Anda di halaman 1dari 9

ANALISA PENGENALAN RAMBU LALU LINTAS MENGGUNAKAN WEBCAM BERBASIS PRINCIPAL

COMPONENT ANALYSIS (PCA) DAN K-NEAREST NEIGHBOUR (KNN)


Traffic Sign Recognition using Digital Camera based on Principal Component Analysis and KNN

Balqis Yafis1 Bambang Hidayat,DR.,Ir.2 Eko Susatio S.T.,M.T.3


(balqisyafis@gmail.com) (bbh@ittelkom.ac.id ) (tio@ittelkom.ac.id)

Fakultas Elektro Dan Komunikasi – Institut Teknologi Telkom


Jl. Telekomunikasi, Dayeuh Kolot Bandung 40257 Indonesia

ABSTRAK
Tugas akhir merancang sebuah sistem yang mampu mendateksi 12 Jenis Citra rambu lalu lintas, yaitu rambu
larangan, perintah, dan petunjuk. Masukannya berupa gambar berdimensi tinggi dengan format .jpg yang kemudian
mendeteksi posisi rambu dengan analisis warna,sehingga citra rambu nya dapat diproses untuk selanjutnya dilakukan
proses pengenalan.
Metode yang digunakan yaitu PCA (Principal Component Analysis) dan K-Nearest Neighbour. Secara umum,
proses yang dilakukan ada empat tahap, dimulai dari tahapan preprocessing, segmentasi, ekstraksi ciri dengan
menggunakan PCA, dan pengenalan rambu dengan K-NN. Pada tahap preprocessing tahapannya yaitu melakukan
thresholding citra RGB.Segmentasi yang dilakukan merupakan segmentasi citra rambu yang telah di bounding box yang
telah memenuhi beberapa syarat .
Dari hasil pengujian diperoleh nilai PC terbaik yaitu 30 PC sedangkan untuk KNN, tipe cosine merupakan
metode terbaik untuk kasus ini,dengan akurasi 96.67 % dan waktu komputasi 2.34 detik.

Kata kunci : principal component analysis (PCA), K-Nearest neighbor, rambu lalu lintas.

ABSTRACT
This final project is about designing a system that can detect three types of traffic signs, the signs for
prohibitions, orders, and instructions. Input in the form of high-dimensional image format. JPG and then detect the
position of the traffic signs, so that the image can be processed to sign him then performed the recognition.
The method used is PCA (Principal Component Analysis) and K-Nearest Neighbour. In general, the process is
done, there are four stages, starting from the stage of preprocessing, segmentation, feature extraction using PCA, and
the introduction of signs with K-NN. At this stage the preprocessing stage thresholding RGB images to binary images
using color analysis. Segmentation is a segmentation of the image carried signs that had been in the bounding box with
several condition.
From the test results obtained for the value PC Principal Component Analysis is 30 PC (Principal Component)
and the average computation time? second. As for the KNN using cosine method is way better in this case. With 96.67
% accuracy and computational time 2.34 seconds.

Keyword : Principal Component Analysis (PCA), K-Nearest Neighbour, traffic signs

BAB I.PENDAHULUAN menggunakan metode Principal Component


Analysis dan K-Nearest Neighbour. Pemilihan
1.1 Latar Belakang metode sendiri didasari pada kemampuan reduksi
Rambu lalu lintas merupakan salah satu alat matriks oleh PCA tanpa mengurangi karakteristik
perlengkapan jalan dalam bentuk tertentu yang dan kesederhanaan KNN (K Nearest Neighbour)
memuat lambang, huruf, angka, kalimat dan/atau dalam melakukan klasifikasi, diharapkan
perpaduan di antaranya, yang bertujuan penggabungan metode tersebut mampu menangani
mempermudah pengguna jalan[1]. Rambu lalu kasus pengenalan jenis rambu dengan baik dengan
lintas di desain agar mudah dibaca dan dikenali, waktu yang cepat..
Salah satu desain otomatis yang ditampilkan pada Pada penelitian sebelumnya, telah dibuat
ciri-ciri kendaraan saat ini atau masa datang adalah pengenalan rambu dengan menggunakan metode
proses computer vision, di antaranya bagaimana gabor filter sebagai ekstraksi ciri, dan KNN (K
system kendaraan dapat mengenali rambu-rambu Nearest Neighbour) sebagai klasifikasi, dengan
lalu lintas dengan membuat sistem peringatan tingkat akurasi sebesar 79.69%. sedangkan untuk
rambu rambu lalu-lintas pada kendaraan tersebut. metode yang digunakan, yaitu gabor filter dan
Penelitian ini dimaksudkan untuk Template Matching, telah digunakan juga
mengembangkan suatu aplikasi yang dapat sebelumnya untuk pengenalan rambu lintas dengan
mengenali citra rambu lalu lintas, dengan data uji berupa citra rambu sepenuhnya, sedangkan
dalam penelitian ini data uji yang digunakan 1. Pendefinisian dan Perumusan Masalah
adalah citra yang terdiri dari rambu dan
Bertujuan untuk mendefinisikan masalah
lingkungan sekitarnya,sehingga dalam penelitian
secara jelas baik dari segi keluasan maupun
ini dibutuhkan proses deteksi posisi rambu
kedalaman pembahasannya.
sehingga akan lebih memudahkan untuk penelitian
2. Studi Kepustakaan
seterusnya dengan input video dan secara realtime.
1.2 Tujuan Penelitian Digunakan untuk mempelajari teori-teori dasar
Tujuan tugas akhir ini adalah sebagai berikut serta sebagai sarana pendukung dalam
1. Sistem mampu mengklasifikasikan citra menganalisa permasalahan yang ada.
rambu ke dalam jenis tertentu dengan 3. Perumusan Hipotesis
menerapkan PCA dan KNN.
Berguna untuk membantu menuntun agar
2. Melakukan analisis PCA dan KNN pada
mencapai hasil sesuai dengan yang diharapkan
sistem.
pada tugas akhir ini. Hal yang dijadikan
3. Menganalisa performasi sistem dengan
hipotesis adalah pernyataan yang ada pada
parameter tingkat keakuratan identifikasi dan
rumusan masalah.
waktu yang dibutuhkan sistem untuk
4. Pengumpulan Data
mengklasifikasi citra rambu.
Bertujuan untuk mendapatkan citra masukan
1.3 Rumusan Masalah yang berupa citra dengan format .jpg
Permasalahan yang akan menjadi objek penelitian 5. Pengolahan dan Penyajian Informasi
pada tugas akhir ini adalah sebagai berikut :
Bertujuan untuk mengolah data yang diperoleh
1. Bagaimana membangun sistem yang mampu
sehingga informasi yang tersaji lebih mudah
mendeteksi dan mengklasifikasikan setiap
diinterpretasikan dan dianalisis lebih lanjut.
citra rambu.
6. Analisis dan Interpretasi
2. Seberapa banyak jumlah Principal
Component (PC) yang digunakan untuk Bertujuan untuk menganalisis lebih lanjut data
mereduksi dimensi data input KNN namun yang telah diperoleh dengan menggunakan
tetap mempertahankan akurasi. PCA (Principal Component Analysis) dan K-
3. Bagaimana tingkat akurasi dan performansi Nearest Neighbour agar diperoleh hasil yang
sistem dengan menggunakan metode PCA dan optimal.
KNN dalam menangani klasifikasi citra 7. Pengambilan Kesimpulan
rambu.
Bertujuan untuk merangkumkan hasil yang
1.4 Batasan Masalah didapat dari penelitian terkait dengan tujuan
Agar dalam pengerjaan tugas akhir ini didapatkan
penelitian.
hasil yang optimal, maka digunakan batasan masalah
sebagai berikut :
1. Citra yang menjadi masukkan adalah rambu
yang di-capture dalam keadaan cuaca cerah 1.6 Sistematika Penulisan
menggunakan kamera digital. Format gambar Tugas akhir ini disusun berdasarkan sistematika
yang digunakan adalah JPEG berukuran 307 x sebagai berikut :
230 pixel. BAB 1 : Pendahuluan
2. Pengambilan gambar tidak bersifat realtime. Pada bab ini akan dibahas mengenai latar
Data citra masukkan untuk pengolahan citra belakang penelitian, rumusan masalah, tujuan
telah ada di dalam database. penelitian, batasan masalah, metodologi penelitian, dan
3. Posisi pengambilan gambar dari sisi diagonal sistematika penulisan tugas akhir.
depan kendaraan disesuaikan dengan posisi BAB 2 : Landasan Teori
kendaraan di jalan raya. Pada bab ini berisi berbagai dasar teori yang
4. Toleransi jarak kamera dengan bagian depan mendukung dan mendasari penulisan tugas akhir ini,
kendaraan saat pengambilan gambar sebesar 2 yaitu teori dasar citra digital, yaitu jenis – jenis rambu
hingga 4 meter. lalu lintas di Indonesia, teori dasar citra digital, PCA
5. Metode yang digunakan adalah PCA (Principal Component Analysis), K-Nearest
(Principal Component Analysis) dan K- Neighbour.
Nearest Neighbour. BAB 3 : Perancangan dan Implementasi
6. Software yang digunakan yaitu Matlab 2010a Pada bab ini akan dijelaskan mengenai proses
(32bit). perancangan dan implementasi pengenalan rambu lalu
lintas menggunakan analisis warna pada
1.5 Metodologi Penelitian preprocessing,ekstraksi ciri dengan metode PCA
Metodologi yang digunakan dalam menyelesaikan (Principal Component Analysis), dan K-Nearest
tugas akhir ini adalah sebagai berikut : Neighbour.
BAB 4 : Hasil dan Analisa
Pada bab ini akan dilakukan pengujian sistem 2.3. Format Warna
dan analisis hasil yang diperoleh dari tahap 2.3.1 RGB (Red, Green, Blue)[12]
perancangan dan implementasi. Format RGB (Red, Green & Blue) dapat
BAB 5 : Kesimpulan dan Saran direpresentasikan dengan menggunakan 3 layer. Citra
Pada bab ini akan diberikan kesimpulan RGB mempunyai array berukuran m x n x 3 yang
mengenai permasalahan yang dibahas berdasarkan mendefinisikan warna merah, hijau, dan warna biru
serangkaian penelitian yang dilakukan. Selain itu, pada untuk setiap pikselnya. RGB merupakan citra 24 bit
bab ini juga akan diberikan saran untuk pengembangan dengan komponen merah, hijau, dan biru disimpan
selanjutnya. masing-masing berukuran 8 bit[5]. Kombinasinya
menjadi 16 juta warna, sehingga disebut “true color”.
BAB II LANDASAN TEORI Pada format RGB, suatu warna didefinisikan sebagai
kombinasi (campuran) dari komponen warna R, G dan
2.1 Rambu Lalu Lintas[1] B.

Rambu lalu lintas adalah salah satu dari


perlengkapan jalan, berupa lambang, huruf, angka,
kalimat dan/atau perpaduan diantaranya sebagai
peringatan, larangan, perintah atau petunjuk bagi
pemakai jalan. Rambu lalu lintas di desain dengan
Warna, bentuk, ukuran, dan tingkat retrorefleksi
yang memenuhi standar sehingga akan menarik
perhatian pengguna jalan, mudah dipahami dan
memberikan waktu yang cukup bagi pengemudi Gambar 2.2 Komponen Warna RGB
dalam memberikan respon.Pada dasarnya Rambu
lalu lintas dibagi menjadi beberapa kategori, yaitu: 2.3.2 Grayscale[12]
Rambu peringatan, rambu larangan, rambu Graycsale dapat didefinisikan sebagai tingkat
perintah dan rambu petunjuk. keabu-abuan dari suatu citra. Tingkat warna abu-abu
dari sebuah piksel, dapat juga dikatakan tingkat cahaya
dari sebuah piksel. Maksudnya nilai yang terkandung
[3]
2.2. Pengolahan Citra Digital dalam piksel menunjukan tingkat terangnya piksel
Citra dapat didefinisikan sebagai bentuk visual tersebut dari hitam ke putih. Biasanya ditetapkan
yang dapat diterima secara baik oleh indera nilainya antara 0 hingga 255 (untuk 256 level derajat
penglihatan. Dalam bidang computer, citra atau keabuan), dengan 0 adalah hitam dan 255 adalah putih.
disebut juga image merupakan representasi
visual dari suatu objek setelah mengalami
berbagai transformasi data dari berbagai bentuk
rangkaian numerik. Komputer memiliki cara
pandang tersendiri terhadap suatu citra.Berbeda
dengan cara konvensional yang misalnya dengan
melalui proses fotografis seperti pada foto dapat
dihasilkan suatu citra nyata yang langsung dapat
dinikmati oleh indera penglihatan, citra pada Gambar 2.3 Derajat Keabuan (dari hitam ke putih)
computer harus melalui beberapa tahapan yang 2.3.3 Citra Biner[12]
cukup rumit. Tahapan – tahaan tersebut dapat Sebuah citra biner disimpan dalam matriks
digambarkan sebagai suatu rangkaian proses dari dengan nilai 0 dan 1. Pembentukan citra biner
proses akuisisi data, manipulasi data, visualisasi memerlukan nilai batas keabuan yang akan digunakan
data, serta proses penyimpanan data. sebagai nilai batas. Piksel dengan derajat keabuan lebih
besar dari nilai batas akan diberi nilai 1 dan sebaliknya
piksel dengan derajat keabuan lebih kecil dari nilai
batas akan diberi nilai 0.

Gambar 2.2 Citra f(x,y)

Gambar 2.4 Citra Biner


Adapun langkah proses PCA dapat
2.4. Thresholding digambarkan seperti diagram alir
Pengambangan merupakan proses pemisahan berikut[2]:
piksel berdasarkan derajat keabuan yang dimilikinya.
Piksel yang memiliki derajat keabuan lebih kecil dari
nilai batas yang ditentukan akan diberikan nilai 0,
sementara piksel yang memiliki derajat keabuan yang
lebih besar dari batas akan diubah menjadi bernilai 1.

2.6 Structuring Element


Structuring element dapat diibaratkan dengan
mask pada pemrosesan citra biasa (bukan secara
morfologi). Structuring element dapat berukuran
sembarang dan juga memiliki titik poros (disebut juga
titik origin/ titik asal/titik acuan. Belum ada pedoman
dalam pemilihan bentuk structuring element.
Umumnya pemilihan bentuk structuring element hanya
didasarkan pada kemiripan dengan bentuk objek yang 2.8 Klasifikasi[3]
diteliti (Gang Li, dkk, 2009). Klasifikasi (classification) adalah pemecahan
suatu kelas tertentu ke dalam kelas-kelas bawahan
2.5 Dilasi berdasarkan ciri-ciri khas yang dimiliki oleh angota-
Secara matematis dilasi set A oleh set B anggota kelas itu[3]. Dalam kasus klasifikasi rambu
didefinisikan dengan persamaan [6] : lalu lintas, proses pemecahan rambu ke dalam jenis
A  B  c c  a  b, a  A, b  B tertentu berdasarkan ciri-ciri yang dimiliki, yaitu warna
, pola dan bentuk rambu. Tujuan dari klasifikasi adalah
Dengan A adalah citra biner yang dikenakan operasi untuk mengetahui keseluruhan logis dari suatu konsep
(mengalami perubahan bentuk pada obyeknya) dan B dan bagian-bagiannya dengan lebih baik[3]. Beberapa
adalah citra yang melakukan operasi (tidak mengalami prisip klasifikasi adalah [3]:
perubahan bentuk). 1. Klasifikasi harus lengkap.
Jenis klasifikasi rambu yang telah dibuat harus
2.6 Morphologi Citra bisa memisahkan seluruh rambu yang
Morfologi adalah ilmu pengubahan bentuk ada.Klasifikasi harus sungguh-sungguh
untuk mengubah citra yang diperlukan. Pemrosesan memisahkan setiap rambu yang terdeteksi
citra secara morfologi biasanya dilakukan terhadap dalam jenis yang satu dengan jenis yang lain
citra biner (hanya terdiri dari 0 dan 1), walaupun tidak harus benar-benar dapat dibedakan.
menutup kemungkinan dilakukan terhadap citra dengan 2. Klasifikasi harus menurut prinsip / dasar yang
skala keabuan 0-255. Secara umum, pemrosesan citra sama (konsisten)
secara morfologi dilakukan dengan cara mem-passing Penentuan jenis setiap rambu menggunakan
sebuah structuring element terhadap sebuah citra prinsip yang sama untuk semua rambu, yaitu
dengan cara yang hampir sama dengan konvolusi. dengan membedakan warna dan bentuk rambu .
Beberapa operasi morfologi yang dapat kita lakukan 3. Klasifikasi harus sesuai dengan tujuannnya.
adalah Dilasi, Erosi, Opening, Closing, Thinning, dll. Klasifikasi rambu dilakukan dengan
membedakan warna, pola dan bentuk rambu,
2.7 Principal Component Analysis (PCA) sehingga informasi ukuran dan sebagainya tidak
Ide utama PCA adalah menemukan vektor – diperlukan.
vektor terbaik yang mampu mengakomodasi 4. Klasifikasi harus dilakukan secara rapi.
distribusi citra karakter dalam ruang citra.
Sebelum membentuk algoritma PCA, ada 2.8.1 KNN (K Nearest Neighbour)
beberapa hal yang perlu diketahui pada proses K-Nearest Neighbor (KNN) adalah suatu
PCA, diantaranya adalah: metode yang menggunakan algoritma
1. Setiap data citra harus dibentuk menjadi supervised dimana hasil dari query instance yang baru
matrik baris atau matrik kolom. diklasifikan berdasarkan mayoritas dari kategori pada
2. Nilai rata-rata citra yang dimaksudkan KNN. Tujuan dari algoritma ini adalah
adalah rata-rata keseluruhan citra. mengklasifikasikan obyek baru bedasarkan atribut
3. Melakukan proyeksi data setelah didapatkan dan training sample. Classifier tidak menggunakan
nilai eigenvector yang telah diurutkan nilai model apapun untuk dicocokkan dan hanya
eigenvalue nya. berdasarkan pada memori. Diberikan titik query, akan
2.7.1 Langkah – langkah Proses PCA ditemukan sejumlah k obyek atau (titik training) yang
paling dekat dengan titik query. Klasifikasi
menggunakan voting terbanyak diantara klasifikasi dari
k obyek. Algoritma KNN menggunakan klasifikasi 3.1.1 Akuisisi Citra
ketetanggaan sebagai nilai prediksi dari query Citra yang di ambil berasal dari 12 jenis rambu
instance yang baru. yang terdiri dari 3 rambu larangan, 2 rambu perintah,
dan 7 rambu peringatan. Dengan pengambilan gambar
Algoritma metode KNN sangatlah sebanyak 5 kali setiap rambu. Dalam pengambilan citra
sederhana, bekerja berdasarkan jarak terpendek dari digunakan alat untuk menyeragamkan jarak antara
query instance ke training sample untuk menentukan rambu dan kamera.
KNN-nya. Training sample diproyeksikan ke ruang
berdimensi banyak, dimana masing-masing dimensi
merepresentasikan fitur dari data. Ruang ini dibagi 3.1.2 Pre-Processing
menjadi bagian-bagian berdasarkan klasifikasi
training sample. Sebuah titik pada ruang ini ditandai Thresholding RGB
kelas c jika kelas c merupakan klasifikasi yang layer
paling banyak ditemui pada k buah tetangga terdekat
dari titik tersebut. Dekat atau jauhnya tetangga
Erosi
biasanya dihitung berdasarkan Euclidean Distance
yang direpresentasikan sebagai berikut :
Dilasi
d
D ( a, b)   (ak  bk )
k 1
2
(2.1) BWareaopen

Boundingbox
Dimana matriks D(a,b) adalah jarak skalar dari
kedua vektor a dan b dari matriks dengan
ukuran d dimensi. Crop

BAB III PERANCANGAN DAN IMPLEMENTASI resize 90x90 pixel


SISTEM

3.1 Perancangan Sistem Gambar 3.2 Diagram blok subsistem pre-processing


Sistem dirancang dengan tujuan utama dapat
menentukan arah gerakan objek bergerak dalam video Input dari subsistem ini adalah citra berukuran
secara otomatis, lalu menentukan jumlah objek yang 1024x768 piksel. Citra yang dihasilkan oleh kamera
lewat pada pintu masuk suatu ruangan dengan digital merupakan citra berwarna yang umumnya
melakukan analisis objek melalui ciri fisis sehingga memiliki komposisi warna RGB (Red, Green, Blue)
pada akhirnya dapat menetukan jumlah objek yang dengan level intensitas tertentu.
melewati area tersebut. Secara garis besar, sistem yang Preprocessing tahap kedua merupakan
dirancang sebagai berikut : imerode¸ digunakan dikarenakan masih ada noise yang
mulai mulai
tersisa setelah preprocessing tahap satu sampai lima,
dan ukuran noise nya mendekati bagian citra yang
Citra
Latih
Citra Uji diperlukan informasinya dalam hal ini karakter yang
akan dideteksi. Maka digunakan imdilate untuk
menebalkan garis pemisah antara rambu dan
Proprocessing Proprocessing
background, setelah ditebalkan maka dihapus noise
yang memiliki ukuran lebig besar atau lebih kecil dari
Ekstraksi ciri dengan Ekstraksi ciri dengan
PCA PCA rambu tersebut. Setelah itu pada tahap kedua dilakukan
erosi,dilasi dan bwareaopen untuk perbaikan kualitas
Pelatihan Klasifikasi citra. Setelah citra di lakukan thresholding dan operasi
dengan KNN dengan KNN
morfologi, lalu dilakukan pengambilan keputusan
Hasil
terhadap citra apa yang sesuai dengan syarat.
Pelatihan dan Pengenalan
Klasifikasi
3.1.3 Segmentasi Citra

Hasil Tahap selanjutnya adalah proses pengisolasian


Pengenal
an daerah batas rambu dari citra yang diperoleh. Beberapa
Gambar 3.1 Diagram blok sistem utama. gangguan yang mungkin terjadi dalam proses ini
berasal dari objek yang berwarna sama kontrasnya
seperti rambu. Hal ini akan mengakibatkan kesalahan Citra latih Hasil
Preprocessing
pada segmentasi citra.

Tingkat keberhasilan proses segmentasi sangat Normalisasi


Matriks Cari
Covariance
Ternormali Covariance
bergantung pada kualitas citra rambu yang diperoleh. Matriks
sasi matriks
Matriks

Dalam hal ini citra rambu yang didapat dengan


menggunakan kamera digital CASIO Exilim dalam Mean
format JPEG kemudian di-resize berukuran 1024 x 768 baris
matriks
secara manual. Sehingga kemungkinan kualitas citra
yang diperoleh tidak sama, tergantung dari jarak
Urutkan secara descending Eigenvector
pengambilan dan pencahayaan. Perbedaan ini dapat Eigenvector berdasarkan dan
Cari Eigenvector dan
Eigenvalues
Eigenvalues Eigenvalues
menyebabkan nilai warna rambu hilang, sehingga pada
saat proses masking rambu ikut hilang beserta
background-nya . Hal seperti ini akan mengganggu
proses segmentasi.
Eigenvector
Terurut

Principal Pilih Jumlah


Component PC

Gambar 3.4 Diagram blok proses pembentukan PC

Pada subsistem ini akan dilakukan proses:


1. Normalisasi
Mencari rata-rata dari matrik training hasil
preprocessing, setelah didapat nilai rata-
ratanya maka selanjutnya dilakukan
normalisasi.
2. Menentukan matrik kovarian
Gambar 3.6 hasil segmentasi citra rambu Menentukan matrik kovarian dengan cara
mengalikan transpose data normal dengan
matrik data normal.
Masukan pada subsistem ini berupa image hasil 3. Mencari eigenvalue dan eigenvector
bounding box yang memenuhi syarat rasio luas, rasio Nilai eigenvalue dan eigenvector.
4. Mencari nilai dari PC
maksimum luas dan rasio panjang dan lebar. Memiih nilai PC dimana sebelumnya nilai
eigenvector telah terurut secara descending
berdasarkan eigevalue. Pemilihan nilai PC
3.1.4 Ekstraksi Ciri dengan PCA dilakukan untuk mendapatkan nilai PC yang
PCA yang merupakan teknik multivariate sesuai.
dimana sejumlah dimensi yang saling berkorelasi
diubah menjadi sekumpulan dimensi yang tidak saling 3.2 Skema Perancangan dan Simulasi
berkorelasi dengan ukuran data yang lebih kecil.
Dengan metode ini, sebuah image 2D dengan dimensi
b baris dan k kolom dapat direpresentasikan kedalam
bentuk image 1D dengan dimensi n (n=b*k). PCA akan
menghasilkan dimensi yang baru yang dinamakan
Principal Component (PC) yang merupakan kombinasi
linier dari dimensi asli pada data atau citra asli.

Gambar 3.5 Skema peralatan sederhana

3.2.1 Proses Pengambilan Citra


Citra latih yang digunakan untuk database
pada pengujian sistem ini berjumlah 60 citra yang
terdiri dari 12 jenis rambu. Format citra berupa JPEG.
Ukuran citra latih 90x90 piksel. Citra latih terdiri atas 3. Mengetahui performansi dari sitem dengan
12 jenis rambu dimana tiap jenisnya terdiri dari 5 data. menganalisis tiap proses berdasarkan waktu
Untuk citra uji terdiri atas 60 citra rambu yang masih komputasi.
terdapat background, citra uji berukuran 1024x768
piksel, kemudian dideteksi posisi rambu sehingga
dimensi citra uji menjadi 90x90pixel. Berikut contoh 1.2.1 Parameter Pengujian
citra masukan yang ditunjukkan oleh Gambar 4.1 : Parameter yang diperhatikan pada Tugas Akhir
ini adalah akurasi dan waktu komputasi pada PC
(Principal Component) dan parameter k pada KNN.

1.2.2 Data Hasil Pengujian Sistem


Pengujian dilakukan dengan menggunakan data
citra rambu sebanyak 60 citra pada waktu pengambilan
dalam keadaan cerah.
4.2 Profil Objek Bergerak
Gambar 4.1 Citra masukan Pada Tugas Akhir ini, penulis menguji
beberapa objek manusia yang ukuran tubuhnya
berbeda, yaitu pria dewasa, wanita dewasa, dan anak-
3.2.2 Skenario Citra
anak. Dari hasil pengujian penulis menetapkan untuk
Pada skenario pengambilan parameter-parameter
membedakan objek sebagai manusia adalah dengan
yang dilihat adalah:
luas diatas 3000 piksel bernilai 1. Jenis strel yang
a. Perubahan threshold
dipakai adalah strel disk karena dari pnegujian
Threshold yang diuji pada rambu larangan adalah
diketahui bahwa penggunaan jenis strel disk
pada R=220,150,210 G=15,50,80 B=45,50,80 pada
menghasilkan piksel putih lebih banyak sehingga
rambu perintah R=10 G=60 dan 90 B=110 dan 160,
bentuk objek pada nilai threshold tertentu akan lebih
dan pada rambu peringatan R=225,180, 200
mendekati bentuk objek sebenarnya.
G=200,170,200 dan B=35,20,80 dengan nilai delta
sebesar 60.
1.3 Hasil Pengujian dan Analisis Data Sistem
b. Pengaruh nilai PC pada PCA
Skenario dilakukan untuk melihat pengaruh
PC yang diuji adalah PC1, PC10, PC20, PC30,
perubahan parameter-parameter terhadap objek yang
PC40, PC50 dan PC 60.
bergerak dari suatu ruangan ke ruangan lain serta
c. Pengaruh parameter K pada KNN
keluaran berupa tingkat akurasi sistem dalam
Nilai K yang diuji adalah k=1, 2,3,4 dan 5.
menghitung jumlah manusia yang terdeteksi sistem.
Pengujian dilakukan pada pagi, siang dan sore hari.
Adapun skenario pengambilan citra yang dilakukan
1.3.1 Hasil Pengujian Sistem
adalah sebagai berikut :
Pengambilan citra dilakukan di lokasi yang berbeda
Tabel 4.1 Tabel Akurasi perhitungan pada PC
dengan waktu yang berbeda atau lokasi yang sama
dengan waktu yang berbeda dengan objek yang diuji
Jenis Total Rambu yang terdeteksi
adalah posisi rambu untuk melihat pengaruh perubahan rambu
parameter-parameter di atas. 1 10 20 30 40 50 60
1 5 5 5 5 5 5 5
BAB IV ANALISIS HASIL SIMULASI SISTEM
2 0 5 5 5 5 5 5
4.1 Pengujian Sistem 3 0 2 2 3 4 4 4
Setelah merancang sistem pendeteksian rambu 4 0 5 5 5 5 5 5
lalu lintas maka langkah selanjutnya adalah melakukan
5 0 3 5 5 5 5 5
analisis terhadap sistem tersebut. Pada bab ini akan
dibahas hasil dari pengujian simulasi sistem 6 5 3 5 5 5 5 5
pengenalan rambu lalu lintas dengan menggunakan 7 0 5 5 5 5 5 5
pengolahan citra digital. Tujuan dari tahap ini : 8 0 4 5 5 5 5 5
1. Menganalisis pengaruh tahapan preprocessing 9 0 2 5 5 4 4 4
dalam pengklasifikasian. 10 0 5 5 5 5 5 5
2. Mengetahui performansi dan karakteristik sistem 11 0 5 5 5 4 4 4
dengan menganalisis parameter yang digunakan
berdasarkan berbagai kombinasi parameter PC 12 0 5 5 5 5 5 5
pada PCA (Principal Component Analysis) dan k- akurasi 16.67 81.67 95 96.67 95 95 95
nearest neighbor.
Berdasarkan tabel dan grafik pengujian maka
Dari table 4.1 diatas dapat dilihat bahwa jumlah diketahui bahwa udari hasil perhitungan akurasi dapat
dilihat hasil ekstraksi ciri dengan PCA dan klasifikasi
principal component (PC) sangat mempengaruhi
dengan K-Nearest Neighbour. Hasil rata-rata akurasi
tingkat keakurasian pengenalan. Semakin besar nilai tertinggi dengan memperhatikan parameter jenis
distance dan mengabaikan parameter lainnya, didapat
PC, nilai akurasi yang diperolehpun semakin besar. Hal
saat menggunakan metode cosine dengan nilai sebesar
ini dikarenakan PC menentukan seberapa banyak ciri 96.67% dan error terendah sebesar 16.7%. Sedangkan
rata-rata akurasi terendah didapat saat menggunakan
yang ingin kita ambil. Semakin banyak PC yang
metode Cityblock dengan nilai sebesar 90% dan error
diambil dari suatu data, maka akan semakin mirip terbesar sebesar 81.7%. Untuk hasil rata-rata
dengan data aslinya. akurasi tertinggi dengan memperhatikan
parameter nilai K adalah saat nilai K=4 yaitu
Nilai akurasi terbaik yang dihasilkan oleh sistem
yaitu mencapai 96.67 %, dimana sistem mampu sebesar 92.5% dan error terendah sebesar
mengenali data sebanyak 58 dari 60 total data uji. Pada 81.67%. Sedangkan rata-rata akurasi terendah
pengujian ini, minimum PC yang mampu didapat saat menggunakan nilai K=3 dengan
mengidentifikasi rambu yaitu sebanyak 30 PC. nilai sebesar 93.34% dan error terbesar sebesar
81.67%.
Tabel 4.2 Tabel Akurasi perbandingan PC dan distance Hasil klasifikasi yang terbaik diperoleh saat
menggunakan cosine. Kemudian yang terbaik
Distance
Jumlah PC
Akurasi kedua saat menggunakan correlation,,terbaik
1 10 20 30 40 50 60 ketiga saat menggunakan eucledian
Eucledian 25 81.7 93.3 93.3 91.7 91.7 93.3 81.45
distance,dan yang terburuk saat menggunakan
Cityblock 78.3 cityblock.
25 90 85 81.7 86.7 86.7 76.2
Cosine
Euclidean dan Cityblock tergolong dalam
16.7 81.7 95 96.7 95 95 95 82.15
metode pengukuran kemiripan berdasarkan
Correlaton 79.05
8.3 76.7 95 95 93.3 91.7 91.7 geometrik antar vektor latih dengan vektor uji,
sedangkan Correlation dan Cosine tergolong
Dari tabel 4.2 diatas dapat dilihat bahwa jenis dalam metode pengukuran kemiripan
distance yang performansinya paling cocok dengan berdasarkan himpunan antar vektor latih dengan
kasus ini adala cosine, dengan rata – rata akurasi di
semua PC 82.15% dan akurasi tertinggi terdapat pada
vektor uji. Jadi, klasifikasi rambu
saat PC 30, yaitu 96.67% dengan 58 data uji terdeteksi menggunakan 30 vektor ciri dapat dilakukan
benar,dari total 60 data uji. dengan pengukuran berdasarkan himpunan
vector latih dan vector uji yang terbukti dari
Tabel 4.3 Tabel Akurasi perhitungan k dan distance hasil akurasi klasifikasi yang lebih tinggi.
K Akurasi
Distance BAB V KESIMPULAN DAN SARAN
(%)
1 2 3 4 5
Eucledian 90 90 90 90 93.34 90.67 5.1 Kesimpulan
Cityblock 83.67 Berdasarkan analisis terhadap hasil pengujian
85 85 81.67 81.67 85
terhadap sistem pengenalan rambu lalu lintas
cosine 93.34 93.34 91.67 91.67 96.67 93.34 menggunakan metode PCA dan KNN, dapat diambil
Correlation 95 95 93.34 96.67 95 95 kesimpulan beberapa hal di bawah ini :
Dari table 4.3 diatas menyimpulkan bahwa 1. Sistem telah mampu menganalisis pengaruh
performansi distance cosine adalah yang terbaik, thresholding nilai RGB.
dengan error terndah sebesar 91.67% pada k=3 dan 2. Parameter PCA yang mempengaruhi di dalam
k=4, berarti terdapat satu vektor berdekatan yang proses ekstraksi cirri adalah PC (principal
digunakan sebagai pembanding, dengan nilai tersebut, component). Hubungan PC dan akurasi tidak
maka sudah dapat mewakili vektor ciri dari berbagai selamanya linear,hubungan akurasi dan waktu
kelas secara keseluruhan, error terendah terjadi pada kmputasi berbanding terbalik.
k=1,2,5 pada distance cityblock yaitu 85%,dimana data 3. Akurasi tertinggi di dapat saat menggunakan nilai
uji yang terdeteksi sebanyak 51 data dari total 60 data PC=30, jenis distance cosine dan nilai k=4 dengan
uji.. Hal tersebut disebabkan oleh terlalu banyaknya akurasi sebesar 96.67%,
vektor pembanding. 4. Intensitas cahaya sangat mempengaruhi dalam
1.3.2 Analisa Keseluruhan Sistem proses thresholding.

5.2 Saran
Penelitian lebih lanjut diharapkan dapat
memperbaiki beberapa kekurangan yang masih penulis
temukan pada sistem ini. Untuk itu penulis
menyarankan beberapa hal berikut untuk
pengembangan lebih lanjut:
1. Sistem dibuat secara realtime atau dengan input
video.
2. Posisi kedudukan camera yang sama untuk setiap
pengambilan gambar sehingga didapat tingkat
akurasi yang lebih akurat pada semua waktu
pengambilan.

DAFTAR PUSTAKA

[1] Affandi,Faisal.2004. Rambu Lalu Lintas Jalan


Indonesia.
[2] I Smith, Lindsay, A Tutorial on Principal
Component Analysis, Springer NY, 2008.
[3] MaMauridhi Hery P, Arif Muntasa, Konsep
Pengolahan Citra Digital dan Ekstraksi Fitur,
Graha Ilmu, Yogyakarta, 2010.
[4] Yofianto,Evan.(2009).K-NEAREST
NEIGHBOUR (K-NN). [online]. Tersedia:
http://kuliahinformatika.wordpress.com , diakses 8
Agustus 2012.
[5] Lisasaumi Rahmatna, Sistem Identifikasi Telapak
Tangan Menggunakan Automatic Region dan
Principal Component Analysis (PCA) serta
Pengklasifikasian Support Vector Machine (SVM)
,2011.Tugas Akhir Departemen Teknik
Informatika. IT Telkom, Bandung.
[6] Iqbal Razi, Klasifikasi Kendaraan menggunakan
Principal Component Analysis (PCA) dan
Learning Vector Quantization (LVQ), 2010. Tugas
Akhir Departemen Teknik Informatika. IT
Telkom, Bandung.
[7]http://www.informatika.org/~rinaldi/Buku/Pengolah
an%20Citra%20Digital/Bab-
1_Pengantar%20Pengolahan%20Citra.pdf Munir,
Rinaldi. Pengantar Pengolahan Citra.
[8] Wijaya, Marvin Ch dan Agus Prijono. 2007.
“Pengolahan Citra Digital Menggunakan Matlab
Image Processing Toolbox”, Informatika,
Bandung.
[9] Putri Chairina, Pengenalan Individu berdasarkan
gait menggunakan PCA dan K-Nearest
Neighbour, 2010. Tugas Akhir Departemen
Teknik Informatika Institut Teknologi
Telkom,Bandung
[10]http://id.wikipedia.org/wiki/Jalan_kolektor_primer
[11] Suhendra, Adang. Pengantar Pengolahan Citra.
Universitas Gunadharma, Jakarta.
[12] Sugiharto,Aris.”Pemrograman GUI dengan
MATLAB”, ANDI.