1
Identifikasi Real Time Traffic Density And Density Count
Objek Berbasis Image Processing Using Matlab
Simulation
Moh. Fiqih Tarmidzi Hakim1, Apriani Kusumawardhani 2
Departemen Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim,Surabaya 60111
Abstrak – Lalu lintas adalah masalah utama yang setiap
negara menghadapi karena peningkatan jumlah
kendaraan di seluruh dunia, khususnya di daerah
perkotaan besar. Sebagai masalah perkotaan lalu lintas
kemacetan menyebar dan terjadinya kecelakaan di jalan
terus meningkat, ada kebutuhan untuk pengenalan
teknologi yang canggih untuk meningkatkan algoritma
control lalu lintas untuk mengakomodasi peningkatan
permintaan ini. Karena peningkatan jumlah kendaraan
dari hari hari, kemacetan lalu lintas sudah menjadi hal
yang wajar dan umum. Salah satu metode untuk
mengatasi masalah lalu lintas adalah mengembangkan
sistem control lalu lintas cerdas yang didasarkan pada
pengukuran kepadatan lalu lintas di jalan menggunakan
video dan pengolahan gambar teknik secara real time.
Tema ini bertujuan untuk mengontrol lalu lintas dengan
menentukan kepadatan lalu lintas di setiap sisi jalan dan
mengontrol sinyal lalu lintas dengan menggunakan
informasi kepadatan. Dalam makalah ini menyajikan
algoritma untuk menentukan jumlah kendaraan di
jalan. Algoritma kepadatan penghitung bekerja dengan
membandingkan kerangka waktu nyata video langsung
oleh citra referensi dan dengan mencari kendaraan
hanya di daerah jalan. Kepadatan kendaraan dihitung
dan dibandingkan dengan arah lalu lintas dengan tujuan
mengontrol sinyal lalu lintas secara cerdas dan efisien.
Kata Kunci — Lalu Lintas, Count Density, pengolahan citra,
pengendali cerdas lalu lintas.
I. PENDAHULUAN
S eiring perkembangan teknologi dan ilmu pengetahuan yang
semakin pesat, tingkat kesibukan manusia pun semakin
meningkat. Jumlah kendaraan di jalan raya semakin
meningkat dari hari ke hari karena untuk pemanfaatan yang ada
dari kapatitas jalan, penting untuk mengelola arus lalu lintas
secara cerdas dan efisien. Kemacetan lalu lintas telah menjadi
masalah serius terutama di kota-kota modern. Alasan utama
adalah peningkatan populasi yang terjadi di kota-kota besar
yang kemudian menaikkan perjalanan kendaraan, dan
menciptakan masalah kemacetan karena semua orang
menggunakan kendaraan baik itu sepeda motor dan mobil1.
Karena kemacetan lalu lintas ada juga biaya peningkatan
transportasi karena terjadi pemborosan waktu dan konsumsi
bahan bakar secara ekstra2. Kemacetan lalu lintas juga
menciptakan banyak masalah baru yang muncul masalah yang
secara langsung mempengaruhi kehidupan rutin manusia dan
beberapa alasan kehilangan nyawa di jalan. Dalam situasi ini
ketika terdapat kendaraan darurat seperti ambulan yang terjebak
kemacetan dimana di dalamnya terdapat pasien gawat darurat
yang membutuhkan pertolongan rawat darurat secepatnya, dan
kemungkinan tinggi pasien yang ada di dalam ambulan tidak
dapat menuju ke rumah sakit secara tepat waktu, jadi, sangat
penting untuk merancang suatu sistem lalu lintas cerdas yang
dapat mengontrol lalu lintas secara baik dan efisien, untuk
menghidari kecelakaan, tabrakan antar kendaraan, terutama
untuk mengurangi kemacetan yang terjadi7. Alasan yang paling
umum dari kemacetan lalu lintas di negara yang ada di dunia ini
adalah pengendali sinyal lalu lintas tidak bekerja secara efisien
yang berdampak pada arus lalu lintas. Sebagai contoh jika jalur
memiliki kurang lalu lintas dan jalur lain dengan lalu lintas
besar tetapi durasi lampu hijau untuk kedua jalur tersebut
disamakan, maka yang akan terjadi adalah sebuah kemacetan
dan merupakan pemborosan sumber daya yang tersedia
dimanfaatkan secara tidak efisien. Dengan mempertimbangkan
contoh di atas jika jalur dengan kepadatan lalu lintas harus
menyalakan lampu sinyal hijau untuk jangka waktu lebih lama
dari jalur dengan kepadatan yang lebih rendah.
Terdapat banyak teknik yang diusulkan untuk merancang
sistem lalu lintas cerdas, misalnya, teknik deteksi tepi
morfologi. Teknik ini didasarkan pada pengukuran kepadatan
lalu lintas dengan menghubungkan gambar lalu lintas hidup
dengan gambar referensi. Dalam teknik lain diusulkan
didasarkan pada empat sistem jalur dimana alokasi waktu
sesuai dengan jumlah kendaraan dijalan. Makalah ini
mengusulkan deteksi kendaraan darurat, dalam scenario yang
terbatas. Referensi penggurangan adalah teknik yang kompleks,
dengan hasil yang terbatas. Makalah ini menyajikan skema
kepadatan analiser berdasarkan perhitungan jumlah kendaraan
di gambar ini, yang memberikan kita informasi yang lebih
akurat untuk pengambilan keputusan sinyal.
II. DASAR TEORI
2.1 Sistem Lampu Lalu Lintas
Sebuah sistem lampu lalu lintas adalah perangkat elektronik
yang memberikan hak jalan di persimpangan jalan dengan cara
menampilkan standar merah, kuning dan hijau indikasi
berwarna.
Selain itu, juga bekerjasama dengan display pejalan kaki untuk
menetapkan penyeberangan pejalan kaki. Sebuah lampu lalu
lintas, juga dikenal sebagai sinyal lalu lintas, berhenti cahaya,
stop-and-go lampu, adalah perangkat sinyal diposisikan di
persimpangan jalan, pejalan kaki menyeberang, atau lokasi lain
untuk menunjukkan kapan waktu yang aman untuk
mengemudi, naik, atau berjalan menggunakan kode warna yang
universal (dan urutan yang tepat, untuk itu adalah warna buta).

Saat ini, lampu merah berarti lalu lintas ke segala arah harus
berhenti. Sebuah lintas kota lampu kuning berarti lalu lintas
harus memperlambat dan lampu hijau akan pergi atau
melanjutkan perjalanan. Kesulitan dalam memahami urutan
warna membingungkan ini diperparah oleh kota-kota tetangga
menggunakan sistem lain. Pengembanganstruktur kontrol
cerdas memastikan solusi optimal untuk semua peserta dalam
transportasi dan jalan sistem lalu lintas. Ada berbagai cara
mengendalikan persimpangan jalan. Dalam kasus yang paling
sederhana aturan tangan kanan atau, jika lalu lintas lebih tinggi,
sebuah bundaran atau sinyal dari polisi dapat membantu
mengarahkan lalu lintas. Namun, terutama di kota-kota besar,
dalam kasus-kasus rumit ketika jalan-jalan di persimpangan
memiliki beberapa jalur, penggunaan lampu lalu lintas tidak
dapat dihindari. Masalah tambahan muncul ketika di
persimpangan tidak hanya jalan tetapi juga rel kereta api ambil
bagian, apa yang sering terjadi dalamlalu lintas pinggiran
situasikota.Cara yang paling umum untuk menangani jenis
persimpangan adalah konvensionalsiklik.
Kontrol lampu Dalam kontrol lebih ditingkatkan, lalu lintas
di arah yang berbeda dipantau oleh sensor dan sinyal yang
diperoleh mengontrol lampu lalu lintas. Dalam metode ini
kontrol adalah beradaptasi dengan lalu lintas. Masalah umum
adalah sejumlah besar variabel dan kebutuhan untuk upaya
komputasi besar. Untuk menyederhanakan masalah ini dengan
cara yang mungkin adalah penggunaan teknik kabur. Dalam
beberapa tahun terakhir banyak simulasi yang dilakukan dan
juga sistem kontrol praktis dibangun berdasarkan fuzzy aturan
sederhana. Namun dalam kasus yang paling rumit di mana
jumlah jalur besar dan mungkin tidak hanya satu tapi
persimpangan jalan lebih dan kereta api ambil bagian, itu tidak
masuk akal untuk menggunakan Fuzzy metode mengandung
hirarki dan menerapkan interpolasi untuk mengurangi
kompleksitas.
2.2 Komponen Sistem Lalu Lintas
Ada tiga komponen terjadinya lalu lintas yaitu
manusia sebagai pengguna, kendaraan dan jalan yang saling
berinteraksi dalam pergerakan kendaraan yang memenuhi
persyaratan kelaikan dikemudikan oleh pengemudi mengikuti
aturan lalu lintas yang ditetapkan berdasarkan peraturan
perundangan yang menyangkut lalu lintas dan angkutan
jalan melalui jalan yang memenuhi persyaratan geometrik.
A. Manusia sebagai pengguna
Manusia merupakan salah satu unsur dalam lalu lintas yang
spesifik, artinya setiap individu mempunyai komponen fisik
dasar tertentu dan nonfisik yang barangkali berbeda antara satu
dengan yang lainnya dalam hal kemampuannya. Komponen
tersebut meliputi pendengaran, penglihatan, tenaga,
pendidikan, dan psikologis. Kombinasi dari komponen tersebut
akan menghasilkan satu perilaku pengambilan keputusan yang
berbeda pada saat menghadapi satu permasalahan lalu lintas.
Manusia sebagai pengguna dapat berperan sebagai :
1. Pengemudi
Karateristik Pengemudi (PIEV)
 Perception. Suatu kesadaran akan adanya suatu obyek
yang datang dari luar sehingga dibutuhkan suatu respon
atau tindakan.
2
 Intelection atau identification. Proses identifikasi
atau interprestasi terhadap obyek.
 Emotion atau decision. Penentuan sikap atas hasil
telaah terhadap obyek tersebut, sehingga dihasilkan suatu
kesimpulan akan tindakan apa yang perlu diambil, apakah
harus berhenti, cukup mengurangi kecepatan saja,
membelok ringan/membanting stir, menyalip, atau
cukup membunyikan klakson).
 Volition atau reaction. Suatu tindakan nyata yang
dilakukan sebagai hasil dari keputusan tahap
sebelumnya.
Waktu PIEV
Total waktu yang dibutuhkan oleh kendaraan mulai saat
pengemudi melihat adanya suatu obyek, atau penghalang
sampai dengan saat pengemudi melakukan tindakan nyata
ataupun menginjak rem yang dilakukan secara berurut
(sequence) pada proses PIEV. Waktu PIEV biasanya
berkisar antara 0,2 – 1,5 detik, dan untuk keperluan
disain ditetapkan 2,5 detik (AASHTO).
Perilaku Pengemudi
Kombinasi kondisi fisik dan psikologis seseorang akan
menggambarkan suatu perilaku pengemudi. Ada 5 macam
faktor kondisi sekitar/sekeliling yang bisa mempengaruhi
prilaku manusia, yaitu:
a. Kondisi lingkungan, yang mungkin mempengaruhi
sifat seseorang/human behavior:
 Lahan: penggunaan dan aktifitasnya (didaerah
ramai, sekolahan dll), pengemudi secara refleks
akan mengurangi kecepatannya.
 Cuaca, temperatur sekeliling, iklim sehingga
pandangan terganggu
 Fasilitas yang ada seperti rute- rute perjalanan dan
terminal, arah/tujuan dari setiap perempatan.
 Aliran lalu lintas dan sifat-sifatnya, jumlah dan
jenis kendaraan akan berpengaruh pada pengemudi.
b. Sifat karakter dari pengemudi.
 Ketidak sabaran atau cepat marah. Kondisi ini
adalah kesalahan pengemudi yang paling biasa
dilakukan, yang bisa mengakibatkan pengemudi
menjalankan kendaraannya diluar kendali,
melakukan pergerakan yang tidak terkontrol dalam
overtaking, jalan terus dalam kondisi nyala lampu
merah/stop signal dll.
 Kencendrungan mengikuti tabiat-tabiat orang
lain/pengemudi lain.
 Pertimbangan pengemudi akan bertindak salah jika
dia mendapatkan suatu jalan yang tidak dikenal.
 Dalam suatu kondisi emergency, pengemudi hanya
bisa melakukan satu pilihan dalam satu waktu
 Perhatian pengemudi menjadi lambat jika
pengemudi mengendarai kendaraan dalam jangka
waktu yang lama.
c. Faktor - faktor fisik.
 Penglihatan pengemudi, penglihatan pengemudi
sangat berpengaruh pada design, traffic operation,

seperti design daripada pengukuran, warna serta
penempatan tanda-tanda lalu lintas, design
alignment jalan dll.
 Ketajaman penglihatan yaitu: Kemampuan untuk
membedakan detail dalam tingkat penerangan rata-rata
sangat besar pada kerucut penglihatan sebesar 3-
5 derajat, diluar daerah tersebut sampai ± 12 derajat
pandangan masih cukup jelas.Ada beberapa jenis
ketajaman penglihatan:
• Membaca: 2,5° (horizontal) dan 2,5° (vertical)
• Melihat jelas: 6° (horizontal) dan 4° (vertical)
• Sensitive: 20° (horizontal) dan 13 0 (vertical)
• Daerah pandangan periperal, pandangan mata
(Vision) secara Peripheral dari mata umumnya 120 –
180 derajat, fairly clear hanya 10 – 20 derajat,
sedangkan fokus atauacute vision cone hanya 3 – 10
derajat.
 Pendengaran, untuk pengemudi pendengaran tidak
begitu penting, akan tetapi merupakan suatu masalah
untuk pejalan kaki.
d. Waktu reaksi, adalah waktu yang dipergunakan
antara melihat, mendengar atau merasakan dan
mengerjakan sesuatu sebagai tanggapan terhadap sesuatu
rangsangan. Informasi tersebut diterima oleh panca
indera, terutama indera penglihatan dan pendengaran.
Informasi yang diterima panca indera tersebut kemudian
diidentifikasi oleh manusia dengan cara mengenali jenis
dan muatan informasi yang diperoleh. Berdasarkan jenis
dan muatan informasi yang diperoleh ditetapkan
tindakan (emosi dalam hal ini bukan berarti
kemarahan, namun komponen PIEV yang berkaitan
dengan pengambilan keputusan) yang harus dilakukan
e. Jarak Pandang adalah panjang bagian jalan didepan
pengemudi yang masih dapat dilihat dengan jelas, di
ukur dan titik kedudukan pengemudi. Untuk mendapat
jarak pandangan yang cukup.
2. Penumpang
Penumpang sebenarnya merupakan pihak yang pasif dalam
suatu aliran lalu lintas, namun demikian mempunyai andil
dalam penciptaan ketertiban lalu lintas terutama pada
kendaraan umum (public transport). Perilaku penumpang yang
tidak tertib terhadap aturan akan memperburuk kondisi lalu
lintas. Penumpang yang baik akan memahami akibat yang akan
terjadi terhadap tindakan yang diperbuatnya, misalkan
menghentikan kendaraan di sembarang tempat sehingga
kendaraan berhenti mendadak dan berada di tengah jalan atau
bahkan di tengah simpang sehingga akan mengganggu
kendaraan lainnya. Atau memerintahkan sopir untuk berhenti di
tempat yang tidak layak sesuai dengan keinginannya agak dia
tidak perlu berjalan kaki. Semua tindakan tersebut akan memicu
terjadinya kemacetan dan bahkan mungkin kecelakaan.
Memang sebenarnya sekalipun penumpang melakukan hal-hal
tersebut tetapi pengemudi tetap dalam kondisi tertib,
pelanggaran tidak akan terjadi. Masalahnya sekarang ini
pengemudi merasa takut akan kehilangan penumpang karena
diserobot oleh kendaraan lain apabila tidak memenuhi
keinginan penumpang.
3
3. Pejalan Kaki
Sama dengan penumpang sebenarnya pejalan kaki
merupakan pihak yang pasif dalam suatu aliran lalu-lintas,
namun demikian mempunyai andil dalam penciptaan
kelancaran arus lalu lintas terutama saat menyeberang jalan
sehingga tidak menciptakan hambatan samping baru.
Karakteristik utama pejalan kaki adalah berupa kecepatan
tempuh yang sangat rendah sehingga perlu diperhitungkan
secara teliti dalam perencanaan fasilitas untuk penyeberangan
agar tidak mengganggu lalu lintas dan mengurangi kinerja
jalan.
B. Kendaraan
Kendaraan digunakan oleh pengemudi mempunyai
karakteristik yang berkaitan dengan kecepatan, percepatan,
perlambatan, dimensi dan muatan yang membutuhkan
ruang lalu lintas yang secukupnya untuk bisa bermanuver
dalam lalu lintas.
Kecepatan Kendaraan:
 Mempengaruhi jarak titik perhatian pengemudi :
 Makin besar kecepatan maka makin jauh titik
perhatian
 Makin kecil kecepatan maka makin jauh sudut
pandang
Kendaraan yang bergerak dijalan mempunyai berbagai bentuk
dan ukuran serta kemampuan. Hal ini disebabkan karena
masing-masing kendaraan direncanakan untuk maksud
kegunaan tertentu. Karakteristik kendaraan akan
mempengaruhi karateristik arus lalu lintas. Ukuran-ukuran
kendaraan di Indonesia:
 Lebar maksimum: 2.25 meter.
 Tinggi maksimum: 3.50 meter.
 Berat maksimum: biasanya tergantung ketentuan
jembatan yang dilalui.
Dari beberapa hasil pengamatan yang dilakukan oleh beberapa
pihak yang terkait dalam keamanan jalan raya, kendaraan
berperan penting dalam menentukan keamanan jalan raya.
Beberapa faktor dari kendaraan yang berperan tersebut
adalah:
a) Cara perawatan kendaraan
b) Cara penggunaaan kendaraan (sehubungan dengan
kondisi kendaraan)
c) Design dari kendaraan
C. Jalan
Jalan merupakan lintasan yang direncanakan untuk dilalui
kendaraan bermotor maupun kendaraan tidak bermotor
termasuk pejalan kaki. Jalan tersebut direncanakan untuk
mampu mengalirkan aliran lalu lintas dengan lancar dan
mampu mendukung beban muatan sumbu kendaraan serta
aman, sehingga dapat meredam angka kecelakaan lalu-lintas.
2.3 Lampu Lalu Lintas
Lampu lalu lintas secara sederhana dapat diterangkan
sebagai lampu yang berada pada kanan kiri pendekat dari
simpang berupa tiang dengan tiga buah lampu yang berderet
dari atas ke bawah dengan warna merah pada deret paling atas
kemudian kuning dan hijau yang paling bawah.

Gambar 2.1 Traffic Light
2.4 Image Processing
Pengolahan citra atau Image Processing adalah suatu sistem
dimana proses dilakukan dengan masukan (input) berupa citra
digital video real time dan hasilnya (output) juga berupa citra
digital video real time edge detection. Pada awalnya
pengolahan citra ini dilakukan untuk menghitung nilai dencity
di sebuah jalan raya berdasarkan deteksi garis yang dilakukan,
namun dengan berkembangnya dunia komputasi yang ditandai
dengan semakin meningkatnya kapasitas dan kecepatan proses
komputer, serta munculnya ilmu-ilmu komputer yang
memungkinkan manusia dapat mengambil informasi dari suatu
citra maka image processing tidak dapat dilepaskan dengan
bidang computer vision[12].
Citra atau image adalah angka, dari segi estetika, citra atau
gambar adalah kumpulan warna yang bisa terlihat indah,
memiliki pola, berbentuk abstrak dan lain sebagainya. Citra
dapat berupa foto udara, video real time, penampang lintang
(cross section) dari suatu benda, gambar wajah, hasil tomografi
otak dan lain sebagainya[13]. Dari segi ilmiah, citra adalah
gambar 3-dimensi (3D) dari suatu fungsi, biasanya intensitas
warna sebagai fungsi spatial x dan y. Di komputer, warna dapat
dinyatakan, misalnya sebagai angka dalam bentuk skala RGB.
Karena citra adalah angka, maka citra dapat diproses secara
digital.
2.5 Red Green Blue
Untuk citra berwarna maka digunakan model RGB (Red-
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
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.
4
Gambar 2.2 Komposisi Warna RGB
2.6 Grayscale (Derajat Keabuan)
Proses awal yang banyak dilakukan dalam image
processing adalah mengubah citra berwarna menjadi citra
grayscale, hal ini digunakan untuk menyederhanakan model
citra. Seperti dijelaskan didepan, citra berwarna terdiri 3 layer
matrik yaitu R-layer, G-layer, B-layer. Sehingga untuk
melakukan proses selanjutnya tetap diperhatikan 3 layer diatas.
2.7 MATLAB
MATLAB adalah sebuah bahasa dengan (high-
performance) kinerja tinggi untuk komputasi masalah teknik.
Matlab mengintegrasikan komputasi, visualisasi, dan
pemrograman dalam suatu model yang sangat mudah untuk
pakai dimana masalah-masalah dan penyelesaiannya
diekspresikan dalam notasi matematika yang familiar.
Penggunaan Matlab meliputi bidang–bidang:
 Matematika dan Komputasi
 Pembentukan Algorithm
 Akusisi Data
 Pemodelan, simulasi, dan pembuatan prototipe
 Analisa data, explorasi, dan visualisasi
 Grafik Keilmuan dan bidang Rekayasa
Dalam lingkungan perguruan tinggi teknik, Matlab
merupakan perangkat standar untuk memperkenalkan dan
mengembangkan penyajian materi matematika, rekayasa dan
kelimuan. Di industri, MATLAB merupakan perangkat pilihan
untuk penelitian dengan produktifitas yang tingi,
pengembangan dan analisanya.
Pada matlab fungsi untuk melakukan pembacaan image
standar yaitu:
imread(‘filename’)
Perintah ini digunakan untuk membaca beberapa format file
diantaranya:
Tabel 2.1 Format File yang Support untuk software MATLAB

III. PERANCANGAN
Tahapan dalam pembuatan sistem ini akan dijelaskan
pada diagram blok dibawah ini:
Gambar 3.1 Diagram Blok
Pekerjaan ini dibagi menjadi 4 bagian. Bagian pertama adalah
untuk memproses sinyal video dan akuisisi gambar dari kamera
tetap menggunakan MATLAB. Bagian kedua adalah untuk
memilih area target di mana kendaraan bisa hadir dengan
menggunakan teknik gambar tanam. Bagian ketiga adalah
deteksi obyek yang dilakukan dengan meningkatkan fitur
gambar. Akhirnya, bagian terakhir adalah penghitungan
kepadatan, di mana jumlah kendaraan yang sedang dihitung.
Diagram blok keseluruhan sistem yang diusulkan diilustrasikan
di bawah ini.
3.1 Pemprosesan Signal Video dan Image Acqusition
Video Signal dan Image Acquisition Pekerjaan dimulai
dengan pengolahan video langsung menggunakan software
MATLAB. Kamera yang dipasang di tiang dekat sinyal lalu
lintas. Tahap selanjutnya adalah mengekstrak frame terus
menerus dari real time video yang berasal dari kamera yang
stasioner. Data digital mentah ini diproses lebih lanjut dengan
mengubah gambar dari RGB (Red-Green-Blue) ke grayscale
dalam rangka untuk lebih memproses gambar. Awalnya sistem
menangkap gambar jalan kosong ketika tidak adanya
kendaraan; gambar ini digunakan sebagai gambar referensi.
Gambar 3.1 (a) Jalan ketika tidak ada kendaraan lewat
menunjukkan gambar referensi yang diambil dari video
langsung saat jalan kosong.
Bagian selanjutnya menjelaskan prosedur untuk memilih
daerah bunga di mana kendaraan yang hadir.
5
3.2 Cropping Gambar
Langkah kedua adalah untuk memilih area yang ditargetkan
dengan merancang algoritma image tanam di MATLAB.
Tujuan tanam adalah untuk mengidentifikasi daerah jalan di
mana kendaraan yang dilewati dan belum termasuk informasi
latar belakang yang tidak perlu. Informasi yang tidak perlu ini
adalah tetap di setiap frame dari video langsung karena kamera
video bersifat stasioner. Untuk memotong daerah diperlukan,
referensi gambar telah digunakan, Gambar 3.1(a) yang tidak
memiliki lalu lintas jalan. Pertama, citra biner memiliki dimensi
yang sama dibuat, seperti pada gambar 3.1(a), maka area jalan
telah berbayang putih, dan wilayah sisa hitam, seperti
ditunjukkan pada Gambar 3.1 (b). Akhirnya, perbanyakan
gambar referensi dengan hasil gambar hitam dan putih tanam di
daerah target yang diinginkan akhir yang diilustrasikan pada
Gambar 3.1 (c).
Bagian berikutnya menjelaskan prosedur deteksi obyek.
Gambar 3.1 (b) Hitam Putih Background (c) Ilustrasi Hasil
Cropping
3.3 Object Detection
Langkah berikutnya adalah untuk mengkonversi kedua
gambar; gambar 3.1 (a) dan waktu bayangan nyata ke dalam
grayscale dan kemudian perbedaan mutlak dua gambar akan
ditentukan. Karena dimensi jalan karena itu tetap gambar
perbedaan hanya menyoroti kehadiran kendaraan di daerah
target yang diinginkan. Perbedaan gambar diilustrasikan pada
Gambar. 3.2 (b)
Gambar 3.2 (a) Real Time dari Video yang diambil
(b) Citra Real Time
Gambar. 3.2 (b) menunjukkan kehadiran kendaraan di daerah
target yang diinginkan tetapi visibilitas kendaraan tidak jauh
lebih jelas dalam gambar. Dalam rangka meningkatkan
visibilitas kendaraan, gambar perbedaan dikonversi menjadi
citra biner berdasarkan nilai ambang batas. Yang dihasilkan
citra biner ditunjukkan pada Gambar. 3.4 (a), di mana kehadiran
objek apapun lebih ditingkatkan. Dengan tujuan untuk
menentukan kendaraan yang hanya ada di area yang diinginkan,
dilakukan perkalian dari gambar yang telag dilakukan proses
pemotongan, Gambar 3.2 (b), dengan versi yang telah
disempurnakan dari gambar perbedaan real time, Gambar 3.4
(a) Citra produk diilustrasikan pada Gambar. 3.4 (b). Dalam

Gambar. 3.4 (b), informasi yang tidak perlu dibuang dan hanya
ditampilkan kendaraan di area yang diinginkan.
Gambar 3.4 (a) Binarisation Dari Perbedaan Gambar
(b) Deteksi Gambar Pada Area Object Detection
3.4 Traffic Density
Langkah selanjutnya adalah menghitung kepadatan lalu
lintas di daerah Object Detection. Dalam rangka untuk
menentukan kepadatan lalu lintas, kendaraan ditandai pertama
dan kemudian jumlahnya dihitung. Algoritma pencarian untuk
satu set menghubungkan piksel. Untuk mempertimbangkan
wilayah terhubung sebagai kendaraan, batas minimum telah
ditetapkan. Namun, ada kemungkinan bahwa lebih dari satu
wilayah kendaraan terdeteksi menggunakan kriteria di atas.
Masalah ini bisa diatasi dengan mencari kotak bounding
tumpang tindih daerah yang dipilih dan daerah sehingga lebih
kecil dan sangat tumpang tindih disaring. Hasilnya ditunjukkan
pada Gambar 3.5 dimana setiap kendaraan terdeteksi dikelilingi
oleh kotak pembatas dan daerah atas-kiri menunjukkan jumlah
kendaraan yang terdeteksi di jalan, karena pada saat itu
terdeteksi sebanyak 6 kendaraan.
Gambar 3.5 Kendaraan Yang Terdeteksi Dan Dapat Dihitung
IV. CARA KERJA SISTEM
4.1 Cara Kerja
Simulasi ini dilakukan dengan bertujuan untuk mengurangi
kemacetan lalu lintas dengan menghitung kepadatan lalu lintas
di arah tertentu dari jalan dengan menggunakan algoritma
pengolahan citra. Sistem ini dimulai dengan proses akuisisi
citra di mana video langsung diproses oleh kamera stasioner,
dipasang di tiang apapun. Kemudian satu frame per detik terus
menerus ekstrak dari video langsung dan diproses setiap frame
dengan mengubahnya menjadi grayscale. Untuk gambar
referensi gambar jalan kosong terpilih, ketika tidak ada lalu
lintas di jalan. Langkah kedua adalah tanam gambar di mana,
wilayah yang ditargetkan dipilih, daerah di mana kendaraan
hadir dan disaring informasi sekitarnya yang perlu ditampilkan
dan yang tidak perlu ditampilkan. Tahap selanjutnya,
menentukan keberadaan benda-benda di video langsung dengan
mengambil perbedaan mutlak setiap frame diekstraksi dengan
gambar referensi. Maka kehadiran benda ditingkatkan oleh
binarization gambar perbedaan. Kemudian langkah terakhir
6
adalah menghitung kepadatan lalu lintas di daerah target yang
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 referensi ini sesuai waktu saat hari.
V. KESIMPULAN
5.1 Kesimpulan
Berdasarkan simulasi yang telah dilakukan penulis selama
penyusunan paper ini, maka dapat disimpulkan bahwa:
 Keuntungan dari teknik yang diusulkan ini adalah bahwa
tidak ada kebutuhan khusus untuk menggunakan citra
sistem berbasis sensor. Sistem yang diusulkan adalah
sangat efektif dari segi biaya dan tingkat kerumitan.
Karena tidak memerlukan instalasi perangkat tambahan,
seperti RFIDs.
5.2 Saran
Adapun saran yang dapat diberikan dalam pelaksanaan Final
Project Mata Kuliah Image Processing adalah sebagai berikut:
 Karya ini dapat ditingkatkan lebih lanjut dengan
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
[1] Madhavi Arora, V. K. Banga, “Real Time Traffic Light
Control System”, 2nd International Conference on
Electrical, Electronics and Civil Engineering
(ICEECE'2012), pp. 172-176, Singapore, April 28-29,
2012.
[2] Sabya sanchi kanojia, “Real –time Traffic light control and
Congestion avoidance system”, International Journal of
Engineering Research and Applications (IJERA), pp.925-
929, Vol. 2, Issue 2,Mar-Apr 2012.
[3] Muhammad Tayyab, “Implementation of Restoration Path
Using AODV in VANETs” Master’s Dissertation at
Brunel University London, UK.
[4] Anthony J. Venables, “Evaluating Urban Transport
Improvements”, Journal of Transport Economics and
Policy, Vol. 41, No.2 , pp. 173-188, May, 2007.
 7

[5] Tommy Gärling, Geertje Schuitema, “Travel Demand

Management Targeting Reduced Private Car Use”,
Journal of Social Issues, Vol. 63, Issue 1, pp. 139–153,
March 2007

[6] Papageorgiou M., Diakaki C., Dinopoulou V., Kotsialos,

A.,“Review of road traffic control strategies”, Proceedings
of IEEE, Vol. 91, Issue 12, pp. 2043-2067, November
2004.

[7] Georgios Vigos, Markos Papageorgioua, Yibing Wangb,

“Real-time estimation of vehicle-count within signalized
links”, Journal of Transportation Research Part C:
Emerging Technologies, Volume 16, Issue 1, pp.18–35,
February 2008.

[8] Michael W. Szeto and Denos C. Gazis, “Application of

Kalman Filtering to the Surveillance and Control of
Traffic Systems”, Journal of Transportation Science, vol.
6 pp.. 4419-439 , November 1972.

[9] Vikramaditya Dangi, Amol Parab, Kshitij Pawar & S.S

Rathod, “Image Processing Based Intelligent Traffic
Controller”, Undergraduate Academic Research Journal
(UARJ), Vol.1, Issue 1, 2012

[10] Celil Ozkurt and Fatih Camci,“ Automatic Traffic Density

Estimation and Vehicle Classification For Traffic
Survillance Systems Using Neural Networks”, Journal of
Mathematical and Computational Applications, Vol. 14,
No. 3, pp. 187-196, 2009.

[11] Pratishtha Gupta, G.N Purohit, Sweta Pandey, “Traffic

Load Computation for Real Time Traffic Signal Control”,
International Journal of Engineering and Advanced
Technology, Vol. 2, Issue 4, April 2013.

[12] Selpha Yulida, Apriani Kusumawardhani, Heru Setijono;

Perancangan Sistem Pengenalan Plat Nomor Kendaraan
Menggunakan Metode Principal Component Analysis;
2013.

[13] Rahmah, F., Apriani Kusumawardhani, Setijono Heru.,

Hatta, A. M., & Irwansyah. (2015). Radial Line Method
for Rear-View Mirror Distortion Detection. SPIE.

[12] Live Video of CCTV Camera for Traffic Monitoring in

Tokyo, available at
https://www.youtube.com/watch?v=UNFr6fpmjm8&t=1s