Josephine 1606903085
M. Syafieq Ridho 1606895051
Naufal Alharits S. 1606874173
Departemen Fisika
Fakultas Matematika Dan Ilmu Pengetahuan Alam
Universitas Indonesia
2019
DAFTAR ISI
i
2
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Pemantauan kecepatan kendaraan digunakan oleh polisi untuk melakukan
penegakan hukum lalu lintas. Dengan meningkatnya kebutuhan di kehidupan
perkotaan sehari-hari, dengan bertambahnya jumlah orang dan juga meningkatnya
jumlah kendaraan maka over speeding menjadi alasan utama kecelakaan.
Pengendalikan kecepatan kendaraan telah menjadi salah satu masalah yang sangat
penting untuk manajemen lalu lintas.
Dari beberapa dekade terakhir, alat yang digunakan untuk mengukur kecepatan
kendaraan bergerak adalah radar Doppler. Radar Doppler sendiri adalah sebuah
perangkat genggam yang mengirim sinar radio ke Gerakan kendaraan lalu menghitung
kecepatan kendaraan dengan mengukur perubahan frekuensi gelombang yang
dipantulkan. Itu merupakan perangkat andal selama tidak ada kendaraan lain di bidang
pandang.
BAB 2
TINJAUAN PUSTAKA DAN METODE
2.1. Kriteria Evaluasi
Kriteria untuk evaluasi yang digunakan adalah analisis data hasil pengolahan
berdasarkan hasil Deteksi Kecepatan Kendaraan dengan menggunakan Kamera dan
pemprosesan dengan gambar perangkat lunak.
2.3. Metodologi
Haarcascade classifier untuk mengidentifikasi kendaraan
Haarcascade adalah sebuah algoritma machine learning yang dapat digunakan
untuk mendeteksi obyek pada gambar ataupun video. Algoritma ini juga menggunakan
konsep dari fitur yang diajukan oleh Paul Viola dan Michael Jones pada paper mereka
dengan judul “Rapid Object Detection using a Boosted Cascade od Simple Features”
yang dipublikasikan pada tahun 2001. Metode machine learning ini memiliki dasar
pendekatan dimana fungsi cascade dilatih dengan gambar positif dan negatif.
Selanjutnya digunakan untuk mendeteksi obyek di gambar yang lain. Biasanya metode
ini digunakan untuk mendeteksi wajah dan bagian tubuh pada suatu gambar tetapi dapat
juga digunakan untuk obyek lain.
Bagaimana caranya untuk memilih fitur yang terbaik dari sekian banyak fitur
yang didapatkan dari 1 gambar? hal ini dapat dicapai dengan menggunakan konsep
yang disebut dengan adaboost.
Adaboost training
Boosting adalah pembelajaran metode ensemble meta algoritma untuk terutama
mengurangi bias, dan juga varians. Berbeda halnya dengan bagging dan random forest
yang mendapatkan hasil prediksi dari proses bootsrap, boosting mengacu pada
kumpulan algoritma yang dapat mengkorversi weak learners untuk strong learners.
Prinsip utama dari boosting adalah menyesuaikan urutan weak learners hanya sedikit
lebih baik daripada tebakan acak, sementara strong learners dekat dengan kinerja
sempurna seperti pohon keputusan kecil. Setiap kali pembuatan pohon, data yang
digunakan tetap seperti semula tetapi memiliki sebaran bobot yang berbeda dalam tiap
iterasi. Penggunaan bobot juga dilakukan pada saat proses penggabungan prediksi
akhir dari banyak pohon yang dihasilkan melalui klasifikasi atau penjumlahan regresi.
Boosting juga dikenal dengan sebutan AdaBoost. Pada proses deteksi, terdapat kotak
dari ukuran target yang dipindahkan ke seluruh gambar dan untuk setiap daerah dari
gambar, nilai haar feature akan dihitung. Perbedaan ini lalu akan dibandingkan dengan
threshold yang sudah dipelajari yang memisahkan obyek dan non obyek. Karena haar
7
feature adalah classifier lemah, dibutuhkan banyak haar feature untuk mendeskripsikan
obyek dengan akurasi yang tinggi dan disusun menjadi cascade classifier untuk
membentuk classifier yang lebih kuat.
Cascade classifier
Cascade calssifier terdiri dari beberapa tahap yang adalah gabungan dari weak learners.
Weak learners yang ada adalah pengklasifikasi sederhana yang dapat disebut decision
stumps. Setiap tahap dilatih tengan teknik yang disebut dengan boosting. Boosting
memiliki kemampuan untuk melatih klasifikasi dengan akurasi tinggi dengan
mengambil rata-rata yang ada pada keputusan yang dibuat oleh weak learners. Setiap
tahap dari klasifikasi menglabel daerah yang ditentukan dari lokasi kotak yang
bergerak dengan nilai positif atau negatif. Nilai positif mengindikasikan bahwa obyek
telah ditemukan dan negatif mengindikasikan bahwa tidak ada obyek yang ditemukan.
Jika dinilai negatif, maka klasifikasi dari daerah tersebut sudah selesai dan detektor
akan bergerak ke daerah selanjutnya. Jika dinilai positif, maka klasifikasi akan
dilanjutkan ke langkah selanjutnya. Detektor akan melaporkan bahwa obyek berhasil
ditemukan pada saat tahap terakhir sudah dilakukan.
Cascade classifier training membutuhkan set dari sampel positif dan negatif. Set positif
harus disediakan dengan menandai daerah yang ingin dijadian nilai positif tersebut. Hal
ini dapat dilakukan dengan menggunakan image labeler untuk menglabel obyek
dengan batasnya. Selanjutnya, image labeler akan memberikan tabel output yang dapat
digunakan untuk mengidentifikasi sampel positif. Untuk mendapatkan akurasi detektor
yang dapat diterima, jumlah tahap, jenis fitur, dan parameter yang lain harus
ditentukan.
import os
import glob
import dlib
win = dlib.image_window()
# We will track the frames as we load them off of disk
for k, f in enumerate(sorted(glob.glob(os.path.join(video_folder,
"*.jpg")))):
print("Processing Frame {}".format(k))
9
img = dlib.load_rgb_image(f)
win.clear_overlay()
win.set_image(img)
win.add_overlay(tracker.get_position())
dlib.hit_enter_to_continue()
Kalkukasi kecepatan
Untuk menghitung kecepatan, terdapat beberapa kalkukasi lain yang harus
dilakukan terlebih dahulu agar kecepatan dapat diketahui. Terdapat ppm (pixels per
meter), d_pixel dan d_meters. Nilai dari ppm dapat bervariasi dari setiap jalan dan
harus disesuaikan jika ingin mengukur kecepatan pada jalan yang lain. Untuk
menghitung nilai ppm, terdapat beberapa informasi yang harus diketahui yaitu panjang
jalan sesungguhnya dan panjang jalan pada video dalam satuan pixel. Dari kedua
informasi tersebut, ppm dapat diketahui dengan membagi jumlah pixel dengan jarak
sesungguhnya. Pada pengukuran kali ini, digunakan video jalan pada Margonda Raya.
Ukuran dari video yang digunakan adalah 540 x 960 dengan panjang jalan sepanjang
65m. didapatkan nilai ppm sebesar 14.7 untuk video pada jalan Margonda Raya.
D_pixel akan memberikan jarak dalam satuan pixel yang sudah ditempuh oleh
kendaraan pada satu frame dari video processing. Untuk mengestimasi kecepatan
dengan satuan yang standar, maka satuan d_pixel harus dikonversikan ke d_meter
dengan menggunakan nilai ppm yang sudah didapatkan sebelumnya. Selanjutnya,
kecepatan dapat dihitung dengan persamaan speed = d_meters * fps * 3.6. satuan yang
10
akan didapatkan dari persamaan ini adalah kecepatan dalam km/jam. Konstanta 3.6
digunakan untuk mengkonversikan nilai m/s menjadi km/jam.
BAB 3
HASIL DAN PEMBAHASAN
3.1. Hasil
3.2. Pembahasan
12
BAB 4
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Dari Proyek yang telah dijalankan, Kami dapat mengambil beberapa
kesimpulan yaitu sebagai berikut:
5.2. Saran
Dari Proyek yang telah dijalankan, Kami dapat mengambil beberapa saran yaitu
yaitu sebagai berikut:
D
13
DAFTAR REFERENSI
1. Smith M. E., McEvoy L. K., Gevins A. (1999). Neurophysiological indices of strategy development
and skill acquisition. Cogn. Brain Res. 7, 389–404. 10.1016/S0926-6410(98)00043-3
2. Anderson J. R., Bothell D., Fincham J. M., Anderson A. R., Poole B., Qin Y. (2011). Brain regions
engaged by part- and whole-task performance in a video game: a model-based test of the
decomposition hypothesis. J. Cogn. Neurosci. 23, 3983–3997. 10.1162/jocn_a_00033
3. Prakash R. S., De Leon A. A., Mourany L., Lee H., Voss M. W., Boot W. R., et al. (2012).
Examining neural correlates of skill acquisition in a complex videogame training program. Front.
Hum. Neurosci. 6:115. 10.3389/fnhum.2012.00115
4. Palaus, M., Marron, E. M., Viejo-Sobera, R., & Redolar-Ripoll, D. (2017). Neural Basis of Video
Gaming: A Systematic Review. Frontiers in Human Neuroscience, 11, 248.
http://doi.org/10.3389/fnhum.2017.00248
5. Verner J. Knott, David Bakish, Stacey Lusk, John Barkely, Mary Perugini, Quantitative EEG
correlates of panic disorder, In Psychiatry Research: Neuroimaging, Volume 68, Issue 1, 1996,
Pages 31-39, ISSN 0925-4927, https://doi.org/10.1016/S0925-4927(96)02962-9.
6. Carvalho, Marcele Regine de, Velasques, Bruna Brandao, Cagy, Mauricio, Marques, Juliana
Bittencourt, Teixeira, Silmar, Nardi, Antonio Egidio, Piedade, Roberto, & Ribeiro, Pedro. (2013).
Electroencephalographic findings in panic disorder. Trends in Psychiatry and
Psychotherapy, 35(4), 238-251. Epub December 00, 2013.https://dx.doi.org/10.1590/2237-6089-
2013-0012
http://dlib.net/correlation_tracker.py.html
http://www.willberger.org/cascade-haar-explained/
http://dlib.net/python/index.html#dlib.correlation_tracker
14
LAMPIRAN
Main Program