201961405
Vol. 6, No. 2, April 2019, hlm. 211-218 p-ISSN: 2355-7699
Akreditasi KEMENRISTEKDIKTI, No. 30/E/KPT/2018 e-ISSN: 2528-6579
Penghitungan jumlah, jenis dan kecepatan Tidak hanya berupa penelitian teoritis, beberapa
kendaraan yang melintas dapat dilakukan secara penelitian telah mengimplementasikan metode
manual, yakni dengan mengirim petugas untuk pemantauan kondisi jalan raya pada perangkat
menghitung jumlah kendaraan yang melintas. computer. (Rahmadina, F., dkk 2016) telah membuat
Penelitian oleh (Merentek, 2016) melakukan analisa sistem implementatif berbasis Raspberry Pi untuk
kualitas jalan Manado-Bitung dengan penghitungan menghitung jumlah kendaraan yang melewati sebuah
manual selama 7 hari dengan interval 15 menit jalan raya menggunakan metode background
selama jam 06.00-21.00. Pencatatan manual tersebut subtraction. Penelitian tersebut menempatkan
dibantu peralatan berupa pita ukur, speed gun, stop kamera pada posisi samping menghadap ke jalan.
watch, counter, dan formulir survei. Analisa kualitas Citra yang ditangkap oleh kamera kemudian diproses
jalan menggunakan pengamatan secara manual juga secara realtime pada Raspberry Pi dan hasil
dilakukan oleh (Reswantomo, 2007) yang mengamati pendeteksian kendaraan dikirim ke server untuk
jalan di pusat Kota Depok. Pengamatan dilakukan ditampilkan pada sistem berbasis web.
pada pagi dan sore hari yang merupakan jam padat Sistem penghitung jumlah dan kecepatan
lalu lintas. Pengamatan secara manual tentunya kendaraan lain juga telah dikembangkan oleh
membutuhkan sumber daya manusia dan tidak (Resilawati, R., 2015). Sensor yang digunakan adalah
efektif. 3 buah sensor ultrasonik yang dipasang secara
Beragam penelitian telah dilakukan untuk horizontal. Jika sensor 1 terhalangi maka counter
mendeteksi kendaraan di jalan secara otomatis. akan diaktifkan untuk menunjukkan sebuah
(Sutrisno, dkk., 2015) menggunakan blob analysis kendaraan tengah melintasi jalan. Waktu tempuh
dari hasil background subtraction pada video lalu dihitung menggunakan timer antara sensor 2 dan 3
lintas. Hasil blob terdeteksi telah di-improve yang aktif saat terhalang kendaraan. Kecepatan
menggunakan Second-Derivative in Gradient kendaraan dihitung dengan membagi jarak tempuh
Direction (SDGD) untuk meningkatkan akurasi yang tetap antara sensor 2 dan 3 dibagi waktu tempuh
pengenalan kendaraan. Penelitian (Dewantoro, dkk., anta keduanya.
2015) juga melakukan analisa pengaruh parameter Berdasarkan kajian terhadap penelitian-
pada setiap langkah pemrosesan citra hasil penelitian diatas, maka penelitian ini membangun
background subtraction guna mendeteksi kendaraan sistem penghitungan jumlah, jenis dan kecepatan
yang melintas. Penelitian lain mendeteksi kendaraan kendaraan yang juga berbasis pemrosesan citra.
menggunakan Haar-Cascade dengan menggunakan Kamera memiliki kelebihan dimana pengambilan
data latih berupa citra kendaraan (Lazaro, dkk, 2017), data dapat dilakukan secara non-kontak. Kamera juga
(Irfan, dkk., 2017). dapat dipasang pada ketinggian dan lokasi tertentu di
Jenis kendaraan umumnya dikenali jalan yang tidak memungkinkan dijangkau oleh
menggunakan metode klasifikasi. Pada penelitian manusia, contoh di atas jalan. Metode utama
(Irfan, dkk., 2017) menggunakan Multi-Layer pendeteksian yang digunakan dalam penelitian ini
Perceptron (MLP) untuk mengkategorikan kendaraan adalah background subtraction. Dengan metode
ke dalam kelas mobil, bus atau truk. Sedangkan tersebut, kendaraan dengan mudah dideteksi tanpa
(Wibowo, dkk., 2013) menggunakan Fuzzy-C-Means terpengaruh pencahayaan luar ruangan yang beragam
(FCM) untuk melabeli kendaraan yang terdeteksi dibandingkan saat menggunakan metode segmentasi
menjadi kelas mpv, motor, bus, sedan dan truk. objek berdasarkan intensitas. Metode tersebut
Kedua metode tersebut membutuhkan keberadaan ditanamkan pada Raspberry Pi yang mengolah
data latih yang banyak untuk mendapatkan akurasi inputan gambar dari kamera.
yang baik.
Penghitungan kecepatan kendaraan berdasarkan 2. PERANCANGAN DAN IMPLEMENTASI
video telah dilakukan oleh (Fajriyah, 2016) dan
(Sadewo, dkk., 2015) dimana keduanya Secara umum, algoritma yang dibangun
memiliki beberapa tahapan yakni background
menggunakan frame-frame pada video untuk
menghitung lama waktu yang dicapai oleh sebuah subtraction, segmentasi, pemfilteran dan ekstraksi
kendaraan dari satu tempat ke tempat lain. Keduanya fitur. Tahap background subtraction dan segmentasi
menggunakan koordinat pixel yang ditentukan bertujuan untuk mendeteksi keberadaan BLOB
sebelumnya untuk dijadikan titik mula dan titik akhir kendaraan. Binary Large Object dalam penelitian ini
penghitungan waktu. Waktu dihitung sejak titik pusat merujuk kepada satuan objek terdeteksi yakni
dari blob kendaraan terdeteksi mencapai koordinat kendaraan baik kendaraan berjenis motor, ringan dan
mula hingga mencapai koordinat akhir. Jarak berat. Penentuan jumlah, jenis dan kecepatan
kendaraan dilakukan dengan menganalisa beragam
sebenarnya antara kedua pixel ditentukan dengan
rasio terhadap jarak sebenarnya. Kecepatan fitur dari blob yang terdeteksi.
kendaraan tersebut kemudian dihitung dengan rumus Algoritma tersebut diprogram dalam Raspberry
Pi yang mengambil video kondisi jalan menggunakan
kecepatan sederhana yakni jarak tempuh dibagi
kamera webcam. Video diambil dalam resolusi
dengan waktu tempuh.
ukuran 320 × 240 piksel. Resolusi tersebut dipilih
dengan pertimbangan kejelasan gambar dan
Gembong Edhi, dkk, Sistem Deteksi Jumlah … 213
yang sama atau kendaraan yang berbeda. Penentuan virtual maka akan ditambahkan dalam variabel
pelabelan kendaraan ini dilakukan dengan Jumlah Kendaraan. Ilustrasi penghitungan kendaraan
menghitung jarak d1 dan d2 dimana d1 adalah jarak berikut hasil increment Jumlah Kendaraan dalam
centroid dari frame saat ini ke koordinat bounding- porgram ditampilkan pada Gambar 5. Pada Gambar
box di frame sebelumnya. Sedangkan d2 adalah jarak tersebut, garis virtual kedua ditunjukkan sebagai
centroid dari frame sebelumnya ke koordinat warna hijau. Gambar 5(a) menunjukkan sebuah
bounding-box saat ini. Nilai batas d1 dan d2 kendaraan masuk ke zona A sebelum garis virtual.
ditentukan sebagai 40. Dimana jika salah satu dari Sedangkan Gambar 5(b) menunjukkan sebuah
jarak tersebut kurang dari 40 maka dianggap sebagai kendaraan melewati garis virtual dan masuk zona B
satu kendaraan yang sama, dan sebaliknya. Ilustrasi untuk kemudian menambah nilai Jumlah Kendaraan.
jarak d1 dan d2 tersebut diperlihatkan pada Gambar
4.
2.2. Implementasi pada Raspberry Pi Gambar 9. Antarmuka Sistem Pada Serial monitor
Algoritma yang sudah dibangun tersebut 3. PENGUJIAN DAN ANALISA
kemudian ditanamkan pada sistem pendeteksi
berbasis Raspberry Pi 2 Model B. Algoritma Pengujian pertama dilakukan terhadap jumlah
diprogram menggunakan bahasa pemrograman minimum piksel blob untuk dapat dialabeli sebagai
python dan library openCV. kendaraan. Pengujian selanjutnya adalah terhadap
Sebuah kamera webcam dengan resolusi 0.5MP jumlah piksel blob dari masing-masing jenis
dan 30 fps frame-rate digunakan untuk menangkap kendaraan. Pengujian selanjutnya adalah pada akurasi
video dari kondisi jalan. Kamera tersebut terkoneksi penghitungan jumlah dan kecepatan kendaraan.
ke Raspberry via USB port. Untuk mengambil Pengujian dilakukan dengan mengambil data video
gambar, webcam tersebut diletakkan di atas jembatan sebanyak 5 kali dengan masing-masing durasi antara
layang sehingga memudahkan dalam pemasangan 120-140 detik. Video diambil pada kondisi
dan dapat menghasilkan video dengan posisi yang pencahayaan siang hari yang cerah.
stabil. Output dari Raspberry yakni berupa streaming
video dan penghitungan jumlah, jenis, dan kecepatan 3.1. Batas Jumlah Piksel Blob Kendaraan
kendaraan ditampilkan ke serial monitor Untuk menenentukan jumlah piksel minimum
menggunakan kabel HDMI. Mikrokomputer dari sebuah blob untuk ditetapkan sebagai sebuah
Raspberry mendapatkan catu daya dari baterai kendaraan maka dilakukan pengujian variasi nilai
portable. Gambar 8 menunjukkan ilustrasi sistem batas. Pengujian dilakukan pada 5 video dengan
pendeteksi yang dibuat. kenaikan batas setiap 5 piksel dari 5 hingga 50. Hasil
pengujian dapat dilihat pada Tabel 1.
3.2. Jumlah Piksel untuk Setiap Jenis Kendaraan Tabel 2. Hasil Pengujian Jenis & Jumlah Kendaraan
Pengujian dilakukan dengan mengukur jumlah Jenis Jumlah Kendaraan Akurasi
piksel dari setiap kendaraan yang teridentifikasi. Vid.
Sebenarnya Sistem (%)
Selama pengujian ditemukan 10 sepeda motor, 10 1 Motor 28 26 92,85
kendaraan ringan, dan 2 kendaraan berat. Hasil Ringan 8 8 100
pengukuran tersebut dapat dilihat pada gambar 10. Berat 0 0 100
Jumlah piksel ditunjukkan dalam satuan ribu. Dari Total 36 34 97,62
pengujian tersebut dapat dikelompokkan bahwa 2 Motor 27 18 66,66
Ringan 13 11 84,61
kendaraan sepeda motor memiliki jumlah piksel < Berat 1 1 100
9,000, kendaraan sedang 9,000 – 39,000, dan Total 41 30 83,76
kendaraan besar > 39,000. 3 Motor 34 30 85,18
Batas jumlah piksel dari setiap kendaraan Ringan 13 13 100
tersebut tentunya hanya berlaku pada peletakan Berat 0 0 100
kamera yang ditetapkan dalam penelitian ini. Total 47 43 96,08
4 Motor 37 35 94,59
Ketinggian dan sudut kamera yang berbeda Ringan 15 14 93,33
memerlukan penghitungan ulang. Namun demikian, Berat 1 1 100
hasil pengujian menunjukkan bahwa jenis kendaraan Total 53 50 95,98
dapat dibedakan berdasarkan jumlah pixel dari setiap 5 Motor 23 20 71,42
blob. Ringan 39 37 97,43
Berat 0 0 100
Total 62 57 93,94
3.3. Pengujian Jenis Kendaraan Rata-rata akurasi 93,48
Penetapan batas antar jenis kendaraan pada
pengujian 3.2 tersebut kemudian diuji pada 5 buah 3.4. Akurasi Jumlah Kendaraan
video. Hasil pengujian ditunjukkan pada Tabel 2. Hasil pengujian pada jumlah kendaraan yang
Rata-rata akurasi untuk mendeteksi jenis kendaraan melintas dapat dilihat pada Tabel 2. Dari Tabel
sepeda motor adalah 85.86%, kendaraan ringan tersebut didapati rata-rata akurasi penghitungan
94.56% dan kendaraan berat 100%. Rata-rata akurasi jumlah kendaraan adalah sebesar 93,48%. Nilai
penghitungan jenis kendaraan adalah 93.39%. akurasi terkecil dimiliki oleh video 2 dimana hanya
Motor memiliki akurasi pengenalan jenis 18 sepeda motor yang terdeteksi dari total 27. Hal ini
kendaraan yang paling rendah karena jumlah piksel menunjukkan bahwa untuk mendapatkan sistem
hasil background subtraction yang sangat kecil pendeteksian jenis dan jumlah kendaraan dengan
dibanding batas jumlah piksel blob kendaraan yang akurasi tinggi sangat bergantung pada metode
kemudian menjadi hilang ketika diberikan filter. pemfilteran. Umumnya blob sepeda motor sangat
kecil hamper menyerupai perubahan cahaya dan
objek kecil di pinggir jalan yang bergerak.
Akurasi penghitungan kendaraan tersebut DEWANTORO, A.K., IWUT, I., SUSATIO, E.,
adalah tinggi dan hanya memberikan rata-rata error 4 2015. Simulasi dan Analisis Sistem
Km/jam. Sehingga penggunaan garis virtual dan Penghitung Kepadatan Lalu Lintas dan
rumus kecepatan sederhana terbukti berhasil Klasifikasi Kendaraan Berbasis Webcam
menghitung kecepatan kendaraan. dengan Metode Background Subtraction. E-
Proceeding of Engineering. 2(2). 2833-
4. KESIMPULAN 2840.
Dalam penelitian ini telah dikembangkan sistem LAZARO, A., BULIALI, J. L., AMALIAH, B., 2017.
yang dapat mendeteksi jenis, jumlah dan kecepatan Deteksi Jenis Kendaraan di jalan
kendaraan secara otomatis sehingga memudahkan Menggunakan OPENCV. Jurnal Teknik.
analisa kondisi jalan secara langsung dan otomatis. 6(2). 2337-3520.
Akurasi yang diperoleh adalah tinggi sehingga IRFAN, M., SUMBODO, B. A. A., CANDRADEWI,
memungkinkan untuk diimplementasikan secara I., 2017. Sistem Klasifikasi Kendaraan
nyata. Sistem dapat dikembangkan lebih lanjut untuk Berbasis Pengolahan Citra Digital dengan
bisa berkomunikasi secara jarak jauh untuk Metode Multilayer Perceptron. Indonesian
memungkinkan pengamatan secara terpusat dan live. Journal of Electronics and Instrumentation
System (IJEIS). 7(2). 139-148.
5. DAFTAR PUSTAKA FAJRIYAH, F., 2016, Pengembangan Perangkat
MERENTEK, T. G. S., SENDOW, T. K. & Lunak Deteksi Kecepatan kendaraan
MANOPPO, M. R. E. 2017. Evaluasi Bergerak Berbasis Pengolahan Citra Digital.
Perhitungan Kapasitas Menurut Metode Skripsi. FMIPA Institut Teknologi Sepuluh
KMJI 1997 dan Metode Perhitungan Nopember, Surabaya
Kapasitas dengan Menggunakan Analisa SADEWO, S. S. SUMIHARTO, R.,
Perilaku Karakteristik Arus Lalu Lintas pada CANDRADEWI, I., 2015. Sistem Pengukur
Ruas Jalan Antar Kota (Studi Kasus manado Kecepatan Kendaraan Berbasis Pengolahan
– Bitung). Jurnal Sipil Statik, 4(3), 187-201. Video. Indonesian Journal of Electronics
RESWANTOMO, B. S. 2008. Identifikasi Kinerja and Instrumentation System (IJEIS). 5(2).
beberapa Ruas jalan Raya Utama menuju 177-186.
Pusat Kota Depok Tahun 2007. Skripsi. RAHMADINA, F., ZAINI, 2016. Sistem Informasi
Teknik Sipil FT UI. kepadatan Lalu Lintas berbasis Raspberry Pi
SUTRISNO, CHOLISSODIN, I., CHRISTIANTI, PC Board. Jurnal Nasional Teknik Elektro.
R., DEWI, C., HIDAYAT, N., 2015 5(1). 151-155.
Segmentasi Kendaraan Menggunakan RESILAWATI, R., 2015. Penghitung Jumlah
Improve Blob Analysis (BA) Pada Video Kendaraan dan pengukur Kemacetan
Lalu Lintas. Jurnal Teknologi Informasi dan Menggunakan Sensor Ultrasonik Berbasis
Ilmu Komputer (JTIIK), (2(1), 67-72. Arduino UNO. Skripsi. D3 Elektronika dan
Instrumentasi SV UGM, Yogyakarta.