Perancangan Sistem Pengukuran Kepadatan Lalu lintas

Berbasis Nvidia Jetson Nano menggunakan Algoritma Single

Shot Multibox-Detector (SSD)

H Fauzi*, dan D Kuswardhana*

Departemen Pendidikan Teknik elektro, Universitas Pendidikan Indonesia,
Jl. Dr. Setiabudhi 207, Bandung 40154, Indonesia.

*hendrafauzi@student.upi.edu, *dandhi@upi.edu
Abstrak. Lalu lintas merupakan masalah penting karena lalu lintas adalah sarana untuk
berpindah dari suatu tempat ke tempat lain. Apabila lalu lintas terganggu atau terjadi kemacetan
maka mobilitas masyarakat juga akan mengalami gangguan. Data kepadatan lalu lintas memiliki
peranan penting untuk mengetahui kondisi lalu lintas. Saat ini untuk memperoleh data kepadatan
lalu lintas masih dilakukan dengan cara konvensional, dengan menugaskan beberapa orang
untuk menghitung setiap kendaraan yang lewat pada rentang waktu tertentu. Tujuan dari
penelitian ini dapat menerapkan algoritma Single Shot Multibox-Detector (SSD) untuk
mendeteksi kecepatan kendaraan, sekaligus menghitung jumlah kendaraan sehingga akan
didapatkan kepadatanya dalam rentang waktu tertentu. Hasil uji coba menunjukan bahwa alat
berfungsi sesuai dengan perencanaan. Pengukuran kecepatan kendaraan memiliki tingkat error
yang cukup rendah antara 0.9% – 9.65% sedangkan pada perhitungan jumlah kendaraan (arus)
memiliki tingkat error 0% – 15.4%.

1. Pendahuluan
Pada setiap tahun, peningkatan jumlah kendaraan semakin bertambah. Hal ini berakibat pada
munculnya masalah lalu lintas kendaraan, misalnya kemacetan lalu lintas, kecelakaan lalu lintas,
dan sebagainya. Kemacetan lalu lintas telah menjadi masalah yang signifikan, sehingga banyak
peneliti tertarik melakukan penelitian terhadap sistem transportasi cerdas (intelligent transportation
systems, ITS), seperti memprediksi arus lalu lintas, pada pemantauan kegiatan lalu lintas untuk
mendeteksi kemacetan. Dalam hal ini diperlukan peningkatan pengawasan lalu lintas pada deteksi
kendaraan [1].
Berbagai teknologi Computer Vision untuk sistem transportasi cerdas telah banyak dibuat
menggunakan algoritma yang ber-beda. Penulis dalam [2] membuat sistem pendeteksian kemacetan
menggunakan algoritma Background Substraction dengan cara menghitung arus lalu lintas pada
waktu tertentu. Penulis dalam [3] membuat sistem Penentuan Jumlah Kendaraan Menggunakan Blob
Detection dan Background Subtraction. Sementara penulis [4] membuat Sistem Pengukur
Kecepatan Kendaraan Berbasis Pengolahan Video. Namun penelitian – penelitian tersebut belum
menggunakan algoritma yang lebih canggih dari segi akurasi pendeteksiannya dan belum
menggabungkan menjadi sistem yang dapat mendeteksi kecepatan sekaligus menghitung jumlah
kendaraan untuk mendapatkan kepadatanya.
Oleh karena itu, penulis mencoba menggunakan Nvidia Jetson Nano dan LCD Waveshare 7”
800x400 sebagai komponen utama alat ini, serta menggunakan algoritma Single Shot Multibox-
Detector (SSD) untuk mendeteksi kecepatan kendaraan dan menghitung jumlah kendaraan dalam
rentang waktu tertentu sehingga didapatkan kepadatannya. Alat ini akan dibuat dalam bentuk yang
sederhana sehingga mudah untuk dibawa maupun dipindahkan dari satu tempat ke tempat lain.
Pembahasan hanya dibatasi pada rancangan sistem pengukuran kepadatan lalu lintas yang berfungsi
untuk mendeteksi dua jenis kendaraan yaitu mobil dan motor serta hasil pengujiannya.
2. Metodologi
2.1. Single Shot MultiBox-Detector (SSD)
SSD adalah salah satu algoritma dari CNN yang memungkinkan proses komputasi cepat
untuk pendeteksian objek dalam berbagai kategori yang bekerja relatif sederhana yaitu
merangkum semua perhitungan dalam satu jaringan [5].

Gambar 1. Arsitektur Single Shot MultiBox-Detector (SSD)

Model arsitektur Single Shot Multibox-Detector (SSD) dapat dibuat menggunakan Tensorflow
yang merupakan sebuah framework komputasional untuk membuat model machine learning
ataupun deep learning [6].

2.2. Perancangan Hardware

Alat komputasi yang digunakan adalah Nvidia Jetson Nano yang merupakan komputer
kecil yang memungkinkan untuk menjalankan beberapa jaringan syaraf untuk aplikasi seperti
klasifikasi gambar, deteksi objek, segmentasi, dan pemrosesan suara [7], kemudian layar yang
digunakan adalah LCD Waveshare 7” 800x400 untuk menampilkan hasil komputasi dari
Nvidia Jetson Nano, data kepadatan lalu lintas akan disimpan dalam betuk arsip digital pada
database MySQL.

LCD

Video/ Nvidia Jetson

Kamera Nano

Database

Gambar 2. Blok Diagram Perancangan Hardware

2.3. Perancangan Software

Gambar 3. Flowchart Program Sistem Pengukuran Kepadatan Lalu lintas

Pada perancangan program, terdapat bagian untuk kalibrasi jarak pengukuran kecepatan pada
layar yang harus disesuaikan dengan jarak lintasan aslinya, kemudian akan melakukan
pendeteksian kendaraan. Ketika kendaraan memasuki wilayah pengukuran, kendaraan akan
ditracking dan diberikan label ID tertentu, kemudian saat kendaraan sudah keluar dari wilayah
pengukuran kecepatan, akan dilakukan proses kalkulasi kecepatan kendaraan dan akan
menghitung sesuai dengan jenis kendaraan yang terdeteksi lalu setiap rentang waktu tertentu,
data kepadatan akan disimpan pada database.
3. Hasil dan Pembahasan
3.1. Kalibrasi Wilayah Pengukuran
Gambar 4(A) merupakan tampilan terminal untuk input jarak aslinya, sedangkan pada
Gambar 4(B) untuk menentukan posisi koordinat untuk wilayah pengukuran yang disesuaikan
dengan wilayah pengukuran aslinya.

Gambar 4 (A) Tampilan pada Terminal (B) Tampilan posisi wilayah pengukuran

3.2. Pengujian Kecepatan

Pengujian dilakukan dengan cara merekam oleh kamera yang diletakkan samping jalan,
yang berlokasi di Pondok Hijau. Sedangkan objek pengukuran melintas dengan kecepatan 20 –
50km/j.

Tabel 1. Pengujian Kecepatan

Kecepatan km/j
No Kecepatan km/j (Hasil deteksi) ∆ Error % Error
(Speedometer)

1 20 0.84km/j 4.2%

2 20 1.93km/j 9.65%

3 30 1.4km/j 4.66%
 4 30 1.78km/j 5.93%

5 40 1.9km/j 4.75%

6 40 0.36km/j 0.9%

7 50 1.94km/j 3.88%

8 50 0.7km/j 1.4%

Berdasarkan hasil pengujian dari total 8 percobaan dengan kecepatan 20-50km/j, menunjukan
hasil yang cukup akurat. Selisih error 0.36 – 1.94km/j dan persentase error 0.9 – 9.65%.

3.3. Pengujian Arus Lalu Lintas dan Kepadatan

Pengujian dilakukan dengan menghitung jumlah kendaraan pada video dengan cara
manual dan hasil deteksi pada sistem dalam rentang waktu 30 detik, waktu ini dipilih karena
durasi video 3 menit. Berikut adalah hasil dari pengujian jumlah kendaraan.

Tabel 2. Pengujian Jumlah kendaraan (Arus)

Jumlah kendaraan Jumlah kendaraan %
No Rentang waktu (30 detik)
(Perhitungan manual) (Hasil deteksi) Error
1 0 - 30 13 11 15.4%
2 30 - 60 5 5 0%
 3 60 - 90 5 5 0%
4 90 - 120 9 9 0%
5 120 - 150 3 3 0%

Pada pengujian dengan rentang 0-30 detik, terdapat error 15.4% disebabkan oleh kendaraan
yang terlalu dekat, sehingga sistem mendeteksi satu objek kendaraan. Berdasarkan Tabel 2,
jumlah kendaraan (arus) dalam rentang waktu 30 detik (kend/30detik) diubah menjadi
(kend/jam), untuk mendapatkan kepadatannya dengan cara membagi arus lalu lintas dengan
kecepatan rata-rata, sehingga hasilnya terlihat pada Tabel 3.

Tabel 3. Kepadatan Kendaraan

Jumlah kendaraan Kepadatan
No Kecepatan rata-rata (km/j)
(kend/jam) (Kend/km)
1 1320 31.68 41.67
2 600 32.43 18.5
3 600 33.32 18.01
4 1080 33.2 32.53
5 360 40.04 8.99

3.4. Tampilan Data pada Database

Data akan disimpan dalam bentuk arsip digital pada Database seperti yang terlihat pada
Gambar 5. Data ini merupakan hasil akhir dari Sistem Pengukuran Kepadatan Lalu lintas
Berbasis Nvidia Jetson Nano Menggunakan Algoritma Single Shot Multibox-Detector (SSD).
Data yang telah didapat selanjutnya dapat dengan mudah untuk diolah lebih lanjut.

Gambar 5 Tampilan pada Database MySQL

4. Kesimpulan
Berdasarkan hasil dan pembahasan, maka dapat ditarik kesimpulan bahwa Perancangan
Sistem Pengukuran Kepadatan Lalu lintas berbasis Nvidia Jetson Nano menggunakan
Algoritma Single Shot Multibox-Detector (SSD) berhasil dibuat sesuai perencanaan. Hasil uji
coba menunjukkan bahwa pengukuran kecepatan kendaraan memiliki tingkat error yang cukup
rendah, antara 0.9% – 9.65%. Sedangkan pada perhitungan jumlah kendaraan (arus), memiliki
tingkat error 0% – 15.4%.
Referensi

[1] Q. Hidayati, “Kendali Lampu Lalu Lintas dengan Deteksi Kendaraan Menggunakan
Metode Blob Detection,” vol. 6, no. 2, pp. 215-221, 2017.

[2] C. Prabowo, Zurnawita, “Penerapan Metode Background Subtraction Dengan Menggunakan

Kandidat Sampling Background Untuk Deteksi Kemacetan,” vol. 5, no. 6, pp. 731-736, 2018.

[3] S. S. A. Augusta, Y. A. Sari, P. P. Adikara, “Penentuan Jumlah Kendaraan Menggunakan Blob

Detection dan Background Subtraction,” vol. 3, no. 1, pp. 8612-8621, 2019.

[4] S. S. Sadewo, R. Sumiharto, I Candradewi, “Sistem Pengukur Kecepatan Kendaraan Berbasis

Pengolahan Video,” vol. 5, no. 2, pp. 177-186, 2015.

[5] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C. Fu1, A. C. Berg1, “SSD: Single Shot
MultiBox Detector”. 2015.

[6] Google, “Panduan Awal TF: Toolkit" [Online]. Available: developers.google.com/machine-

learning/crash-course/first-steps-with-tensorflow/toolkit . [Diakses 7 Januari 2020].

[7] Nvidia, “Jetson Nano Developer Kit”. [Online]. Available:

developer.nvidia.com/embedded/jetson-nano-developer-kit. [Diakses 7 Januari 2020].