Sistem Deteksi Jumlah, Jenis dan Kecepatan Kendaraan Menggunakan Analisa Blob Berbasis Raspberry Pi
DOI:
https://doi.org/10.25126/jtiik.2019621405Abstrak
Penghitungan kondisi lalu lintas guna analisa kualitas jalan raya umumnya dilakukan secara manual. Hal ini tentunya membutuhkan biaya dan SDM yang tinggi serta tidak dapat dianalisa secara langsung. Dalam penelitian ini telah dikembangkan metode pengenalan jenis, jumlah dan kecepatan kendaraan secara otomatis menggunakan pengolahan citra digital. Metode yang berdasarkan analisa terhadap BLOB (Binary Large OBject) tersebut ditanamkan pada sistem berbasis Raspberry Pi. Setiap blob merupakan connected-component yang diperoleh dari proses thresholding terhadap perubahan nilai pixel dari sebuah frame dan frame rujukan dalam metode background subtraction. Jenis kendaraan ditentukan oleh jumlah piksel dalam bounding-box setiap blob. Jumlah kendaraan yang melaju dihitung dengan memberikan garis virtual dimana jumlahnya akan bertambah jika centroid dari setiap bounding-box kendaraan melewatinya. Kecepatan kendaraan dihitung dengan membagi jarak sebenarnya dari koordinat awal hingga garis virtual sepanjang 12 meter yang dibagi dengan waktu centroid tersebut untuk menempuhnya. Algoritma tersebut diimplementasikan pada sistem berbasis Raspberry Pi dengan input kamera yang terhubung dengan serial monitor untuk menampilkan output penghitungan. Pengujian akurasi deteksi jenis kendaraan yakni sepeda motor, kendaraan ringan dan berat menghasilkan akurasi 93,39%. Pengujian jumlah kendaraan menghasilkan rata-rata akurasi 93,48% untuk semua jenis kendaraan. Pengujian laju kendaraan yang dideteksi dengan dibandingkan kecepatan pada spedometer kendaraan menunjukkan akurasi 93,9%.
Abstract
An analysis on traffic condition usually carried out manually by visual observation. This method demands high human resource and cannot be analysed immediately. This paper present an algorithm to analyse type, number and speed of vehicles that passing by a road automatically using BLOB (Binary Large Object) analysis. Each blob is a connected-component as a result of thresholding after background subtration process. Type of vehicles was determined by measuring pixel number of blob’s bounding box. Number of vehicles was determined by drawing virtual line where the number was increased once a centroid of bounding box passed it. Speed of vehicles was determined using basic speed formula where 12 meters of actual distance between the beginning coordinate and virtual line was divided by time to travel it. The algorithm was embedded in Raspberry Pi where videos were acquired using attached web camera. The analysis result was shown in connected serial monitor. Testing on vehicles’ type detection (motorcycle, light vehicle, heavy vehicle) result accuracy of 93.9%, number of vehicles result accuracy of 93.48%, whilst speed of vehicles result accuracy of 93.9%.
Unduhan
Referensi
MERENTEK, T. G. S., SENDOW, T. K. & MANOPPO, M. R. E. 2017. Evaluasi Perhitungan Kapasitas Menurut Metode KMJI 1997 dan Metode Perhitungan Kapasitas dengan Menggunakan Analisa Perilaku Karakteristik Arus Lalu Lintas pada Ruas Jalan Antar Kota (Studi Kasus manado – Bitung). Jurnal Sipil Statik, 4(3), 187-201.
RESWANTOMO, B. S. 2008. Identifikasi Kinerja beberapa Ruas jalan Raya Utama menuju Pusat Kota Depok Tahun 2007. Skripsi. Teknik Sipil FT UI.
SUTRISNO, CHOLISSODIN, I., CHRISTIANTI, R., DEWI, C., HIDAYAT, N., 2015 Segmentasi Kendaraan Menggunakan Improve Blob Analysis (BA) Pada Video Lalu Lintas. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), (2(1), 67-72.
DEWANTORO, A.K., IWUT, I., SUSATIO, E., 2015. Simulasi dan Analisis Sistem Penghitung Kepadatan Lalu Lintas dan Klasifikasi Kendaraan Berbasis Webcam dengan Metode Background Subtraction. E-Proceeding of Engineering. 2(2). 2833-2840.
LAZARO, A., BULIALI, J. L., AMALIAH, B., 2017. Deteksi Jenis Kendaraan di jalan Menggunakan OPENCV. Jurnal Teknik. 6(2). 2337-3520.
IRFAN, M., SUMBODO, B. A. A., CANDRADEWI, I., 2017. Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan Metode Multilayer Perceptron. Indonesian Journal of Electronics and Instrumentation System (IJEIS). 7(2). 139-148.
FAJRIYAH, F., 2016, Pengembangan Perangkat Lunak Deteksi Kecepatan kendaraan Bergerak Berbasis Pengolahan Citra Digital. Skripsi. FMIPA Institut Teknologi Sepuluh Nopember, Surabaya
SADEWO, S. S. SUMIHARTO, R., CANDRADEWI, I., 2015. Sistem Pengukur Kecepatan Kendaraan Berbasis Pengolahan Video. Indonesian Journal of Electronics and Instrumentation System (IJEIS). 5(2). 177-186.
RAHMADINA, F., ZAINI, 2016. Sistem Informasi kepadatan Lalu Lintas berbasis Raspberry Pi PC Board. Jurnal Nasional Teknik Elektro. 5(1). 151-155.
RESILAWATI, R., 2015. Penghitung Jumlah Kendaraan dan pengukur Kemacetan Menggunakan Sensor Ultrasonik Berbasis Arduino UNO. Skripsi. D3 Elektronika dan Instrumentasi SV UGM, Yogyakarta.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
