Saat ini, lampu merah berarti lalu lintas ke segala arah harus Intelection atau identification. Proses identifikasi
berhenti. Sebuah lintas kota lampu kuning berarti lalu lintas atau interprestasi terhadap obyek.
harus memperlambat dan lampu hijau akan pergi atau Emotion atau decision. Penentuan sikap atas hasil
melanjutkan perjalanan. Kesulitan dalam memahami urutan telaah terhadap obyek tersebut, sehingga dihasilkan suatu
warna membingungkan ini diperparah oleh kota-kota tetangga kesimpulan akan tindakan apa yang perlu diambil, apakah
menggunakan sistem lain. Pengembanganstruktur kontrol harus berhenti, cukup mengurangi kecepatan saja,
cerdas memastikan solusi optimal untuk semua peserta dalam membelok ringan/membanting stir, menyalip, atau
transportasi dan jalan sistem lalu lintas. Ada berbagai cara cukup membunyikan klakson).
mengendalikan persimpangan jalan. Dalam kasus yang paling Volition atau reaction. Suatu tindakan nyata yang
sederhana aturan tangan kanan atau, jika lalu lintas lebih tinggi, dilakukan sebagai hasil dari keputusan tahap
sebuah bundaran atau sinyal dari polisi dapat membantu sebelumnya.
mengarahkan lalu lintas. Namun, terutama di kota-kota besar,
dalam kasus-kasus rumit ketika jalan-jalan di persimpangan Waktu PIEV
memiliki beberapa jalur, penggunaan lampu lalu lintas tidak Total waktu yang dibutuhkan oleh kendaraan mulai saat
dapat dihindari. Masalah tambahan muncul ketika di pengemudi melihat adanya suatu obyek, atau penghalang
persimpangan tidak hanya jalan tetapi juga rel kereta api ambil sampai dengan saat pengemudi melakukan tindakan nyata
bagian, apa yang sering terjadi dalamlalu lintas pinggiran ataupun menginjak rem yang dilakukan secara berurut
situasikota.Cara yang paling umum untuk menangani jenis (sequence) pada proses PIEV. Waktu PIEV biasanya
persimpangan adalah konvensionalsiklik. berkisar antara 0,2 – 1,5 detik, dan untuk keperluan
Kontrol lampu Dalam kontrol lebih ditingkatkan, lalu lintas disain ditetapkan 2,5 detik (AASHTO).
di arah yang berbeda dipantau oleh sensor dan sinyal yang
diperoleh mengontrol lampu lalu lintas. Dalam metode ini Perilaku Pengemudi
kontrol adalah beradaptasi dengan lalu lintas. Masalah umum Kombinasi kondisi fisik dan psikologis seseorang akan
adalah sejumlah besar variabel dan kebutuhan untuk upaya menggambarkan suatu perilaku pengemudi. Ada 5 macam
komputasi besar. Untuk menyederhanakan masalah ini dengan faktor kondisi sekitar/sekeliling yang bisa mempengaruhi
cara yang mungkin adalah penggunaan teknik kabur. Dalam prilaku manusia, yaitu:
beberapa tahun terakhir banyak simulasi yang dilakukan dan a. Kondisi lingkungan, yang mungkin mempengaruhi
juga sistem kontrol praktis dibangun berdasarkan fuzzy aturan sifat seseorang/human behavior:
sederhana. Namun dalam kasus yang paling rumit di mana Lahan: penggunaan dan aktifitasnya (didaerah
jumlah jalur besar dan mungkin tidak hanya satu tapi ramai, sekolahan dll), pengemudi secara refleks
persimpangan jalan lebih dan kereta api ambil bagian, itu tidak akan mengurangi kecepatannya.
masuk akal untuk menggunakan Fuzzy metode mengandung Cuaca, temperatur sekeliling, iklim sehingga
hirarki dan menerapkan interpolasi untuk mengurangi pandangan terganggu
kompleksitas. Fasilitas yang ada seperti rute- rute perjalanan dan
terminal, arah/tujuan dari setiap perempatan.
2.2 Komponen Sistem Lalu Lintas Aliran lalu lintas dan sifat-sifatnya, jumlah dan
Ada tiga komponen terjadinya lalu lintas yaitu
jenis kendaraan akan berpengaruh pada pengemudi.
manusia sebagai pengguna, kendaraan dan jalan yang saling
berinteraksi dalam pergerakan kendaraan yang memenuhi
b. Sifat karakter dari pengemudi.
persyaratan kelaikan dikemudikan oleh pengemudi mengikuti
Ketidak sabaran atau cepat marah. Kondisi ini
aturan lalu lintas yang ditetapkan berdasarkan peraturan
adalah kesalahan pengemudi yang paling biasa
perundangan yang menyangkut lalu lintas dan angkutan
dilakukan, yang bisa mengakibatkan pengemudi
jalan melalui jalan yang memenuhi persyaratan geometrik.
menjalankan kendaraannya diluar kendali,
melakukan pergerakan yang tidak terkontrol dalam
A. Manusia sebagai pengguna
overtaking, jalan terus dalam kondisi nyala lampu
Manusia merupakan salah satu unsur dalam lalu lintas yang
merah/stop signal dll.
spesifik, artinya setiap individu mempunyai komponen fisik
Kencendrungan mengikuti tabiat-tabiat orang
dasar tertentu dan nonfisik yang barangkali berbeda antara satu
lain/pengemudi lain.
dengan yang lainnya dalam hal kemampuannya. Komponen
tersebut meliputi pendengaran, penglihatan, tenaga, Pertimbangan pengemudi akan bertindak salah jika
pendidikan, dan psikologis. Kombinasi dari komponen tersebut dia mendapatkan suatu jalan yang tidak dikenal.
akan menghasilkan satu perilaku pengambilan keputusan yang Dalam suatu kondisi emergency, pengemudi hanya
berbeda pada saat menghadapi satu permasalahan lalu lintas. bisa melakukan satu pilihan dalam satu waktu
Manusia sebagai pengguna dapat berperan sebagai : Perhatian pengemudi menjadi lambat jika
pengemudi mengendarai kendaraan dalam jangka
1. Pengemudi waktu yang lama.
Karateristik Pengemudi (PIEV)
Perception. Suatu kesadaran akan adanya suatu obyek c. Faktor - faktor fisik.
yang datang dari luar sehingga dibutuhkan suatu respon Penglihatan pengemudi, penglihatan pengemudi
atau tindakan. sangat berpengaruh pada design, traffic operation,
3
2.5 Red Green Blue Perintah ini digunakan untuk membaca beberapa format file
Untuk citra berwarna maka digunakan model RGB (Red- diantaranya:
Green-Blue), satu citra berwarna dinyatakan sebagai 3 buah
matrik grayscale yang berupa matrik untuk Red (R-layer),
matrik Green (G-layer) dan matrik untuk Blue(B-layer).R-layer Tabel 2.1 Format File yang Support untuk software MATLAB
adalah matrik yang menyatakan derajat kecerahan untuk warna
merah (misalkan untuk skala keabuan 0-255, nilai 0
menyatakan gelap (hitam) dan 255 menyatakan merah. G-layer
adalah matrik yang menyatakan derajat kecerahan untuk warna
hijau, dan B-layer adalah matrik yang menyatakan derajat
kecerahan untuk warna biru. Dari definisi tersebut, untuk
menyajikan warna tertentu dapat dengan mudah dilakukan,
yaitu dengan mencampurkan ketiga warna dasar RGB.
5
Gambar. 3.4 (b), informasi yang tidak perlu dibuang dan hanya adalah menghitung kepadatan lalu lintas di daerah target yang
ditampilkan kendaraan di area yang diinginkan. diinginkan dengan menghitung jumlah kendaraan di wilayah
itu. Untuk melakukan ini, pertama, kendaraan ditandai di
wilayah yang ditargetkan dengan memindai semua benda yang
terhubung, dan menyaring lebih kecil dan tumpang tindih
objek. Dalam rangka menghadapi suara ditambahkan karena
kondisi pencahayaan yang berbeda pada waktu yang berbeda
hari, satu set gambar referensi telah ditangkap dan disimpan
pada slot waktu yang berbeda dari hari. Sistem siklus melalui
Gambar 3.4 (a) Binarisation Dari Perbedaan Gambar gambar referensi ini sesuai waktu saat hari.
(b) Deteksi Gambar Pada Area Object Detection
V. KESIMPULAN
3.4 Traffic Density 5.1 Kesimpulan
Langkah selanjutnya adalah menghitung kepadatan lalu Berdasarkan simulasi yang telah dilakukan penulis selama
lintas di daerah Object Detection. Dalam rangka untuk
penyusunan paper ini, maka dapat disimpulkan bahwa:
menentukan kepadatan lalu lintas, kendaraan ditandai pertama
dan kemudian jumlahnya dihitung. Algoritma pencarian untuk Keuntungan dari teknik yang diusulkan ini adalah bahwa
satu set menghubungkan piksel. Untuk mempertimbangkan tidak ada kebutuhan khusus untuk menggunakan citra
wilayah terhubung sebagai kendaraan, batas minimum telah sistem berbasis sensor. Sistem yang diusulkan adalah
ditetapkan. Namun, ada kemungkinan bahwa lebih dari satu sangat efektif dari segi biaya dan tingkat kerumitan.
wilayah kendaraan terdeteksi menggunakan kriteria di atas. Karena tidak memerlukan instalasi perangkat tambahan,
Masalah ini bisa diatasi dengan mencari kotak bounding seperti RFIDs.
tumpang tindih daerah yang dipilih dan daerah sehingga lebih
kecil dan sangat tumpang tindih disaring. Hasilnya ditunjukkan 5.2 Saran
pada Gambar 3.5 dimana setiap kendaraan terdeteksi dikelilingi Adapun saran yang dapat diberikan dalam pelaksanaan Final
oleh kotak pembatas dan daerah atas-kiri menunjukkan jumlah Project Mata Kuliah Image Processing adalah sebagai berikut:
kendaraan yang terdeteksi di jalan, karena pada saat itu Karya ini dapat ditingkatkan lebih lanjut dengan
terdeteksi sebanyak 6 kendaraan. mengusulkan sistem yang mengidentifikasi kehadiran
kendaraan darurat (seperti ambulans atau pemadam
kebakaran) dan dengan memberikan preferensi kepada
mereka kendaraan darurat.
Kedepannya mungkin dapat ditingkatkan dengan
menggunakan VANETs (Vehicular Ad-hoc Networks)
karena menyediakan keselamatan jalan dan sistem
transportasi cerdas.
DAFTAR PUSTAKA
Gambar 3.5 Kendaraan Yang Terdeteksi Dan Dapat Dihitung
IV. CARA KERJA SISTEM [1] Madhavi Arora, V. K. Banga, “Real Time Traffic Light
Control System”, 2nd International Conference on
4.1 Cara Kerja Electrical, Electronics and Civil Engineering
Simulasi ini dilakukan dengan bertujuan untuk mengurangi (ICEECE'2012), pp. 172-176, Singapore, April 28-29,
kemacetan lalu lintas dengan menghitung kepadatan lalu lintas 2012.
di arah tertentu dari jalan dengan menggunakan algoritma
pengolahan citra. Sistem ini dimulai dengan proses akuisisi [2] Sabya sanchi kanojia, “Real –time Traffic light control and
citra di mana video langsung diproses oleh kamera stasioner, Congestion avoidance system”, International Journal of
dipasang di tiang apapun. Kemudian satu frame per detik terus Engineering Research and Applications (IJERA), pp.925-
menerus ekstrak dari video langsung dan diproses setiap frame 929, Vol. 2, Issue 2,Mar-Apr 2012.
dengan mengubahnya menjadi grayscale. Untuk gambar
referensi gambar jalan kosong terpilih, ketika tidak ada lalu [3] Muhammad Tayyab, “Implementation of Restoration Path
lintas di jalan. Langkah kedua adalah tanam gambar di mana, Using AODV in VANETs” Master’s Dissertation at
wilayah yang ditargetkan dipilih, daerah di mana kendaraan Brunel University London, UK.
hadir dan disaring informasi sekitarnya yang perlu ditampilkan
dan yang tidak perlu ditampilkan. Tahap selanjutnya, [4] Anthony J. Venables, “Evaluating Urban Transport
menentukan keberadaan benda-benda di video langsung dengan Improvements”, Journal of Transport Economics and
mengambil perbedaan mutlak setiap frame diekstraksi dengan Policy, Vol. 41, No.2 , pp. 173-188, May, 2007.
gambar referensi. Maka kehadiran benda ditingkatkan oleh
binarization gambar perbedaan. Kemudian langkah terakhir
7