REALISASI DETEKSI OBJEK PARKIR LIAR PADA LALU LINTAS JALAN BERBASIS

IoT (Internet of Things)

REALIZATION OF DETECTION OF WILD PARKING OBJECT IN IoT (Internet of Things)

ROAD TRAFFIC

Audrey Ikrardi Djihad1, Surya Michrandi Nasution, S.T., M.T.2, Anggunmeka Luhur Prasasti, S.T.,
M.T.3
1,2,3
Prodi S1 Tekni Komputer, Fakultas Teknik Elektro, Universitas Telkom
1
djihadaudrey@student.telkomuniversity.ac.id 2michrandi@telkomuniversitry.ac.id
3
anggunmeka@telkomuniversity.ac.id

Abstrak
Deteksi objek yang tidak dikenal merupakan masalah penting dalam bidang pengklasifikasian kendaraan
yang akan datang. Dalam objek deteksi, sudah banyak objek yang diklasifikasikan, seperti mobil, motor, sepeda
dan lain-lain. Namun masih banyak objek yang tidak dikenal terutama di Indonesia. Masih banyak objek yang
hanya ada di Indonesia namun tidak ada di negara lain. Seperti parkir liar, gerobak pedagang kaki lima, dan
masih banyak lagi.
Maka dari itu penulis mengangkat tema deteksi objek. Proposal ini mengusulkan tentang mendeteksi objek
yang tidak dikenal. Objek yang penulis akan dideteksi ialah parkir liar.
Dengan alat yang akan penulis buat, akan ada pengklasifikasian baru yaitu parkir liar. Dengan begini akan
lahir klasifikasi baru dalam deteksi objek yaitu objek parkir liar. Jadi masyarakat asing tidak akan bingung
dengan situasi yang akan mereka temui di Indonesia.

Kata Kunci: deteksi objek, objek yang tidak dikenal, parkir liar.

Abstract
Detection of unknown objects is an important problem in the field of classification of vehicles to come. In
object detection, many objects have been classified, such as cars, motorcycles, bicycles and others. But there are
still many unknown objects, especially in Indonesia. There are still many objects that only exist in Indonesia but
not in other countries. Like illegal parking, carts street vendors, and many more.
Therefore the writer takes the object detection theme. This proposal proposes detecting unknown objects.
The object that the author will detect is wild parking.
With the tools the authors will make, there will be a new classification of illegal parking. In this way a new
classification of object detection will be born, namely illegal parking objects. So foreign people will not be
confused by the situation they will encounter in Indonesia.

Keywords: Object Detection, Uncommon Object, Illegal Parking.

1. Pendahuluan
Meningkatnya parkir ilegal menjadi semakin serius [11]. Parkir di jalan melibatkan penyumbatan jalur di mana
kendaraan diparkir, sehingga mengurangi kapasitasnya [14]. Pengenalan model kendaraan memainkan peran penting
dalam sistem transportasi cerdas [8]. Klasifikasi kendaraan dalam kemacetan lalu lintas merupakan tantangan besar
karena sulitnya melakukan segmentasi paket kendaraan yang berbeda yang berdiri berdampingan satu sama lain atau
bergerak dengan kecepatan sangat rendah [10]. Deteksi kendaraan di jalan adalah operasi penting dalam sistem
keselamatan aktif otomotif seperti penghindaran benturan, bantuan gabungan, bantuan perubahan jalur, dan lain lain
[4]. Namun pada saat ini, objek yang dideteksi masih berupa common object atau objek yang dikenal, seperti mobil,
motor, sepeda dan lain lain. Masih belum ada deteksi yang mendeteksi atau mengklasifikasi uncommon object atau
objek yang tidak dikenal. Dengan alat ini, diharapkan bias membuat pengklasifikasian baru dalam dunia deteksi objek.
Faster R-CNN merupakan algoritma deep learning perkembangan dari Convolutional Neural Network (CNN) yang
mampu melakukan klasifikasi gambar dengan tingkat akurasi yang tinggi serta performansi yang baik [6]. Masalah
tersebut merupakan kategori klasifikasi objek dimana Faster R-CNN dapat mengatasinya.
Oleh karena itu, pada penelitian tugas akhir ini dilakukan perancangan sistem untuk melakukan proses klasifikasi
deteksi Uncommon Object yang objeknya berupa parkir liar. Sistem deteksi objek ini berupa aplikasi berbasis desktop
dengan menggunakan Raspberry Pi yang tersambung dengan USB Webcam. Metode yang digunakan dalam sistem ini
adalah algoritma Faster R-CNN yang berfungsi untuk melakukan klasifikasi deteksi objek. Sistem ini diharapkan dapat
menciptakan deteksi objek baru berupa parkir liar.
2. Dasar Teori
Faster R-CNN
Faster R-CNN adalah detektor dua tahap yang terutama terdiri dari tiga komponen utama: lapisan
konvolusional Shared Bottom, Regional Proposal Network (RPN) dan Region of Interest (RoI). Arsitektur
diilustrasikan di Gambar 2.2.

Gambar 2.2 Faster R-CNN [1]

Pertama gambar input diwakili sebagai peta fitur konvolusional yang dihasilkan oleh lapisan
convolutional shared bottom. Berdasarkan peta fitur tersebut, RPN membuat deteksi objek kandidat, selanjutnya
klasifikasi berdasarkan ROI memprediksi label kategori dari vektor fitur yang diperoleh dengan menggunakan
ROI-pooling. Training loss terdiri dari hilangnya RPN dan hilangnya klasifikasi ROI:

L det = L rpn + L roi

Training loss dari RPN dan ROI memiliki dua istilah kerugian: satu untuk klasifikasi seperti seberapa akurat
probabilitas yang diprediksi, dan yang lainnya adalah hilangnya regresi pada koordinat kotak untuk lokalisasi yang
lebih baik [1].
• Region Proposal Network
Faster RCNN menggantikan proposal wilayah eksternal dari pencarian selektif atau algoritma proposal
lainnya dengan jaringan proposal wilayah gabungan di dalam Faster RCNN. Biasanya RPN mengambil
peta fitur gambar sebagai input, menghasilkan satu set proposal objek persegi panjang, masing-masing
dengan skor objektivitas. Kami memetakan setiap jendela geser n*n (mengingat n = 3) ke fitur dimensi
yang lebih rendah. Bidang penerimaan aktual cukup besar jika memproyeksikan koordinat kembali ke
ukuran input mentah. Operasi ini dilakukan dengan menerapkan 3*3*256 kernel konvolusional pada peta
fitur. Dengan cara ini, kita akan mendapatkan lapisan perantara di 256-d. Kemudian lapisan menengah akan
diumpankan ke dalam dua cabang yang berbeda, satu untuk skor objektivitas (pengklasifikasi) dan yang
lainnya untuk regresi.
Setiap jendela geser memiliki jangkar yang terpusat dengan ukuran dan rasio aspek yang berbeda, jadi
kami memiliki total jangkar W*H*k di mana W dan H masing-masing adalah lebar dan tinggi jangkar dan
k adalah jumlah jangkar. Penanda ini memberi kami cara yang hemat biaya untuk mendapatkan proposal
kawasan dengan menggunakan pendekatan piramida [2].
• Training Loss
Mengikuti kehilangan multi-tugas di Faster R-CNN, kami meminimalkan fungsi tujuan yang pasti
sebagai berikut:
𝑁𝑐𝑙𝑠 𝑁𝑟𝑒𝑔
1 𝜆
𝐿 ({𝑝𝑖 }, {𝑡𝑖 }) = ∑ 𝐿𝑐𝑙𝑠 (𝑝𝑖, 𝑝𝑖∗ ) + ∑ 𝑝𝑖∗ 𝐿𝑟𝑒𝑔 (𝑡𝑖 , 𝑡𝑖∗ )
𝑁𝑐𝑙𝑠 𝑁𝑟𝑒𝑔
𝑖=1 𝑖=1

Dimana i adalah indeks dari kotak jangkar ke-i, 𝑝𝑖 adalah probabilitas jangkar i menjadi objek. Jika jangkar
dilabeli sebagai sampel positif, probabilitas yang sesuai 𝑝𝑖∗ diatur ke 1. Sebaliknya, probabilitas 𝑝𝑖∗ diatur
ke 0 saat jangkar dilabeli sebagai sampel negatif. 𝑡𝑖 adalah vektor yang mewakili 4 koordinat parameter
dari kotak pembatas yang diprediksi, dan 𝑡𝑖∗ adalah vektor koordinat dari kotak terikat ground-truth yang
sesuai. 𝐿𝑐𝑙𝑠 adalah klasifikasi loss function, dan 𝐿𝑟𝑒𝑔 adalah regresi loss function. 𝑁𝑐𝑙𝑠 dan 𝑁𝑟𝑒𝑔 adalah
koefisien normalisasi dari klasifikasi loss function 𝐿𝑐𝑙𝑠 dan regresi loss function 𝐿𝑟𝑒𝑔 masing-masing. 𝜆
adalah parameter bobot antara 𝐿𝑐𝑙𝑠 dan 𝐿𝑟𝑒𝑔 .
Klasifikasi loss function 𝐿𝑐𝑙𝑠 adalah kehilangan logaritmik dari dua kategori (target vs non-target), dan
didefinisikan sebagai berikut:
𝐿𝑐𝑙𝑠 (𝑝𝑖, 𝑝𝑖∗ ) = − log[𝑝𝑖∗ 𝑝𝑖 + (1 − 𝑝𝑖∗ )(1 − 𝑝𝑖 )]

Untuk regresi loss function, didefinisikan sebagai:

𝐿𝑟𝑒𝑔 (𝑡𝑖, 𝑡𝑖∗ ) = 𝑅(𝑡𝑖 − 𝑡𝑖∗ )

Dimana R adalah loss function yang kuat dengan definisi sebagai:

0.5𝑥 2 , |𝑥| < 1

𝑅(𝑥) = {
|𝑥| − 0.5, 𝑜𝑡ℎ𝑒𝑟𝑠

Empat koordinat untuk regresi kotak terikat diberikan sebagai berikut:

𝑥 − 𝑥𝛼 𝑤
𝑡𝑥 = , 𝑡𝑤 = log ( )
𝑤𝛼 𝑤𝛼
𝑦 − 𝑦𝛼 ℎ
𝑡 = , 𝑡ℎ = log ( )
{ 𝑦 ℎ𝛼 ℎ𝛼
𝑥 ∗ − 𝑥𝛼 ∗ 𝑤∗
𝑡𝑥∗ = , 𝑡𝑤 = log ( )
𝑤𝛼 𝑤𝛼
∗
𝑦 − 𝑦𝛼 ℎ∗
𝑡𝑦∗ = , 𝑡ℎ∗ = log ( )
{ ℎ𝛼 ℎ𝛼

Dimana x dan y adalah koordinat pusat kotak jangkar, w dan h adalah lebar dan tinggi kotak jangkar. x,
𝑥𝛼 , dan 𝑥 ∗ masing-masing adalah koordinat untuk kotak prediksi, kotak jangkar, dan kotak ground-truth
(juga untuk y, w, h). Kotak prediksi diperoleh dari proses fine-tuning kotak anchor dengan regresi hingga
mendekati kotak ground-truth. Proses fine-tuning ditunjukkan pada Gambar 2.3 [9].

Gambar 2.3 Proses fine-tuning [9]

3. Pembahasan
3.1 Perancangan dan implementasi sistem

Gambar 1 Diagram alur sistem

proses alur sistem dimana proses awal ialah streaming dari USB webcam dan dilanjutkan dengan tahap tracking
serta proses yang terakhir ialah melakukan pendeteksian objek dengan menggunakan metode Faster R-CNN sebagai
feature extraction.
4. Pengujian Sistem

4.1. Skenario Pengujian

Skenario Pengujian pada Object Detection dilakukan dengan pengujian pada Raspberry Pi dan webcam yang mana
Raspberry Pi sebagai otak untuk menjalankan program dan webcam sebagai sensor pengolah citra pada Raspberry Pi
dengan menggunakan metode Faster R-CNN untuk mendeteksi objek disekitar, mendeteksi objek dengan jarak yang
berbeda dengan tujuan mengetahui kecepatan dan keakuratan dalam mendeteksi objek.

4.2. Pengujian Deteksi Jarak Objek “Ada” Dengan Kualitas Rendah

4.2.1 Tujuan Pengujian Pendeteksian Jarak Objek “Ada” Dengan Kualitas Rendah
Tujuan dari pengujian deteksi jarak objek “Ada” dengan kualitas rendah adalah untuk mengetahui apakah
Raspberry Pi dan webcam dapat mendeteksi atau tidak ketika objek “Ada”.
4.2.2 Hasil Pengujian dan Analisa
1. Hasil Pengujian Deteksi Jarak Objek “Ada” Dengan Kualitas Rendah
Hasil dari pengujian dan analisa adalah sebagai berikut:
Tabel 1 Hasil Deteksi Objek “Ada”
Jarak Objek (m) Deteksi
15 True
30 True
45 False
Akurasi 66,67%

Judul Bagan
80
70 6667,00%

60
50
40
30
20
20 17

10
0 0,82 0,78 0,81 1 1 0
0
Waktu (s) FPS Deteksi

15 Meter 30 Meter 45 Meter Akurasi

Gambar 1 Grafik deteksi jarak objek “Ada” dengan kualitas rendah

Hasil yang didapatkan oleh pengujian deteksi objek “Ada” dengan kualitas rendah menggunakan metode Faster
R-CNN berdasarkan jarak dapat dilihat pada gambar 1. Pada tabel ini didapatkan rata-rata akurasi dengan rumus
perhitungan sebagai berikut:
𝐽𝑢𝑚𝑙𝑎ℎ 𝐻𝑎𝑠𝑖𝑙 𝐷𝑒𝑡𝑒𝑘𝑠𝑖
Akurasi = 𝑥 100%
𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑢𝑗𝑖 𝑐𝑜𝑏𝑎
Pada pengujian deteksi objek “Ada” kali ini, jarak awal untuk pengujian dengan menggunakan sensor kamera
webcam diatas ditentukan dan dimulai dari jarak 15m antara sensor kamera dengan objek karena jarak tersebut
merupakan jarak yang tepat agar objek bisa masuk dan nampak ke dalam frame dari sensor kamera secara keseluruhan.
Dilihat dari hasil pengujian diatas, semakin dekat jarak antara sensor kamera dan objek maka akan semakin mudah
terdeteksi karena keseluruhan objek dapat diinisialisasi oleh metode Faster R-CNN. Untuk jarak 45m belum dapat
diinisialisasi oleh sistem dikarenakan ukuran objek terlalu kecil dan jauh dari frame kamera.
5. Kesimpulan

Berdasarkan hasil pengujian dan Analisa yang telah dilakukan pada bab sebelumnya maka dapat disimpulkan:
1. Dari hasil pengujian deteksi objek telah didaptkan hasil yang sama dengan jumlah objek yang ada pada ruangan
tersebut. Dalam pengujian jumlah objek mencapai ± 100%
2. Dari hasil pengujian deteksi jarak objek dapat disimpulkan bahwa ukuran objek dan jarak berpengaruh bagi lidar
dalam melakukan fungsinya yaitu mendeteksi dan merepresentasikan dalam bentuk map, dan juga semakin dekat
dan luas diametenya objek semakin cepat pula lidar mendeteksi dan merepresentasikannya.
3. Dari hasil dan analisis Cartographer SLAM sangat cocok untuk digunakan sebagai package SLAM dengan sensor
LIDAR karna dapat mengubah nilai LIDAR menjadi IMU.
 Daftar Pustaka:

[1] Yuhua Chen, Wen Li, Christos Sakaridis, Dengxin Dai, Luc Van Gool. (2018). Domain Adaptive Faster R-
CNN for Object Detection in the Wild. CVF

[2] Lokanath M, Sai Kumar K, Sanath Keerthi E. (2017). Accurate object classification and detection by faster-
RCNN. IOP
.
[3] J. Lámer, D. Cymbalak, F. Jakab. (2013). Computer vision based object recognition principles in education.
IEEE

[4] Ravi Kumar Satzoda, Mohan Manubhai Trivedi. (2016). Multipart Vehicle Detection Using Symmetry-
Derived Analysis and Active Learning. IEEE

[5] Kaijing Shi, Hong Bao, Nan Ma. (2017). Forward Vehicle Detection Based on Incremental Learning and
Fast R-CNN. IEEE

[6] Yeong-Hyeon Byeon, Keun-Chang Kwak. (2017). A Performance Comparison of Pedestrian Detection
Using Faster RCNN and ACF. IEEE

[7] Foo Chong Soon, Hui Ying Khaw, Joon Huang Chuah, Jeevan Kanesan. (2018). Hyper-parameters
optimisation of deep CNN architecture for vehicle logo recognition. IET

[8] Foo Chong Soon, Hui Ying Khaw, Joon Huang Chuah, Jeevan Kanesan. (2018). PCANet-Based
Convolutional Neural Network Architecture For a Vehicle Model Recognition System. IEEE

[9] Yu Liu. (2018). An Improved Faster R-CNN for Object Detection. IEEE

[10] Porn-anan Raktrakulthum, Chayakorn Netramai. (2017). Vehicle Classification in Congested Traffic Based
on 3D Point Cloud Using SVM and KNN. IEEE

[11] Xuemei Xie, Chenye Wang, Shu Chen, Guangming Shi, Zhifu Zhao. (2017). Real-Time Illegal Parking
Detection System Based on Deep Learning. ICDLT

[12] Kye-HyeonKim, Sanghoon Hong, Byungseok Roh, Yeongjae Cheon, Minje Park. (2016). PVANET: Deep
but Lightweight Neural Networks for Real-time Object Detection. Cs.CV

[13] Chin-Kit Ng, Soon-Nyean Cheong, Wen-Jiun Yap, Yee-Loo Foo. (2018). Outdoor Illegal Parking
Detection System Using Convolutional Neural Network on Raspberry Pi. International Journal of
Engineering & Technology

[14] A. Ramadan, M. J Roorda. (2017). An Integrated Traffic Microsimulation Model Of Illegal On-Street
Parking In Downtown Toronto. UTTRI
[15] YongzhengXu, GuizhenYu, YunpengWang, XinkaiWu, YalongMa. (2017). Car Detection from Low-
Altitude UAV Imagery with the Faster R-CNN. Hindawi
[16] K. Takaya, T. Asai, V. Kroumov, and F. Smarandache, “Simulation environment for mobile robots testing
using ROS and Gazebo,” 2016 20th Int. Conf. Syst. Theory, Control Comput. ICSTCC 2016 - Jt. Conf.
SINTES 20, SACCS 16, SIMSIS 20 - Proc., pp. 96–101, 2016.

[17] Xiaotong Zhao, Wei Li, Yifan Zhang, T. Aaron Gulliver, Shuo Chang, Zhiyong Feng. (2016). A Faster
RCNN-based Pedestrian Detection System. IEEE