LAPORAN TAHUNAN
PENELITIAN UNGGULAN PERGURUAN TINGGI
RANCANG BANGUN SISTEM DETEKSI OTOMATIS BERBASISKAN VIDEO
DAN WEB UNTUK MENGHITUNG DAN MENGKLASIFIKASIKAN KENDARAAN
PADA JALAN BEBAS HAMBATAN
TAHUN KE-1 DARI RENCANA 2 TAHUN
Ketua : Dr. Mohammad Iqbal NIDN. 0331127506 Anggota : Dr. Rudi Trisno Yuwono SKom, MM NIDN. 0322066703
Sigit Widiyanto, ST, MMSI, MSc NIDN. 0310019001 Hadyan Mardhi Fadlillah ST.MMSI.MSc NIDN. 0301019001
Dibiayai oleh :
Kopertis Wilayah III Direktorat Jenderal Pendidikan Tinggi
Kementrian Pendidikan dan Kebudayaan Sesuai dengan Surat Perjanjian Pelaksanaan Penugasan Program Penelitian
Nomor : 790/K3/KM/SPK.LT/2016 Tanggal 14 Juni 2016
UNIVERSITAS GUNADARMA NOVEMBER 2016
Copyright(c): Ditlitabmas 2012, updated 2016
HALAMAN PENGESAHAN.Judul : Rancang Bangun Sistem Deteksi Otomatis berbasiskan
Video dan Web untuk Menghitung danMengklasifikasikan kendaraan pada jalan Bebas Hambatan
Peneliti/PelaksanaNama Lengkap : Dr. MOHAMMAD IQBAL S.Kom., MMSIPerguruan Tinggi : Universitas GunadarmaNIDN : 0331127506Jabatan Fungsional : LektorProgram Studi : Sistem KomputerNomor HP : 08129950814Alamat surel (e-mail) : [email protected] (1)Nama Lengkap : Dr. RUDI TRISNO YUWONO S.Kom., MM.NIDN : 0322066703Perguruan Tinggi : Universitas GunadarmaAnggota (2)Nama Lengkap : HADYAN MARDHI FADLILLAHNIDN : 0301019001Perguruan Tinggi : Universitas GunadarmaAnggota (3)Nama Lengkap : SIGIT WIDIYANTO ST., MMSINIDN : 0310019001Perguruan Tinggi : Universitas GunadarmaInstitusi Mitra (jika ada)Nama Institusi Mitra : -Alamat : -Penanggung Jawab : -Tahun Pelaksanaan : Tahun ke 1 dari rencana 2 tahunBiaya Tahun Berjalan : Rp 80.000.000,00 Biaya Keseluruhan : Rp 186.260.000,00..
Mengetahui,Dekan FIKTI
Depok, 29 - 11 - 2016Ketua,
.
.
.
.(Prof. Dr. Achmad Benny Mutiara)
NIP/NIK 910155(Dr. MOHAMMAD IQBAL S.Kom., MMSI)
NIP/NIK 001200:
Menyetujui,Ketua Lembaga Penelitian
.
.
.
.(Dr. Hotniar Siringoringo, MSc.)
NIP/NIK 910177
3
RINGKASAN
Karakter jalan tol sebagai jalan bebas hambatan perlu dilandasi dengan regulasi
serta pengaturan penggunaan yang ketat, karena kendaraan yang melewatinya selalu
bergerak dalam kecepatan tinggi, sehingga memperbesar kemungkinan terjadinya
kecelakaan. Selain itu, aspek pemantauan jalan tol yang ditunjang oleh peralatan
teknologi yang memadai, sangat penting dilakukan dapat dimulai dari pintu gerbang
masuk jalan tol, di area tertentu jalan tol dan di pintu keluar jalan tol.
Tujuan penelitian ini adalah untuk merancang suatu sistem terpadu pencatatan
kendaraan yang masuk dan keluar di jalan tol yang handal di segala kondisi (siang atau
malam, cerah atau berkabut), dengan mekanisme analisis data citra berbasiskan data
video yang diinstalasi di pintu masuk / pintu keluar jalan toll serta pengelolaan
informasi dalam sistem jaringan komputer privat berbasiskan web yang terhubung pada
setiap pintu toll dan kantor utama pengelola jalan toll. Fitur-fitur yang akan dibangun
meliputi sistem kamera yang tahan keadaan cuaca, sistem deteksi jenis / golongan
kendaraan, dan deteksi plat nomor kendaraan, sistem video analisis yang meliputi
perhitungan penggolongan kendaraan, perhitungan kecepatan rata-rata suatu kendaraan
sampai pintu keluar Toll tertentu dan sistem basis data untuk pencatatan data-data
tersebut sebagai pelaporan. Penelitian ini dimulai dengan mendeteksi kebutuhan dan
instalasi perangkat keras, perancangan dan pembuatan modul program sistem deteksi
visual dan video analisis untuk tahun pertama, kemudian pada tahun kedua, melakukan
perancangan dan pembuatan infrastruktur komunikasi jaringan privat serta modul basis
data pengelolaan informasi berbasiskan web beserta program antarmuka sistem
pelaporan dan pengintegrasian seluruh komponen sistem. Pada bagian akhir penelitian
akan melakukan pengujian kinerja sebelum digunakan untuk pengambilan data video
dalam keadaan yang sesungguhnya.
Sistem yang dihasilkan dalam penelitian ini diharapkan dapat membantu
pencatatan otomatis pengelola jalan tol terhadap intensitas kendaraan, jenis kendaraan
berikut nomor platnya dan kecepatan rata-rata setiap kendaraan yang masuk atau keluar
di area jalan tol. Untuk jangka panjang, hasil dari penelitian ini diharapkan dapat
dijadikan sebagai pengembangan berkelanjutan model ETC (electronic Toll Collection)
untuk mekanisme pembayaran dan sekaligus menjadi model sistem basis data berbasis
web untuk monitoring trafik berbasiskan video di jalan tol, yang bukan saja untuk
melakukan pencatatan di pintu Toll tetapi juga monitoring kecelakaan atau kepadatan
jalan tol. Lebih jauh lagi, sistem ini juga bisa diterapkan untuk monitoring kendaraan
untuk di luar jalan tol.
Kata kunci : monitoring trafik berbasiskan video, pencatatan
kendaraan di toll, computer vision
4
PRAKATA
Puji dan syukur Penulis panjatkan kepada Allah SWT yang telah memberikan
nikmat serta karuniaNya sehingga kami dapat menyelesaikan penelitian tahun pertama
yang berjudul “Rancang Bangun Sistem Deteksi Otomatis berbasiskan Video dan Web
untuk Menghitung dan Mengklasifikasikan kendaraan pada jalan Bebas Hambatan” ini
dengan baik dan sesuai jadwal yang ditentukan.
Banyak fakta yang menarik ditemukan ketika melakukan survey keadaan di
lapangan yang kemudian hasilnya dikompilasikan menjadi faktor-faktor desain
perangkat modul-modul deteksi berbasiskan visual, untuk itulah pada kesempatan ini,
kami menyampaikan terima kasih yang sebesar-besarnya kepada semua pihak yang
telah membantu Tim peneliti dalam menyelesaikan tahap pertama dari rangkaian
penelitian ini, terutama kepada :
1. Direktorat Jenderal Pendidikan Tinggi, Kementerian Pendidikan dan Kebudayaan
atas skema pembiayaan penelitian ini.
2. Rektor Universitas Gunadarma, Prof. Dr. E.S. Margianti, SE, MM.
3. Ketua Lembaga Penelitian Universitas Gunadarma, Dr. Ir. Hotniar Siringoringo
MSc.
4. Para vendor penyelenggara jalan Tol yang datanya dikumpulkan secara sekunder
dari situs-situs internet masing-masing perusahaan.
5. Rekan-rekan yang telah ikut menyumbangkan ide, gagasan dan motivasi kepada
tim peneliti selama proses penelitian dilakukan, yang tidak bisa disebutkan satu per
satu.
Kami menyadari sepenuhnya bahwa masih dapat ditemui beberapa kekurangan
dalam laporan tahunan ini. Oleh karena itu, kami mengharapkan kritik dan saran yang
bersifat membangun untuk lebih menyempurnakan hal-hal yang terkait dengan
penelitian kami di tahun ke-1 ini, yang dapat diperbaiki di tahun ke-2 Penelitian nanti.
Depok, 30 November 2016
5
DAFTAR ISI
LEMBAR PENGESAHAN USULAN PENELITIAN UNGGULAN
PERGURUAN TINGGI
2
RINGKASAN
PRAKATA
3
4
DAFTAR ISI
DAFTAR GAMBAR
DAFTAR TABEL
5
6
7
BAB 1 PENDAHULUAN 8
BAB 2 TINJAUAN PUSTAKA
2.1. State Of The Art Penelitian Sejenis
2.2. Peta Jalan Penelitian
11
13
BAB 3 TUJUAN DAN MANFAAT PENELITIAN
3.1 Tujuan Penelitian
3.2 Urgensi penelitian
15
16
BAB 4 METODE PENELITIAN
4.1 Tahun Pertama (2016) 18
4.2 Tahun Kedua (2017) 20
BAB 5 HASIL YANG DICAPAI
5.1. Tahapan Penelitian yang telah dicapai 21
5.2. Perancangan modul aplikasi deteksi fitur berbasiskan video 27
BAB 6 RENCANA TAHAPAN BERIKUTNYA 39
BAB 7 KESIMPULAN DAN SARAN
40
DAFTAR PUSTAKA 41
LAMPIRAN
Lampiran 1. Tampilan Luaran Modul
Lampiran 2. Personalia tenaga peneliti
Lampiran 3. Publikasi dan HKI
44
49
62
6
DAFTAR GAMBAR
Gambar 2.1 Peta jalan penelitian
13
Gambar 3.1 Blok diagram metode penelitian
17
Gambar 5.1 Tampilan modul pendeteksi dan penghitung jumlah kendaraan
28
Gambar 5.2 Teknik pendefenisian titik awal dan akhir dari area yang dihitung
(atas), Hasil Uji coba modul pendeteksi kecepatan (bawah)
30
Gambar 5.3 Evaluasi modul pendeteksi plat nomor kendaraan
31
Gambar 5.4 Citra yang ditangkap webcam (kiri), Representasi citra disimpan
dalam bentuk teks (kanan)
31
Gambar 5.5 Kondisi Kecelakaan Siang Hari (atas) dan malam hari (bawah)
33
Gambar 5.6 Modul pendeteksi kabut/asap
34
Gambar 5.7 Modul Variabel Dinamis led matrix, tampak depan dan belakang
(atas) dan pengujian sensor ping untuk memberi informasi macet atau tidak
36
7
DAFTAR TABEL
Tabel 3.1. Tabel alat dan bahan yang dibutuhkan dalam penelitian
19
Tabel 5.1. Rencana dan Realisasi Jadwal Penelitian
26
Tabel 5.2 Hasil pengujian pendeteksi kabut
34
Tabel 5.3 Ilustrasi Pendeteksi Kemacetan dan kelancaran lalu lintas lewat sensor
visual
38
8
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Sistem pemantauan dan analisis trafik jalan raya adalah suatu sistem yang
memiliki fungsi utama untuk mengumpulkan data statistik kendaraan dan menyajikan
hasil kajian statistik status penggunaan jalan raya. Sistem ini sangat bermanfaat dalam
memberikan informasi dengan cepat dan akurat status di jalan raya yang dapat
digunakan untuk mengambil keputusan terkait efisiensi dalam penggunaan jalan raya
tersebut. Implementasi sistem ini pada jalan bebas hambatan (jalan tol) selain untuk
melakukan pengawasan secara cerdas pada situasi lalu lintas di jalan Tol, sekaligus
dapat dimanfaatkan pula untuk mendukung mekanisme pembayaran tol.
Salah satu komponen utama dalam sistem ini adalah sistem deteksi dan
klasifikasi otomatis kendaraan-kendaraan yang masuk jalan Tol, yang terdiri dari
sensor-sensor yang dapat mendeteksi jenis kendaraan dan mekanisme penyimpanan
data-data tersebut secara real-time. Di antara berbagai sensor yang tersedia untuk
mendeteksi kendaraan seperti yang disebutkan dalam penelitian Yuxin Liu dan Xu Jia
(2012), sensor visual (kamera) merupakan sensor yang paling banyak digunakan karena
memiliki komponen biaya yang efisien dan memiliki kemampuan deteksi dengan
akurasi tinggi (Kristian Kovacic, Edouard Ivanjko and Hrvoje Gold (2013)). Setelah
penangkapan citra, terdapat serangkaian tahap pra-pemrosesan citra untuk menyiapkan
citra agar sesuai dengan spesifikasi yang dikehendaki lalu setelah itu baru dapat masuk
ke tahap pengolahan citra untuk mendeteksi adanya kendaraan dalam suatu citra. Sistem
ini diakhiri dengan mekanisme pencatatan dan pengolahan data yang pada ujungnya
akan memberikan luaran berupa analisis statistik even-even yang terjadi di jalan raya
tersebut. Penelitian ini berfokus kepada perancangan perangkat lunak sebagai
purwarupa sistem pemantauan, klasifikasi kendaraan dan analisis trafik jalan raya
berbasis video dan pengolahan citra. Teknik yang akan digunakan akan dipilih yang
sesuai dengan keadaan lingkungan tropis antara lain teknik klasifikasi scale-invariant
9
feature transform (SIFT) technique, deteksi tepi Canny, Haar-like, dan teknik stereo
vision matching.
10
Permasalahan yang akan diteliti dan diuraikan dalam penelitian ini adalah:
Bagaimana membangkitkan fitur-fitur yang mencirikan kendaraan (bentuk, rasio
panjang dan lebar kendaraan, warna, plat nomor, kecepatan rata-rata selama
berada jalan Toll) ?
Bagaimana memilih algoritma deteksi yang terbaik yang handal sesuai dengan
keadaan alam tropis di Indonesia ?
Bagaimana instalasi sensor visual yang paling handal untuk dapat mendeteksi
dengan baik sekaligus resisten terhadap keadaan cuaca maupun keadaan siang dan
malam.
Bagaimana mengintegrasikan sistem deteksi berbasis visual ini dengan sistem
basis data pencatatan dalam jaringan privat berbasiskan web antar setiap perangkat
deteksi dan kantor pusat kendalinya ?
11
BAB 2
TINJAUAN PUSTAKA
2.1. State Of The Art Penelitian Sejenis
Berbagai detektor yang dapat mendeteksi jenis kendaraan di jalan raya, sekarang
sudah menjadi komponen penting dari perangkat pengumpulan informasi lalu lintas
jalan raya. Jika dilihat dari teknik mendeteksi, maka detektor jenis kendaraan terbagi
menjadi beberapa jenis, yaitu detektor yang menggunakan coil, detektor berbasiskan
video, microwave, laser, sinar inframerah, ultrasonik, magnetik dan sebagainya. Pada
tren sekarang ini detektor yang menggunakan coil, video dan microwave menjadi
detektor yang paling umum digunakan di jalan raya hampir di seluruh dunia. Penelitian
(Yuxin Liu dan Xu Jia, 2012) dengan sangat komprehensif memperkenalkan komposisi,
prinsip operasi, standar instalasi, keuntungan dan kekurangan detektor-detektor tersebut.
Penggunaan detektor berbasis visual yaitu kamera pun semakin meluas dan semakin
cerdas.
Tantangan utama pengolahan gambar video untuk mendeteksi kendaraan ada 2
hal yaitu adanya variasi yang amat banyak dari jenis kendaraan yang ada dan adanya
berbagai variasi tampilan fisik lingkungan (seperti ukuran kendaraan dan bentuk, warna,
pancaran matahari, salju, hujan, debu, kabut, dan lain sebagainya). Sedang tantangan
lainnya biasanya muncul dari kebutuhan sistem yang handal dan sistem yang mampu
menangani pengolahan cepat (M. Bertozzi dkk,1999). Kebanyakan algoritma untuk
mendeteksi jenis kendaraan berbasiskan sistem visi komputer terdiri dari dua tahap
pekerjaan : (i) Menemukan semua kandidat fitur kendaraan dalam sebuah gambar; dan
(ii) Melakukan tes untuk memverifikasi keberadaan kendaraan. Tahap pertama
dilakukan dengan menggunakan tiga jenis metode: (i) metode berbasis pengetahuan; (ii)
metode stereo-vision; dan (iii) metode berbasis gerak (motion-based).
Metode berbasis pengetahuan bekerja pada asumsi bahwa sistem telah
mengetahui parameter yang dimiliki oleh objek (kendaraan) yang terdeteksi (misalnya
parameter posisi kendaraan, bentuk, warna, tekstur, bayangan, pencahayaan, dan lain-
lain). Metode membandingkan kemiripan dapat digunakan untuk mengenali spesifikasi
kendaraan yang dicari. Algoritma deteksi kendaraan seperti ini akan memberikan nilai
12
positif untuk setiap kendaraan yang memiliki kesamaan yang paling banyak dilihat dari
posisi depan dan belakang. Selain metode membandingkan kemiripan, metode
pengenalan warna jalan atau jalur (lane) juga dapat digunakan untuk mendeteksi
kendaraan. Dengan menggunakan pengenalan warna (D. Guo dkk, 2000), benda
bergerak (kendaraan) dapat dipisahkan dari latar belakang (jalan). Metode berbasis
pengetahuan lainnya ditemukan juga dengan menggunakan bayangan kendaraan (C.
Tzomakas and W. Seelen, 1998), sudut (bentuk persegi panjang kendaraan) (M.
Bertozzi dkk, 1997), tepi vertikal / horisontal (N. Matthews, 1996), tekstur (T. Kalinke
dkk, 1998), lampu kendaraan (R. Cucchiara and M. Piccardi, 1999), dan lain-lain.
Metode stereo-vision bekerja didasarkan pada peta disparitas atau pemetaan
perspektif terbalik (J. Hancock, 1997). Pada peta disparitas, dilakukan perbandingan
posisi piksel pada kedua kamera yang merepresentasikan objek yang sama. Komponen
ketiga vektor dari piksel (z koordinat) dapat dihitung dengan membandingkan
perubahan posisi piksel yang dibandingkan tersebut. Sedangkan pada metode pemetaan
perspektif terbalik, didasarkan pada mentransformasikan citra dan menghapus efek
perspektif dari citra tersebut. Dalam sistem stereovision ini pada umumnya
menggunakan dua kamera meskipun sistem dengan lebih dari dua kamera akan
membuat hasil yang lebih akurat, tetapi menyebabkan komputasi yang lebih mahal pula.
Dalam penelitian (T. Williamson dan C. Thorpe, 1999.), membahas tentang sistem visi
komputer dengan tiga kamera. Sistem ini dapat mendeteksi benda dengan ukuran 9cm
sampai jarak 110mm. Sistem ini memiliki tingkat akurasi yang tinggi bila dibandingkan
dengan sistem dengan dua kamera.
Metode berbasis gerak pada umumnya menggunakan fenomena aliran optik
(optical flow) untuk pengolahan citra (A. Giachetti dkk, 1998). Aliran optik dalam visi
komputer merepresentasikan pola pergerakan yang terlihat dari suatu obyek, permukaan
dan tepi di dalam bidang pandang kamera (camera field of view). Algoritma metode ini
akan membagi gambar menjadi bagian-bagian yang lebih kecil. Bagian gambar yang
lebih kecil dianalisis dengan gambar sebelumnya yang sudah disimpan untuk
menghitung arah dan kecepatan relatifnya. Dengan metode ini maka bagian gambar
statis dan dinamis dapat dipisahkan dan dapat diproses lebih lanjut (M. Bertozzi
dkk,1999). Setelah aliran optik sub-citra berhasil dihitung, kandidat obyek bergerak
(kendaraan) dapat dikenali. Setelah itu terdapat metode verifikasi yang memutuskan
13
kandidat yang dikenali sebagai obyek nyata. Verifikasi dilakukan dengan mengkalibrasi
ambang kecepatan pada nilai yang paling efisien. Dengan penyaringan ini, deteksi yang
salah dapat berkurang. Untuk verifikasi lebih lanjut, metode ini yang juga digunakan
dalam metode pendeteksian kendaraan berbasis pengetahuan (yaitu melalui tampilan
dan berbasis template). Metode seperti ini dapat mengenali fitur-fitur kendaraan seperti
tepi, tekstur, bayangan, dan lain sebagainya
2.2. Peta Jalan Penelitian
Universitas Gunadarma sebagai universitas yang memiliki ciri berbasis
Teknologi Informasi Komunikasi (TIK), amat padat menyisipkan muatan TIK dalam
setiap mata kuliah pada program studi yang ada di dalamnya. Demikian pula pada
penelitian-penelitian yang dilakukan, oleh dosen, mahasiswa maupun kolaborasi dosen-
mahasiswa. Gambar 2.1 berikut ini menunjukkan peta jalan dari penelitian yang akan
dilakukan. Dalam sub-bab ini, disajikan beberapa penelitian yang telah dilakukan
sebelumnya terkait dengan dua bidang keilmuan yaitu visi komputer dan sistem basis
data berbasiskan web yang dapat menunjang penelitian yang diusulkan ini.
Gambar 2.1 Peta jalan penelitian
14
Penelitian ini didukung oleh anggota peneliti yang memiliki kompetensi di
bidang TIK (meliputi sub bidang visi komputer dan aplikasi berbasis web) dan memiliki
rekam jejak penelitian yang baik serta pernah menerima hibah penelitian sebelumnya.
15
BAB 3
TUJUAN DAN MANFAAT PENELITIAN
3.1 Tujuan Penelitian
Tujuan utama penelitian ini adalah memberikan kontribusi bagi ilmu pengetahuan
yang berkaitan dengan sistem pemantauan dan penginderaan lalu lintas jalan bebas
hambatan untuk membantu pencatatan statistika keadaan lalu lintas. Tujuan secara lebih
detil dari penelitian ini adalah merancang dan menghasilkan sistem terpadu pencatatan
kendaraan yang masuk/keluar di jalan Toll dengan analisis berbasiskan data video dan
terintegrasi dalam suatu sistem basis data berbasiskan web privat antar setiap titik
kamera yang digunakan.
Adapun tujuan penelitian ini berdasarkan tahun penelitian dapat diuraikan sebagai
berikut :
Tujuan pada tahun Pertama penelitian, meliputi :
1. Merancang skema instalasi sistem kamera untuk mengambil citra kendaraan di pintu
toll.
2. Pembuatan model aplikasi deteksi fitur kendaraan berbasis video yang meliputi
deteksi jenis/golongan kendaraan, deteksi plat nomor kendaraan, aplikasi
perhitungan kecepatan rata-rata kendaraan setelah menempuh jarak antara pintu toll
tempat masuk dan pintu toll tempat keluar.
Tujuan tahun kedua penelitian, meliputi :
1. Perancangan kerangka kerja jaringan komunikasi data privat antar pintu toll dan
pusat data di kantor pengelola Toll.
2. Pembuatan modul basis data dan aplikasi pencatatan dan analisis data
berbasiskan web.
3. Integrasi aplikasi deteksi fitur berbasis video dengan aplikasi pencatatan dan
analisis data berbasiskan web.
4. Melakukan pengujian sistem yang dirancang secara keseluruhan untuk
membuktikan kehandalan dan reliabilitas sistem tersebut.
16
3.2 Urgensi penelitian
Keutamaan penelitian ini adalah sebagai salah satu upaya untuk menghasilkan
sistem yang dapat menjadi solusi untuk melakukan deteksi jenis kendaraan secara
akurat dan cepat pada pintu masuk dan pintu keluar jalan bebas hambatan. Keutamaan
penelitian ini berhubungan dengan tema strategis Teknologi Informasi dan Komunikasi
yang terkait dengan isu green technology yaitu pemanfaatan TIK untuk tercapainya
solusi yang ramah lingkungan dan sekaligus menyiapkan infrastruktur TIK pada bidang
transportasi pengelolaan jalan raya. Selain itu, sistem ini juga diharapkan dapat
digunakan sebagai temuan yang dapat membantu mengetahui dan mengatasi
permasalahan pada jalan raya secara keseluruhan, terkait dengan efisiensi penggunaan
lajur dan pemantauan situasi jalan yang efektif dan efisien termasuk untuk
pengintegrasian dengan sistem Electronic Toll Collection (ETC).
Luasnya lingkup implementasi sistem ini membuat sistem yang dirancang dapat
pula diterapkan pada pengelolaan lapangan parkir kendaraan, tempat penimbangan
kendaraan, tempat keluar masuk kendaraan di pelabuhan mau pun lapangan terbang dan
tempat-tempat umum lainnya yang memiliki intensitas kendaraan yang cukup besar.
Mekanisme penerapannya bisa dikembangkan untuk tidak hanya melakukan
perhitungan statistik yang terkait waktu, tetapi juga untuk mendeteksi even-even yang
tidak biasa seperti tabrakan atau even-even lain yang berpotensi menyebabkan
terjadinya insiden di jalan raya.
Manfaat penelitian ini antara lain dapat dijadikan sebagai (1) model deteksi
fitur-fitur kendaraan yang handal terhadap keadaan lingkungan (siang-malam, cerah-
hujan, dan lain-lain) (2) alternatif model komunikasi data antar perangkat kamera yang
tersebar di pintu-pintu toll yang memanfaatkan teknologi web (private cloud untuk
sistem transportasi) (3) media pembelajaran pola-pola lalu lintas dan pengambilan
keputusan bagi para pengelola jalan Toll pada khususnya, atau aparat penegak hukum
dan aparat departemen perhubungan melalui hasil analisis statistik kondisi lalu lintas
yang ditampilkan.
17
BAB 4
METODE PENELITIAN
Kegiatan penelitian ini akan dilaksanakan selama 2 tahun yaitu tahun 2016 dan 2017.
Setiap tahun akan berdurasi selama 10 bulan (diperkirakan berjalan dari bulan Februari
hingga November). Penelitian dilakukan di laboratorium jurusan Sistem Komputer
Universitas Gunadarma untuk kegiatan perakitan model sistem kamera, pembuatan
program dan integrasi sistem pemantauan kendaraan. Selain itu penelitian juga
dilakukan di beberapa ruas pintu jalan toll di wilayah Depok, Jakarta dan Bogor untuk
mengamati dan menganalisis secara langsung kendaraan yang lewat di sana.
Tahapan dan kegiatan penelitian, luaran yang dihasilkan dan indikator capaian
dapat dilihat pada blok diagram berikut ini:
Gambar 3.1. Blok diagram metode penelitian
18
4.1. Tahun Pertama (2016)
Tujuan penelitian tahun pertama adalah merancang skema instalasi sistem
kamera untuk mengambil citra kendaraan di pintu toll dan melakukan
pembuatan aplikasi deteksi fitur kendaraan berbasis video yang meliputi deteksi
jenis/golongan kendaraan, deteksi plat nomor kendaraan dan aplikasi
perhitungan kecepatan rata-rata kendaraan setelah menempuh jarak antara
pintu toll tempat masuk dan pintu toll tempat keluar. Untuk mencapai tujuan
tersebut beberapa tahapan kegiatan dilakukan, yaitu :
Tahap Persiapan
Tahap ini bertujuan menginventarisir dan mempersiapkan berbagai hal yang
dibutuhkan dalam pelaksanaan penelitian. Kegiatan ini akan dilaksanakan selama satu
bulan. Tahapan yang dilakukan meliputi :
1. Perencanaan operasional penelitian (dalam bentuk work breakdown structure),
yaitu detil rincian kerja dan aktivitas penelitian yang disusun dalam jadwal
penelitian yang didistribusikan ke seluruh personal penelitian sesuai
kompetensinya.
2. Penelusuran pustaka, yaitu aktivitas pencarian informasi yang terkait dengan
penelitian yang dilakukan melalui buku teks atau pun jurnal, prosiding dan
artikel ilmiah lainnya. Informasi tersebut diperoleh dari perpustakaan di instansi
pendidikan dan instansi kedinasan (Dinas Perhubungan, pengelola jalan Toll),
atau melalui internet.
3. Konsultasi dengan pengelola jalan toll, yaitu pertemuan dan diskusi dengan para
stackholder terkait dengan pengelolaan jalan Toll.
Tahap Analisis, Perancangan dan Pembuatan Aplikasi
Tahap ini bertujuan untuk menganalisis dan mengamati kebutuhan perancangan
untuk selanjutnya dituangkan dalam suatu rancangan yang menjadi dasar untuk
membangun aplikasi deteksi berbasiskan video. Kegiatan ini akan berlangsung selama
tiga bulan. Tahapan yang dilakukan meliputi :
1. Pemilihan model kamera outdoor yang handal. Kegiatan ini dilakukan dengan
melakukan survey di internet dan memverifikasi pada vendor-vendor penjual
kamera.
19
2. Instalasi kamera dan pengambilan data citra di lapangan. Dalam kegiatan ini
dilakukan beberapa skema instalasi kamera dan skenario pengambilan gambar
pada berbagai situasi (saat lalu lintas padat/longgar, saat siang/malam, saat
cuaca cerah/cuaca hujan).
3. Analisis data hasil pengamatan awal, yaitu aktivitas menganalisis hasil
pengamatan dari berbagai skema instalasi dan scenario pengambilan gambar.
4. Pemilihan alat dan bahan penelitian yang meliputi model-model Deteksi fitur
berbasiskan video. Hasil pengamatan awal menjadi dasar untuk menentukan
model algoritma yang dibutuhkan untuk membangun sistem deteksi berbasiskan
video ini berikut perangkat keras yang dibutuhkan dalam penelitian ini. seperti
tampak pada tabel 3.1.
Tabel 3.1 Tabel alat dan bahan yang dibutuhkan dalam penelitian
Peralatan Spesifikasi Peruntukan
Kamera Outdoor
Resolusi tinggi, wide area
ranges
Sebagai sistem akuisisi citra
Housing camera
Tahan kondisi cuaca Sebagai pelindung kamera
outdoor
Tripod, monopod
Untuk kebutuhan pendukung
instalasi kamera
Algoritma deteksi
fitur berbasiskan
video
1. Detector
2. tracking
3. segmenting
4. Klasifikasi
Diuji untuk dipilih yang terbaik
Personal Komputer /
Laptop Processor: Core i7
Memory: 8GB
VGA Card: VGA ATI
Radeon
Pengolahan data, perancangan
dan pembuatan perangkat lunak,
dan pembuatan laporan
Printer dan Scanner Canon MP 237 Pencetakan dan proses scan
dokumen
Koneksi internet Penelusuran pustaka, kebutuhan
data, korespondensi dengan
pakar
Perangkat Lunak OpenCV, Bahasa
pemrograman, driver camera
Pengolahan data dan pembuatan
program
Bahan habis pakai Tinta printer, DVD Pendukung berlangsungnya
kegiatan penelitian
ATK dan kertas Untuk kebutuhan administrasi
dan pencatatan.
20
Pengadaan alat atau bahan penelitian dilakukan melalui penyewaan atau
pembelian.
5. Perancangan modul aplikasi deteksi fitur berbasiskan video. Dengan adanya
bahan peralatan yang telah disiapkan, selanjutnya dilakukan perancangan modul
aplikasi deteksi fitur yang meliputi : Pembuatan modul aplikasi deteksi jenis /
golongan kendaraan, pembuatan modul aplikasi deteksi plat nomor kendaraan,
pembuatan modul aplikasi perhitungan kecepatan rata-rata kendaraan antara dua
pintu tol masuk dan keluar dan integrasi modul-modul aplikasi untuk fungsi
perhitungan analisis statistic laporan.
4.2. Tahun Kedua (2017)
Tahap Pengembangan dan Implementasi
Pada tahun kedua fokus penelitian adalah pada terbentuknya kerangka
kerja jaringan komunikasi data privat antar pintu toll dan pusat data di kantor
pengelola Toll, terbentuknya modul basis data dan aplikasi pencatatan dan
analisis data berbasiskan web, integrasi aplikasi ketiga hal tersebut, serta
melakukan pengujian terhadap sistem yang sudah diintegrasikan. Kegiatan-
kegiatan tersebut akan dilaksanakan selama lima bulan. Tahapan yang
dilakukan meliputi :
1. Pembuatan kerangka kerja jaringan komunikasi data privat antar pintu toll dan
pusat data di kantor pengelola Toll.
2. Pembuatan modul basis data dan aplikasi pencatatan dan analisis data
berbasiskan web
3. Integrasi aplikasi deteksi fitur berbasis video dengan aplikasi pencatatan dan
analisis data berbasiskan web.
4. Pengujian sistem yang dirancang secara keseluruhan untuk membuktikan
kehandalan dan reliabilitas sistem tersebut.
21
BAB 5
HASIL YANG DICAPAI
Hasil yang ditargetkan dalam penelitian ini di tahun pertama adalah :
1. Tahap Persiapan - Luaran dan indikator capaian dari kegiatan pada tahap ini
adalah :
• Bahan studi analisis kebutuhan teknologi jalan Tol
• Rekomendasi dari instansi pengelola jalan Tol
2. Tahap Analisis Perancangan dan pembuatan aplikasi - Luaran dan indikator
capaian dari kegiatan pada tahap ini adalah :
- Hasil analisis jenis kamera dan skema instalasi yang dipilih.
- Rancangan kerangka kerja aplikasi deteksi fitur berbasiskan video.
- Aplikasi deteksi fitur berbasiskan video.
- Publikasi penelitian yang meliputi :
1. Seminar nasional – bulan ke-7 penelitian.
2. Konferensi internasional – bulan ke-10 penelitian.
3. HKI program computer – pengurusan dimulai di bulan ke-9
penelitian.
Namun, secara jadwal, hal ini tidak bisa dilaksanakan secara berurutan seperti
yang telah dinyatakan pada proposal, sehubungan dengan adanya beberapa kendala
administrasi dan aktivitas pertengahan tahun 2016 yang terpotong dengan liburan hari
raya Idul fitri. Oleh karena itulah skedul penelitian yang telah tersusun kemudian
dimodifikasi sedemikian rupa, seperti yang dijabarkan di bawah ini.
5.1. Tahapan Penelitian yang telah dicapai
Pada bagian ini dideskripsikan hasil-hasil yang sudah dicapai pada tahun
pertama, yaitu pada tahapan persiapan dan koordinasi, survey lapangan tahap dan
Perancangan Sistem ITS.
22
1. TAHAP PERSIAPAN DAN KOORDINASI (Bulan April – Juni 2016)
a. Konsolidasi internal dan penyamaan persepsi, dengan diadakannya pertemuan
untuk diskusi seluruh tim peneliti, yang dilaksanakan pada :
7 April 2016 ruang PSMA Online di E129 Kampus E kelapa Dua :
Pembagian Teknis tugas dan komitmen - Penentuan target-target 2
bulanan, dihadiri oleh Ketua dan anggota peneliti.
28 April 2016 di ruang PSMA Online di E129 Kampus E Kelapa Dua :
membicarakan teknis pengembangan rancangan fungsi dan fitur program
Intelligence Transportation system untuk jalan toll, dihadiri oleh Ketua
Tim, anggota Tim peneliti.
19 Mei 2016 di ruang ruang PSMA Online di E129 Kampus E kelapa
Dua : Rapat Koordinasi Analis Sistem dan Programmer : - Penjelasan
lingkup pengembangan sistem – penentuan target-target perancangan,
pengembangan dan implementasi modul-modul sistem ITS untuk jalan
toll, dihadiri oleh Ketua dan anggota peneliti dan tim pengembang
perangkat Lunak.
b. Persiapan sarana dan prasarana kerja dan penyelesaian kelengkapan administrasi
2 Juni 2016 - Pembelian ATK, kertas, pembelian peralatan penunjang
dan bahan habis Pakai.
c. Koordinasi dengan pihak-pihak terkait setiap 1 minggu :
Tim peneliti dan tim pengembang, konsolidasi aspek otomatisasi visual,
algoritma yang digunakan dan kode-kode pemrograman yang disusun.
2. TAHAP SURVEY LAPANG (Bulan Juni – Agustus 2016)
a. Pengumpulan data sekunder dari situs vendor jalan toll dan hasil-hasil
penelitian terdahulu terkait dengan intelligence transportation System (ITS)
berbasiskan kamera yang berada di jalan Toll – pengumpulan data melalui
internet dan jurnal-jurnal.
b. Survey teknologi kamera dan konfigurasi pendukung sistem.
c. Koordinasi dalam Pertemuan rutin per minggu dan Penyusunan laporan
kemajuan Penelitian
23
3. TAHAP PERANCANGAN (Bulan Juli - September 2016)
Pada tahap ini, yang dilakukan adalah :
a. Analisis dan perancangan fungsi dan desain aplikasi
b. Pembuatan aplikasi
c. Uji prototipe (model)
Pada tahap ini juga diadakan pertemuan konsolidasi internal dan diskusi tim peneliti
beserta tim pengembang perangkat lunak secara rutin setiap 1 minggu sekali, yang
dilaksanakan pada :
9 Juni 2016 di ruang PSMA Online di E129 Kampus E Kelapa Dua :
Membicarakan algoritma dan modul aplikasi deteksi jenis / golongan kendaraan,
dihadiri oleh Ketua Tim peneliti, anggota tim peneliti, dan tim pengembang
perangkat Lunak.
16 Juni 2016 di ruang PSMA Online di E129 Kampus E Kelapa Dua :
Membicarakan metode dan pembuatan modul deteksi kecepatan kendaraan dan
modul aplikasi deteksi plat nomor kendaraan , dihadiri oleh Ketua Tim peneliti,
dan tim pengembang perangkat Lunak.
23 Juni 2016 di ruang PSMA Online di E129 Kampus E Kelapa Dua :
membicarakan teknis modul deteksi kecelakaan, dihadiri oleh ketua tim, anggota
tim peneliti, dan tim pengembang perangkat Lunak.
28 Juli 2016 di ruang PSMA Online di E129 Kampus E Kelapa Dua :
Membicarakan teknis pembuatan modul deteksi kabut / keadaan cuaca yang
merupakan bagian dari fungsi stasiun cuaca, dan pembuatan modul desain
variabel dinamis led matrix sign, dihadiri oleh Ketua Tim peneliti, dan tim
pengembang perangkat Lunak.
Tahap pengembangan rancangan perangkat lunak yang sudah dilaksanakan adalah
meliputi :
a. Penyediaan kamera dan sistem pendukungnya berdasarkan hasil analisis melalui
pembelian / penyewaan peralatan
b. Instalasi kamera dan pengambilan data citra di laboratorium dan menganalisis data
hasil pengamatan tersebut.
24
c. Integrasi modul-modul aplikasi untuk fungsi perhitungan analisis laporan statistik.
4. TAHAP PUBLIKASI DAN PELAPORAN (September - Desember
2016)
Hal-hal yang sudah dilakukan adalah :
a. Pembuatan dan pengiriman artikel untuk Seminar nasional, yaitu pada :
The 4th National Conference on Industrial Electrical and
Electronics (NCIEE) – 12-14 October 2016 dengan tema : "Inovasi
dan Hilirisasi Hasil Penelitian dan Pengabdian Kepada Masyarakat
melalui Peningkatan Technology Readiness Level (TRL)" di Jurusan
Teknik Elektro Fakultas Teknik Universitas Sultan Ageng Tirtayasa, Jl.
Jendral Sudirman KM. 3 Kota Cilegon, Banten.
Judul Artikel : Purwarupa Deteksi Otomatis Situasi Darurat di Jalan
Bebas Hambatan berbasiskan Raspberry Pi, penulis : Dr. Mohammad
Iqbal, Dr. Rudi Trisno Yuwono, STATUS : Terbit di Proceeding
Seminar Nasional
b. Konferensi internasional / jurnal internasional
2016 2nd International Conference on Engineering Management and
Industrial Technology (ICEMIT), 24 – 25 November 2016, Parapat,
North Sumatra, Indonesia, by DEL INSTITUTE OF TECHNOLOGY
and MALTESAS CONFERENCE SERIES, ALL ACCEPTED PAPERS
WILL BE INCLUDED IN ADVANCED SCIENCE LETTERS
JOURNAL, ISSN: 1936-6612 (Print): EISSN: 1936-7317 (Online).
Judul Artikel ke-1: Human Body Motion Similarity Analysis Using
Markerless Motion Capture System, penulis : Mohammad Iqbal, Yulia
Chalri, Robby Candra, STATUS : sudah dipresentasikan dalam
konferensi internasional dan dalam proses penerbitan di jurnal
Internasional
Judul Artikel ke-2: Realtime Stereo Vision for Vehicle Detection,
Classification and Counting Using Raspberry Pi, Dr. Mohammad Iqbal,
Dr. Rudi Trisno Yuwono, Hadyan Mardhi Fadlillah, Sigit Widiyanto.
25
STATUS : sudah dipresentasikan dalam konferensi internasional dan
dalam proses penerbitan di jurnal Internasional
c. Pembuatan buku ajar : E-book “Pengetahuan Dasar Kamera untuk
Pengawasan”, merupakan buku elektronik yang berisi dokumentasi hasil telusur
pengetahuan terkait dengan teknologi kamera untuk pengawasan atau
pemantauan. Buku ini bisa dijadikan pedoman untuk memahami cara kerja,
memilih teknologi kamera komersial dan panduan langkah demi langkah dalam
mendesain sistem Pengawasan berbasis visual.
d. Pengajuan hak cipta program komputer pengurusan (30 November 2016):
DEBAR – Deteksi & Sebar, adalah Program aplikasi berbasiskan sistem
Perangkat keras Raspberry Pi yang didesain untuk menunjang kecepatan
penyampaian berita kecelakaan ke fasilitas tim penolong / pusat
pemantauan lalu lintas dengan adanya sistem pendeteksi kecelakaan
berbasis visual. Luarannya adalah citra kecelakaan dan peringatan serta
informasi untuk berhati-hati untuk pengendari lain pada variable
message sign.
e. Pembuatan laporan Tahunan (26 November 2016).
f. Diseminasi / presentasi laporan akhir (Desember 2016).
Hal-hal terkait dengan rencana penelitian, realisasi tahapan penelitian yang sudah
dikerjakan dalam penelitian ini dapat dilihat pada tabel 5.1 di bawah ini
26
Tabel 5.1 Rencana dan Realisasi Jadwal Penelitian
No Jenis Kegiatan Tahun I (Maret - Des 2016)
1 2 3 4 5 6 7 8 9 10
1 Perencanaan : penyusunan jadwal kegiatan
2 Penelusuran pustaka
3 Konsultasi dengan pengelola jalan Toll A
4 Pemilihan model kamera outdoor dan skema
instalasi
B
5 Instalasi kamera dan pengambilan data citra di
laboratorium
6 Analisis data hasil pengamatan awal
7 penyediaan kebutuhan alat dan bahan penelitian
berdasarkan hasil analisis
8 Pembelian / penyewaan peralatan
9 Perancangan modul aplikasi deteksi fitur
berbasiskan video
10 Pembuatan modul aplikasi deteksi jenis /
golongan kendaraan, deteksi kecepatan
11 Pembuatan modul aplikasi deteksi plat nomor
kendaraan, deteksi kecelakaan, deteksi kabut, dan
desain led matrix sign
12 Integrasi modul-modul aplikasi untuk fungsi
perhitungan analisis laporan statistik.
13 Publikasi nasional, internasional dan HAKI
14 Pelaporan (Laporan Kemajuan & Lap Tahunan)
Keterangan Tabel :
A Dilakukan dengan mengambil data sekunder melalui situs web salah satu
operator jalan toll
B Melakukan survey ke situs web vendor penyedia network kamera dan CCTV
RencanaPenelitian
Realisasi Rencana Penelitian
27
5.2. Perancangan modul aplikasi deteksi fitur berbasiskan video
Perancangan ini dilakukan dengan memperhatikan hasil survey pada penyedia
layanan Intelligence transportation system yang menyebutkan fitur-fitur teknologi
pendukung yang harus ada dalam jalan tol, [http://www.traffic-tech.com/] yaitu meliputi
:
Freeway Management Systems
Toll Collection Systems
Tunnel Management Systems
Traffic Data Collection Stations
Traveler Information Systems
Adaptive Traffic Signal Systems
Weigh-In-Motion (WIM) Stations
Over-height Vehicle Detection Systems
Incident Detection Systems
Mobile ITS System for Work Zones
Parking Management & Guidance Systems
Public Transport Management Systems
Variable / Dynamic Message Signs
CCTV Systems & Automatic Number Plate Recognition (ANPR)
Weather Stations
Karena luasnya fitur yang Intelligence transportation system (ITS), maka dalam riset ini
dilakukan pembatasan modul aplikasi yang dibuat, dengan hanya memilih aplikasi
dengan sistem pencitraan video yang dapat diterapkan dalam jalan toll di Indonesia
adalah :
1. Modul aplikasi deteksi jenis / golongan kendaraan,
2. Modul deteksi kecepatan kendaraan
3. Modul aplikasi deteksi plat nomor kendaraan
4. Modul deteksi kecelakaan
5. Modul deteksi kabut / keadaan cuaca (bagian dari stasiun cuaca)
6. Modul desain variabel dinamis led matrix sign
28
Hampir semua modul-modul ini dibuat dengan menggunakan perangkat mini PC
Raspberry PI yang dikoneksikan ke kamera sebagai alat masukan, kemudian data visual
tersebut di analisis dengan metode-metode komputer vision. Pemilihan perangkat mini
PC dimaksudkan agar bisa mendapatkan environment programming yang mirip dengan
perangkat kamera yang akan digunakan sebagai perangkat utama penelitian yang masih
dalam proses pemilihan kualitas dari vendor-vendor kamera CCTV.
1. Modul aplikasi deteksi jenis / golongan kendaraan
Modul ini berbasiskan RaspberryPI yang mengambil masukan citra objek dari
USB Camera. Algoritma akan menentukan area deteksi citra, lalu fitur citra diambil
dengan menggunakan algoritma Haar Cascade classifier dengan me - load data xml
hasil training classifier dari citra objek. Setelah berhasil memilih objek , kemudian
proses berlanjut dengan menentukan titik tengah dari objek yang nanti akan dijadikan
acuan untuk melakukan proses tracking menggunakan kalman tracking. Ketika titik
tengah objek telah di temukan dan melewati lokasi tracking kalman maka citra objek
akan di bedakan sesuai jenis kendaraan dan pada proses ini juga akan melakukan proses
perhitungan untuk objek kendaraan. Hasil output keseluruhan akan di tampilkan oleh
display monitor.
Gambar 5.1 Tampilan modul pendeteksi dan penghitung jumlah kendaraan
29
Gambar 5.1 menunjukkan tampilan hasil ujicoba modul klasifikasi dan penghitungan
sesuai jenis kendaraan . Perhitungan jumlah kendaraan berada di area di antara 2 buah
garis, hasil perhitungan kendaraan ada di sisi kanan atas untuk melihat jumlah
kendaraan yang terdeteksi sesuai jenis kendaraan yaitu , mobil , truk kecil, truk besar
atau bus. Percobaan di dilakukan pada kondisi sore hari dengan kondisi padat merayap,
beberapa objek kendaraan terdeteksi baik.
2. Modul Pendeteksi kecepatan kendaraan
Modul ini berbasiskan RaspberryPI menggunakan kamera standard
RaspberryPI ; Picamera. Kamera diarahkan secara horisontal kepada jalan tempat
kendaraan lewat. Program utamanya adalah fungsi yang dapat menghasilkan nilai
kecepatan berdasarkan jumlah piksel yang berubah dalam waktu tertentu. Langkah
awalnya adalah mendefinisikan area yang akan dipantau dari citra yang ditangkap oleh
kamera, kemudian menghitung lebar dari frame dan menentukan kecepatan objek dalam
satuan meter per pixel. Agar modul ini dapat berulang kali meng-capture frame dan
memprosesnya, maka variabel PiCamera diset untuk tidak melalui proses inisialisasi
kembali ketika meng-capture satu frame pada satu waktu. frame dipotong dan diproses
hanya area yang ditentukan pengguna untuk memantau. Selanjutnya adalah modul ini
menunggu adanya gerakan berupa perubahan jumlah pixel antara frame satu dengan
frame yang lainnya yang sedang dicapture. Jika ada gerakan yang terdeteksi, maka
status yang ditampilkan pada frame akan berubah dari WAITING menjadi TRACKING,
dan modul mulai melakukan proses perhitungan kecepatan objek yang terekam oleh
kamera, dan jika modul sudah tidak mendeteksi adanya gerakan, maka status akan
berubah kembali menjadi WAITING. Ketika status TRACKING, modul ini mulai
melakukan perhitungan kecepatan dari objek yang terdeteksi. Ada fungsi yang berfungsi
untuk mencetak hasil dari proses perhitungan kedalam frame yang akan disimpan.
Fungsi ini kemudian mencetak tanggal, hari, dan waktu serta kecepatan dari kendaraan
yang terdeteksi kedalam sebuah gambar dan sekaligus menyimpannya dalam file teks.
Hasil ujicoba modul ini dapat dilihat pada gambar 5.2.
30
Deteksi kecepatan Mobil Deteksi kecepatan Motor
Gambar 5.2. Teknik pendefenisian titik awal dan akhir dari area yang dihitung (atas),
Hasil Uji coba modul pendeteksi kecepatan (bawah)
3. Modul Pendeteksi plat nomor kendaraan
Modul ini berbasiskan RaspberryPI menggunakan kamera USB sebagai alat
inputnya. Untuk keperluan deteksi plat nomor kendaraan menggunakan fungsi
OpenALPR (Automatic License Plate Recognition) library yang bekerja berbasiskan
algoritma LBP (Local Binary Pattern) cascade. Sedangkan untuk aplikasi video secara
realtime menggunakan alat bantu MJPG-Streamer. Hasil identifikasi dari OpenALPR
berupa representasi teks dari plate nomor yang disimpan dalam bentuk file .csv pada
media penyimpanan yaitu sd card. Selain itu juga frame-frame gambar yang terdapat
plate nomor juga akan tersimpan ke dalam media penyimpanan.
31
Masukan Keluaran Hasil
Keseluruhan Sampel Gambar Hasil tertulis dan persentase kecocokan
91.241873 %
90.839298 %
88.450683 %
91.902832 %
Gambar 5.3. Evaluasi modul pendeteksi plat nomor kendaraan
Gambar 5.4. Citra yang ditangkap webcam (kiri), Representasi citra disimpan dalam
bentuk teks (kanan)
32
4. Modul Pendeteksi kecelakaan
Modul ini berbasiskan RaspberryPI menggunakan kamera USB sebagai alat
inputnya. Deteksi kecelakaan menggunakan metode Thresholding dan Segmentasi.
Thresholding adalah metode paling sederhana dari segmentasi citra. Ini adalah operasi
non-linear yang mengubah citra skala abu-abu menjadi gambar biner dimana dua
tingkat ditugaskan untuk piksel yang berada di bawah atau di atas nilai ambang batas
yang ditentukan. Dengan kata lain, jika nilai pixel lebih besar dari nilai ambang batas,
itu dikategorikan satu nilai (mungkin putih), yang lain itu dikategorikan nilai (mungkin
hitam). Dalam penelitian ini metode thresholding dimodifikasi menjadi HFG
(Histogram Of Flow Gradient) yaitu modifikasi dari HOG (Histogram Of Oriented
Gradients) ini digunakan untuk mengekstraksi fitur pada obyek citra bergerak.
Langkahnya pada proses awal adalah mengkonversi citra RGB (Red, Green, Blue)
menjadi grayscale, yang kemudian dilanjutkan dengan menghitung nilai gradien setiap
piksel. Setelah mendapatkan nilai gradien, maka proses selanjutnya yaitu menentukan
jumlah orientasi yang akan digunakan dalam pembuatan histogram.
Modul pendeteksi kecelakaan ini diuji dalam dua keadaan, yaitu siang hari dan
malam hari. Kecelakaan pada siang hari terdeteksi dengan adanya objek tidak wajar
seperti munculya objek asap atau debu yang memiliki ukuran lebih besar dari objek
yang telah disesuaikan dengan pendeteksi kecelakaan pada metode tresholding yaitu
pada angka (83, 255). Sedangkan deteksi kecelakaan pada malam hari terdeteksi
dengan adanya objek tidak wajar seperti munculya objek percikan api atau asap yang
memiliki ukuran lebih besar dari objek yang telah disesuaikan dengan pendeteksi
kecelakaan pada metode tresholding yaitu pada angka (100, 255). Hasil pengujian
dapat dilihat pada gambar 5.5.
33
Gambar 5.5 Kondisi Kecelakaan Siang Hari (atas) dan malam hari (bawah) -
Lanjutan
5. Modul deteksi kabut
Modul pendeteksi kabut ini tidak menggunakan RaspiberryPI dan teknik
visualnya, tetapi memanfaatkan Arduino dengan menggunakan sensor LDR yang
cukup sensitif dan cepat untuk mengetahui kondisi kabut/asap jalan raya dan dalam
modul ini, jika terdeteksi kabut akan menyalakan lampu kabut secara otomatis. Unit
deteksi kabut pada gambar 5.6.
34
Gambar 5.6 Modul pendeteksi kabut/asap
Unit sensor cahaya LDR dapat dimodifikasi penggunaannya, dengan
memanfaatkan kemampuan LDR menangkap intensitas cahaya. Semakin tebal
kabut/asap yang melewati LDR maka intensitas cahaya yang ditangkap LDR akan
berkurang. Intensitas cahaya yang ditangkap LDR sebanding dengan tegangan yang
dihasilkan, sehingga semakin sedikit intensitas cahaya yang tertangkap LDR maka nilai
tegangan yang dihasilkan pun akan semakin kecil, sebaliknya semakin banyak intensitas
cahaya yang tertangkap LDR maka nilai tegangan yang dihasilkan pun akan semakin
besar. Kontroler Arduino uno ATMega328 kemudian akan memproses semua masukan
yang diterimanya dari inputan yang diberikan oleh sensor LDR berupa gelombang
elektromagnetik yang ditranslasikan menjadi sebuah bit data lalu diteruskan ke
mikrokontroler melalui port, kemudian program akan menjalankan perintah menyalakan
lampu kabut sekaligus menampilkan hasil bacaan sensor ke LCD. Ada 3 kondisi kabut
yang terbaca yaitu “PEKAT”, “SEDANG” dan “NORMAL”.
Tabel 5.2 Hasil pengujian pendeteksi kabut
Kondisi
Sensor
Keadaan fisik dan hasil bacaan
tegangan pada Arduino
Status pada LCD
Tanpa Asap
/ kabut
Tegangan masuk yang terbaca oleh
pin Analog Arduino adalah lebih dari
700 (tegangan dalam bentuk data
digital), jika dalam bentuk Analog
35
adalah lebih dari 3,4 volt. Kabut Tipis
Tegangan masuk yang terbaca oleh
pin Analog Arduino adalah kurang
dari 700 (tegangan dalam bentuk data
digital), jika dalam bentuk Analog
adalah kurang dari 3,4 volt.
Kabut
Sedang
Tegangan masuk yang terbaca oleh
pin Analog Arduino adalah kurang
dari 500 (tegangan dalam bentuk data
digital), jika dalam bentuk Analog
adalah kurang dari 2,4 volt.
36
Tabel 5.2. Hasil pengujian pendeteksi kabut (lanjutan)
Kondisi
Sensor
Keadaan fisik dan hasil bacaan
tegangan pada Arduino
Status pada LCD
Kabut Tebal
Tegangan masuk yang terbaca oleh
pin Analog Arduino adalah kurang
dari 400 (tegangan dalam bentuk data
digital), jika dalam bentuk Analog
adalah kurang dari 1,9 volt.
6. Modul desain variabel dinamis led matrix sign
Modul ini adalah modul untuk menginformasikan kepada pengguna jalan
mengenai keadaan jalan yang berada beberapa kilometer di depannya agar dapat
menganjurkan pengendara untuk segera mengendalikan kecepatannya. Modul yang
dibuat memiliki dua fungsi, yaitu fungsi pengaturan tulisan di di led matrix yang bisa
dikirim via perangkat mobile dan fungsi otomatis mengubah informasi sesuai dengan
yang dibaca oleh sensor ping. Modul ini dibuat berbasiskan Arduino.
Fungsi pengendalian informasi dengan perangkat mobile memanfaatkan akses
bluetooth untuk dapat mengirimkan kode numerik. Masing-masing kode numerik akan
menghasilkan tulisan pesan yang berbeda pada led matrix. Sedangkan fungsi otomatis
menggunakan sensor ping, akan memberikan informasi situasi jalan disekitar ruas jalan
yang berada dalam area sensor, apakah terjadi kemacetan atau tidak. Data diambil dari
sensor 1 dan sensor 2 yang aktif bila terhalang benda didepan sensor dengan jarak 2-3
meter didepan sensor.
37
Gambar 5.7 Modul Variabel Dinamis led matrix, tampak depan dan belakang (atas)
dan pengujian sensor ping untuk memberi informasi macet atau tidak
5. Modul deteksi Kemacetan
Modul pendeteksi kemacetan ini berbasiskan RaspberryPI dengan kamera USB.
Algoritma pendeteksi kemacetan yang digunakan adalah menghitung berapa jumlah
kendaraan di antara dua batas area virtual pada citra, jika kendaraan tersebut jumlahnya
banyak (dilihat dari obyek yang berada di antara dua batas area virtual) dan tidak
bergerak (dilihat dari variabel waktu tracking terhadap obyek kendaraan yang sangat
lambat), maka terdeteksilah kemacetan
38
Tabel 5.3 Ilustrasi Pendeteksi Kemacetan dan kelancaran lalu lintas lewat sensor
visual
Semua modul yang dibuat ini dikerjakan oleh 7 mahasiswa sebagai tim
pengembang dari penelitian ini yang disupervisi langsung oleh tim peneliti. Hasilnya
disusun dalam 7 artikel ilmiah yang terdiri dari 1 tugas Akhir skripsi dan 6 penulisan
ilmiah yang diujikan dalam rentang bulan Agustus dan September 2016 (abstraksi dapat
dilihat pada lampiran).
Objek Kendaraan
terhitung
Keterangan
2 mobil Mobil kesatu dan
kedua melewati garis
hijau dan terhitung
program counter.
Status : lancar
39
BAB 6
RENCANA TAHAPAN BERIKUTNYA
6.1. TAHAP PENGEMBANGAN DAN IMPLEMENTASI
Pada tahun kedua fokus penelitian adalah pada terbentuknya kerangka kerja jaringan
komunikasi data privat antar pintu toll dan pusat data di kantor pengelola Toll,
terbentuknya modul basis data dan aplikasi pencatatan dan analisis data berbasiskan
web, integrasi aplikasi ketiga hal tersebut, serta melakukan pengujian terhadap sistem
yang sudah diintegrasikan. Kegiatan-kegiatan tersebut akan dilaksanakan selama
sepuluh bulan dengan tahapan yang dilakukan meliputi :
1. Pembuatan infrastruktur kerangka kerja jaringan komunikasi data privat antar
pintu tol dan pusat data di kantor pengelola Tol.
2. Pembuatan modul basis data dan aplikasi pencatatan dan analisis data
berbasiskan web
3. Integrasi aplikasi deteksi fitur berbasis video dengan aplikasi pencatatan dan
analisis data berbasiskan web.
4. Pengujian sistem yang dirancang secara keseluruhan untuk membuktikan
kehandalan dan reliabilitas sistem tersebut.
Luaran dan indikator capaian dari kegiatan pada tahap ini adalah :
- Terbangunnya integrasi modul basis data dan aplikasi pencatatan berbasis web
dengan system deteksi fitur kendaraan berbasis video.
- Hasil analisa kehandalan aplikasi terpadu tersebut
- Publikasi hasil penelitian melalui :
o Seminar internasional – pada sekitar bulan ke-8
o Jurnal intenasional dengan periode penerbitan sekitar bulan ke-10.
- HKI produk teknologi
40
BAB 7
KESIMPULAN DAN SARAN
7.1. Kesimpulan
Teknologi Intelligence transportation System berbasiskan visual yang diadopsi
pada jalan tol ini dilakukan untuk mendapatkan informasi status serta situasi yang
terkait dengan para pengguna tol, agar keadaan jalan tol dapat diketahui secara cepat
dan terdokumentasi dengan baik, sehingga dapat dipergunakan semaksimal mungkin
untuk menghindari kemacetan bahkan kecelakaan, dan meningkatkan keamanan
penggunaan jalan tol.
Penelitian tahun pertama ini meletakkan dasar-dasar modul cerdas Intelligence
transportation System berbasiskan visual. Secara parsial, modul-modul sistem
pendeteksi dan pengklasifikasi berbasis video yang telah dibuat telah dapat berjalan
sesuai dengan yang diinginkan.
7.2. Saran
Langkah selanjutnya dari penelitian ini adalah menyatukan modul-modul sub-
sistem tersebut dalam satu modul terintegrasi, menjadi masukan sebagai sistem sensor
yang data-datanya dapat dikumpulkan dengan menggunakan sistem jaringan komputer
terpadu privat dalam suatu sistem basis data yang aman dan punya reliabilitas tinggi,
sebagai bagian dari Sistem manajemen tol terpadu berbasiskan web.
41
DAFTAR PUSTAKA
A. Giachetti, M. Campani, and V. Torre, “The use of optical flow for road
navigation,” IEEE transactions on robotics and automation, vol. 14, no.1,
pp. 34–48, 1998.
C. Tzomakas and W. Seelen, “Vehicle detection in traffic scenes using
shadows,” Tech. Rep. 98-06, Institut fur neuroinformatik, Ruht-universitat,
Bochum, Germany, 1998.
D. Guo, T. Fraichard, M. Xie, and C. Laugier, “Color modeling by spherical
influence field in sensing driving environment,” IEEE Intelligent Vehicle
Symposium, pp. 249–254, 2000.
J. Hancock, “High-speed obstacle detection for automated highway
applications,” Tech. Rep. RI-TR-97-17, Carnegie Mellon University, 1997.
Kristian Kovacic, Edouard Ivanjko and Hrvoje Gold, Computer Vision Systems
in Road Vehicles: A Review, Proceedings of the Croatian Computer
Vision Workshop, 2013
M. Bertozzi, A. Broggi, A. Fascioli, and R. Fascioli, “Stereo inverse perspective
mapping: Theory and applications,” Image and Vision Computing Journal,
vol. 8, pp. 585–590, 1998.
M. Bertozzi, A. Broggi, and S. Castelluccio, “A real-time oriented system for
vehicle detection,” Journal Of Systems Architecture, pp. 317–325, 1997.
N. Matthews, P. An, D. Charnley, and C. Harris, “Vehicle detection and
recognition in greyscale imagery,” Control Engineering Practice, vol. 4,
pp. 473–479, 1996.
R. Cucchiara and M. Piccardi, “Vehicle detection under day and night
illumination,” International ICSC Symposium on Intelligent Industrial
Automation, 1999.
T. Kalinke, C. Tzomakas und W. v. Seelen, “A texture-based object detection
and an adaptive model-based classification,” IEEE International
Conference on Intelligent Vehicles, pp. 143–148, 1998.
42
T. Williamson and C. Thorpe, “A trinocular stereo system for highway obstacle
detection,” in 1999 International Conference on Robotics and Automation
(ICRA ’99), 1999.
Yuxin Liu dan Xu Jia, Common Vehicle Detectors of Highway Performance
Comparison and Development Trend Analysis, 2nd International
Conference on Materials, Mechatronics and Automation Lecture Notes in
Information Technology, Vol.15, 2012
Z. Sun, G. Bebis, and R. Miller, “On-road vehicle detection: A
review,”Transactions on Pattern Analysis and Machine Intelligence, vol.
28, no. 5, pp. 694–711, May 2006.
43
LAMPIRAN
44
LAMPIRAN 1.
Tampilan Luaran Modul-modul yang di buat
Modul pendeteksi dan penghitung jumlah kendaraan :
Modul pendeteksi kecepatan kendaraan :
45
Modul pendeteksi plat nomor kendaraan :
Modul pendeteksi Kecelakaan
Siang Hari :
46
Malam Hari :
Modul pendeteksi Kabut / Asap
47
Modul Variabel Dinamis LED Matrix
Perintah lewat mobile phone (kiri atas) dan Perintah otomatis Sensor ping (kanan atas),
tampilan pada mobile phone (kiri bawah) dan tampilan fisik LED Matrix (kanan bawah)
Modul Pendeteksi Kemacetan
48
LAMPIRAN 2. PERSONALIA TENAGA PELAKSANA
BIODATA KETUA TIM PENELITI
A. IDENTITAS DIRI
1 Nama Lengkap (dengan
gelar)
Dr. Mohammad Iqbal, SKom., MMSI (L)
2 Jabatan Fungsional Lektor
3 NIP/NIDN/No. KTP 001200/0331127506/32.7106.311275.0004
4 Tempat dan Tanggal Lahir Bogor, 31 Desember 1975
5 Alamat Rumah Jl. Kranji V-17 Budi Agung Bogor 16165.
6 Nomor Telepon (0251) 8332160
7 Nomor HP 0812-9950814
8 Alamat Kantor Universitas Gunadarma, Kampus E Kelapa Dua,
Jl. Akses UI, Kelapa Dua, Cimanggis, Depok ,
16951. PSMA Online.
9 Nomor Telepon/Faks (021) 8727538, 8727541 ext. 118
10 Alamat e-mail [email protected]
11 Lulusan yg telah dihasilkan -
12 Mata Kuliah yg diampu 1. Keamanan Komputer
2. Rekayasa Perangkat lunak
3. Pengantar Robotika
4. Grafik Komputer & Pengolahan Citra
B. RIWAYAT PENDIDIKAN
2.1 Program S1 S2 S3
2.2 Nama PT Universitas
Gunadarma,
Indonesia
Universitas Gunadarma,
Indonesia
Université de
Bourgogne,
Perancis
2.3 Bidang Ilmu Teknik
Komputer
Sistem Informasi Computer vision
dan Pengolahan
citra
2.4 Tahun
Masuk
1993 1998 2008
2.5 Tahun Lulus 1998 2001 2011
2.6 Judul
Skripsi/
Tesis/Diserta
si
Sistem
Kendali
Robot
melalui
Radio control
Analisis dan Perancangan Sistem
Pengolahan data terpadu Zakat
Infaq Sedekah “Muamalah
Network” dengan memanfaatkan
Teknologi Virtual Private
Network
Polarization
Stereoscopic
Imaging
Prototype
2.7 Nama
Pembimbing
Dr.
Sarifuddin
Madenda
Dr. Achmad Benny Mutiara Prof Dr. Fabrice
Mériaudeau
49
C. PENGALAMAN PENELITIAN
No. Tahun Judul Penelitian Sumber
Pendanaan
Jumlah
(Juta Rp)
1. 2002 -
2003
Teaching Grant untuk Mata
Kuliah Analisa Kinerja Sistem
ADB – TPSDP
Jurusan Sistem
Komputer
Universitas
Gunadarma
Rp
20.000.000,-
2. 2004 -
2005
Teaching Grant untuk Mata
Kuliah PENGANTAR
ROBOTIKA
ADB – TPSDP
Jurusan Sistem
Komputer
Universitas
Gunadarma
Rp
20.000.000,-
3. 2005 –
2006
Research Grant : “MODEL
SISTEM AUDITORI UNTUK
TRANSKRIPSI MUSIK HIDUP
DAN MUSIK REKAMAN”
Sebagai anggota peneliti
ADB – TPSDP
Jurusan Sistem
Komputer
Universitas
Gunadarma
Rp
30.000.000,-
2013-
2014
Aplikasi Sistem Pakar Penuntun
Pengambilan Keputusan Usaha
Kecil Berbasis web Interaktif
Untuk Meningkatkan
Kompetensi Pelaku Usaha Kecil
Pemula di Provinsi Jawa Barat
dan Banten
Sebagai Ketua Peneliti
Hibah Unggulan
Perguruan tinggi
– Desentralisasi
DIKTI
Rp
143.000.000
D. PENGALAMAN PENGABDIAN KEPADA MASYARAKAT
No. Tahun Judul Pengabdian Kepada
Masyarakat
Sumber
Pendanaan
Jumlah (Juta
Rp)
1. 2004 Pelatihan pemeriksaan
Jaringan Komputer dan
Komunikasi Data
Bank Indonesia -
2005 Implementasi Program
Indonesia Goes Open Source
(IGOS)
Kementrian
Riset dan
Teknologi
-
2013 Pelatihan Sains dan TIK bagi
pemuda putus sekolah, kerjasama
dengan Yayasan Karang Widya
Mandiri -
2014 Pelatihan Sains dan TIK bagi
pemuda putus sekolah, kerjasama
dengan Yayasan Karang Widya
Mandiri -
50
E. PUBLIKASI ARTIKEL ILMIAH DALAM JURNAL
No. Tahun Judul Artikel Ilmiah Volume/
Nomer
Nama Jurnal
1. 2003 Implementasi
Forensik Sistem
Komputer ;
Pekerjaan Rumah
bagi Kepolisian
Indonesia
No.2 Jilid
7
Jurnal Ilmiah Informatika
dan Komputer
ISSN : 0853-8638
2. 2011 Polarization
Stereoscopic
Imaging Prototype
International
vol. 4 no.
3 Journal SERSC IJSIP
(International Journal of
Signal Processing, Image
Processing and Pattern
Recognition)
3. 2014 PAKAR-UKM -
Expert system for
SMEs using
dynamic knowledge
base
Vol. 9,
No. 12,
December
2014
ARPN Journal of
Engineering and Applied
Sciences
E. PEMAKALAH SEMINAR ILMIAH
No. Nama Pertemuan
ilmiah
Judul Artikel Ilmiah Waktu dan
Tempat
1. Seminar Nasional
KNSI 2014
Sistem Pemantauan Ladang
Jamur Tiram Berbasiskan Web
Ujung Pandang,
27 Feb - 1 Mar
2014
2. Seminar Nasional
BKSTI 2014,
Pengembangan Sistem Pakar
UKM : Sistem Penunjang
Keputusan Usaha Mikro Kecil
Menengah dengan
memanfaatkan Metode
Klasifikasi dan Web-crawling
sebagai Penggali Data
Bukit Tinggi, 2-
4 September
2014
3. Seminar Nasional
SMART-
TEKNOSIM UGM
PAKAR UKM ; Sistem Pakar
untuk membantu Pengembangan
Bisnis Usaha Mikro Kecil
Menengah (UMKM)
Yogyakarta, 3
Desember 2013
F. PENGALAMAN PENULISAN BUKU
No. Tahun Judul Buku Jumlah
Halaman
Penerbit
1 2010 Analisis Kinerja Sistem :
Pendekatan teori dan Praktek
201
halaman
Universitas
Gunadarma
51
G. PENGALAMAN PEROLEHAN HKI
No. Tahun Judul / Tema HKI Jenis Nomor P/ID 1 2006 Computer Assisted Instruction
(CAI) untuk perkuliahan
Pengantar Robotika
Program
komputer
c00200702309
2 2014 Program Komputer Pakar-UKM Program
komputer
C00201304844
tanggal 25
Februari 2014
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan Hibah Penelitian Unggulan Perguruan Tinggi.
Depok, 27 November 2016
Pengusul
( Dr. Mohammad Iqbal)
BIODATA ANGGOTA PENELITI 1
A. IDENTITAS DIRI
1.1 Nama Lengkap (dengan gelar) Dr. Rudi Trisno Yuwono, SKom, MM
1.2 Jabatan Fungsional Asisten Ahli
Jabatan Struktural Penanggung Jawab PSA-Online
1.3 NIP/NIK/Identitas lainnya 929366
1.4 NIDN 0322066703
1.5 Tempat dan Tanggal Lahir Jakarta, 22-06-1967
1.6 Alamat Rumah Jl.Kembang Lio No.10 Rt.01/Rw.03 Beji Depok
16421, INDONESIA
1.7 Nomor Telepon/Faks/HP 021 - 77204518
1.8 Alamat Kantor Jl. Margonda Raya No. 100 Pondok Cina –
Depok
1.9. Nomor Telepon/Faks 021 - 78881112 ext 472
1.10 Alamat E-mail [email protected]
1.11 Lulusan yang telah dihasilkan S1= 5 orang ; S2 = 3 orang
1.12 Mata Kuliah yang diampu 1. Konsep Sistem Informasi Lanjutan
2. Komunikasi Data dan Jaringan Komputer
3. Analisis Kinerja SistemProgramming
Algorithm
4. Pengelolaan Proyek Sistem Informasi
5. Rekayasa Perangkat Lunak
6. Pemrograman Generasi Keempat
7. Sistem Berbasis Pengetahuan
8. Sistem Terdistribusi
B. RIWAYAT PENDIDIKAN
S1 S2 S3
Nama Perguruan
Tinggi
STMIK Gunadarma Universitas
Gunadarma
Universitas Gunadarma
Bidang Ilmu Sistem Informasi Sistem Informasi Teknologi Informasi
Tahun Masuk-
Lulus
1987 – 1994 1995 – 1997 2003 - 2010
Judul
Skripsi/Tesis/
Disertasi
Variabel Deviasi
Dalam Pemrograman
Goal Mengendalikan
Nilai Ruas Kiri Suatu
Kendala Agar Sama
Dengan Nilai Ruas
Kanannya
Analisa Tingkat
Suku Bunga dan
Inflasi Terhadap
Pertumbuhan
Ekonomi Indonesia
Evaluasi Kinerja
Algoritma Pencocokan
Pola Sidik Jari
(Fingerprint Matching)
Menggunakan
Sekelompok Titik-titik
Minutiae Terdekat
Nama
Pembimbing /
Promotor
Prof. Suryadi
Harmanto, SSi., MMSi
E.Wiseto Baroto,
Ir.,MM
Prof. Dr. Sarifuddin
Madenda
53
C. PENGALAMAN PENELITIAN
No Tahun Judul Penelitian Pendanaan
Sumber Jml (Juta Rp)
1 2006 Penanganan Toleransi Kesalahan
(Fault Tolerance) Pada Sistem
Pembayaran Elektronis Menggunakan
Mesin ATM Dengan Jaringan
Komputer Berbasis TCP/IP
Research
Grant TPSDP
(ADB-Loan
No.1792)
30.000.000
D. PENGALAMAN PENGABDIAN KEPADA MASYARAKAT
No. Tahun Judul Pengabdian
Kepada Masyarakat
Sumber
Pendanaan
Jumlah (Juta Rp)
1 2014 Pelatihan Sains dan
TIK bagi pemuda
putus sekolah,
kerjasama dengan
Yayasan Karang
Widya
Mandiri -
E. PENGALAMAN PENULISAN ARTIKEL ILMIAH DALAM JURNAL
No Judul Artikel Ilmiah Volume/Nomor/Tahun Judul Jurnal
1 Adaptable Fingerprint Minutiae
Extraction Algorithm based-on
Crossing Number Method for
Hardware Implementation using
FPGA Device
Vol.2 / Number 3,
June 2012
IJCSEIT Journal
F. PENGALAMAN PENULISAN BUKU
No. Tahun Judul Buku Jumlah
Halaman
Penerbit
1 - - - -
G. PENGALAMAN PEROLEHAN HKI
No
.
Tahun Judul / Tema HKI Jenis Nomor
P/ID
1 -
- - -
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya,
54
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu persyaratan
dalam pengajuan Hibah Penelitian Unggulan Perguruan Tinggi.
Depok, 27 November 2016
Pengusul,
(Dr. Rudi Trisno Yuwono SKom, MM)
55
BIODATA ANGGOTA PENELITI 2
A. IDENTITAS DIRI
1.1 Nama Lengkap (dengan
gelar)
Sigit Widiyanto, ST, MMSI, MSc
1.2 Jabatan Fungsional Asisten Ahli
1.3 NIP/NIDN/No. KTP 120949/0310019001/
1.4 Tempat dan Tanggal Lahir Karang Anyar, 10 Januari 1990
1.5 Alamat Rumah JL. Raya RTM No. 106B. RT.07/RW.11
Kelapa Dua, Cimanggis, Depok
1.6 Nomor Telepon -
1.7 Nomor HP 0896 350 00886
1.8 Alamat Kantor Universitas Gunadarma, Kampus E Kelapa
Dua, Jl. Akses UI, Kelapa Dua, Cimanggis,
Depok , 16951. PSMA Online.
1.9. Nomor Telepon/Faks (021) 8727538, 8727541 ext. 118
1.10 Alamat e-mail [email protected]
1.11 Lulusan yg telah dihasilkan -
1.12 Mata Kuliah yg diampu 1.Pengolahan Citra
2.Data Mining
3.Teknik Kompilasi
4.Pemrograman Multimedia
B. RIWAYAT PENDIDIKAN
2.1 Program S1 S2 S2
2.2 Nama PT Universitas
Gunadarma
Universitas
Gunadarma
University of
Burgundi,
France
2.3 Bidang Ilmu Teknik Informatika Manajemen Sistem
Informasi
Computer
Vision and
Robotic
2.4 Tahun Masuk 2007 2010 2011
2.5 Tahun Lulus 2010 2011 2012
2.6 Judul Skripsi/
Tesis/Disertasi
Image
Classification
Based on Color
Scale-invariant
Features Transform
and Spatial
Pyramid Matching
Methods
Texture and Shape
Feature Extraction
on Digital Dental
Caries Image
Development of
Vision Based
System to
Estimate Fat
Content in
Slices of Dry
Cured Ham
2.7 Nama
Pembimbing
Dr. Asep Juarna Dr. Aviarini Dr. Xavier Cufi,
Dr. Robert
Marti, Dr. Israel
Munoz
56
C. PENGALAMAN PENELITIAN
No. Tahun Judul Penelitian Sumber
Pendanaan
Jumlah (Juta
Rp)
1. 2011
Projek Industri, “Development of
Based System to Estimate Fat
Content in slices of Dry Cured
Ham.” Institut Research of
Tecnology and Agriculture, Girona,
Spain.
IRTA, Girona € 4.000
(Kurs
12.000)
=
Rp
48.000.000
2. 2012 Asian Research, “Widespread
Impact of exponential growth digital
media technology in the structure of
Society 21st century, Southeast
Asia, Indonesia.”
Research
Grant POSCO
TJ Park
Foundation
$ 8.000
(Kurs
9.000)
=
Rp
72.000.000
D. PENGALAMAN PENGABDIAN KEPADA MASYARAKAT
No. Tahun Judul Pengabdian Kepada
Masyarakat
Sumber
Pendanaan
Jumlah
(Juta Rp)
1. 2014 Testing Aplikasi RTGS BI-
NG, SKN BI-NG, dan KPJU
Bank Indonesia
Bank Indonesia Rp.
100.000.000
E. PENGALAMAN PENULISAN ARTIKEL ILMIAH DALAM JURNAL
No
.
Tahun Judul Artikel Ilmiah Volume/
Nomer
Nama Jurnal
1. 2014 Morphology and Watershed
Segmentation for Extracting the
Cancer Nodule in Lung CT Scan
Image.
Vol. 6, 1–5 Advanced Science,
Engineering and
Medicine. Vol. 6, 1–5,
2014. American
Scientific Publishers.
2. 2014 Reconstruction 4d Of Blood
Flow MR Imaging On
Abdominal Aortic Aneurysms
With Thrombus Signal.
Vol. 63
No.1.
Journal of Theoretical
and Applied
Information
Technology 10th May
2014. Vol. 63 No.1.
2005 - 2014 JATIT &
LLS. ISSN: 1992-8645.
3. 2014 Pengembangan Sistem Pakar-
UKM: Sistem Penunjang
Keputusan Usaha Mikro Kecil
Menengah Dengan
Memanfaatkan Metode
Klasifikasi dan Web Crawling
Sebagai Penggali Data.
Volume: 2 Seminar Nasional
Teknik Industri BKSTI
2014, Bukit Tinggi.
57
No
.
Tahun Judul Artikel Ilmiah Volume/
Nomer
Nama Jurnal
4. 2014 PAKAR-UKM - Expert
System for SMEs Using
Dynamic Knowledge Base.
Vol. 5 ICESTI 2014, Bali.
5. 2013 Automatic Intra Muscular Fat
Analysis on Dry-Cured Ham
Slices. Page: 873-880
Volume:
7887
Computer Science
Jurnal in Pattern
Recognition and Image
Analysis, ISBN: 978-3-
42-38627-5
6. 2011 The Use of Java Swing’s
Components to Develop a
Widget. Page 95-114
Volume: 1,
Issue: 4
International Journal of
Human Computer
Interaction
F. PENGALAMAN PENULISAN BUKU
No. Tahun Judul Buku Jumlah
Halaman
Penerbit
1 2013 Manajemen Pemasaran 109 Universitas
Gunadarma
2 2013 Data Mining: Metode Klasifikasi 48 Universitas
Gunadarma
G. PENGALAMAN PEROLEHAN HKI
No
.
Tahun Judul / Tema HKI Jenis Nomor
P/ID
1 2014 Kategori Trombus Dan Rekonstruksi Aliran Darah Pada Aneurisma Aorta Abdominal Dari Citra Magnetic Resonance Imaging.
Program
Komputer
C00201304
845
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan Hibah Penelitian Kompetensi.
Depok, 27 November 2016
Pengusul
( Sigit Widiyanto, ST., MMSI., MSc)
58
BIODATA ANGGOTA PENELITI 3
A. IDENTITAS DIRI
1.1 Nama Lengkap (dengan
gelar)
Hadyan Mardhi Fadlillah ST.MMSI.MSc
1.2 Jabatan Fungsional
1.3 NIP/NIDN/No. KTP 001200/0301019001/3276020101900009
1.4 Tempat dan Tanggal Lahir Jakarta, 1 Januari 1990
1.5 Alamat Rumah KP Sidamukti, Sukmajaya, Depok 16412
1.6 Nomor Telepon -
1.7 Nomor HP 089619149464
1.8 Alamat Kantor Universitas Gunadarma, Kampus E Kelapa
Dua, Jl. Akses UI, Kelapa Dua, Cimanggis,
Depok , 16951. PSMA Online.
1.9. Nomor Telepon/Faks (021) 8727538, 8727541 ext. 118
1.10 Alamat e-mail [email protected]
1.11 Lulusan yg telah dihasilkan -
1.12 Mata Kuliah yg diampu 1. Sistem Basis Data
2. Pemrograman Berbasis Web
3. Organisasi Arsitektur Komputer
4. Pengantar Teknologi Informasi
B. RIWAYAT PENDIDIKAN
2.1 Program S1 S2 S2
2.2 Nama PT Universitas
Gunadarma,
Indonesia
Universitas
Gunadarma,
Indonesia
Université de
Bourgogne, Perancis
2.3 Bidang Ilmu Teknik
Informatika
Sistem
Informasi
Computer vision dan
Pengolahan citra
2.4 Tahun Masuk 2007 2010 2011
2.5 Tahun Lulus 2010 2011 2012
2.6 Judul Skripsi/
Tesis/Disertasi
Enhance Web
User Interface
and Remote
Running of
Expert System
Development
Tool
Defects
Identification of
Ceramic Tiles
Using
Morphological
Technique for
Quality
Classification
Implementation and
Performance
Evaluation for Several
Semiautomatic and
Automatic
Segmentation
Methods for
Breast Ultrasound
Images
2.7 Nama
Pembimbing
Prof. Dr. I
Wayan Simri W.
Dr. Bertalya Dr. Joan Marti
Bonmati
59
C. PENGALAMAN PENELITIAN
No. Tahun Judul Penelitian Sumber
Pendanaan
Jumlah (Juta
Rp)
2013-
2014
Aplikasi Sistem Pakar Penuntun
Pengambilan Keputusan Usaha
Kecil Berbasis web Interaktif
Untuk Meningkatkan Kompetensi
Pelaku Usaha Kecil Pemula di
Provinsi Jawa Barat dan Banten
Sebagai Anggota Peneliti
Hibah
Unggulan
Perguruan
tinggi –
Desentralisasi
DIKTI
Rp
143.000.000
D. PENGALAMAN PENGABDIAN KEPADA MASYARAKAT
No. Tahun Judul Pengabdian Kepada
Masyarakat
Sumber
Pendanaan
Jumlah
(Juta Rp)
- - - - -
E. PENGALAMAN PENULISAN ARTIKEL ILMIAH DALAM JURNAL
No. Tahun Judul Artikel Ilmiah Volume/ Nomer Nama Jurnal
1. 2014 PAKAR-UKM - Expert system
for SMEs using dynamic
knowledge base
Vol. 9, No. 12,
December 2014
(surat LoA
tanggal 18
September
2014)
ARPN
Journal of
Engineering
and Applied
Sciences
F. PENGALAMAN PENULISAN BUKU
No. Tahun Judul Buku Jumlah
Halaman
Penerbit
- - - - -
G. PENGALAMAN PEROLEHAN HKI
No. Tahun Judul / Tema HKI Jenis Nomor P/ID
- - - - -
60
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat
dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima risikonya.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan Hibah Penelitian Kompetensi.
Depok, 27 November 2016
Pengusul
( Hadyan Mardhi Fadlillah ST.MMSI.MSc)
61
LAMPIRAN 3.
Publikasi dan HKI
The 4th National Conference on Industrial Electrical and Electronics (NCIEE) 2016
1
Purwarupa Deteksi Otomatis Situasi Darurat di
Jalan Bebas Hambatan berbasiskan Raspberry Pi Dr. Mohammad Iqbal, Dr. Rudi Trisno Yuwono
Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma
Jl. Margonda Raya No. 100, 16424, Depok, Indonesia
Email: {mohiqbal},{rudity} @staff.gunadarma.ac.id
Abstract – A System monitoring and analysis of the
highway traffic is the important system to collect statistical
data of vehicles and present the status of highway. This
system is very useful implemented in toll route that have
the high intensity of vehicle usage, because it can provide
information quickly and accurately for road management
system, as well as can inform directly to users in the road
so it can be more careful control of the vehicle and will
eventually be able to suppress the occurrence of accidents.
In this study, we built the prototype of monitoring and
analysis traffic system, that consists of algorithms accident
detection, congestion detection due to the accident, a
mechanism for storing and sending data to the control
center traffic manajemen system, and the mechanism of
automatic updates of information to traffic sign system to
alert other people in the road. Internal interoperability
methods for each module has been tested and can run with
the desired functions, but if applied in a real situation of
road requires some adjustments, especially in the use of
hardware interfaces that are more reliable and weather
proof, both the camera and the traffic sign board.
Keywords: Intelligent Transportation system, computer
vision, traffic accident detection
I. PENDAHULUAN
Tingginya tingkat kecelakaan lalu lintas di jalan
bebas hambatan yang menimbulkan banyak korban
jiwa dan kerugian materi yang cukup besar harus
segera dikaji dan dicarikan jalan keluarnya dari
berbagai pendekatan. Hal ini perlu dilakukan karena
penyebab kecelakaan lalu lintas itu amat bervariasi
sebagaimana disampaikan pada Undang-undang
Republik Indonesia Nomor 22 tahun 2009 tentang
Lalu-lintas dan Angkutan Jalan, yaitu : Kelalaian
pengguna jalan, ketidaklaikan kendaraan, dan
ketidaklaikan jalan dan/atau lingkungan.
Dalam beberapa penelitian telah dapat ditemukan
beberapa solusi untuk mengurangi penyebab
kecelakaan di atas, dimulai dari usaha-usaha
penangkalan kecelakaan yang diarahkan untuk
mengeliminir dampak-dampak negatif yang mungkin
akan timbul di jalan raya, melakukan pencegahan
kecelakaan yang diarahkan untuk mengamankan
kondisi yang potensial terhadap terjadinya kecelakaan,
dan cara-cara represif berupa penindakan terhadap
setiap bentuk pelanggaran kasus kecelakaan lalu-lintas.
Tiga hal ini lebih kepada pendekatan preventif agar
tidak terjadi kecelakaan.
Namun, ada satu pendekatan lagi yang harus
dilakukan ketika kecelakaan lalu lintas di jalan bebas
hambatan terjadi, yaitu penanggulangan kecelakaan.
Menurut Sutomo (2007) [5], terdapat tiga langkah
dalam penanganan kedaruratan kecelakaan, yaitu :
Kecepatan berita kecelakaan ke fasilitas pertolongan
pertama, kecepatan tanggap unit pertolongan pertama
untuk segera mencapai lokasi dan kualitas penanganan
korban.
Penelitian ini menitikberatkan kepada teknologi
yang dapat menunjang kecepatan penyampaian berita
kecelakaan ke fasilitas tim penolong dengan adanya
sistem pendeteksi kecelakaan berbasis visual. Dalam
dunia Intelligent transportation system (ITS) dikenal
dengan istilah automatic incident Detection (AID).
Penelitian ini merancang purwarupa berbasis mini PC
raspberry pi dengan kamera modul sebagai input video,
serta menggunakan fungsi-fungsi OpenCV sebagai
aplikasi untuk mendeteksi obyek kecelakaan mobil
dan kemacetan yang diakibatkannya. Luaran sistem ini
berupa tangkapan tampilan video real time dan
peringatan kecelakaan. Ketika terjadi kecelakaan, citra
akan diambil kemudian dikirim ke pusat kontrol
sebagai peringatan kepada petugas. Status kecelakaan
akan memicu sistem pendeteksi kemacetan yang
umumnya segera terjadi setelah insiden tersebut.
Selain itu juga, status kecelakaan atau kemacetan akan
dikirim ke sistem tampilan LED matrix (variable
message sign) sebagai informasi untuk pengguna jalan
yang lain untuk segera lebih berhati-hati untuk
mengurangi kecepatan.
II. KAJIAN LITERATUR
Mekanisme yang dibutuhkan dalam merancang
sistem tersebut, antara lain diperlukan komponen
pendukung seperti sensor yang dapat mendeteksi jenis
kendaraan dan penyimpanan data secara real-time. Di
antara berbagai sensor yang tersedia untuk mendeteksi
kendaraan yang dijabarkan pada penelitian Yuxin Liu
dan Xu Jia (2012) [7], sensor visual (kamera)
merupakan sensor yang paling banyak digunakan
karena memiliki komponen biaya yang efisien dan
memiliki kemampuan deteksi dengan akurasi tinggi
(penelitian Kristian Kovacic, Edouard Ivanjko and
The 4th National Conference on Industrial Electrical and Electronics (NCIEE) 2016
2
Hrvoje Gold, (2013)) [1]. Kebanyakan algoritma
berbasiskan sistem visi komputer terdiri dari
serangkaian tahap pra-pemrosesan citra untuk
menyiapkan citra agar sesuai dengan spesifikasi yang
dikehendaki lalu setelah itu baru dapat masuk ke tahap
pengolahan citra untuk mendeteksi fitur-fitur yang
diinginkan dalam suatu citra (seperti kendaraan,
kemacetan, kecelakaan). Sistem ini diakhiri dengan
mekanisme pencatatan dan pengolahan data yang pada
ujungnya akan memberikan luaran berupa analisis
statistik even-even yang terjadi di jalan raya tersebut.
Tantangan utama pengolahan gambar video untuk
mendeteksi kendaraan ada 2 hal yaitu adanya variasi
yang amat banyak dari jenis kendaraan yang ada dan
adanya berbagai variasi tampilan fisik lingkungan
(seperti ukuran kendaraan dan bentuk, warna,
pancaran matahari, salju, hujan, debu, kabut, dan lain
sebagainya). Sedang tantangan lainnya biasanya
muncul dari kebutuhan sistem yang handal dan sistem
yang mampu menangani pengolahan cepat (M.
Bertozzi dkk,1999) [2].
III. METODE PENELITIAN
Metode penelitian yang dilakukan adalah metode
eksperimental untuk membangun purwarupa sistem
penunjang transportasi cerdas. Dalam penelitian ini
ada beberapa variabel yang dimanipulasi dan diteliti
akibat-akibatnya, yaitu penggunan algoritma untuk
mendeteksi kecelakaan, mendeteksi kemacetan akibat
kecelakaan tersebut, mekanisme penyimpanan dan
pengiriman data kepada pusat kendali lalu lintas dan
mekanisme otomatis alat peraga informasi lalu lintas
(traffic sign) untuk memberi tahu pengendara lain.
Ilustrasi sistem yang dirancang secara keseluruhan
dapat dilihat pada gambar 1.
Metode ini diawali dengan kegiatan studi pustaka,
dengan pengambilan data dari berbagai sumber,
seperti dari buku laporan lalu lintas di jalan tol yang
diambil dari situs web pengelola jalan tol, serta
beberapa kajian penelitian terdahulu untuk dijadikan
pedoman atau referensi dan acuan penelitian ini.
Setelah itu melakukan metode observasi, yaitu
melakukan pengamatan fungsionalitas dan
penggunaan alat/piranti yang berkaitan dengan sistem
guna membantu menentukan alat pendukung yang
akan digunakan pada sistem yang akan dibuat,
sekaligus melakukan perancangan alat beserta
program dengan berpedoman kepada sumber referensi.
Kemudian selanjutnya adalah pembuatan purwarupa
berdasarkan rancangan yang telah dibuat dan pada
bagian akhir penelitian adalah melakukan pengujian /
evaluasi terhadap alat yang dibuat.
Purwarupa alat pendeteksi kecelakaan ini dibuat
dengan menggunakan mini PC RaspberryPI sebagai
pusat pengolahan data video, dan kamera modulnya
sebagai alat input. Beberapa algoritma visi komputer
dirangkai dari fungsi-fungsi yang ada pada library
OpenCV dengan menggunakan metode berbasiskan
metode segmentasi berdasarkan thresholding sebagai
metode paling sederhana sehingga cepat dalam waktu
eksekusi, namun efektif sebagai metode deteksi
anomali-anomali fitur dalam citra untuk kemudian
diidentifikasi.
A. Perangkat Keras
Raspberry Pi merupakan sebuah Single Board
Computer (SBC) yang memiliki ukuran sebesar kartu
kredit sehingga dapat diinstalasikan bersamaan dengan
perangkat lain seperti kamera di alam terbuka dan
hanya memerlukan kebutuhan listrik yang tidak besar.
Pada awalnya Raspberry Pi ini dikembangkan untuk
mendukung proses pengajaran ilmu komputer dasar di
sekolah-sekolah dengan biaya yang minim. Namun
tingkat portabilitasnya membuat Raspberry Pi
merambah bidang IoT (internet of things).
Gambar 1. Gambaran Sistem Keseluruhan
Raspberry Pi versi 3 yang digunakan ini sudah
dilengkapi dengan prosesor 1.2GHz 64-bit quad-core
ARMv8, RAM sebesar 1GB dan juga sebuah GPU
Video Core IV. Dan untuk penyimpanan data,
Raspberry Pi dapat menggunakan SD Card, baik itu
untuk sistem operasi, aplikasi, program ataupun data-
data untuk penyimpanan data jangka panjang. Selain
mendukung koneksi jaringan melalui ethernet,
Raspberry Pi juga mendukung koneksi 802.11n
Wireless LAN, Bluetooth 4.1 dan Bluetooth Low
Energy (BLE).
Gambar 2. Raspberry Pi dan kamera Modul Raspberry Pi
Alat input sistem menggunakan modul Kamera
Raspberry Pi. Kamera yang dirancang khusus untuk
Raspberry Pi ini terkoneksi via kabel ribbon 15cm
melalui port CSI (Camera Serial Interface) pada
Raspberry Pi. CSI bus ini mampu bekerja dengan
kecepatan data yang sangat tinggi, dan secara
eksklusif membawa data pixel. Ukuran kamera itu
The 4th National Conference on Industrial Electrical and Electronics (NCIEE) 2016
3
sendiri kecil, sekitar 25mm x 20mm x 9mm. dan
beratnya hanya 3gram, sehingga cocok untuk aplikasi
mobile atau lainnya. Sensor kameranya memiliki
resolusi native 5 megapixel, dan memiliki lensa fokus
onboard. Pada saat keadaan diam, kamera ini mampu
menangkap 2592 x 1944 pixel gambar statis, dan juga
mendukung 1080p30, 720p60 dan 640x480p60 / 90
pada mode video. Ilustrasi Raspberry Pi dan modul
kameranya dapat dilihat pada gambar 2.
Media penyimpanan pada purwarupa yang dibuat
ini memanfaatkan micro SD yang dipasang pada
Raspberry Pi. Sedangkan fungsi sistem untuk
melakukan koneksi ke jaringan komputer yang
digunakan dalam purwarupa ini adalah memanfaatkan
modul WIFI. Koneksi dilakukan antara 4 sub-sistem
yaitu pendeteksi kecelakaan, sistem pendeteksi
kemacetan, informasi pemantauan berbasis web dan
dengan alat peraga informasi lalu lintas LED matrik.
B. Perangkat Lunak
OpenCV (Open Source Computer Vision Library)
adalah sebuah pustaka perangkat lunak yang ditujukan
untuk pengolahan citra dinamis secara real- time, yang
dibuat oleh Intel, dan sekarang didukung oleh Willow
Garage dan Itseez. Kumpulan pustaka program ini
bebas digunakan dan bersifat open source dari lisensi
BSD. Pustaka ini merupakan pustaka lintas platform
sistem operasi dan didedikasikan sebagaian besar
fungsi-fungsinya untuk pengolahan citra pada
pengolahan visi komputer secara real-time. Fungsi
visual komputer yang ada pada OpenCV itu sendiri
adalah salah satu cabang dari Bidang Ilmu Pengolahan
Citra (Image Processing) yang memungkinkan
komputer dapat melihat dan memahami secara visual
apa yang tertangkap pada kamera. Dengan vision
tersebut komputer dapat mengambil keputusan,
melakukan aksi, dan mengenali terhadap suatu objek.
Dengan menggabungkan fitur dari semua komponen
tersebut dapat dihasilkan sebuah sistem yang dapat
membantu memonitor volume kendaraan serta
mengklasifikasikannya berdasarkan jenis kendaraan
pada jalan tol.
IV. HASIL DAN PEMBAHASAN
Terdapat empat tahapan penyusunan purwarupa
deteksi otomatis situasi darurat di jalan tol, yaitu
telaah algoritma deteksi kecelakaan dan algoritma
deteksi kemacetan, teknik pengiriman dan
penyimpanan data ke pusat kendali lalu lintas dan
mekanisme penyampaian informasi pada alat peraga
lalu lintas
A. Metode Adaptif Thresholding untuk Deteksi
Kecelakaan
Metode thresholding untuk mendeteksi suatu fitur
tertentu dari suatu citra adalah metode paling
sederhana dan tentu saja cepat dari segmentasi citra.
Metode ini adalah operasi non-linear yang mengubah
citra skala abu-abu menjadi gambar biner dimana
terdapat dua tingkat nilai piksel sebagai batas atas dan
batas bawah dari nilai ambang batas yang ditentukan.
Dua kondisi ambang ini yang disesuaikan dengan
keadaan situasi lalu lintas yang berbeda terutama
kondisi terang (siang hari atau cuaca cerah) dan gelap
(pada malam hari atau cuaca buruk). Dalam
penggunaannya, ada dua macam pendekatan
thresholding, yaitu global dan lokal. Thresholding
global adalah metode yang mengambil seluruh piksel
pada citra kemudian dikonversi menjadi hitam dan
putih dengan satu nilai threshold. Namun ini tidak
cukup mampu mendeteksi citra yang memiliki
perbedaan di kondisi pencahayaan di area yang
berbeda. Oleh karena itu dibutuhkan metode adaptif
thresholding yang merupakan pendekatan
thresholding lokal, dimana algoritma akan
menghitung threshold di wilayah kecil dari citra
sehingga akan didapatkan perbedaan threshold di
lokasi yang berbeda dalam citra yang sama sehingga
mendapatkan hasil yang lebih baik untuk citra yang
memiliki variasi iluminasi cahaya. Adaptif histogram
yang diterapkan dalam penelitian ini berasal dari
penelitian Yasira Beevi and Dr. S. Natarajan (2009)
[6], karena amat responsif untuk digunakan pada data
video real-time. Tahapan deteksi kecelakaan berbasis
threshold adalah, melalui 3 jenis mode :
1- Mode baseline : situasi dimana kamera tidak
menangkap ada perubahan cahaya dan bayangan.
prinsip kerjanya adalah mendeteksi perubahan
dan meregistrasi citra background. pengamatan
dilakukan dengan melihat perbedaan frame pada
frame yang tercatat pada buffer kamera kemudian
dihitung threshold-nya. langkah selanjutnya
adalah melakukan registrasi citra latar
(background) yaitu mengekstrak informasi
background dari urutan video, lalu perbedaan
background yg ditemukan di tandai (mask) untuk
memisahkannya dengan obyek yang dideteksi
(dalam hal ini kendaraan yang bergerak), hasil
deteksi di proses dengan cara mengeliminasi
noise dan menghaluskan batas-batas obyek.
2- Mode pemisahan area bayangan. Metode ini
dibutuhkan karena bayangan akan dapat
mengakibatkan kegagalan segmentasi obyek.
Caranya adalah melakukan filterisasi pada
gradien yang terjadi pada citra dengan teknik
erosi, lalu mempertebal batas-batas obyeknya.
3- Mode adaptif threshold yang digunakan adalah
menghitung threshold setiap blok citra
berdasarkan sebaran daerah yang mengalami
perubahan (Region of change-ROC) dan merata-
ratakannya dengan seluruh threshold di blok
tersebut untuk mendapatkan nilai threshold global.
Output Dn dari deteksi perubahan mode baseline
dalam waktu n dibagi menjadi blok berukuran sama K.
lalu algoritma estimasi pencaran ROC diterapkan,
ketika setiap blok citra Wk, dimana k={1,2,..,K}
ditandai sebagai blok yang mengandung ROC yaitu
atau blok yg tidak mengandung ROC yaity .
The 4th National Conference on Industrial Electrical and Electronics (NCIEE) 2016
4
Threshold dari dihitung menggunakan
algoritma tes statistik noise. sedangkan threshold
dari dihitung menggunakan metode threshold
noise-robust. Maka threshold Tk dari Wk dalam Dn
didefenisikan sebagai persamaan 1.
(1)
Sedangkan threshold global Tn dari output
perbedaaan citra Dn dapat dijabarkan dalam
persamaan 2.
(2)
Ketika ukuran dan kecepatan obyek, noise dan
perubahan lokal dalam video akan berakibat pada
histogram Wk, momen pertama histogram yang
didapatkan akan digunakan untuk mengestimasikan
pencaran ROC sebagai fungsi estimasi yang adaptif
pada karakteristik tersebut.
ROC di Dn secara umum berpencaran melalui
blok citra K. Ketika i adalah piksel di Dn yang
bervariasi dari 0-255, i akan tinggi jika ROC berubah
cepat seperti pergerakan mobil yg sangat cepat
sehingga ada perubahan iluminasi yang signifikan.
Selain itu i akan rendah ketika terjadi perubahan amat
kecil seperti yang diakibatkan noise dan perubahan
iluminasi yg sangat kecil.
Momen pertama mk dari histogram tiap blok Wk
dijadikan sebagai pengukuran jika blok citra tersebut
mengandung ROC. Jika mk dari Wk lebih besar dari
threshold Tm, blok citra mengandung ROC, dan ditulis
sebagai , selain itu ditulis sebagai
sebagaimana dijabarkan dalam persamaan 3.
(3)
Adaptasi yang dilakukan dalam algoritma ini adalah
pengaturan tingkat ambang threshold global untuk
pengamatan kecelakaan pada siang dan malam hari.
Untuk mendeteksi kecelakaan pada siang hari yaitu
dengan menandai objek tidak wajar seperti munculnya
objek asap atau debu yang memiliki ukuran lebih
besar dari objek kendaraan. Dari hasil pengamatan
dari beberapa video kecelakaan, nilai ambang
threshold pada siang hari ada pada pada angka batas
bawah dan atas (83, 255). Sedangkan untuk
mendeteksi kecelakaan pada malam hari, maka
ambang threshold ada pada angka (100, 255). Ilustrasi
hasil pengujian situasi aman dan kecelakaan pada
siang hari dapat dilihat pada gambar 3 dan 4,
sedangkan untuk kejadian pada malam hari dapat
dilihat pada gambar 5 dan 6.
Gambar 3. Kondisi Aman Siang Hari
Gambar 4. Kondisi Kecelakaan Siang Hari
Gambar 5. Kondisi Aman Malam Hari
Gambar 6. Kondisi Kecelakaan Malam Hari
B. Metode berbasis Area untuk deteksi kemacetan
Algoritma mendeteksi kemacetan berbasiskan visi
komputer cukup banyak ditemukan dari penelitian-
penelitian yang sudah dipublikasi, ada deteksi
menggunakan neural network, fuzzy, dan morfologi
deteksi tepi, dan ada juga yang membandingkan dua
citra, yang satu sebagai referensi berisi citra dengan
tanpa adanya kendaraan atau sangat sedikit kendaraan.
Ada juga algoritma berbasis deteksi jalur (lane) dan
menghitung jumlah kendaraan dalam jalur dengan
alokasi waktu tertentu.
Pada umumnya, langkah-langkah mendeteksi
kemacetan dapat dijabarkan sebagai berikut :
The 4th National Conference on Industrial Electrical and Electronics (NCIEE) 2016
5
1. Menentukan Region of Interest (ROI) dan
memilih area tersebut sebagai fokus
pengamatan.
2. Melakukan binerisasi dari fitur citra yang
tertangkap pada area yang sudah ditentukan,
dan memberi tanda fitur-fitur yang dipilih.
3. Melakukan perhitungan (counting) fitur
tersebut dari batas awal sampai batas akhi r area
yang dipilih.
4. Jika ditemukan banyak kendaraan yang berada
dalam suatu area dan tidak berubah dalam
waktu beberapa saat yang ditentukan, maka
bisa diindikasikan telah terjadi kemacetan.
Langkah 1 di atas sudah dilakukan menggunakan
mode baseline yang sudah dijabarkan di bagian awal.
Sedangkan algoritma deteksi kemacetan yang
digunakan dalam penelitian ini, mengadaptasi
algoritma yang dilakukan Naeem Abbas, Muhammad
Tayyab, dan M.Tahir Qadr (2013) [3]. Karena dapat
bekerja efektif mendeteksi kemacetan dengan baik dan
relatif cepat. Ilustrasi pengujian algoritma pendeteksi
kemacetan ini dapat dilihat pada gambar 7.
Gambar 7. Percobaan deteksi pada dua area jalur (lane) berbeda
yang bisa di atur (atas), deteksi Kondisi Kemacetan (tengah) dan
kondisi lancar (bawah) pada scene lalu lintas yang berbeda
C. Konektifitas sistem visual sensor dengan alat
peraga lalu lintas(traffic Sign) berbasiskan Led
matrix
Traffic Sign merupakan alat yang digunakan
sebagai penanda atau petunjuk lalu lintas. Alat ini
umumnya dibuat menggunakan plat bergambar
menggunakan LED matrix. Dalam penelitian ini,
dibuat suatu LED Matrix yang dapat dikendalikan
otomatis berdasarkan status dari sensor visual
pendeteksi kemacetan dan sekaligus dapat pula
dikendalikan secara manual oleh para pengelola jalan
tol. Sistem ini dibuat untuk dapat segera
menginformasikan kepada para pengendara lalu lintas
untuk berhati-hati karena telah terjadi kemacetan atau
kedaruratan di depan mereka. Purwarupa sistem ini
dibuat menggunakan Arduino board untuk mengatur
tampilan pada LED matrix, dan input menggunakan
Bluetooth Modul HC-05 sebagai media transmisi
manual, dan untuk menyambungkan Raspberry Pi ke
Arduino board menggunakan kabel USB. Ilustrasi
sistem keseluruhan dapat lihat pada gambar 8.
Gambar 8. Koneksi Raspberry Pi dan Arduino untuk aplikasi
pada Traffic Sign
D. Konektifitas dengan Ruang Pemantauan jalan Tol
Konektifitas antar sub-sistem pada purwarupa ini
memanfaatkan infrastruktur jaringan komputer
intranet menggunakan wireless LAN. Masing-masing
node kamera pemantau Raspberry Pi akan membagi
data stream melalui server web dan dipancarkan
melalui access point, kemudian modem router akan
mengatur dan melanjutkan data sampai dapat diakses
di ruang pemantauan. Data-data tersebut diakses
menggunakan browser web melalui link yang
disediakan. Ilustrasi konektifitas jaringan komputer
dapat dilihat pada gambar 9.
Gambar 9. Koneksi Raspberry Pi dengan ruang pemantauan lalu
lintas jalan tol
V. KESIMPULAN DAN SARAN
Pada purwarupa sistem deteksi kecelakaan, secara
visual, insiden yang tertangkap oleh kamera dapat
terdeteksi sebagai insiden dengan menggunakan
metode adaptif tresholding dengan cara mengenali
The 4th National Conference on Industrial Electrical and Electronics (NCIEE) 2016
6
objek gambar berupa asap, debu, dan api. Hal ini
dapat diterapkan baik pada siang hari maupun pada
malam hari.
Purwarupa sistem pendeteksi kemacetan yang
dibuat dengan sistem menghitung jumlah kendaraan
pada jalur tertentu di jalan, objek berupa kendaraan
bermotor dengan mudah dapat diidentifikasi secara
realtime. Selanjutnya koordinat obyek tersebut dapat
ditandai dengan persegi empat untuk mengenali
kendaraan bermotor atau bukan. Ketika objek
tersebut melewati garis pembatas pertama, akan
membuat objek terhitung. Dari total objek yang
terhitung akan menjadikan data untuk menentukan
status kepadatan pada jalan tersebut.
Purwarupa display Led Matrix yang digunakan
masih terbatas untuk jumlah data yang tidak lebih dari
200 karakter. Hal itu disebabkan keterbatasan memori
pada mikrokontroller Arduino Uno yang hanya dapat
menampung sekitar 32kb data. Oleh sebab itulah
untuk situasi yang lebih besar, memperhatikan jumlah
memori yang tersedia amat penting untuk dapat
menampilkan informasi yang cukup bagi pengguna
jalan.
Untuk dapat diterapkan dalam dunia nyata,
pendekatan implementasi Purwarupa hasil Penelitian
ini dapat dijabarkan sebagai berikut :
1. Langkah awal untuk penerapan sistem yang
dirancang ini adalah dengan melakukan kajian
daerah rawan kecelakaan di jalan bebas
hambatan. Kajian seperti yang pernah dilakukan
Priyo Dwiyogo (2006) [4] yang mengidentifikasi
daerah yang mempunyai angka kecelakaan
tinggi, resiko dan potensi kecelakaan yang tinggi
pada suatu ruas jalan, misalnya geometrik jalan
yang tidak memenuhi syarat, seperti tikungan
ganda dengan jarak pandang terbatas, lebar jalan
yang terlalu sempit dan tidak mempunyai bahu
jalan atau dalam jalan bebas hambatan jalan
lurus panjang. Kajian daerah rawan kecelakaan
ini dibutuhkan untuk menentukan penempatan
kamera, sehingga dapat efektif melingkupi area-
area yang perlu selalu harus dipantau.
2. Langkah selanjutnya adalah memilih dan
menginstalasi sistem kamera CCTV yang sesuai
dengan situasi dan alam tropis, dapat beroperasi
pada siang hari dan malam serta dalam kondisi
cerah dan hujan. Spesifikasi kamera yang dipilih
adalah perangkat kamera yang dapat diakses
melalui jaringan komputer. Hal ini akan lebih
memudahkan untuk melakukan interkoneksi
dengan sistem yang dirancang ini. Begitu juga
Tingkat ketinggian, dan lokasi tempat kamera
yang dipasang harus aman dari cuaca maupun
dari vandalisme. Hal ini berlaku pula untuk
menentukan area pemasangan traffic sign.
3. Interkoneksi antar sub-sistem agar dapat
menjangkau jarak yang jauh dapat
memanfaatkan koneksi selular atau access point
high power outdoor system yang dapat
mencapai puluhan kilometer dengan
penambahan antena yang berdaya jangkau luas.
4. Media penyimpanan untuk perekaman real time
jika dibutuhkan bisa memanfaatkan sistem DVR
(digital video recorder) menggunakan
interkonesi jarak jauh, karena perekaman video
ke lokal micro SD pada raspberry pi sangat
terbatas kapasitasnya.
5. Langkah terakhir adalah melakukan penyesuaian
perangkat lunak dengan sistem kamera,
membuat antarmuka yang komunikatif dengan
user di pusat pemantauan lalu lintas dan
melakukan pemantauan terhadap sistem yang
sudah berjalan sesuai dengan kaidah sistem
monitoring Trafik jalan raya.
VI. UCAPAN TERIMA KASIH
Penelitian ini dibiayai oleh kemenristek DIKTI
dalam skema penelitian Desentralisasi Unggulan
Perguruan Tinggi Universitas Gunadarma, periode
tahun 2016. Ucapan terimakasih Bagian Penelitian
Universitas Gunadarma dan kepada seluruh tim yang
terlibat dalam penelitian, yaitu : Akbar, Rachmat
Sampurna, Rendi Nurcahyo dan Yogi Setiawan.
DAFTAR PUSTAKA
[1] Kristian Kovacic, Edouard Ivanjko and Hrvoje Gold, Computer Vision Systems in Road Vehicles: A Review,
Proceedings of the Croatian Computer Vision Workshop,
2013 [2] M. Bertozzi, A. Broggi, and S. Castelluccio, “A real-time
oriented system for vehicle detection,” Journal Of Systems
Architecture, pp. 317–325, 1999 [3] Naeem Abbas, Muhammad Tayyab, M.Tahir Qadr, Real
Time Traffic Density Count using Image Processing,
International Journal of Computer Applications (0975 – 8887) Volume 83 – No 9, December 2013
[4] Priyo Dwiyogo, Radityo Heru Prabowo, Studi Identifikasi
Daerah Rawan Kecelakaan (BLACK SPOT dan BLACKSITE)
Pada Jalam TOL Jagorawi, Skripsi Universitas Diponegoro,
2006
[5] Sutomo, Heru. Dkk., 1-2-3 Langkah : Menempatkan Kembali Keselamatan Menuju Transportasi yang
Bermartabat, Artikel Masyarakat Transportasi Indonesia,.
Jakarta, 2007 [6] Yasira Beevi and Dr. S. Natarajan, An efficient Video
Segmentation Algorithm with Real time Adaptive Threshold
Technique, International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 2, No.4, December
2009
[7] Yuxin Liu dan Xu Jia, Common Vehicle Detectors of Highway Performance Comparison and Development Trend
Analysis, 2nd International Conference on Materials,
Mechatronics and Automation Lecture Notes in Information Technology, Vol.15, 2012
RESEARCH ARTICLE XXXXXXXXXXXXXXXXX
1
Copyright © XXXX American Scientific Publishers Advanced Science
Letters
All rights reserved Vol. XXXXXXXXX
Printed in the United States of America
Human Body Motion Similarity Analysis Using
Markerless Motion Capture System
Mohammad Iqbal, Yulia Chalri, Robby Candra 1
1Faculty of Computer Science and Information Technology
Department of Informatics Engineering Gunadarma University, Depok, Indonesia
The similarity analysis system of the human body motion is needed at modern sport (e.g martial art, aerobic) or dancing
school. It can be uses as evaluation tools for instructor, to measure a similarity the student movement with the reference
movements that are taught by the instructor. In many computer vision research, this system work with multiple camera and
need a lot of series sensor attached in human body. This motion capture system requires a careful and precision of camera
calibration, also make the actors uncomfortable with many sensors mounted on the whole body. For that reason, in this study,
we used a technology that be able to support the evaluation process of human’s movement, without any sensor attached in
human body (markerless). One of the available technology is the microsoft Kinect camera. It has a markerless motion capture
technology which can record the human’s movement without any wearable sensors or equipment during the motions so the
model can move conveniently. The evaluation of the similarity motion was done by calculating the joint angle and
angular velocity of the motions which is showed from the graphics of every joint with cosine similarity methods by
calculating the cosinus angle from two compared variables. Result of motion angle’s measurement in aerobic, the average
similarity value reached 81.12%, and velocity measurement value reached 86.19%.
Keywords: Human body motion capture, microsoft kinect, Similarity analysis system, cosine similarity.
1. INTRODUCTION
Motion capture is the recording process of motion from object or people. Capturing the motion will generate animation motion similar as actor or object motion. Currently, motion capture has become the most effective techniques for making animation in order to simplify and accelerate the process of making 3D animation object that has a shape like human. Motion capture can be applied to various aspect such as military, entertainment, sport, medical applications, and for validation in computer vision and robotics field.
Markerless motion capture system has long been investigated in the field of computer vision, with most studies focusing on using multiple cameras to capture user motions or appearances. Lately, Microsoft has released a product Kinect [4], inexpensive real time capture systems have drawn attention.
*Email Address: [email protected]
Kinect sensor is a technology created by Microsoft that can detect human gestures for various purposes, such as a controller using body motion, education, games, and also rehabilitation. The sensor is able to detect human motion based skeleton tracking and detecting the shape of the human body using depth sensor and camera RGB (Red Green Blue). By utilizing capabilities this sensor, we can build a system in which the actors can rate motion and position by comparing with role model data that already saved. This will increase the equivalence position performed by the actors. Our research conducted by making a motion capture system that is implemented to analyze human body motion through comparison with a reference motion. Motion performed from the actor was captured with a motion capture system for analysis rhythm of motion that includes angle, velocity and acceleration of the motion then evaluated similarity with cosine similarity method. The result of the similarity can be analyzed whether the actor motion in accordance or not with the reference motion. [9]
Adv. Sci. Lett. X, XXX–XXX, 201X RESEARCH ARTICLE
2
The scope of this research is to get the BVH (Bio Vision Hirarchy) data [8] in real time motion using Kinect SDK 1.8. Motion data obtained from Kinect with 2 meters distance between the actor and the camera. The obtained data processed in system then transformed becoming stickman motion model using OpenGL. The motion similarity assessment of the position and rotation skeleton between the reference and the actor is the final result.
2. MOTION CAPTURE SYSTEM
Most of research utilizing motion capture technology
is focused on the purpose of the motion analysis. One of
the study about human body motion analysis is used to
dance training research [2]. Dancers can practice using
visualization of the movement who was captured by
optical motion capture system using these system. Layout
of the 3D viewer and the actual movement of the dancers
can be seen on Figure 1.
Figure 1. Dance Training, left: Layout from 3D viewer
Right: Actual movement from dancer. [2]
Noiumkar, et.al. (2013) [6] conducted the research of
optical motion capture in sports science to analyze the
movement in golf sport. The research describes the
techniques of swinging golf club. However, in this
research there was no analysis of the angle and velocity.
Other research is done by Ajicahyadi (2014) [1], who
conducted the research of markerless motion capture
using Kinect Xbox 360. This study succeeded in capture
skeleton position and calculate the angle difference
between actor and reference from karate models. In this
research, the application can capture the angle or position
of the bones as much as one and could not capture the
motion.
2.1. The Applied System
The process of evaluating the motion in sport,
dancing, martial arts activities etc. has been conducted by
the instructor in direct way. It means the instructor
examine and evaluate every motion which has been done
by the students at the same time they see each other. It is
done regularly everytime the students have a practice
together. The motion evaluation can be done in an easier
way by utilizing the motion capture technology, where the
students not to perform any motion in front of the
instructor but in front of the certain camera. The system
which will be created can be seen on figure 2.
Figure 2. Applied System
In figure 2, we can see the stage in this research. The
similarity analysis system production is done by develop
a computer application so the actor’s movement and the
reference’s motion can be visually displayed on the
screen. The evaluation of the motion is done by
quantitatively calculating the value from the angle and the
velocity, also from the angle’s acceleration to obtain the
similarity levels of the examined motions.
2.2. Systematical Requirement Analysis
In the motion’s evaluation process, the instructor
distributes his knowledges and experiences during his
teaching of any particular motions to their students by
giving advices. The simple illustration of the evaluation
process is ; the instructor ask directly to their students to
make a certain motion. If the motion is thought to be
incorrect then he will show the right motion as correction.
This process can be accelerated by adding the one or
more teachers or instructors therefore the required time in
correcting the students wrong motion can be shorter. By
additional helps the practice will be more efficient.
However not all institutions are able to add more
instructors to support the teaching activity. In order to
solve that problem we can use motion similarity
application which can be independently conducted by the
students without any helps from the instructor, however it
isn’t meant to replace the instructor positions as the main
educational source.
The Kinect camera sensor can read the human’s
motion by detecting any visible joints as shown in Figure
3 thirteen (13) main joints in human’s body will be used
as comparison data, including wrists, elbows, shoulders,
hips, knees, ankles left and right, and neck. For three
other spots or points rather than those joints such as
shoulder center point, spine point and hip center point
although they’re readable by the Kinect sensor, they are
not used in the evaluation process.
RESEARCH ARTICLE XXXXXXXXXXXXXXXXX
3
Figure 3. The Skeleton Tracking on Human’s Anatomy
[4]
The application requirements which are needed to be
prepared such as hardwares for output, data processing
and human’s detector position sensor. Hardware for
output application can be using monitor or projector, and
for the data processing we need a computer which will
transform the data to be the information needed, and the
last thing is the Kinect sensor to capture the human’s
position and transform it to be a digital data.
This application will create information in form of a
punctual motion value and the evaluating value. These
values are obtained by averaging the balance of every
joint’s angles. The recording process is begun when the
teacher is ready to perform certain motion in front of
Kinect sensor. Afterwards, the students take turn to do the
desired motion. The data will be saved automatically in
the computer and then the system will be able to do the
motion similarity evaluation process by taking the saved
data. From now on the students will be called as Actor
and the instructor as Reference, and on the other hand the
user is one who operates the application. As described
before, it can be concluded that the application system
which will be built has some required specifications such
as:
1. The application should be integrated with the Kinect
sensor and should be able to read the records of
Kinect sensor.
2. The application should be able to compare the
records between the reference model and the actor
model.
3. The application should be able to perform the
information to the user.
3. SIMILARITY ANALYSIS METHOD
The motions may vary based on the requirement,
where motions of every body parts produce different
angles. Due to this reason, the parameter used in this
research is limitation at the angle from body parts, angle’s
velocity and the angle’s acceleration.
3.1. The Parameter of Motion Angle
The angle which is used is the one between
skeleton and other skeleton beforehand. The measurement
of motion angle is used by measuring the relative angle
which is by measuring two closely placed skeletons. The
illustration of measured relative joint’s angle (such as on
elbow, thigh and knee joints) can be seen on Figure 4 left
side.
Figure 4. The measurement of relative joint’s angle (left)
and 3D coordinate (right)
The obtained data from BVH [9] is only in form of initial
distance and rotation of each skeleton, so calculation to
determine the location of every joints is needed, based on
the rotation in each axis. The angle from the motion can
be presented in 3D coordinate. The rotation matrix is
using the right-hand system. The positive angle is on
same direction as finger’s fold way when the right hand is
directed to positive coordinate. The rotation angles by
rotate axis axis-x, axis-y and axis-z are symbolized
continuously by ω, φ, and ҡ. Figure 4 right side shows the
coordinates used to calculate angles.
The rotation process follows below sequences:
1. Rotation towards axis-X (ω),
2. Rotation towards axis-Y (φ),
3. Rotation towards axis-Z (ҡ)
After conducting the skeleton’s rotation based on
each axises, then we will obtain the coordinate of every
joints. To calculate the angle between two skeletons
requires three points of joints which is located on both
skeletons.
3.2 Locate the Position in the Coordinate Axis
The coordinate position of skeletons is needed to
calculate the angles formed by the two skeletons. There is
no skeleton’s coordinate in the BVH file, however the
existing data expressed as the skeleton’s hierarchy. The
offset of each skeletons based on hierarchy, amount of
frames and the channel contains the skeleton’s rotation
data towards x, y and z axises. Method to locate the
position in the coordinate axis is can be seen at Guerra F.
G., (2005) [3].
Adv. Sci. Lett. X, XXX–XXX, 201X RESEARCH ARTICLE
4
The obtained position of skeleton in coordinate
will be used for angle’s calculation. To calculate the angle
among the skeletons needs the the coordinates of the
joints, the parent’s joints and the child’s joints is by using
cos θ. Algorithm in obtaining the angle can be described
at [3].
3.4 The Parameter of Motion Velocity
After calculating the angle, then we need to
calculate the angle velocity. It is defined as the angle’s
change per time unit, and as vector unit which is also the
rotation velocity of an object. The vector direction of
perpendicular angle towards rotation field in direction is
determined by right hand rule. If ω is angle velocity, and
θ is angle, then the angle velocity is:
with dθ is angle change and dt is time change.
3.5 The Parameter of Motion Acceleration
Angle’s acceleration is defined as change rate of
an angle’s velocity. It indicates how fast an angle’s
velocity changes per a time unit. If α is angle’s
acceleration, and ω is angle’s velocity, then angle’s
acceleration is
3.6 Motion Similarity Calculation
Figure 5. Reference movement for T-pose (upper left),
marching (upper right), bicep curl (lower left) and lunges
(lower right)
The motion similarity calculation used is cosine
similarity [5]. It is used to see the relationship between
two curves or graphs. Each curve will be divided into
some parts based on x axis, and each part will be vector.
The obtained vectors will be compared with the other
vectors whose same x coordinate. To calculate the value
of cosθ, for each vector pairs using
Then calculating the average of cosine similarity. The
result will produce value between -1 until 1. If it’s 1 then
both vectors are same or going in same way. It will be 0 if
both vectors form the 90 degree angle, and will be -1 if
both vectors are in contrast way.
4 EXPERIMENTAL RESULT
The motion capturing is conducted to get the BVH file which will be compared similarity [7]. First, the reference model stands in the T-pose before starting any motion as shown on Figure 5 upper left. Motions to be performed in this research is a basic aerobic. The movement is marching (or walking in place), bicep curl (a bending movement on elbow joint and straighten), and the lunges (pushing foot motion alternately left and right as the body direction), the screenshot can be seen on figure 5. The motion is begun when the user gives instruction or the model can see it himself the system readiness to record.
The skeleton on figure 5 shows that the motion capturing from the reference model is appropriate with the stickman position which had been recorded on BVH file. Next step is the recording motion of the actor model as shown on and Figure 6. The screenshots were taken on the same frame as on the reference model.
Figure 6. Actor movement for T-pose (upper left),
marching (upper right), bicep curl (lower left) and lunges
(lower right)
Similarity analysis of the motion can be done by visually
observing and obtaining the calculation result from the
angle’s average and from angle’s velocity of each joints.
Figures 7 show the visualization example of motion on
the system that had been made using the feature to display
the data of motion angle on the left side. The visualization
model from the left side is the motion data from reference
model and on the right side is the motion data from the
actor model.
RESEARCH ARTICLE XXXXXXXXXXXXXXXXX
5
Figure 7. Compare Result BVH for marching (upper
left), bicep curl (upper right) and lunges (lower center)
Besides showing the movement in form of stickman and
angle’s calculation result of every joints, the end result of
similarity also can be showing the angle’s similarity and
velocity from both models. Figure 8 ilustrating the
similarity display between both motions.
5. CONCLUSIONS
The markerless motion capture system and similarity analysis of the human’s body motion has been develop in this research as computer application. This application can be implemented to any fields in which needs the coaching persons to evaluate the students motion such as martial arts, aerobics and dancing. It doesn’t mean to replace the intructor/coach position for evaluation task, but this application can be used to help reducing the work of a teacher with many students.
Figure 8. Similarity result for bicep curl
The aquired data is presented in BVH (BioVision
Hierarchy) format. This BVH file is compared between the instructor’s and student’s files to obtain similarity. The similarity measured is the motion angles and velocity angles of each joints and its average. Evaluation result in this research using the cosine similarity method showed that the analyzed motions had high similarity level. The parameter of motion angle’s measurement, the average similarity value reached 81.12%, and for the parameter of velocity measurement, the average similarity value reached 86.19%.
The motion capture system in this research still has several flaws such as it can not record the high speed motions and it can not evaluate the crossed-positioned
skeletons precisely.
5. FUTURE WORK
The suggestion for the next development, is using
two or more calibrated Kinect sensors to create one joint
point. So, the BVH position will be more accurate. In the
other side, for visualization of similarity analysis can be
developed by 3D model therefore the visualization will
become clearer. This system is also can be implemented
widely in other fields such as Intelligent Transportation
System (ITS). Using depth information ability in kinect
system, seemed to be a very promising novel approach
in real-time application. For instance, in ITS field, Kinect
sensor system can be uses as vehicle tracking, pedestarian
detection, obstacle detection on the road, road event
detection (congestion, accident), or as Assistive driving
tools, such as driver distraction detection or navigation.
ACKNOWLEDGMENTS
This work was supported by Gunadarma University
and Ministry of Research, Technology and Higher
Education of the Republic of Indonesia in Research
schema “Penelitian Unggulan Perguruan Tinggi”. Thanks
for all researchers and student for the hard work in this
research, specially to Ega Hegarini and Otto.
REFERENCES
1. Aji Cahyadi, “Rancang Bangun Aplikasi Penilaian Posisi
Karate Menggunakan Teknologi Sensor Kinect”
Undergraduate Thesis, Dept. Information Management and
Technology, STIKOM, Surabaya, 2014
2. Chan. J. C. P, Leung. H, Tang. J. K. T, and Komura, T “A
Virtual Reality Dance Training System Using Motion
Capture Technology” IEEE Transaction on Learning
Technologies, vol.4 no.2, pp. 187-195, 2011
3. Guerra F. G., “Optical Motion Capture: Theory and
Implementation,” Journal of Theoretical and Applied
Informatics, vol. 12, no. 2 , p61-89, 2005
4. Microsoft, Kinect for Windows Sensor Components and
Specifications, [Online]. Available:
http://msdn.microsoft.com/en-us/library/jj131033.aspx
[Accessed 24 December 2015].
5. Nogueira Pedro, Motion Capture Fundamentals (A Critical
and Comparative Analysis on Real-World Applications),
Porto University, Portuguese, 2011
6. Noiumkar. S, and Tirakoat. S, “Use Optical Motion Capture
in Sport Science: A Case Study of Golf Swing”, Informatics
and Creative Multimedia, pp. 310-313, 2013.
7. Catuhe. David, Programming With The Kinect For Windows
Software Development Kit, Washington: Microsoft, 2012
8. Meredith. M and Maddock. S, “Motion Capture File Formats
Explained”, 2005. Available:
http://www.dcs.shef.ac.uk/intranet/research/public/-
resmes/CS0111.pdf [Accessed 19 December 2015]
9. Zheng.S. Q, Li. Chuanjun and Prabhakaran. B.,
“Segmentation and Recognition of Motion Streams by
Similarity Search”, University of Texas, Dallas Vol. 03, No.
03, 08, pp 1-26, 2007
RESEARCH ARTICLE XXXXXXXXXXXXXXXXX
1
Copyright © XXXX American Scientific Publishers Advanced Science
Letters
All rights reserved Vol. XXXXXXXXX
Printed in the United States of America
Realtime Stereo Vision for Vehicle Detection,
Classification and Counting Using Raspberry Pi
Dr. Mohammad Iqbal, SKom, MMSI., Dr. Rudi Trisno Yuwono SKom, MM., Hadyan Mardhi Fadlillah ST, MMSI.MSc., Sigit
Widiyanto, ST, MMSI, MSc. 1
1Faculty of Computer Science and Information Technology
Department of Computer Engineering Gunadarma University, Depok, Indonesia
Abstract— In Indonesian toll road system, still found the lack of information on the number of vehicles passing through to
the road in realtime. This is caused by the absence of detection and vehicle counting system that work in realtime applied on
the road toll and this situation can cause difficulties to controll the traffic on the toll road. Therefore, it necessary to study an
automated system that works in realtime doing precisely identifying the type of vehicle and calculate it. In this research, we
built a prototypes of visual based vehicle detection, classification and counting, made using mini PC Raspberry Pi as the
central processing, and USB camera modules as input devices and arrange in Stereo System to reduce the inability to detect
vehicles behind another vehicle. Some algorithms of computer vision assembled from the functions that exist in the library
OpenCV. For realtime segmentation method using Haar-like features, then we uses that found features as reference from
every stereo images and apply the ratio test to find the best matches, and extract the locations of matched keypoints in both
the images. RANSAC algorithm is used to minimize errors that occur after matching. So best matches which provide correct
estimation (inliers) and throw out remaining outliers. The results showed improvements of vehicles that can be detected and
counted.
Keywords: vehicle detection, classification & counting, Intelligent Transportation System, openCV, Raspberry Pi.
1. INTRODUCTION
Volume of vehicles information passing on the toll road is needed by operator of toll roads, transportation and traffic department and also for local governments. This data widely used for calculating the density of vehicles, counting the frequency of vehicles, calculating average pollution, can also be used as a reference for the improvement of existing roads, widening of the road, new roads development, and the arrangement of traffic signs, etc. The function of toll road is not only a freeway, but also as a gateway between cities and provinces. Uncontrolled flow of vehicle traffic can result in severe congestion along the road. In order for tolls to operate optimally, the flow of the traffic needs to be controlled intensively. One of the possible way to do this is by achieving information of the number of vehicles on the highway.
*Email Address: [email protected]
To address this problem, we need a system that can automatically classify classes of vehicle and calculate the number of vehicles entering and exiting in toll road.
2. RESEARCH METHOD
The research method used in this study is experimental methods to build a prototype Intelligent Transportation System (ITS) Visual based vehicle detection, classification and counting. It started with the literature study, collecting data from various sources, such as annual report book Toll road Traffic taken from the web site Indonesian toll roads operators, as well as data from previous research studies to be used as a guide or reference this research. The next step is doing an observation about functionality and the use of devices or tools associated in visual based method such as camera, and many visual algorithm that will be used on a system. Then, we built the prototypes based-on design and at the end of the study we start doing a test and evaluation.
Adv. Sci. Lett. X, XXX–XXX, 201X RESEARCH ARTICLE
2
2.1. Visual based Vehicle Detection System
In the real time traffic monitoring systems, data can come from a various sources like the ultrasonic detectors, loop detectors, radar sensors, microwave sensors, or video cameras. Due to the lastest acheivement in computer vision and image processing field, the video cameras have been found to be an efficient technique to collect and analyze the traffic data.
Vehicle detection is the second step in video based analysis in ITS applications after image acquisition [2]. Current methods of vehicle detection are already accurate and robust, therefor researches for the next step are influenced, which is vehicle recognition. The research technique in this field was divided into; motion based and appearance based [4]. Segmentation techniques based-on motion is using movement characteristic to separate moving vehicles from stationary background image. On the other hand, appearance based techniques is extracting features from appearance of the vehicle like color, texture & shape to distiguish the vehicle from the background.
Fig. 1. Hierarchical Vehicle Surveillance
Previous research of vehicle detection step using appearance based explained the popular feature descriptors have been used to describe the vehicle’s visual appearance is begin from the simple method based-on histogram, but it sensitive to size the vehicle and the change of illumination. Then the improved method based-on histogram found, namely histogram of oriented gradient (HOG) [1]. This method is based on the count of the occasions of gradient orientation of portions of image. HOG features sensitive to geometric and illumination invariance, and efficient in computational. SIFT [7] however, has the advantages because of its invariance to scaling and rotation, it is also invariant to affine projection and changes of illumination. SIFT work by considering local edge orientations around stable keypoints. Another descriptor is Haar-like features, which subtracts the sum of pixels from the rectangles over an image patch [3]. Structure in rectangular of Haar-like features is founded very efficient to compute, making this method work properly for real-time applications to representing rigid moving objects such as vehicles in the road.
2.2. Hardware System
The hardware used in this prototype system consists of Raspberry – Pi 3 model B board, a USB webcam and power supply, that are arranged in stereo System.
Raspberry Pi is a small sized single board computer with a basic size of 85mm x 56mm (credit card size) developed by Raspberry Pi Foundation. It has various interfaces for interconnecting other devices, wide network connection support and also has a low power consumption (5Volt, 2.5A). Micro SD port can be used to load operating system (linux based OS, such as Raspbian, Fedora, Debian, etc.) and storing data. The basic software tool for computer vision application using in Raspberry Pi is OpenCV with programming language like python, C/C++, Java, Ruby, etc. We use 5-megapixel webcam capable to capture 30 fps with 1024 x 768 resolution.
To capture images, Logitech USB webcam is utillized. The webcam has a 5 megapixel sensor resolution, 640 x 480 still image with 30 fps of frame rate and video capture resolution of 1024 x 768. This camera is easy to plug in and supported by Linux based OS.
2.3. Software requirement
We use OpenCV with python language. OpenCV is a
software library practically used for machine learning and
computer vision. OpenCV is free for use for both
academic and commercial use and is released under open
source BSD licence.
3. STEREO VISION FOR VEHICLE DETECTION,
CLASSIFICATION AND COUNTING SYSTEM
The system design is described in Figure 2. The system is consists of two raspberry pi with camera that are arranged in stereo vision system, both camera system doing vehicle detection using descriptors Haar Like features, then the results are evaluated to find matching features between stereo images, and if found, the system will do the vehicle counting. Then, the data is sent over a computer network to display in web application.
Fig. 2. Realtime Stereo Vision for Vehicle Detection, Classification
and Counting System
The left and right camera system will extract features using the Haar classifier cascade, and make a box for each object that was detected successfully. The box will be processed further as a feature that will be compared
RESEARCH ARTICLE XXXXXXXXXXXXXXXXX
3
between the left and right images to get a matching feature, If the box found in two images, the classification and counting of vehicle will be done based on the width and height of the box.
The important thing to be considered in the stereo system is the distance between the two cameras are well known and area detection are defined in advance, in this case, we created a boundary using imaginary line on each image. This is done to ensure that the calculation of box, to be more accurate. illustration camera position and area detection can be seen in Figure 3.
Fig. 3. Camera Position in Scenes
3.1. Haar Cascade Classifier
Haar-like features in two dimensions are composed of
adjacent light and dark rectangles. Figure 4 shows some
typical features used for recognition. The approach to
detect objects in the image combines four main concepts:
1. Training data.
2. Extract Features a simple rectangular called Haar
features.
3. Integral image for rapid detection feature.
4. The classification in stages (Cascade classifier) to
connect a lot of features efficiently.
Fig. 4. Type of Haar-Like Features : (a) edges, (b) lines and (c) center
surrounded
First step, we collect positive samples (Image with object) and negative samples (image without object). The numbers of images sample are depended on a variety of factors such as the object type to be recognized, the quality of the images, the method to generate the samples, and the processor power. Highly accurate classifier training need a huge number of samples and takes a lot of time.
3.1.1. Haar Features
Once we obtained the data to be trained, the next step
is to extract Haar features. Features are nothing other than
region of window that are spread through the image and
used as object detection classifier. Haar features have a
rectangular shape (Figure 4) and can be contained of
several more rectangles in each of the feature. Each
window will have either black or white region.
The value of two-rectangle feature can be calculated
from subtraction of the sum of the pixels from two
regions. On a three-rectangle feature, the value is
calculated as a subtraction within two outside rectangles
from the sum in a center rectangle. And in a four-
rectangle feature we can do the subtraction diagonally
within four regions [3].
3.1.2. Integral Image
The subtraction of the sum of the pixels approach can
be exhaustive if we apply this method directly through the
image considering that there are so many regions to be
calculated from the image. And seeing that we are
implementing this method on a sequential real time data,
we need our algorithm to be fast.
To accelerate this process, we transform the image to
integral image [5], which is a table of the sum of pixels to
the left and above of (x,y). The integral image is
calculated by: 𝑠(𝑥, 𝑦) = 𝑖(𝑥, 𝑦) + 𝑠(𝑥 − 1, 𝑦) + 𝑠(𝑥, 𝑦 − 1) − 𝑠(𝑥 − 1, 𝑦 − 1)
For better representation of how we calculate the integral
image can be seen in following example illustrated in
fig.5.
Fig. 5. Original image (left) and its integral image (right)
Once we obtained the integral image, we can easily
calculate the sum of any region quickly. To do this, we
use this equation: 𝑖(𝑥′, 𝑦′) = 𝑠(𝐴) + 𝑠(𝐷) − 𝑠(𝐵) − 𝑠(𝐶)
3.1.3. Stages of Classification
Haar features is weak to detect object on an image by
itself, therefore we have to implement many features set
and chain them to obtain accurate object detection. To do
this we use AdaBoost. AdaBoost combine many classifier
into one classifier. Each classifier has a threshold. From
this combination of classifier we can have a really strong
and accurate classifier.
Adv. Sci. Lett. X, XXX–XXX, 201X RESEARCH ARTICLE
4
Fig. 6. The classifier cascade as a chain of filters
The filter on each level is trained to classify the images
from the training set. If one from the filters fail to detect
the object from a region, then that region will be
classified as “not vehicle”, then the region window will
continue to move. When one filter succeeded to detect the
object then that region will passed to the next filter. Image
region that has passed through all the filters will be
classified as “vehicle”. Illustration can be seen at fig. 6.
3.2. Stereo Vision System
The stereo vision has two main problems, first is
correspondence problem, which is how to find an association point in the left image from the right image. Second is reconstruction problem, which is how to construct 3D points from matched points.
Reconstruction problem has been done by triangulation. The existence of noise make the correspondence problem more challenging. The noise can be distortions in geometric and photometric, repetitive patterns, occlusions and discontinuities. Epipolar geometry is used here by implementing epipolar line to search correspondence point. It works by finding point on conjugated epipolar lines, which is a straight line that conjugate the epipolar plane, a plane from the object, reference image and target image (see fig. 7).
Fig. 7. Epipolar Geometry as Corespondence problem solution in Stereo
Vision
In our case, we use local methods matching NSSD (Normalized- Sum of Squared Differences) [6] because observations were made on a pixel level from Haar like feature. Correspondence point is discovered by finding similarity of predefined neighborhood or window. Two inputs from left image and right image are compared by local matching
3.4. Realtime Stereo vision for vehicle Detection Algorithm
The Algorithm composed in this study is :
1. Extract features using the Haar classifier cascade for stereo camera system.
2. Apply ratio test to find best matches (NSSD), the locations of matched keypoints are then extracted from both images to find the perspective transformation.
3. Some possible errors while matching can be
verified by RANSAC algorithm [6]. This
algorithm will provide information of good
matches (inliers) and bad matches (outliers).
3.3. Displaying the result in Web application
In communication process, the vehicle classification
and counting data result, will send to database in web
server. To display infographics in a website can use PHP
scripts from JPGraph that can create charts from the
database (Figure 8).
Fig. 8. Display report current day monitoring in Web application
4. EXPERIMENTAL RESULT
Evaluation is done by several test scenarios to get the desired results. The tested scenes includes time, weather and traffic conditions. The period of time in this research is in the morning, noon, and night. While weather conditions were chosen is sunny and cloudy. To maximize scenario of testing, we used the traffic conditions at no congestion, half congested, and traffic jams. All of these conditions will also be combined with each other. The description of test scenes can be seen in Figure 9.
Fig. 9. Scenario testing in morning-clear-half congested (left), and night-clear-no congestion (right)
RESEARCH ARTICLE XXXXXXXXXXXXXXXXX
5
TABLE I. AVERAGE RESULT IN LEFT/RIGHT CAMERA (COUNTING BASED-ON
USING HAAR-LIKE FEATURES)
Evaluation of the system is done by direct
observation using two systems simultanously. We
compute success rate by running the vehicle counting
based-on Haar-like features in two cameras and calculate
the average, then it compared with the results obtained
from the vehicle counting using a stereo matching. The
average calculation of vehicle types using Haar-like
features can be seen in Table I.
The results of vehicle type counting based stereo
matching can be seen in Table II. We can see
improvement detection capability of the stereo system,
especially on test in traffic jam scenes. This occurs due to
the blocked vehicle by other vehicles, still can be detected
by the two points of view of the stereo vision.
TABLE II. COUNTING RESULT BASED-ON STEREO MATCHING TWO IMAGES IN
LEFT AND RIGHT CAMERA)
5. CONCLUSIONS
This paper proposed a method using Haar-like feature and the stereo vision system in order to detect vehicles. Haar-like feature is used to obtain stronger feature for realtime monitoring. Stereo vision is then implemented to obtain more reliable detection result by
using matching system from two cameras to verify vehicle candidate in real time. The execution time of the proposed algorithm litle bit longer than only using Haar-like features in one camera, but still proper to apply it to the real-time system. It has limitation that error sometimes occur when the illumination of the road environment changes.
ACKNOWLEDGMENTS
This work was supported by Ministry of Research,
Technology and Higher Education of the Republic of
Indonesia in Research schema “Penelitian Unggulan
Perguruan Tinggi”. I would say thank you very much for
all researchers and student in Gunadarma University for
their hard work in this research, specially to Rachmat
Sampurna, Rendi Nurcahyo.
REFERENCES
1. A. Shakin Banu and P. Vasuki, Video Based Vehicle Detection Using Morphological Operation and HOG Feature Extraction, ARPN Journal of Engineering and Applied Sciences, ISSN 1819-6608, Vol. 10, No. 4, March, 2015
2. Bin Tian, Brendan Tran Morris, Ming Tang, Yuqiang Liu, Yanjie Yao, Chao Gou, Dayong Shen, and Shaohu Tang, "Hierarchical and Networked Vehicle Surveillance in ITS: A Survey", in Proceeding IEEE Transactions On Intelligent Transportation Systems, 2014
3. Sara Maher Elkerdawi , Ramy Sayed, Mohamed ElHelw, Real-Time Vehicle Detection and Tracking Using Haar-Like Features and Compressive Tracking, ROBOT2013: First Iberian Robotics Conference, Volume 252 of the series Advances in Intelligent Systems and Computing, Springer International Publishing, pp381-390, 2014
4. Ma'moun Al-Smadi, Khairi Abdulrahim, Rosalina Abdul Salam, ‘Traffic Surveillance: A Review of Vision Based Vehicle Detection,Recognition and Tracking”, article in International Journal of Applied Engineering Research ISSN 0973-4562 Vol. 11, No. 1, pp. 713-726, 2016
5. Messom, C. H. and Barczak, A. L. C., "Fast and efficient rotated Haar-like features using rotated integral images", in Proceeding Australian Conference on Robot and Automation, pp. 1–6, 2006.
6. Mohammad Iqbal, Fabrice Mériaudeau, Olivier Morel, “Polarization Stereoscopic Imaging Prototype”, Article in International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 4, No. 3, September, 2011
7. Narhe M. C., Prof. Dr. Nagmode M. S., Vehicle Classification using SIFT, International Journal of Engineering Research & Technology (IJERT), ISSN: 2278-0181, Vol. 3 Issue 6, pp1735-1738, June, 2014
Seri Ebook
Mohammad Iqbal, Rudi
Trisno Yuwono, Hadyan
Mardhi Fadlillah, Sigit
Widiyanto
Universitas Gunadarma
Oktober 2016
Pengetahuan Dasar Kamera untuk Pengawasan
1 | Pengetahuan Dasar Kamera untuk Pengawasan
Prakata
Puji dan syukur kami panjatkan kehadirat Allah SWT yang Maha Kuasa,
karena atas izin-NYA, maka buku ini dapat disusun, setelah melalui pencarian
yang panjang dari berbagai sumber, penterjemahan yang tidak sedikit dan
penyusunan yang tak kenal lelah, maka buku ini dapat tersaji di sini.
Salah satu teknologi penunjang aktivitas pemantauan baik untuk keamanan
atau untuk memonitoring suatu kegiatan adalah kamera pengawas atau yang lebih
dikenal dengan sebutan Closed-Circuit Television (CCTV). Teknologi CCTV telah
berkembang sangat pesat, dimulai dari tipe analog, sampai menjadi tipe digital dan
memanfaatkan jaringan komputer. Karena luasnya pokok bahasan teknologi visual
ini, maka dalam buku ini akan dibatasi pembahasan tentang Internet Protocol (IP)
Camera atau Network Camera. Teknologi ini merupakan jenis kamera video
digital yang memanfaatkan jaringan network TCP/IP untuk mentransmisikan data
yang ditangkapnya. Berbeda dengan Web Cam (Web Camera) yang memerlukan
PC/komputer dengan software untuk dapat digunakan, IP Camera dapat langsung
terkoneksi dengan switch/hub dalam jaringan network TCP/IP dan dapat diakses
online via internet melalui laptop, handphone, tablet dan mobile devices.
Akhirnya, kami mengucapkan terimakasih yang sebesar-besarnya kepada
semua pihak yang terlibat dalam penyusunan buku ini. Terutama dari pihak
Universitas Gunadarma yang telah membuka kesempatan pada kami sehingga
mendapatkan skema Penelitian Unggulan Perguruan Tinggi dari Kemenristek
DIKTI, dan juga semua pihak yang tidak bisa kami sebutkan satu persatu.
2 | Pengetahuan Dasar Kamera untuk Pengawasan
Daftar Isi
Daftar Isi ........................................................................................................................................................ 2
BAB 1 - Terminologi Dasar dalam Sistem CCTV .............................................
1.1.1. Focal Length (jarak titik fokus) ..............................................
1.1.2. Fixed Lens ...............................................................................
1.1.3. Varifocal Lens .........................................................................
1.1.4. Zoom Lens ..............................................................................
1.1.5. Board Lens ..............................................................................
1.1.6. Iris ...........................................................................................
1.1.7. CS-Mount dan C-Mount .........................................................
1.1.8. Hubungan Antara Lens Format, CCD Format dan Image Size
1.2. Terminologi terkait dengan Camera (Parameter Camera) ...........
1.2.1. Bentuk Camera .......................................................................
1.2.2. Lux ..........................................................................................
1.2.3. Pengaruh F Stop terhadap Depth of Field .............................
1.2.4. Terminologi Terkait dengan Keadaan Pencahayaan ..............
1.2.5. Istilah Resolution pada CCTV .................................................
BAB 2 - Pengenalan Sistem Camera CCTV ...................................
2.1. Analog Camera dan IP Camera.......................................................
2.2. One Coaxial Camera (Single Coaxial Cable) ...................................
2.3. PTZ Camera (Pan, Tilt, Zoom) .........................................................
2.4. Speed Dome Camera .....................................................................
2.5. Mini PTZ Dome ...............................................................................
2.6. Analog Wireless Camera ................................................................
2.7. Aksesoris Penting untuk CCTV .......................................................
2.7.1. Video Amplifier ......................................................................
2.7.2. IP Extender .........................................................................
2.7.3. External IR Illuminator ...........................................................
2.7.4. Ground Loop Isolator .............................................................
3 | Pengetahuan Dasar Kamera untuk Pengawasan
2.7.5. Video Distributor ....................................................................
2.7.6. RS-485 Data Distributor .........................................................
2.8. Mengenal Video Balun (Twisted Pair Transmission) ......................
2.8.1. Aplikasi Video Balun untuk Speed Dome (PTZ Motor) ..........
BAB 3 - Pengenal IP Camera / Network Camera ............................................
3.1. Teknik Mengubah kamera Analog menjadi kamera IP ..................
3.2. Teknik Instalasi IP Camera ............................................................
3.3. Infrastruktur IP Camera ................................................................
3.3.1. Menyoal "Kualitas" IP Cam ....................................................
3.3.2. Pengaruh Bandwidth pada IP Camera ................................
3.3.2. Bandwidth pada IP Cam dan Cara Mengamatinya ................
3.3.3. PERTIMBANGAN DALAM INSTALASI IP CAMERA ...................
BAB 4 - Merancang Power Supply untuk Sistem CCTV ................................
4.1. Camera 220VAC .............................................................................
4.2. Camera 24VAC ...............................................................................
4.3. Camera 12VDC ...............................................................................
4.4. Masalah Umum : Drop Voltage ......................................................
4.5 Solusi Cerdas ..................................................................................
4.6. Solusi Cerdas Lainnya .....................................................................
4.7 Solusi Profesional ...........................................................................
4.8. Permasalahan Adaptor Kamera .....................................................
4.8.1. Adaptor Tancap (Plug-in) .......................................................
4.8.2. Problematika di Lapangan......................................................
4.8.3. Perlunya Alat Ukur Tambahan ..............................................
4.8.4. Mengatasi Drop Tegangan .....................................................
4.9. PoE (Power Over Ethernet) untuk IP Kamera ................................
BAB 5 – Pemeliharaan Sistem CCTV ...............................................................
1. 5.1. Jenis Gangguan dan Penyebabnya ..............................................
5.2. Masalah Umum pada Prosedur Instalasi Kamera ..........................
5.3. Apa yang baru pada teknologi CCD TV Lines? ................................
5.4. Teknik Dasar Penanggulangan Gangguan Kamera.........................
5.5. Solusi untuk Kamera Berembun ....................................................
4 | Pengetahuan Dasar Kamera untuk Pengawasan
5.6. Solusi untuk Problem pada Kamera Infra Red ...............................
5.6.1. Kategori gangguan Kamera IR dan cara penanganannya ......
6.1. Aspek Desain ..................................................................................
6.2. Critical Design Review (CDR) ..........................................................
6.1. CDR Check List ............................................................................
6.3. Beberapa Contoh Desain Sistem CCTV ..........................................
6.3.1. Simple CCTV Application for Home Surveillance ...................
6.3.2. Letak Kamera Untuk Rumah Tinggal ......................................
6.3.3. Letak Kamera untuk Pemasangan di Pabrik (Factory Plant) ..
6.3.4. Kolaborasi CCTV dengan Mesin Absensi untuk Mencegah Karyawan Nakal ................
BAB 7 - Mode Perekaman DVR ......................................................................
7.1. Standalone DVR (Digital Video Recording) ....................................
7.1.1. Seputar Masalah DVR Stand Alone ........................................
7.2. PC Based DVR (DVR Card) ..............................................................
7.2.1. Cara agar PC Base DVR bisa di-Access via Internet ................
7.2.2. Access DVR via Internet (Panduan Cepat) .............................
Setting DVR ke Internet .....................................................................
7.2.3. Access Internet 3 DVR ............................................................
7.2.4. Access DVR via Android ..........................................................
7.3. Perlunya Hard Disk Calculator ........................................................
7.4. Kapasitas Storage DVR ...................................................................
7.5. Permasalahan dalam DVR ..............................................................
7.5.1. Mengapa DVR Jadi Tidak Bisa Di-Access via Internet? ...........
7.5.2. Mengapa DVR Jadi Tidak Bisa Merekam? ..............................
DAFTAR PUSTAKA ..........................................................................................
I
Lampiran I
Peraturan Menteri Kehakiman R.I
Nomor : M.01-HC.03.01 Tahun 1987
Kepada Yth :
Direktur Jenderal KHI
Melalui Direktur Hak Cipta,
Desain Industri, Desain Tata Letak,
Sirkit Terpadu dan Rahasia Dagang
Di
Jakarta
PERMOHONAN PENDAFTARAN CIPTAAN
I Pencipta :
1. Nama : Dr. Mohammad Iqbal
Dr. Rudi Trisno Yuwono
Hadyan Mardhi Fadlillah
Sigit Widiyanto
2. Kewarganegaraan : Indonesia
3. Alamat : Jl. Kranji V-17 Budi Agung RT 01/RW 003
Sukadamai, Tanah Sareal, Bogor 16165
II. Pemegang Hak Cipta :
1. Nama : Universitas Gunadarma
2. Kewarganegaraan : Indonesia
3. Alamat : Jalan Margonda raya no 100 Pondok Cina
Depok
III. Kuasa :
1. Nama :
2. Kewarganegaraan :
3. Alamat :
IV. Jenis dan Judul ciptaan yang
dimohonkan : PROGRAM DETEKSI OTOMATIS
SITUASI DARURAT DI JALAN TOL –
DEBAR (DETEKSI&SEBAR)
V. Tanggal dan tempat diumumkan
Untuk pertama kali di wilayah
Indonesia atau di luar wilayah
Indonesia : Depok 31 Oktober 2016
VI. Uraian ciptaan : Program aplikasi berbasiskan sistem Perangkat
keras Raspberry Pi yang didesain untuk
menunjang kecepatan penyampaian berita
kecelakaan ke fasilitas tim penolong / pusat
pemantauan lalu lintas dengan adanya sistem
pendeteksi kecelakaan berbasis visual.
Luarannya adalah citra kecelakaan dan peringatan
serta informasi untuk berhati-hati untuk
pengendari lain pada variable message sign.
Depok, 1 November 2016
Tanda Tangan :
Nama : Prof. Suryadi .H.S.SSi.MMsi
II
Lampiran I
Peraturan Menteri Kehakiman R.I
Nomor : M.01-HC.03.01 Tahun 1987
Kepada Yth :
Direktur Jenderal KHI
Melalui Direktur Hak Cipta,
Desain Industri, Desain Tata Letak,
Sirkit Terpadu dan Rahasia Dagang
Di
Jakarta
PERMOHONAN PENDAFTARAN CIPTAAN
I Pencipta :
1. Nama : Dr. Mohammad Iqbal
Dr. Rudi Trisno Yuwono
Hadyan Mardhi Fadlillah
Sigit Widiyanto
2. Kewarganegaraan : Indonesia
3. Alamat : Jl. Kranji V-17 Budi Agung RT 01/RW 003
Sukadamai, Tanah Sareal, Bogor 16165
II. Pemegang Hak Cipta :
1. Nama : Universitas Gunadarma
2. Kewarganegaraan : Indonesia
3. Alamat : Jalan Margonda raya no 100 Pondok Cina
Depok
III. Kuasa :
1. Nama :
2. Kewarganegaraan :
3. Alamat :
IV. Jenis dan Judul ciptaan yang
dimohonkan : PROGRAM DETEKSI OTOMATIS
SITUASI DARURAT DI JALAN TOL –
DEBAR (DETEKSI&SEBAR)
V. Tanggal dan tempat diumumkan
Untuk pertama kali di wilayah
Indonesia atau di luar wilayah
Indonesia : Depok 31 Oktober 2016
VI. Uraian ciptaan : Program aplikasi berbasiskan sistem Perangkat
keras Raspberry Pi yang didesain untuk
menunjang kecepatan penyampaian berita
kecelakaan ke fasilitas tim penolong / pusat
pemantauan lalu lintas dengan adanya sistem
pendeteksi kecelakaan berbasis visual.
Luarannya adalah citra kecelakaan dan peringatan
serta informasi untuk berhati-hati untuk
pengendari lain pada variable message sign.
Depok, 1 November 2016
Tanda Tangan :
Nama : Prof. Suryadi .H.S.SSi.MMsi
III
Lampiran I
Peraturan Menteri Kehakiman R.I
Nomor : M.01-HC.03.01 Tahun 1987
Kepada Yth :
Direktur Jenderal KHI
Melalui Direktur Hak Cipta,
Desain Industri, Desain Tata Letak,
Sirkit Terpadu dan Rahasia Dagang
Di
Jakarta
PERMOHONAN PENDAFTARAN CIPTAAN
I Pencipta :
1. Nama : Dr. Mohammad Iqbal
Dr. Rudi Trisno Yuwono
Hadyan Mardhi Fadlillah
Sigit Widiyanto
2. Kewarganegaraan : Indonesia
3. Alamat : Jl. Kranji V-17 Budi Agung RT 01/RW 003
Sukadamai, Tanah Sareal, Bogor 16165
II. Pemegang Hak Cipta :
1. Nama : Universitas Gunadarma
2. Kewarganegaraan : Indonesia
3. Alamat : Jalan Margonda raya no 100 Pondok Cina
Depok
III. Kuasa :
1. Nama :
2. Kewarganegaraan :
3. Alamat :
IV. Jenis dan Judul ciptaan yang
dimohonkan : PROGRAM DETEKSI OTOMATIS
SITUASI DARURAT DI JALAN TOL –
DEBAR (DETEKSI&SEBAR)
V. Tanggal dan tempat diumumkan
Untuk pertama kali di wilayah
Indonesia atau di luar wilayah
Indonesia : Depok 31 Oktober 2016
VI. Uraian ciptaan : Program aplikasi berbasiskan sistem Perangkat
keras Raspberry Pi yang didesain untuk
menunjang kecepatan penyampaian berita
kecelakaan ke fasilitas tim penolong / pusat
pemantauan lalu lintas dengan adanya sistem
pendeteksi kecelakaan berbasis visual.
Luarannya adalah citra kecelakaan dan peringatan
serta informasi untuk berhati-hati untuk
pengendari lain pada variable message sign.
Depok, 1 November 2016
Tanda Tangan :
Nama : Prof. Suryadi .H.S.SSi.MMsi
SURAT PENGALIHAN HAK CIPTA
Yang bertanda tangan di bawah ini :
Nama : Dr. Mohammad Iqbal, Skom, MMSI
Kewarganegaraan : Indonesia
Alamat : Jl. Kranji V-17 Budi Agung RT 01/RW 003
Sukadamai, Tanah Sareal, Bogor 16165
Untuk Selanjutnya sebagai “PIHAK PERTAMA”
Nama : Universitas Gunadarma
Alamat : Jalan Margonda raya no 100 Pondok Cina
Depok
Selanjutnya sebagai “PIHAK KEDUA”
Pihak pertama selaku pencipta Program komputer berbasiskan Web yang berjudul
PROGRAM DETEKSI OTOMATIS SITUASI DARURAT DI JALAN TOL –
DEBAR (DETEKSI&SEBAR)
Dengan ini mengalihkan karya tersebut kepada pihak kedua.
Demikian surat pengalihan Hak Cipta ini dibuat sebagai mana mestinya
Depok 1 November 2016
Pihak kedua Pihak pertama
Pembantu Rektor II Universitas Gunadarma
Prof. Suryadi .H.S.SSi.MMsi Dr. Mohammad Iqbal
SURAT PERNYATAAN KEPEMILIKAN HAK CIPTA
Yang bertanda tangan dibawah ini :
Nama : Dr. Mohammad Iqbal
Kewarganegaraan. : Indonesia
Alamat. : Jl. Kranji V-17 Budi Agung RT 01/RW 003
Sukadamai, Tanah Sareal, Bogor 16165
Dengan ini menyatakan bahwa saya adalah Pemilik / Pencipta dari suatu ciptaan berupa
Program komputer berbasiskan Web Berjudul : PROGRAM DETEKSI OTOMATIS
SITUASI DARURAT DI JALAN TOL – DEBAR (DETEKSI&SEBAR)
Yang diajukan pendaftarannya di kantor Direktorat Jendral Hak Kekayaan Intelektual
Kementerian Hukum & HAM Republik Indonesia. Apabila di kemudian hari terbukti
bahwa ciptaan ini milik pihak lain, kami bersedia dibatalkan pendaftarannya oleh
Kantor Hak Cipta.
Demikian Surat Pernyataan ini dibuat untuk dapat dipergunakan semestinya.
Yang menyatakan,
Dr. Mohammad Iqbal