algoritma ini akan melakukan
perhitungan perkiraan gradien dari intensitas sebuah citra. Operator ini
menggunakan sebuah kernel yang dirotasi sebanyak 45 derajat sebanyak 8 kali
sesuai arah mata angin / kompas, yaitu dengan urutan utara, barat laut, barat, barat
daya, selatan, tenggara, timur, dan timur laut
Nilai magnitude kemudian dihitung dengan mencari nilai maksimum pada setiap
arah.
2.2.4. Hough Transform
Hough Transform merupakan metode yang digunakan untuk mencari objek

berbentuk garis pada citra yang telah diproses menggunakan operator edge
detection. Transformasi Hough menggunakan pemungutan suara terbanyak (voting)
untuk menentukan nilai parameter yang tepat seperti contoh pada gambar 2.3.
Gambar 2.3 contoh perhitungan hough transform
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.
Pada gambar 2.4 dapat dilihat bahwa

semua titik memiliki nilai yang hampir
sama pada saat 𝜃 = 60°, dengan nilai 𝜌
berturut-turut (81.2, 80.5, 80.6), maka
garis yang sebenarnya berada di sudut 60°
dikarenakan sudut tersebut memiliki
voting posisi titik yang paling banyak.
Gambar 2.4. kurva hasil perhitungan hough transform
2.2.5. Region of Interest (ROI)

Region of interest merupakan
suatu bagian dari citra yang dipilih untuk
kemudian diproses. Daerah tersebut
dibedakan dengan menggunakan
klasifikasi dan masking. Jika piksel pada
mask tidak sama dengan 0, maka
pemrosesan citra dilakukan, sebaliknya Gambar 2.5. Region of Interest
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
3.1. Deskripsi Umum Sistem
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.
Gambar 3.2. Blok diagram gambaran umum sistem
Masukkan berupa citra digital atau video direkam menggunakan sebuah

kamera yang dipasang pada bagian kaca depan mobil dengan sudut pandang dan
pemasangan yang akan dibahas lebih rinci pada sub bab 3.3. Setelah mendapatkan
video maka akan dilakukan tahap pengolahan citra yang akan dijelaskan pada sub
bab 3.4. keluaran dari tahap pengolahan citra akan berupa kumpuluan citra dengan
hasil deteksi marka yang ditandai dengan garis berwarna serta hasil analisa
pendeteksian.
3.3. Perancangan dan Pengambilan Data Uji
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
Tempat/Lokasi Toll / Jalan Raya

Cuaca Cerah
Kecepatan (km/jam) 30 50 80
Resolusi 320 x 180 px 800 x 450 px
Camera Action Cam
FOV (Field of View) ±120º
3.3.2. Perancangan Posisi Kamera
Gambar 3.3. Posisi pemasangan kamera. a) Tampak dalam, b) Tampak depan
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.
Gambar3.4. Posisi kemiringan kamera
11
3.3.3. Pengambilan Data Uji
Gambar 3.5. Dimulai dari sebelah kiri,

a) peta lokasi, b) area 30 km/j, c) area 50 & 80 km/j
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.
Gambar 3.6. Posisi pemasangan kamera. a) Tampak dalam, b) Tampak samping
Untuk mengurangi pengambilan objek yang tidak diperlukan seperti cap

mobil kamera akan dimiringkan keatas sebesar ±3,9° jika kamera dimiringkan
kebawah sebesar ±15° seperti perancangan pada sub bab sebelumnya akan
membuat cap mobil masuk kedalam frame dan mengurangi garis marka yang
terlihat.
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.
Gambar 3.8. 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.
Gambar 3.9. Pengukuran panjang garis dan jarak antar garis
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.
Gambar 3.10. Diagram alur sistem pendeteksian
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)
Noise reduction digunakan untuk menghilangkan derau pada citra agar

mengurangi tingkat kesalahan deteksi marka pada piksel yang memiliki internsitas
tinggi dibandingkan piksel tetangganya, filter yang akan digunakan yaitu median
filter dengan pengaturan kernel bawaan MATLAB yang berukuran 3x3.
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.
Pada proses Hough Transform (HT) nilai insialisasi akan disesuaikan

berdasarkan hasil deteksi tepi. Hasil dari proses HT ini yaitu posisi marka pada citra
yang akan direpresentasikan dengan garis berwarna, marka garis yang terdeteksi
akan memiliki 2 sisi seperti yang ditampilkan pada gambar 3.10 oleh karena itu
tahap voting akan dibatasi menjadi 4 (1 untuk sisi kiri marka garis kiri, 1 sisi kanan
marka garis kiri, 1 sisi kiri marka garis kanan dan 1 sisi kiri marka garis kanan) jika
sistem dapat mendeteksi salah satu atau kedua sisi maka garis itu dianggap
terdeteksi.
Gambar 3.11. Ilustrasi garis yang terdeteksi.
3.4.2. Modifikasi Sistem Pendeteksian
Pada bagian ini akan dijelaskan perancangan terhadap tahap modifikasi

algoritma pendeteksian umum jika tidak dapat mencapai target yang telah
ditentukan. Proses modifikasi algoritma pendeteksian ditampilkan pada diagram
alur yang terdapat pada gambar 3.11.
Gambar 3.12. Diagram alur proses modifikasi algoritma pendeteksian
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.
Gambar 3.13. Rancangan awal modifikasi algortima pendeteksian
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.
Gambar 3.14. Rancangan proses ROI. a) Simpul, b) Penerapan ROI
3.5. Perancangan Pengujian Sistem Deteksi
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:
▪ Precision: Tingkat ketepatan antara marka garis yang terdeteksi dengan

marka garis sebenarnya (%)
▪ Recall: Tingkat keberhasilan sistem dalam mendeteksi marka garis (%)
▪ TP: Jumlah deteksi yang benar
▪ FP: Jumlah deteksi yang salah
▪ FN: Jumlah objek (marka garis) yang tidak terdeteksi
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.
(a). Gambar yang tertangkap (b). Garis mulai tidak terlihat
17
(d). Hasil yang akan dihitung
(c). Solusi
Gambar 3.15. Ilustrasi permasalahan dan solusi perhitungan
Berdasarkan gambar 3.14, marka terdeteksi yang akan dihitung pada 1

frame hanya yang berada dibagian bawah garis merah saja. Pada gambar 3.14.c
marka yang berada dibawah garis merah terdapat 3 pasang atau 6 buah garis. Oleh
karena itu jarak pendeteksian sistem marka dapat dihitung dimana 1 garis memiliki
jarak 3,08 meter dan 1 gap memiliki jarak 4,67 meter, maka 3 x 3,08 = 9,24 meter
dan 2 x 4.68 = 9,36 meter jadi sistem pendeteksian dapat mendeteksi marka sejauh
18,6 meter.
3.6. Perancangan dan Realisasi Tampilan Aplikasi

3.6.1. Perancangan Tampilan Aplikasi
Pada tahap ini akan dilakukan pembuatan antarmuka aplikasi yang
bertujuan untuk memudahkan pengujian. Perancangan tampilan dapat dilihat pada
gambar 3.12.
Gambar 3.16. Antarmuka halaman awal
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.
Tabel 3 2. Fungsi tombol pada halaman awal
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
3.6.2. Realisasi Tampilan Aplikasi

Sesuai dengan tampilan yang telah dirancang antarmuka aplikasi dibuat
menggunakan GUIDE pada MATLAB yang ditampilkan pada gambar 4.16.
Gambar 3.17. Tampilan antarmuka aplikasi
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.
4.1.Pengujian Sistem Pendeteksian

4.1.1. Tujuan Pengujian
Pengujian ini dilakukan untuk mengetahui apakah sistem mampu mencapai

persentase deteksi hingga 80%. Jika sistem pendeteksian tidak dapat mencapai
target maka sesuai dengan rancangan pada bab sebelumnya, akan dilakukan
modifikasi pada sistem pendeteksiandan dan pengujian.
4.1.2. Cara Pengujian
Pengujian ini dilakukan dengan cara simulasi secara real-time, simulasi

dilakukan dengan cara memutar video jalanan yang telah didapatkan pada aplikasi
SparkoCam Video yang berguna untuk menggantikan kamera laptop, selanjutnya
sistem akan membaca adaptor SparkoCam video sebagai kamera laptop jika kamera
dijalankan maka kamera akan menampilkan video jalanan seakan sedang merekem
jalanan pada video tersebut.
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.
4.1.3. Hasil Pengujian
Hasil pengujian dibagi menjadi 3 bagian yaitu hasil pengujian untuk

operator Canny, operator LOG dan operator Kirsch. Hasil pengujian seluruh
operator ditampilkan pada tabel 4.1. Analisis akan dijelaskan pada sub bab 4.1.4.
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
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).
Tabel 4.2. Pengujian operator canny pada kecepatan 30 km/j
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
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
20 4 0 0 4
21 6 0 0 6
Jumlah 114 14 2 100
50 km/j
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
11 4 0 1 4
12 4 1 1 3
13 6 1 1 5
Jumlah 66 4 7 62
80 km/j
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)
terdeteksi (FN).
Tabel 4.5. Pengujian operator marr-hildreth (LOG) pada kecepatan 30 km/j
30 km/j
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
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
24 6 0 2 6
25 6 0 1 6
26 4 0 2 4
Jumlah 140 0 50 140
50km/j
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
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
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
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
terdeteksi (FN).
Tabel 4.8. Pengujian operator Kirsch pada kecepatan 30 km/j
30km/j
1 4 0 4 4
2 6 0 4 6
3 6 0 4 6
4 6 0 4 6
30
30 km/j
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
50km/j
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
1 6 0 4 6
32
80 km/j
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
4.1.4. Analisis Hasil Pengujian
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
Canny LOG Kirsch Target
Gambar 4.1. Perbandingan hasil pendeteksian antar operator
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.
(a) Deteksi tepi Canny (d) Hasil voting Canny
(b) Deteksi tepi LOG (e) Hasil voting LOG
(c) Deteksi tepi Kirsch (f) Hasil voting Kirsch
Gambar 4.2. Hasil deteksi tepi frame ke-5 dan voting transformasi hough
Hasil analisis diatas didapatkan berdasarkan hasil pengujian yang

dilakukan pada gambar 4.2.a sampai dengan 4.2.c, jika dilakukan transformasi
hough pada gambar 4.2.a maka akan didapatkan ruang hough (hough space)
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.
Gambar 4.3. Ruang hough (hough space)
Selanjutnya akan dilakukan pencarian garis pada koordinat (θ, ρ) yang

telah didapatkan hasil koordinat garis ditampilkan pada gambar 4.4. koordinat
tersebut jika direpresentasikan pada gambar 4.2.a akan menghasilkan gambar
seperti yang ditampilkan pada gambar 4.2.d. Analisis yang sama dilakukan lagi
pada gambar 4.2.b dan 4.2.c dan menghasilkan citra keluaran pada gambar 4.2.e
dan 4.2.f.
Gambar 4.4. Koordinat garis hasil transformasi hough
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%
0% 20% 40% 60% 80% 100%

Persentase (%)
Kirsch LOG Canny
Gambar 4.5. Perbandingan waktu komputasi
Grafik pada gambar 4.5 menampilkan perbandingan waktu komputasi

per frame dimana operator Kirsch memiliki waktu komputasi terlama, jika
dibandingkan dengan operator lainnya Canny lebih cepat 23,08% dan LOG
37,09%. Penyebab perbedaan waktu ini dapat dilihat pada tabel 4.11 yang
menampilkan catatan waktu komputasi pada setiap tahap pengolahan.
Tabel 4.11. Catatan waktu komputasi
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
Total Waktu 0,559 0,4584 0,6355
Belum ada penelitian ataupun buku yang secara langsung

membandingkan waktu komputasi antara ketiga operator ini oleh karena itu
berdasarkan catatan waktu diatas didapatkan kesimpulan waktu komputasi
tercepat jika dilihat dari keseluruhan sistem adalah LOG, Canny dan Kirsch
tetapi jika diurutkan berdasarkan waktu komputasi operator, Kirsch memiliki
waktu komputasi tercepat. Lambatnya waktu eksekusi Kirsch disebabkan oleh
transformasi hough yang memakan waktu cukup banyak.
Tabel 4.12. Jumlah tepi hasi deteksi tepi
Operator Citra Keluaran Jumlah Piksel Putih
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.
4.2.Pengujian Modifikasi Sistem Pendeteksian

Pengujian ini dilakukan untuk mengetahui apakah sistem pendeteksian yang

telah dimodifikasi mampu mencapai persentase deteksi hingga 80%.
Pengujian ini dilakukan dengan cara simulasi secara real-time, simulasi

dilakukan dengan cara memutar video jalanan yang telah didapatkan pada aplikasi
SparkoCam Video yang berguna untuk menggantikan kamera laptop, selanjutnya
sistem akan membaca adaptor SparkoCam video sebagai kamera laptop jika kamera
dijalankan maka kamera akan menampilkan video jalanan seakan sedang merekem
jalanan pada video tersebut.
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.

operator Canny, operator LOG dan operator Kirsch, hasil pengujian seluruh
operator ditampilkan pada tabel 4.13. Analisis hasil pengujian akan dijelaskan pada
sub bab 4.2.4.
Tabel 4.13. Perbandingan hasil pengujian sistem setelah modifikasi
Waktu
Frame Garis Garis Recall Precision
km/j Op. TP FP FN Proses
Terdeteksi sebenarnya terdeteksi (%) (%)
(detik/frame)
Canny 20 115 111 101 10 14 87,8% 91,0% 0,8509

30 LOG 24 135 129 129 0 6 95,6% 100% 0,6974
Kirsch 29 164 160 159 1 5 97% 99,4% 0,5781
Canny 12 66 66 56 10 10 84,8% 84,8% 0,8336
50 LOG 15 88 81 78 3 10 88,6% 96,3% 0,6685
Kirsch 17 102 101 97 4 5 95,1% 96,0% 0,5775
Canny 8 46 37 35 2 11 76,1% 94,6% 0,8409
80 LOG 9 48 40 40 0 8 83,3% 100% 0,6884
Kirsch 11 56 51 50 1 6 89,3% 98,0% 0,5711
a. Operator Canny
30 km/j
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
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
20 6 4 0 2
Jumlah 115 101 10 14
50 km/j
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
12 4 4 0 0
Jumlah 66 56 10 10
80 km/j
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
b. Operator Marr-Hildreth (LOG)

Tabel 4.17. Pengujian operator LOG pada kecepatan 30 km/j
30 km/j
1 4 4 0 0
42
30 km/j
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
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
Jumlah 135 129 0 6
Tabel 18. Pengujian operator LOG pada kecepatan 50 km/j
50 km/j
1 6 6 0 0
2 6 4 0 2
3 6 6 0 0
44
50km/j
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
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
1 4 4 0 0
2 6 6 0 0
3 4 4 0 0
46
30 km/j
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
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
Jumlah 164 159 1 5
48
Tabel 4.21. Pengujian operator kirsch pada kecepatan 50 km/j
50 km/j
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
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
Tabel 4.22. Pengujian operator kirsch pada kecepatan 80 km/j
80 km/j
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
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

Pada bagian ini akan dilakukan analisis berdasarkan hasil pengujian yang
telah ditampilkan pada tabel 4.13. 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 pada setiap operator.
a. Hasil Pendeteksian
LOG Kirsch Kirsch

Canny 96% 97% Canny LOG 95% LOG
Kirsch
100% 88% 85% 89% Canny 89%
83%
76%
80%
Akurasi
60%
40%
20%
0%
30 km/jam 50 km/jam 80 km/jam
Gambar 4.6. Perbandingan operator
Berbeda dengan sistem pendeteksian sebelumnya, dilakukan beberapa

modifikasi pada algoritma pendeteksian yaitu peningkatan kontras, pencarian
piksel putih dan Region of Interest (ROI) yang digunakan untuk membatasi
area pengolahan transformasi hough pada area jalanan saja, dapat dilihat pada
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.
(a) Sebelum dimodifikasi (b) Setelah Modifikasi
Gambar 4.7. Perbandingan hasil pendeteksian
Pada grafik perbandingan hasil deteksi, operator canny berhasil

mendeteksi 88% pada 30 km/jam, 85% pada 50 km/jam dan 76% pada 80
km/jam sedangkan operator LOG berhasil mendeteksi 96% pada keccepatan
30 km/jam, 89% pada 50 km/jam dan 83% pada 80 km/jam lalu operator Kirsch
memiliki hasil tertinggi pada seluruh kecepatan yaitu 97% pada kecepatan 30
km/jam, 95% pada 50 km/jam dan 89% pada kecepatan 80 km/jam. Semua
operator mencapat target minimum pendeteksian kecuali operator canny pada
kecepatan 80 km/jam, pada kecepatan 80 km/jam operator Canny hanya dapat
mendeteksi 76% dari total marka garis hasil ini membuat canny tidak
memenuhi target minimum pendeteksian, berdasarkan teori operator canny
memiliki kelebihan yaitu menghasilkan tingkat kesalahan tepi yang rendah dan
hanya memberikan satu tanggapan untuk satu tepi sedangkan operator LOG
memiliki kelebihan tidak terpengaruh oleh derau dan operator Kirsch
menghasilkan tepi dari 8 arah mata angin yang mengakibatkan hasil deteksi
terlalu tebal [18].
52
(a) Canny (b) LOG (c) Kirsch
Gambar 4.8. Perbandingan hasil pendeteksian
Dapat dilihat pada gambar 4.8, hasil ekstraksi tepi masing-masing

operator sesuai dengan teori diatas, jika dibandingkan secara visual hasil
pendeteksian Canny, LOG dan Kirsch terlihat hampir sama, namun dengan
menggunakan syntax nnz(edge_detection) dapat diketahui jumlah piksel tepi
pada suatu citra, operator Canny menghasilkan ekstraksi tepi sebanyak 494
piksel, operator LOG sebanyak 575 dan Kirsch sebanyak 1100, dengan jumlah
tepi yang lebih sedikit dari pada operator lain Canny dapat mengekstraksi tepi
pada marka garis yang pudar sedangkan operator LOG menghasilkan deteksi
tepi yang salah pada marka garis pudar dan operator Kirsch menghasilkan tepi
yang hampir menutupi marka garis.
Dapat dilihat pada tabel hasil pengujian 4.15, penyebab kecilnya hasil
pendeteksian Canny disebabkan oleh kelebihannya menghasilkan tepi yang
sangat tipis dengan tingkat kesalahan yang kecil walaupun hasil deteksi tepinya
sangat baik tetapi pada kecepatan 80 km/jam marka garis terakhir (garis yang
bersilangan dengan garis batas berwarna merah) pada semua frame tidak
dianggap sebagai objek garis oleh transformasi hough sedangkan hasil deteksi
tepi LOG dan Kirsch yang hampir menutupi marka garis dianggap sebagai garis.
Hasil pengujian ini sesuai dengan teori yang mengatakan berbagai teknik deteksi
tepi bekerja dengan cara yang berbeda, masing-masing memiliki kelebihan
(crane, 1997) itulah sebabnya eksperimen pada suatu aplikasi dengan
menggunakan berbagai teknik deteksi tepi perlu dilakukan untuk mendapatkan
hasil (operator) yang terbaik [18].
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%
0% 20% 40% 60% 80% 100%

Persentase (%)
Kirsch LOG Canny
Gambar 4.9. Perbandingan wkatu eksekusi
Dapat dilihat pada grafik perbandingan waktu komputasi yang

ditampilkan pada gambar 4.9, waktu komputasi keseluruhan sistem yang telah
dimodifikasi memiliki urutan waktu komputasi operator tercepat sesuai dengan
hasil analisis pada sub bab 4.1.5.b yaitu Kirsch, Log dan Canny. Jika
dibandingkan dengan operator Canny, Untuk mengolah 1 frame operator Kirsch
menghabiskan waktu lebih cepat 32% dan operator LOG lebih cepat 18%. Untuk
mengetahui lebih detail perbedaan waktu komputasi antara ketiga operator dapat
dilihat pada tabel 4.23.
Tabel 23. Perbandingan waktu komputasi setiap operator
Waktu komputasi
Tahap
(detik)
Konversi ke Skala Abu 0,0009
Peningkatan Kontras 0,0126
Mencari piksel putih 0,0178
Canny LOG Kirsch

Deteksi Tepi
0.4855 0,3909 0,2683
Region of Interest (ROI) 0,0061 0,0061 0,0061
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
Operator Citra Keluaran Jumlah Piksel Putih
Canny 494
LOG 575
Kirsch 1100
Berdasarkan analisis diatas dapat diketahui jika waktu komputasi

keseluruhan sistem dipengaruhi oleh waktu komputasi transformasi hough yang
bergantung pada banyaknya tepi (piksel) yang terekstrak, jika waktu komputasi
55
per piksel transformasi hough dapat dihitung menggunakan perhitungan
𝑤𝑎𝑘𝑡𝑢 𝑒𝑘𝑠𝑒𝑘𝑢𝑠𝑖 ℎ𝑜𝑢𝑔ℎ
maka bertambahnya 1 piksel tepi yang terdeteksi akan
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑖𝑘𝑠𝑒𝑙 𝑡𝑒𝑟𝑑𝑒𝑡𝑒𝑘𝑠𝑖
menambah waktu proses sekitar ± 0,00000676 detik dari keseluruhan waktu

komputasi sistem. Jika diurutkan berdasarkan waktu komputasi operator tercepat
maka Kirsch menempati posisi pertama, LOG posisi kedua dan Canny diposisi
terakhir.
4.3.Pengujian Toolbox
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.
Sistem setelah dimodifikasi akan digunakan pada pengujian ini, setiap

toolbox diberikan nilai inisialisasi yang sama pada tahap preprocessing hingga
transformasi Hough. Nilai yang akan dibandingkan yaitu waktu komputasi dan
Recall. Pengujian dilakukan saat kecepatan kendaraan 30, 50 dan 80 km/jam
dengan jarak 147.4 meter. Video data uji memiliki spesifikasi sebagai berikut,
resolusi 800x450 piksel dengan 30 fps.

operator Canny, operator LOG dan operator Kirsch, dikarenakan banyaknya
gambar pada hasil pengujian maka gambar hasil pengujian setiap toolbox dapat
dilihat pada bagian lampiran.
56
Tabel 4.25. Hasil pengujian toolbox operator Canny
Rata-rata
km/j Toolbox Frame Terdeteksi Recall (%) Precission (%)
Waktu Proses (detik/frame)
MATLAB 63 89,8% 99,7% 0,2173

30
Manual 20 87,8% 91% 0,8509
MATLAB 35 87,1% 98,3% 0,2705
50
Manual 12 84,8% 84,8% 0,8336
MATLAB 22 84,5% 100,0% 0,263
80
Manual 8 76,1% 98% 0,8409
Tabel 4.26. Hasil pengujian toolbox Operator LOG
Rata-rata
MATLAB 47 87,6% 99,6% 0,3574

30
Manual 24 95,6% 100,0% 0,6974
MATLAB 22 88,3% 97,4% 0,4294
50
Manual 15 88,6% 96,3% 0,6685
MATLAB 14 86,8% 100,0% 0,4335
80
Manual 9 83,3% 100,0% 0,6884
Tabel 4.27. Hasil pengujian toolbox Operator Kirsch
Rata-rata
MATLAB 50 99,3% 97,9% 0.3322

30
Manual 29 97,0% 99,4% 0,5781
MATLAB 31 97,1% 97,1% 0,311
50
Manual 17 95,1% 96,0% 0,5775
MATLAB 19 94,7% 98,9% 0,3241
80
Manual 11 89,3% 98,0% 0,5711
4.3.4. Analisa Hasil Pengujian
Hasil pengujian menunjukan jika toolbox MATLAB menghasilkan

persentase deteksi yang lebih baik dibandingkan toolbox manual, pada setiap
pengujian yang dilakukan toolbox MATLAB lebih unggul dari segi waktu
komputasi dan hasil pendeteksian hal ini disebabkan oleh optimasi yang dilakukan
MATLAB agar membuat toolbox berjalan dengan sangat efisien. Dapat dilihat pada
tabel 4.25 untuk mengolah 1 frame operator Canny yang menggunakan toolbox
MATLAB hanyak membutuhkan waktu ±0,2705 detik dibandingkan dengan
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
Frame Citra Tepi Citra Keluaran FN
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
Pengujian ini dilakukan untuk mengetahui pengaruh resolusi 800x450

piksel dan 320x180 piksel pada hasil pendeteksian serta membandingkan waktu
komputasi dan hasil pendeteksian.
Menggunakan sistem yang telah dimodifikasi dan toolbox MATLAB, nilai

yang akan dibandingkan yaitu waktu komputasi dan Recall. Pengujian dilakukan
saat kecepatan kendaraan 80 km/jam dengan jarak 147.4 meter. Video data uji
memiliki spesifikasi sebagai berikut, resolusi 320x180 piksel dengan 30 fps.

Tabel 4.29. Hasil pengujian resolusi
Frame Recall Precission Rata-Rata Waktu

Resolusi Operator
Terdeteksi (%) (%) Proses (detik/frame)
Canny 95 87,0% 96,9% 0,0576

320 x 180 LOG 82 91,1% 89,5% 0,0665
Kirsch 92 93,6% 94,3% 0,0597
Canny 22 84,5% 100,0% 0,263
800 x 450 LOG 14 86,8% 100,0% 0,4335
Kirsch 19 94,7% 98,9% 0,3241
59
Analisis hasil pengujian dibagi menjadi 2 bagian yaitu Analisis hasil

pengujian dan analisis waktu komputasi.
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
Pada gambar 4.10 ditampilkan perbandingan akurasi antara setiap

operator pada resolusi yang berbeda. Pada resolusi 800x450 piksel operator
Canny dan LOG memiliki nilai precision 100% dimana hasil deteksi garis
tidak mengalami kesahalan pendeteksian pada objek lain, sedangkan Kirsch
mendapatkan nilai precision 94,3% yang berarti jika hasil deteksi kirsch
terdapat kesalahan pendeteksian objek, sesuai dengan teori yang dijelaskan
pada buku teori dan aplikasi pengolahan citra [18] jika hasil deteksi canny
dan LOG menghasilkan tepi yang lebih baik dibandingkan dengan Kirsch
dikarenakan operator Kirsch menghasilkan tepi yang sangat tebal dan
memungkinkan terjadinya kesalahan pendeteksian dan membuat sistem salah
mendeteksi garis hal ini yang menyebabkan operator Canny dan LOG dapat
mendeteksi dengan baik walaupun dengan kualitas citra yang menurun.
Pada resolusi 320x180 piksel operator Canny meningkat sebesar 2,5%

dari resolusi 800x450 piksel begitu juga dengan operator LOG yang
meningkat sebesar 4,2%, sedangkan operator Kirsch mengalami penurunan
akurasi sebesar 1,1% walaupun mengalami penurunan operator Kirsch tetap
memiliki akurasi pendeteksian lebih tinggi dibandingkan operator lainnya,
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.
(a) Canny (b) LOG (c) 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
Berdasarkan tabel 4.29 resolusi 320x180 piksel dapat mereduksi waktu

komputasi pada resolusi 800x450 piksel sebesar 78% pada operator Canny,
84,7% pada operator LOG dan 81,6% pada operator Kirsch. Dapat dilihat
pada gambar 4.11 grafik perbandingan waktu antara resolusi 800x450 piksel
dan resolusi 320x180 piksel yang ditampilkan dengan acuan waktu komputasi
terlama yaitu LOG dalam skala persentase (%).
Canny 21,90%
Kirsch 18,42%
LOG 15,34%
0% 20% 40% 60% 80% 100%

Persentase (%)
320x180 800x450
Gambar 4.12. Perbandingan waktu komputasi pada resolusi
Berdasarkan hasil analisis diatas didapatkan kesimpulan jika pada resolusi

320x180 piksel operator deteksi tepi masih dapat mendeteksi marka garis bahkan
meningkatkan akurasi pendeteksian pada beberapa operator dan memiliki waktu
komputasi yang sangat cepat. Jika menggunakan resolusi 320x180 piksel operator
61
1 𝑑𝑒𝑡𝑖𝑘
Canny dapat mendeteksi = 17 frame/detik, operator LOG 15
0,0576 𝑑𝑒𝑡𝑖𝑘
frame/detik dan Kirsch dapat mendeteksi 16 frame/detik.
62
BAB V
KESIMPULAN DAN SARAN
Pengaplikasian deteksi tepi pada pendeteksian marka garis membutuhkan

hasil ekstraksi tepi marka garis yang tebal dan tegas, berdasarkan hasil pengujian
yang telah dilakukan operator yang paling cocok digunakan untuk pengaplikasian
pendeteksian marka garis yaitu Kirsch selain memiliki akurasi tertinggi, waktu
komputasi operator Kirsch menempati posisi pertama dengan rata-rata waktu
pengolahan ±0.05 detik/frame.
Pengaruh kecepatan kendaaraan terhadap kemampuan operator yaitu pada
jumlah frame yang terdeteksi, jika sistem ingin diimplementasikan pada sistem
seperti LDWS atau ADAS maka dibutuhkan operator yang mampu menampilkan
hasil secepat mungkin sesaat setelah data diambil, dengan menggunakan resolusi
320 x 180 piksel serta toolbox MATLAB, operator Kirsch dapat dikatakan mampu
jika ingin diterapkan pada sistem real-time karena sistem mampu mendeteksi 17
frame/detik atau delay saat pengambilan data dengan penampilan hasil hanya ±0,05
detik.
Perlu dilakukan pengujian terhadap parameter lain seperti pencahayaan,
geometri jalan, garis yang pudar serta keterbatasan perangkat yang digunakan jika
sistem pendeteksian jalur ini ingin diterapkan pada sistem real-time seperti LDWS
atau ADAS.
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.
[2] Yassin Kortli. 2016. Efficient Implementation of a Real-Time Lane

Departure Warning System. IEEE 2016 INTERNATIONAL IMAGE
PROCESSING APPLICATIONS AND SYSTEMS CONFERENCE
2016.
[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).
[5] Shabana Habib, Mahammad A Hannan. 2013. Lane Departure Detection

and Transmisson using Hough Transform Method. Journal of Electronic
Review: Vol 89, No. 5.
[6] Mohsen Sharifi, Mahmoud Fathy, Maryam Tayefeh Mahmoudi. 2002. A

Classified and Comparative Study of Edge Detection Algorithms,
International Conference on Information Technology: Coding and

Computing.
Worawit Phueakjeen, Nattha Jindapetch, Leang Kuburat, and Nikom
[7]
Suvanvorn. 2011. A Study of the Edge Detection for Road Lane. The 8th
Electrical Engineering/ Electronics, Computer, Telecommunications and
64
Information Technology (ECTI) Association of Thailand - Conference
2011.
[8] Priyadarshi Kanungo, Sandeep Kumar Mishra, Subhajyoti Mahapatra,

Uddesh Ranjan Sahoo, Uma Shankar Kr. Sah and Varsha Taunk. 2014.
Road Scene Segmentation Using Thresholding. International Journal of
Scientific & Engineering Research, Volume 5, Issue 5, May-2014. Tahun
2014.
[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.
[11] Danilo Cáceres Hernández, Laksono Kurnianggoro, Alexander Filonenko

and Kang Hyun Jo. 2016. Real-Time Lane Region Detection Using a
Combination of Geometrical and Image Features. Sensors.
[12] Seongrae Kim, Junhee Lee, and Youngmin Kim. 2016. Speed-Adaptive
Ratio-Based Lane Detection Algorithm for Self-Driving Vehicles. ISSOC
2016.
[13] Pallavi V. Ingale, Prof. K. S. Bhagat, 2016. Comparative Study of Lane

Detection Techniques. International Journal on Recent and Innovation
Trends in Computing and Communication (IJRITCC), Volume: 4 Issue: 5.
[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.
[17] Amjad Jaleel Humaidi, Mohammed Abdulraheem Fadhel. 2016.

Performance Comparison for Lane Detection and Tracking with Two
Different Techniques. Al-Sadeq International Conference on
Multidisciplinary in IT and Communication Science and Applications
(AIC-MITCSA).
[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)
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
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
Canny LOG Kirsch
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
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
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

PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN OPERATOR CANNY, KIRSCH &amp; MARR-HILDRETH (LoG) PADA DETEKSI MARKA JALAN

Diunggah oleh

Informasi Dokumen

Hak Cipta

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN OPERATOR CANNY, KIRSCH &amp; MARR-HILDRETH (LoG) PADA DETEKSI MARKA JALAN

Diunggah oleh

Hak Cipta:

PERBANDINGAN METODE DETEKSI TEPI

MENGGUNAKAN OPERATOR CANNY, KIRSCH & MARR-

COMPARISON OF EDGE DETECTION OPERATOR USING

Disusun sebagai syarat untuk memperoleh gelar Sarjana Teknik

FAKULTAS TEKNIK ELEKTRO

COMPARISON OF EDGE DETECTION OPERATOR USING CANNY,

Telah disetujui dan disahkan sebagai Tugas Akhir

Bandung, 09 Juli 2018

Ir. Agus Virgono, M.T. Randy Erfa Saputra, S.T., M.T.

Nama : Kuncoro Triandono Mukti

PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN

Atas pernyataan ini, saya siap menanggung segala bentuk resiko/sanksi

Bandung, 06 Juli 2018

Kuncoro Triandono Mukti

Self-driving atau Autonomous driving, Advanced Driving Assistance System

Self-driving or Autonomous driving, Advanced Driving Assistance System (ADAS)

Bandung, 09 Juli 2017

LEMBAR PENGESAHAN .................................................................................... ii

Gambar 2.1. Algoritma Pendeteksian ..................................................................... 6

Tabel 4.1. Perbandingan hasil pengujian sistem pendeteksian ............................. 22

1.1. Latar Belakang

Tujuan utama penelitian – penelitian sebelumnya terfokus pada dua topik

Perancangan sistem untuk membandingkan operator edge detection

Tujuan pada penelitian ini yaitu melakukan simulasi untuk menganalisis

1.3. Rumusan Masalah

1.4. Batasan Masalah

1.5. Metodologi Penyelesaian Masalah

Untuk memberikan gambaran dalam proses penyelesaian tugas akhir ini.

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI

BAB III PERANCANGAN SISTEM

BAB IV PENGUJIAN DAN ANALISIS

BAB V KESIMPULAN DAN SARAN

2.1. Tinjauan Pustaka

Penelitian mengenai perbandingan deteksi jalur atau lane detection

Pengujian yang dilakukan oleh penelitian terdahulu tidak seluruhnya sama,

2.2. Landasan Teori

2.2.1. Deteksi Jalur (Lane Detection)

Lane detection dapat dilakukan dengan berbagai

2.2.2.1. Operator Canny

Dikembangkan oleh John F. Canny pada tahun 1986 dan menggunakan

2.2.2.2. Operator Laplacian of Gaussian

Gambar 2.2. Matriks 5x5 LOG

Operator Kirsch adalah salah satu algoritma yang digunakan dalam

2.2.4. Hough Transform

Hough Transform merupakan metode yang digunakan untuk mencari objek

Gambar 2.3 contoh perhitungan hough transform

Pada gambar 2.4 dapat dilihat bahwa

2.2.5. Region of Interest (ROI)

3.1. Deskripsi Umum Sistem

Gambar 3.2. Blok diagram gambaran umum sistem

Masukkan berupa citra digital atau video direkam menggunakan sebuah

3.3. Perancangan dan Pengambilan Data Uji

Tempat/Lokasi Toll / Jalan Raya

3.3.2. Perancangan Posisi Kamera

Gambar 3.3. Posisi pemasangan kamera. a) Tampak dalam, b) Tampak depan

Gambar3.4. Posisi kemiringan kamera

Gambar 3.5. Dimulai dari sebelah kiri,

Gambar 3.6. Posisi pemasangan kamera. a) Tampak dalam, b) Tampak samping

Untuk mengurangi pengambilan objek yang tidak diperlukan seperti cap

Gambar 3.8. Hasil pengambilan data uji

Gambar 3.9. Pengukuran panjang garis dan jarak antar garis

Gambar 3.10. Diagram alur sistem pendeteksian

Noise reduction digunakan untuk menghilangkan derau pada citra agar

Pada proses Hough Transform (HT) nilai insialisasi akan disesuaikan

Gambar 3.11. Ilustrasi garis yang terdeteksi.

3.4.2. Modifikasi Sistem Pendeteksian

Pada bagian ini akan dijelaskan perancangan terhadap tahap modifikasi

PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN OPERATOR CANNY, KIRSCH & MARR-HILDRETH (LoG) PADA DETEKSI MARKA JALAN

PERBANDINGAN METODE DETEKSI TEPI MENGGUNAKAN OPERATOR CANNY, KIRSCH & MARR-HILDRETH (LoG) PADA DETEKSI MARKA JALAN