Machine Translated by Google

Deteksi Kendaraan dan

Penghitungan Jumlah Kendaraan untuk Cerdas
Kontrol Lalu Lintas Menggunakan
LabVIEW—Pemrosesan Gambar
Mendekati

Prakash Majumder dan Saurabh Chaudhury

Abstrak Di seluruh dunia, lampu lalu lintas digunakan untuk mengatur pergerakan kendaraan di
jalan raya. Ada banyak perkembangan di bidang ini namun lampu statis masih banyak digunakan.
Dengan meningkatnya jumlah kendaraan di jalan raya, terjadi kemacetan yang signifikan
sehingga menyebabkan penundaan dan seringkali karena pengelolaan yang tidak tepat dapat
menyebabkan kecelakaan. Permasalahan ini kemudian mengarah pada situasi dimana kebutuhan
akan sistem cerdas yang dapat menangani kemacetan lalu lintas secara efisien menjadi sangat
penting. Makalah ini membahas tentang penerapan berbagai metodologi pemrosesan gambar
yang dapat digunakan untuk mendeteksi dan menghitung kendaraan. Metodologi ini membantu
penghitungan kendaraan di jalan raya atau persimpangan lalu lintas sehingga kepadatan
kendaraan di setiap jalur dapat ditentukan. Metodologi pemrosesan gambar seperti algoritma
deteksi tepi, pengurangan latar belakang, dan pencocokan pola telah diimplementasikan dan
diuji menggunakan modul LabVIEW dan Vision Assistant. Lampu depan mobil tampak seperti
gumpalan terang pada gambar yang diambil. Karena jarak antara lampu depan kendaraan
adalah konstan untuk jenis kendaraan tertentu, maka hal ini dapat digunakan sebagai kriteria
pencocokan pola dan pendeteksian kendaraan khususnya setelah senja.
Kendaraan yang terdeteksi memberikan penghitungan jumlah kendaraan yang berhenti di setiap
jalur, bergantung pada algoritma peralihan jalur yang sesuai yang diterapkan, di mana jalur yang
paling padat kemungkinan besar akan dibebaskan terlebih dahulu. Sistem pemantauan real time
melacak jumlah kendaraan di setiap jalur secara real time dan mengontrol lampu lalu lintas di
jalur tersebut sehingga waktu tunggu dapat diminimalkan.

Kata Kunci Pengolahan gambar · Pemrosesan morfologi dasar · Deteksi tepi ·

Pengurangan latar belakang · Pencocokan pola · LabVIEW · Modul asisten penglihatan

P. Majumder (B) · S. Chaudhury

Departemen Teknik Elektro, Institut Teknologi Nasional Silchar, Silchar, Assam 788010, India
email:
Prakashm94@hotmail.com

Email
S.Chaudhury: saurabh@nits.ac.in

© Editor (jika ada) dan Penulis, di bawah lisensi eksklusif kepada Springer Nature Singapore 503
Pte Ltd. 2020 A. Sikander dkk.
(eds.), Sistem Energi, Penggerak dan Otomasi, Catatan Kuliah Teknik Elektro 664,
https://doi.org/10.1007/978-981-15-5089-8_49
Machine Translated by Google

504 P. Majumder dan S. Chaudhury

1. Perkenalan

Pengetahuan tentang kepadatan lalu lintas dan jumlah kendaraan di jalan raya saat ini sangat penting
untuk manajemen lalu lintas yang efektif. Dengan tingkat pertumbuhan penduduk yang tinggi di negara
seperti India, terjadi peningkatan signifikan jumlah kendaraan di jalan raya. Infrastruktur yang tidak
memadai dan ketinggalan jaman serta volume kendaraan yang padat menyebabkan distribusi jalur yang
tidak rasional sehingga menyebabkan waktu tunggu lebih lama dan dalam beberapa kasus terjadi kecelakaan.
Berbeda dari satu negara ke negara lain dan wilayah, 30–60% kecelakaan lalu lintas terjadi di
persimpangan dan persimpangan. Oleh karena itu, merupakan praktik dasar untuk memantau
kendaraan di jalan yang sebagian besar berada di persimpangan dan persimpangan untuk menerapkan
Sistem Kontrol Lalu Lintas Cerdas. Untuk tujuan pemantauan dan deteksi, sistem radar gelombang
mikro atau loop induktif biasanya digunakan di jalan raya umum. Sistem ini ternyata tidak efisien dari
segi biaya karena perlunya perawatan yang sering. Deteksi kendaraan dan jenisnya menggunakan
magnetic loop telah diterapkan pada [1]. Teknik dan algoritma pemrosesan gambar waktu nyata telah
membawa revolusi dalam deteksi kendaraan yang mengarah pada sistem manajemen lalu lintas yang
lebih baik. Beberapa teknik pemrosesan gambar modern telah dibahas dalam [2–4]. Cheung dkk. [5]
menyajikan karya serupa yang menggunakan pemrosesan gambar untuk mendeteksi kendaraan di
jalan raya dan menggunakan perangkat lunak jaringan saraf WAKA untuk mengidentifikasi jenis mobil.
Parameter lalu lintas seperti keberadaan, jumlah kendaraan, kepadatan dan kecepatan, dll. Kendaraan
dapat ditentukan dan dimanfaatkan untuk menghasilkan sinyal lalu lintas untuk menghindari
penyumbatan atau kecelakaan terutama di persimpangan. Penghitungan jumlah kendaraan yang tepat
akan menghasilkan data kepadatan real-time di setiap jalur yang dapat digunakan untuk mengontrol
peralihan lampu lalu lintas dengan tepat. Peralihan lampu lalu lintas yang tepat akan mengurangi waktu
tunggu dan menghindari kemacetan di persimpangan. Makalah ini disusun sebagai berikut. Pertama,
proses morfologi dasar diterapkan untuk mendeteksi kendaraan dari video langsung. Selanjutnya
beberapa bentuk teknik pemrosesan gambar tingkat lanjut diterapkan, seperti deteksi tepi, pengurangan
latar belakang, dan pencocokan template telah diterapkan di antarmuka LabVIEW untuk peningkatan
dalam pendeteksian kendaraan dan penghitungannya [6, 7 ] . Nantinya dari jumlah kendaraan yang
terkumpul, dihitung kepadatan kendaraan untuk setiap lajur. Data kepadatan ini dimasukkan ke algoritma
lain di mana keputusan diambil jalur mana yang terlalu bebas terlebih dahulu. Data ini kemudian
diumpankan ke pengontrol mikro kit Arduino UNO berbasis ATmega328P untuk peralihan lampu lalu
lintas.

LabVIEW adalah perangkat lunak pemrograman grafis yang memungkinkan kontrol instrumen,
akuisisi data, dan pra/pasca pemrosesan data yang diperoleh. Tidak perlu menulis baris pengkodean
karena menyediakan Lingkungan Pemrograman Grafis.
Untuk mendeskripsikan program, simbol grafis digunakan sebagai pengganti bahasa tekstual. Proyek-
proyek besar dapat dikembangkan dengan lebih efisien dalam hal tenaga, waktu dan uang.
Modul NI Vision Assistant dari LabVIEW memberikan petunjuk langkah demi langkah untuk membuat
prototipe aplikasi vision. Vision Assistant adalah alat untuk membuat prototipe dan menguji aplikasi
pemrosesan gambar. Untuk membuat prototipe aplikasi pemrosesan gambar, algoritme khusus dapat
disusun dengan fitur skrip Vision Assistant.
Fitur skrip mencatat setiap langkah algoritma pemrosesan. Setelah algoritma selesai, dapat diuji pada
gambar lain untuk memeriksa kredibilitasnya.
Machine Translated by Google

Deteksi Kendaraan dan Penghitungan Jumlah Kendaraan… 505

Gambar 1 Diagram alir keseluruhan proses

2 Metodologi—Penerapan Pemrosesan Citra

Teknik

Data video yang terus menerus dari kamera pada suatu persimpangan lalu lintas mungkin terdapat
banyak gangguan berupa orang, bayangan, trotoar, tiang dan lain-lain yang menyebabkan
kesalahan dalam pendeteksian kendaraan di jalan raya. Teknik pemrosesan gambar yang tepat
diperlukan untuk diterapkan agar dapat mendeteksi dan menghitung kendaraan dengan tepat.
Identifikasi keberadaan kendaraan yang akurat akan menghasilkan akurasi yang lebih baik dalam
pengukuran kepadatan. Streaming video langsung LabVIEW Vision Acquisition Software dipisahkan
menjadi bingkai gambar. Gambar pada setiap frame diubah menjadi gambar skala abu-abu.
Dengan menggunakan Modul Asisten Visi, berbagai proses morfologi pemrosesan gambar telah
diterapkan pada setiap bingkai gambar. Selanjutnya, gambar yang diproses diaplikasikan dengan
masker ambang batas untuk mengekstraksi objek tertentu (misalnya kendaraan di jalan raya).
Masking adalah proses menggabungkan topeng pada suatu gambar yang disebut juga pemfilteran.
Pemfilteran dapat diklasifikasikan dalam dua kelas besar yaitu filter linier atau filter pemulusan dan
filter domain frekuensi. Diikuti dengan pemfilteran domain frekuensi (thresholding) beberapa
pemfilteran biner diterapkan untuk menghilangkan objek yang tidak diinginkan pada setiap frame.
Area pencarian kemudian ditentukan berdasarkan jumlah piksel/kepadatan keberadaan suatu
objek ditentukan. Representasi diagram blok metodologi yang diterapkan untuk pekerjaan ini ditunjukkan pada Gam

3 Hasil Simulasi dan Pembahasan

LabVIEW adalah singkatan dari Laboratory Virtual Instrument Engineering Workbench,

menyediakan platform pemrograman grafis yang membantu kemudahan implementasi teknik
pemrosesan gambar yang diperlukan dan eksekusi real-time dengan menguji pada video. Tulisan
ini memberikan gambaran tentang teknik pengolahan citra yang bila diterapkan dapat mendeteksi
dan menghitung mobil secara real time serta menghasilkan data kepadatan di setiap jalur.
Tekniknya meliputi metode deteksi tepi, pengurangan latar belakang, pembedaan bingkai, analisis
gumpalan, pencocokan templat, dll.
Machine Translated by Google

506 P. Majumder dan S. Chaudhury

Gambar 2 Mobil yang terdeteksi setelah penerapan proses morfologi dasar

3.1 Pengolahan Morfologi Dasar

Sebagai teknik primitif untuk mendeteksi mobil, beberapa proses morfologi dasar diterapkan.
Pertama-tama gambar yang diperoleh dari Vision Acquisition Module telah diubah menjadi
gambar skala abu-abu 8-bit. Selanjutnya dalam proses, filter median otomatis diterapkan pada
bingkai gambar untuk menghilangkan noise dari gambar, kemudian penerapan ambang batas
lokal (korelasi latar belakang). Filter median otomatis memunculkan partikel sederhana yang
memiliki detail lebih sedikit, filter ini menggunakan kombinasi dua gambar untuk memilih gambar
yang difilter, di mana gambar pertama dihasilkan dengan menghilangkan piksel terang di area
gelap dan gambar kedua dibentuk dengan menghilangkan piksel gelap di area gelap. wilayah yang lebih terang.
Operasi ambang batas lokal memisahkan objek berdasarkan nilai pikselnya. Perbandingan
dilakukan antara nilai piksel dengan piksel di dekatnya dengan menerapkan topeng 3 × 3.
Algoritme ambang batas menghitung statistik intensitas piksel lokal seperti rentang, varians,
parameter pemasangan permukaan, atau kombinasi logisnya. Perbandingan antara nilai
intensitas piksel yang dipertimbangkan dengan nilai ambang lokalnya dibuat dan ditentukan
apakah piksel tersebut milik suatu objek atau latar belakang. Objek palsu kecil (dengan area
piksel rendah) dihilangkan dan objek dengan nilai piksel besar dianggap menggunakan filtrasi
biner. Gambar 2 menunjukkan hasil operasi pada bingkai gambar.

3.2 Metodologi Deteksi Tepi

Umumnya metodologi deteksi tepi melibatkan turunan orde pertama dari gambar masukan,
diikuti dengan konvolusi oleh masker yang diadaptasi. Masker ini menghasilkan gradien gambar
yang tepinya dideteksi dengan ambang batas. Kebanyakan operator klasik seperti Sobel, Prewitt,
dan Robert yang dijelaskan dalam makalah [5] adalah operator turunan orde pertama. Operator
ini juga disebut sebagai operator gradien. Operator gradien mendeteksi tepi dengan mencari
nilai intensitas maksimum dan minimum. Operator memeriksa pola distribusi nilai intensitas di
sekitar piksel yang dipilih dan menentukan apakah piksel tersebut dianggap sebagai tepi. Untuk
mendeteksi mobil, masker deteksi tepi diterapkan pada setiap gambar dengan bantuan kotak
alat asisten Vision. Jenis topeng terutama bergantung pada parameter seperti kecerahan subjek
yang akan dideteksi dan berkorelasi dengan latar belakangnya. Untuk deteksi
Machine Translated by Google

Deteksi Kendaraan dan Penghitungan Jumlah Kendaraan… 507

Gambar 3 Mobil yang terdeteksi setelah penerapan algoritma ambang batas tepi

kendaraan dalam hal ini masker ukuran rata-rata lokal (3 × 3) diterapkan untuk
menghilangkan kebisingan. Kemudian operator Sobel (3 × 3) diterapkan pada gambar
untuk mendeteksi tepi. Filter sobel adalah filter high-pass yang menghilangkan kontur luar objek.
Variasi intensitas cahaya yang signifikan sepanjang sumbu vertikal dan horizontal disorot.
Kemudian algoritma ambang batas diterapkan sedemikian rupa sehingga untuk setiap
ambang batas, nilai yang ditentukan oleh permukaan yang mewakili skala abu-abu awal
dihitung. Nilai terkecil dianggap sebagai nilai ambang batas optimal. Bergantung pada
ukuran objek kecil yang dihilangkan dan kotak persegi panjang dibuat melintasi objek
dengan jumlah piksel lebih besar dengan fitur ekstraksi koordinat LabVIEW. Gambar 3
menunjukkan gambar mentah setelah operasi sepanjang objek yang terdeteksi
membentuk aliran video nyata.

3.3 Pengurangan Latar Belakang

Bakoglu dan Meindl [2] telah menyajikan studi perbandingan antara pemodelan latar
belakang yang ada dan teknik deteksi latar depan. Perbandingan antara teknik ViBe,
SOBS, dan PBAS telah disajikan. Alpert dkk. [3] telah menyajikan algoritma berdasarkan
metode Bayes klasifikasi antara latar belakang dan latar depan. Algoritme memperbarui
latar belakang referensi yang dipilih dengan respons impuls tak terbatas. Filosofi metode
pengurangan latar belakang adalah memanfaatkan perbedaan antara dua frame berturut-
turut atau beberapa frame gambar untuk deteksi target. Langkah-langkah berikut telah
diikuti untuk mendeteksi kendaraan di jalan: pertama, perbedaan antara n dan n ÿ 1
frame dihitung dalam urutan video/gambar dengan menetapkan gambar tanpa mobil di
jalan (jalan kosong) sebagai gambar dasar untuk dikurangi. Kemudian, ambang batas
dipilih yang mengubah gambar perbedaan menjadi nilai biner. Ketika nilai piksel dari
gambar yang diproses melewati ambang batas yang ditentukan, piksel tersebut
diperlakukan sebagai piksel latar depan, piksel lainnya dianggap sebagai piksel latar
belakang. Untuk menghilangkan piksel berongga, dilakukan konektivitas antar piksel
latar depan. Batas ukuran kemudian ditetapkan berdasarkan ketika piksel pada area
yang terhubung lebih besar dibandingkan dengan ukuran ambang batas, maka objek
bergerak dianggap terdeteksi. Gambar 4 menunjukkan hasil kendaraan yang terdeteksi
dari rangkaian video.
Machine Translated by Google

508 P. Majumder dan S. Chaudhury

Gambar 4 Deteksi dan penghitungan mobil setelah penerapan pengurangan latar belakang

Diferensial langsung dari rangka yang bersebelahan sering kali mengandung banyak
suara, perpecahan, dan bagian. Oleh karena itu, kita dapat melakukan beberapa post-
processing untuk memastikan keakuratan pendeteksiannya. Kecerahan gambar disesuaikan
terlebih dahulu, diikuti dengan penerapan masker rata-rata lokal (5 × 5) untuk penghalusan.
Kemudian masker Laplacian (5 × 5) diterapkan untuk mendeteksi tepi. Operasi ambang
batas menggunakan varian antar kelas diterapkan. Ambang batas optimal ditentukan
dengan memaksimalkan variasi antar kelas terhadap ambang batas tersebut. Objek dengan
area piksel besar dianggap sebagai kendaraan di jalan.

3.4 Analisis Blob dan Pencocokan Templat

Karena kondisi pencahayaan rendah di malam hari, sangat sulit menerapkan metode apa
pun untuk mendeteksi mobil. Pada malam hari, lampu depan kendaraan dinyalakan. Lampu
depan ini tampak seperti gumpalan pada gambar. Variasi kendaraan tertentu umumnya
memiliki jarak yang sama antara kedua lampu depan. Sehingga informasi ini dapat
diterapkan pada template pencocokan untuk mendeteksi kendaraan di jalan. Vision
Assistant menghasilkan informasi koordinat mengenai lokasi dan ukuran template yang
cocok. Informasi koordinat pada bingkai gambar membantu dalam melacak objek. Gambaran
umum mengenai teknik pencocokan template telah disajikan pada [8].
Kecerahan bingkai gambar dari blok Vision Acquisition disesuaikan untuk menyorot
gumpalan yang dibuat dari lampu depan mobil. Kemudian sebuah pola dipilih dan disimpan
dalam modul pencocokan templat. Prosedur pemilihan pola dapat dilihat pada Gambar 5.

Bergantung pada jarak antara dua lampu depan, beberapa templat dipilih. Hasil setelah
penerapan metodologi dapat dilihat pada Gambar 6.
Machine Translated by Google

Deteksi Kendaraan dan Penghitungan Jumlah Kendaraan… 509

Gambar 5 Pemilihan template untuk mendeteksi mobil di jalan raya

Gambar 6 Hasil yang menunjukkan deteksi kendaraan berdasarkan template yang cocok

4 Penerapan Metodologi Pengendalian Lalu Lintas

Jumlah kendaraan yang dihasilkan setelah pemrosesan gambar membantu peralihan lampu
lalu lintas. Metode yang diusulkan menghasilkan jumlah pasti kendaraan yang berhenti di
setiap persimpangan [9]. Jalur dengan jumlah kendaraan diam terbanyak akan diprioritaskan.
Algoritme pendeteksian dan penghitungan kendaraan melewati penghitungan kendaraan
waktu nyata dari setiap jalur. Algoritme menemukan jalur dengan jumlah kendaraan terbanyak
yang berhenti dan menghasilkan warna kuning berurutan (10 detik) diikuti hijau (30 detik).
Algoritma ini melacak penghitungan secara real-time setiap kali penghitungan lajur lain
mencapai angka tertinggi, lajur masing-masing dibebaskan. Apabila jumlah penghitungan
dalam dua lajur sama, maka lajur yang berurutan akan dibebaskan satu demi satu.
Representasi diagram blok dari algoritma yang diusulkan disajikan pada Gambar 7.
Keadaan lampu lalu lintas diberi nama A, B, C dan D. Denotasi untuk A, B, C dan
diturunkan dari Tabel 1 seperti yang diberikan. A menyumbangkan keadaan lampu lalu lintas
Machine Translated by Google

510 P. Majumder dan S. Chaudhury

Gambar 7 Algoritma yang diusulkan untuk peralihan lampu lalu lintas

Tabel 1 Status lampu lalu lintas untuk berbagai jalur

Jalur TULANG TULANG TULANG TULANG BELAKANG
A 0 1 0 1 0 0 1 0 0 1 0 0
(Utara) 0 0 1 1 0 0 1 0 0 1 0 0
B 1 0 0 0 1 0 1 0 0 1 0 0
(Timur) 1 0 0 0 0 1 1 0 0 1 0 0
C 1 0 0 1 0 0 0 1 0 1 0 0
(Selatan) 1 0 0 1 0 0 0 0 1 1 0 0
D 1 0 0 1 0 0 1 0 0 0 1 0
(Barat) 1 0 0 1 0 0 1 0 0 0 0 0

ketika jalur Utara dibebaskan dan seterusnya untuk negara bagian lainnya. Di antara dua negara bagian
Jalur utara negara bagian pertama menunjukkan tahap transisi, dimana selama 10 detik lampu kuning menyala
PADA. Keadaan terakhir menunjukkan lampu hijau selama 30 detik. Algoritma telah diterapkan
sedemikian rupa sehingga jika jalur yang sama memiliki jumlah kendaraan tertinggi lampu kuning
transisi dilewati dan 30 detik lagi ditambahkan ke jalur yang sama.
Menerapkan metodologi deteksi tepi, kendaraan terdeteksi. Hitungannya
kendaraan yang terdeteksi di setiap jalur diumpankan ke array, dengan dimensi 1 × 4. Masing-masing
Machine Translated by Google

Deteksi Kendaraan dan Penghitungan Jumlah Kendaraan… 511

elemen array mewakili hitungan yang dihasilkan dari setiap jalur. Array ini diumpankan ke file
VI lain di mana nilai maksimum dalam array memberikan nomor indeks. Nomor indeks
menghasilkan kotak saklar, tergantung pada urutan pencahayaan yang diikuti. Untuk antarmuka
dengan modul perangkat keras disertakan ekstensi bernama LINX oleh Makerhub [10]. LINX
open digunakan untuk membuka koneksi ke modul perangkat keras dari port COM yang
diinginkan. COM 4 dipilih dan ditetapkan sebagai konstanta untuk setiap operasi. LINX menulis
blok fungsi N-channel membutuhkan dua input.
Input pertama adalah nomor port digital dimana data perlu diteruskan. Node masukan kedua
mengambil masukan sebagai larik 1-D tempat status LED saat ini diberikan. LINX close
digunakan untuk menutup koneksi setelah menyelesaikan operasi. Node umpan balik
digunakan untuk mengimplementasikan pengoperasian register geser. Register geser
menyimpan data dari eksekusi sebelumnya dan memperbarui data baru setelah setiap siklus perulangan.
Register geser diinisialisasi dengan data dari blok urutan pertama dari urutan datar. Data
diperbarui setelah waktu tunda urutan pertama selesai.
Untuk menerapkan urutan pencahayaan, LED RYB Boolean dipilih. Untuk implementasi
pada empat jalur, 12 LED Boolean dipilih dan referensi lokal dibuat untuk setiap LED. Referensi
lokal ini diberikan input kontrol Benar/Salah berdasarkan urutan dan statusnya seperti yang
ditunjukkan pada Tabel 1.
Modul perangkat keras membutuhkan waktu 9 detik untuk mulai menerima data dari modul perangkat lunak.
Gambar 8 menunjukkan transisi lampu kuning untuk jalur BARAT, sedangkan Gambar 9
menunjukkan lampu hijau 30 detik untuk jalur yang sama. Lajur lainnya ditetapkan ke kondisi
MERAH selama 30 detik pertama setelah tanda 30 detik dihitung ulang, hasil jumlah kendaraan
di setiap lajur ditentukan berdasarkan jalur mana yang ditetapkan hijau selama 30 detik.

Gambar 8 Hasil menunjukkan lampu

kuning 10 detik untuk jalur BARAT
Machine Translated by Google

512 P. Majumder dan S. Chaudhury

Gambar 9 Hasil menunjukkan lampu

hijau 30 detik untuk jalur BARAT

5. Kesimpulan

Tujuan utama di balik makalah ini adalah untuk merancang pengontrol lampu lalu lintas waktu
dinamis yang memperhitungkan skenario lalu lintas waktu nyata. Tantangan terbesarnya adalah
mendapatkan hitungan pasti jumlah kendaraan di jalan raya. Untuk mengatasi masalah ini
metodologi pemrosesan gambar digunakan. Proses morfologi dasar, teknik deteksi berbasis tepi
dan teknik perbedaan bingkai selanjutnya digunakan untuk mendeteksi kendaraan. Teknik deteksi
berbasis tepi terbukti lebih akurat di antara metodologi-metodologi ini. Untuk memperluas cakupan
proyek, teknik pencocokan template digunakan untuk mendeteksi kendaraan di malam hari.
Templat gumpalan yang diperoleh dari lampu depan kendaraan digunakan untuk tujuan
pendeteksian.
Teknik pencocokan template terbukti bekerja dengan baik untuk mendeteksi kendaraan tetapi
beberapa hasil yang salah diperoleh karena penyelarasan kendaraan yang tidak tepat. Kesalahan
ini dapat diminimalkan dengan menggunakan pelatihan jaringan saraf dari berbagai blob yang
dihasilkan oleh berbagai jenis kendaraan.
Makalah tahap kedua berisi proses merancang algoritma yang menggunakan jumlah kendaraan
waktu nyata untuk menetapkan slot waktu yang tepat pada jalur dengan jumlah kendaraan lebih
banyak. Algoritma yang dirancang menggunakan pola lampu kuning dan hijau berurutan untuk
jalur dengan jumlah kendaraan lebih banyak. Algoritme ini mengambil data real-time yang
dihasilkan dari algoritma pendeteksian kendaraan dan memberikan preferensi pada jalur dengan
jumlah kendaraan lebih banyak. Algoritma ini terbukti bekerja cukup baik untuk semua kasus. Jika
jalur dengan jumlah kendaraan tertinggi berulang setelah siklus 30 detik. Algoritme secara efisien
mengidentifikasi kasus tersebut dan terus menyalakan lampu hijau selama 30 detik berikutnya.
Perlu diperhatikan bahwa pengaturan waktu 10 detik (kuning) dan 30 detik (hijau) dipilih tepat pada waktunya.
Machine Translated by Google

Deteksi Kendaraan dan Penghitungan Jumlah Kendaraan… 513

untuk tujuan pengujian. Nilai pengatur waktu dapat diubah tergantung kebutuhan di berbagai
lokasi di seluruh dunia. Ini adalah bidang lain di mana modifikasi dapat dilakukan. Aturan fuzzy
dapat diterapkan untuk menentukan urutan waktu berdasarkan kepadatan kendaraan di suatu
lokasi. Algoritme pendeteksi kendaraan tidak hanya menghitung kendaraan yang berhenti di
persimpangan tetapi juga menghitung jumlah kendaraan yang bergerak dari persimpangan pada
periode waktu tertentu. Data ini dapat digunakan untuk menetapkan siklus waktu pada urutan.
Misalnya, untuk lokasi dengan kepadatan kendaraan tinggi, waktu lampu kuning dapat
diminimalkan menjadi 5–8 detik, sedangkan waktu lampu hijau dapat ditingkatkan hingga 60
detik/siklus. Basis aturan berbasis logika fuzzy terbukti sangat efisien dalam pengambilan
keputusan untuk kondisi seperti itu.
Pada akhirnya dapat dikatakan bahwa metodologi yang diterapkan berhasil mendeteksi dan
menghitung kendaraan di jalan raya, dan dapat menghasilkan urutan waktu dinamis dari lampu
lalu lintas. Urutan waktu yang dinamis akan membantu arus lalu lintas dan pembersihan jalan
menjadi lebih lancar dan cepat. Peralihan antar perpindahan jalur dilakukan dengan hati-hati
untuk menghindari bahaya dan kekacauan yang tidak disengaja. Peningkatan lebih lanjut dapat
dilakukan pada algoritma pendeteksian dan pengambilan keputusan untuk mendapatkan hasil
yang lebih canggih.

Referensi

1. Changalasetty S, Badawy A, Ghribi W, Ashwi H, Al-Shehri A, Al-Shehri A, Medisetty R, Thota LST

(2013) Identifikasi dan klasifikasi kendaraan bergerak di jalan raya. Sistem Intelijen Komputasi IISTE
4(8):1–12
2. Bakoglu HB,Meindl JD (1985) Rangkaian interkoneksi optimal untuk VLSI. IEEE Trans Elektron
Perangkat 32(5):903–909
3. Alpert CJ, Devgan A, Fishburn JP, Quay ST (2001) Sintesis interkoneksi tanpa kabel
lonjong. Sistem Sirkuit Des Integr Berbantuan Komputasi IEEE Trans 20(1):90–104
4. Wang JS dkk (2011) Desain SRAM subthreshold untuk aplikasi video dengan kualitas terukur yang
hemat energi. IEEE J Emerg Sel Top Circuits Syst 1(2):183–192 5. Cheung
S, Coleri S, Dundar B, Ganesh S, Tan CW, Varaiya P (2005) Pengukuran lalu lintas dan klasifikasi
kendaraan dengan sensor magnetik tunggal. Transp Res Rec J Dewan Transp Res 1917:173–181

6. LabVIEW-Instrumen Nasional. Perangkat lunak akuisisi video. http://www.ni.com/en-in/sup

port.html
7. LabVIEW-Instrumen Nasional. Kueri terkait perangkat lunak akuisisi video. http://www.ni. com/en-in/
community.html 8. Asosiasi
Industri Semikonduktor (SIA) (2011) Peta jalan teknologi internasional untuk semi konduktor. Edisi. [On
line]. Tersedia: http://www.itrs.net/Links/2011ITRS/Home2011. htm. Diakses 22 Agustus 2015 9.
Belajar bundaran untuk
berkendara. Cara bergerak di sekitar bundaran. https://www.drivingte
sttips.biz/roundabouts.html. Diakses 25 Januari 2018
ÿ

10. Wójcikowski M, Zaglewski R, Pankiewicz B (2012) Implementasi algoritma deteksi real-time berbasis
FPGA untuk jaringan sensor pengawasan lalu lintas otomatis. Sistem Proses Sinyal J 68(1):1–18