Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Sistem Pendeteksi Aktivitas Kendaraan Pada Area Parkir Dengan
Jaringan Multi-Camera
DODI WAHYU B – NRP 2206100020 Bidang Studi Telekomunikasi Multimedia
Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Kampus ITS, Keputih – Sukolilo, Surabaya 60111
ABSTRAK
Dengan meningkatnya jumlah penduduk sekarang,
maka permintaan akan jasa transportasi semakin tinggi. Oleh
karena itu akan terjadi kenaikan kepadatan lalulintas dan
pengguna jasa parkir. Permasalahan parkir sangat penting
untuk dikaji seperti kebutuhan ruang parkir yang harus
tersedia secara memadai dan sistem pemantau ruangan
parkir. Oleh karena itu perlu dibangun suatu sistem yg dapat
mendeteksi segala bentuk aktivitas kendaraan pada area
parkir.
Pada tugas akhir ini akan dibangun suatu sistem deteksi
kendaraan pada video pintu masuk dan keluar parkir, serta
video pemantauan di ruangan parkir dengan jaringan multi-
camera. Video dianalisa dengan menggunakan 4 metode
yaitu, Konversi Citra, Background substraction, Normalize
2D Cross-Correlation, vehicle tracking. Keseluruhan metode
tersebut akan diaplikasikn menggunkan software Matlab
R2009b.
Hasil dari implementasi metode menunjukkan bahwa
video yang tidak terdapat kendaraan berdekatan memiliki
persentase kendaraan terdekteksi sebesar 100%, sedangkan
terdapat kendaraan yang berdekatan dan terpengaruh
bayangan memiliki persentase terdeteksi sebesar 75%. Untuk
implementasi menggunakan multi-camera dapat mendeteksi
objek dengan coverage area lebih luas dibandingkan single-
camera. Selain itu untuk penempatan kamera, jika semakin
tinggi maka mendapatkan luasan jangkauan sebesar 1,5 kali
dari setiap peningkatan 0,5 m dan jika semakin besar sudut
pantau mendapatkan luasan 1,8 kali dari setiap peningkatan
sudut 15o.
Kata Kunci: aktivitas kendaraan, area parkir, single-
camera, multi-camera, video, pendeteksian
I. PENDAHULUAN
Pada saat ini permasalahan parkir sangat penting untuk
dikaji lebih mendalam, seperti ruang parkir yang dibutuhkan
harus tersedia secara memadai. Semakin besar volume lalu
lintas yang beraktivitas baik yang meninggalkan atau
menuju pusat kegiatan, maka semakin besar pula kebutuhan
ruang parkir. Selain itu jika pada ruang parkir tersebut tidak
dilengkapi dengan kamera deteksi pemantauan ruangan,
maka pengendara tidak mengetahui kondisi ruangan parkir
yang kosong. Sehingga dari dua permasalahan tersebut,
pihak pemilik tempat parkir harus bisa mengetahui jumlah
kendaraan yang keluar masuk parkir untuk memudahkan
dalam pengaturan keamanan dan pendeteksian kekosongan
ruang parkir untuk meningkatkan pelayanan. Sehingga paada
tugas akhir ini akan dibangun suatu sistem pendeteksi
aktivitas kendaraan pada area parkir dengan jaringan multi-
camera.. Video hasil rekaman itu dianalisa dengan
menggunakan 4 teknik yaitu, Konversi Citra, Background
substraction, Normalize 2D Cross-Correlation, vehicle
tracking. Keseluruhan teknik tersebut akan diaplikasikn
menggunkan software Matlab versi 7.9.0.529 (R2009b).
Konversi Citra digunakan untuk merubah format citra yang
RGB menjadi grayscale dan kemudian diubah menjadi
image binary. Background substraction digunakan untuk
memisahkan objek kendaraan dari background di frame pada
rekaman video. Untuk metode Normalize 2D Cross-
Correlation digunakan untuk mendapatkan nilai korelasi
antara objek yang akan dideteksi dengan template yang
digunakan, sehingga dapat memperoleh hasil deteksi
kendaraan yang lebih akurat. Proses selanjutnya adalah
teknik vehicle tracking yang digunakan untuk mendeteksi
objek kendaraan pada video. Objek kendaraan yang berada
pada video akan dibandingkan dengan template kendaraan
yang tersedia. Kemudian setelah didapatkan kesimpulan hasil
deteksi objek, maka digunakan untuk mengklasifikasikan
kendaraan, menghitung jumlah kendaraan, dan menganalisis
kekosongan area parkir pada video.
II. TEORI PENUNJANG
2.1. Kamera Tunggal (Single-Camera) Single-camera merupakan teknologi yang
memanfaatkan penggunaan satu buah (tunggal) kamera.
Dikarenakan hanya menggunakan satu buah kamera saja
maka pada teknologi ini tidak bisa membentuk suatu
jaringan(network). Meskipun pada single-camera tidak bisa
membentuk jaringan, tetapi dapat dimanfaatkan untuk
aplikasi pemantauan objek atau suatu ruangan dengan space
terbatas. Beberapa kekurangan pada pemakaian single-
camera sebagai berikut:
1. Keterbatasan coverage area pemantauan,.
2. Keterbatsan sudut pandang hanya pada satu sisi dari
objek (2D)
3. Tidak bisa membentuk jaringan (network), hanya
terhubung secara single hop.
4. Keterbatasan dalam memperoleh/menyimpan
informasi suatu aktivitas selama pemantauan secara
live
5. Tidak adanya back-up kamera lain yang terintegrasi
otomatis, ketika terjadi kerusakan.
2.2. Jaringan Multi-Camera (multi-camera network)
Multi-camera merupakan teknologi yang
memanfaatkan penggunaan lebih dari satu buah kamera.
Sehingga pada multi-camera bisa membentuk jaringan yang
dapat di-control secara langsung oleh admin. Gambar 1
merupakan bentuk jaringan multi-camera. Sehingga dapat
didefinisikan bahwa jaringan multi-camera merupakan suatu
jaringan yang terorganisasi secara terpusat oleh admin
dengan melakukan penyebaran kamera pada titik-titik yang
sudah ditentukan.
1
(a)
(b)
Gambar 1. (a). Maket ruangan yang terintegrasi dengan
multi-camera network
(b). Denah Parkir yang terintegrasi dengan
multi-camera network
Beberapa hal yang bisa dipelajari dalam jaringan
camera adalah konseptual dan algoritmik untuk segala jenis
komputer, pemrosesan sinyal, dan komputasi, serta
jaringan kabel dan nirkabel(wireless). Sistem
pada multi-camera menggunakan dua buah mode processing
architecture yaitu centralized processing dan
processing [1].
Beberapa kelebihan yang dimiliki oleh jaringan
camera sebagai berikut:
1. Mampu melakukan pemantauan area
area) secara total pada setiap ruangan
2. Dapat melakukan pemantauan dengan sudut
pandang lebih dari satu sisi pada satu objek,
sehingga dapat menghasilkan informasi citra
berbentuk 3D
3. Bisa dilakukan controlling secara terpusat pada
jaringan, jadi bisa membentuk suatu jaringan
dengan koneksi multi-hop.
4. Adanya back-up dengan kamera lain
kerusakan pada salah satu node
tersebar.
2.3. Metode-Metode Untuk Pendeteksian Objek
2.3.1. Metode Background Substraction
Proses background substraction adalah proses yang
berfungsi untuk menghilangkan objek yang statis pada
sebuah citra. Metode background substraction
untuk menentukan kemungkinan adanya suatu
bergerak dari sebuah citra dengan perbedaan yang terlihat
pada background dan objek, yaitu dengan memisahkan
antara background dari foreground pada suatu gambar.
dapat ditampilkan dalam bentuk persamaan
berikut.
[framei – backgroundi] > Threshold ……………
Pada proses background substraction digunakan operasi
matrik yaitu operasi pengurangan dengan menghasilkan nilai
lebih besar dari threshold [2].
2.3.2. Normalized 2D cross-correlation
Pada proses ini digunakan untuk menentukan n
kesamaan antara objek dan template, sehingga mendapatkan
nilai korelasi yang digunakan sebagai masukan ke proses
Maket ruangan yang terintegrasi dengan
(b). Denah Parkir yang terintegrasi dengan
Beberapa hal yang bisa dipelajari dalam jaringan multi-
adalah konseptual dan algoritmik untuk segala jenis
komputer, pemrosesan sinyal, dan komputasi, serta untuk
Sistem processing
mode processing
dan distributed
Beberapa kelebihan yang dimiliki oleh jaringan multi-
Mampu melakukan pemantauan area (coverage
secara total pada setiap ruangan
Dapat melakukan pemantauan dengan sudut
dari satu sisi pada satu objek,
sehingga dapat menghasilkan informasi citra
secara terpusat pada
, jadi bisa membentuk suatu jaringan
dengan kamera lain, ketika terjadi
kamera yang
Metode Untuk Pendeteksian Objek
adalah proses yang
yang statis pada
background substraction bertujuan
untuk menentukan kemungkinan adanya suatu objek
dari sebuah citra dengan perbedaan yang terlihat
, yaitu dengan memisahkan
suatu gambar. Jadi
pilkan dalam bentuk persamaan 1 sebagai
……… 1
digunakan operasi
dengan menghasilkan nilai
digunakan untuk menentukan nilai
sehingga mendapatkan
yang digunakan sebagai masukan ke proses
Gambar 2. vehicle tracking
Selanjutnya (vehicle tracking
normalized 2D cross-correlation pada
dengan perintah, C= normcorr2(template,
merupakan koefisien korelasi yang memiliki range nilai dari
-1.0 sampai 1.0 [3].
2.3.3. Vehicle Tracking
Suatu sistem monitoring berbasis video harus dapat
mengenali objek kendaraan bermotor pada setiap urutan
frame video. Vehicle tracking juga dapat mengklasifikasikan
kendaraan bermotor berdasarkan jenisnya
mobil. Objek kendaraan bermotor pada video ditandai
dengan persegi panjang yang luasa
objek tersebut. Proses vehicle tracking
2.
III. METODE DAN PERANCANGAN SISTEM
3.1. Perencanaan Topologi Jaringan
Komunikasi Single-camera antara
buah kamera saja, sedangkan untuk
komunikasi antara server dengan lebih dari satu kamera yang
tersebar pada titik-titik tertentu. Pada gambar 3
merupakan contoh cakupan dari topologi jaringan
digunakan dalam penelitian.
3.2. Metodologi Penelitian
Metodologi penelitian dari perancangan
pendeteksi aktivitas kendaraan ini
Gambar 4. Pada gambar ditunjukkan dua buah topologi
dalam melakukan perekaman video, yaitu
multi-camera network beserta cakupannya.
(a)
(b)
Gambar 3. (a). Contoh Cakupan
(b). Contoh Cakupan
deteksi
1,5 m
2,4 m
serve
2,6 m A
3 2
10,6 m
vehicle tracking
vehicle tracking). Cara perhitungan
pada Matlab dinyatakan
2(template,A). Hasil C
merupakan koefisien korelasi yang memiliki range nilai dari
berbasis video harus dapat
mengenali objek kendaraan bermotor pada setiap urutan
juga dapat mengklasifikasikan
kendaraan bermotor berdasarkan jenisnya mobil atau non-
. Objek kendaraan bermotor pada video ditandai
anya bergantung pada
vehicle tracking terlihat pada gambar
METODE DAN PERANCANGAN SISTEM
Perencanaan Topologi Jaringan antara server dengan satu
buah kamera saja, sedangkan untuk multi-camera
dengan lebih dari satu kamera yang
Pada gambar 3 dibawah ini
dari topologi jaringan yang
Metodologi penelitian dari perancangan sistem
seperti terlihat pada
. Pada gambar ditunjukkan dua buah topologi
dalam melakukan perekaman video, yaitu single-camera dan
beserta cakupannya.
Contoh Cakupan Single-camera
Cakupan multi-camera
2 m
serve
A
1
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Gambar 4. Metodologi Penelitian
Gambar 5. Diagram alir proses pendeteksi template
kendaraan
3.3. Proses Pendeteksi Template Kendaraan
Cara kerja diagram alir pada gambar 5 di atas adalah
adalah sebagai berikut:
1. Mengambil urutan frame tertentu dari video, kemudian
merubah format frame video (RGB) ke format citra
biner, kemudian dilakukan background substraction.
2. proses remove small object, untuk menghilangkan objek
kecil yang tidak dibutuhkan sehingga objek yang
muncul hanya objek kendaraan saja.
3. Kemudian proses menutup lubang pada objek. Proses
ini bertujuan untuk menutup lubang atau citra yang
bernilai 0 (warna hitam) pada objek.
4. Diteruskan dengan proses clear border. Proses ini
bertujuan agar dihasilkan gambar yang bebas dari noise.
5. Setelah terbentuk objek yang sudah bersih dari noise,
maka akan dilakukan pengukuran panjang dan lebar
dari objek tersebut, sehingga bisa didapatkan luasan
persegi panjang. Dan dengan hasil tersebut maka video
dengan urutan frame tersebut disimpan untuk dijadikan
template.
3.4. Proses Pendeteksi objek kendaraan Setiap frame video akan dideteksi apakah memiliki
objek bernilai 1 (putih), kemudian akan ditandai dengan
persegi panjang berwarna merah dan akan dibandingkan
dengan template yang tersedia dengan menggunakan
Normalized 2D cross-correlation.
Gambar 6. Diagram alir proses pendeteksi objek kendaraan
Gambar 7. Diagram alir proses menghitung objek
Nilai koefisien Normalized 2D cross-correlation
berkisar antara -1 sampai 1. Karena memiliki range yang
luas, maka perlu dilakukan operasi untuk mempersempit
range menjadi 0 sampai 1. Nilai inilah yang digunakan untuk
dapat menentukan jenis kendaraan sepeda motor dan mobil.
Pada gambar 6 merupakan diagram alir proses pendeteksi
objek kendaraan.
3.5. Proses Perhitungan jumlah objek
Proses pada gambar 7 di atas menjelaskan bahwa
program melakukan perhitungan jumlah objek pada video
yang terdeteksi. Melalui perbandingan luasan persegi
panjang dengan template, Sehingga bisa diketahui jumlah
kendaraan (sepeda motor dan mobil) yang masuk dan keluar
area parkir. Selain itu program juga dapat mendeteksi
kekosongan ruangan parkir untuk kendaraan jenis mobil.
3.6. Desain GUI Sistem Pendeteksi Aktivitas Kendaraan
Untuk mempermudah dalam menampilkan hasil
pendeteksian aktivitas kendaraan. Maka didesain 3 buah
GUI, yaitu Program untuk cover menu seperti pada gambar
8(a), program untuk mendeteksi keluar masuk kendaraan
seperti pada gambar 8(b), dan program untuk mendeteksi
kekosongan area parkir seperti pada gambar 8(c).
3
(a)
(b)
Gambar 8. GUI Sistem Pendeteksi Aktivitas Kendaraan
Pada Area Parkir
Gambar 9. Bentuk (pola) coverage area oleh kamera
Tabel 1. Hasil pengujian dengan ketinggian 1,45 meter
No Sdt Tinggi Panjang Lebar1 Lebar2
1 30o
1.45 m 4,1 m 3,6 m 3,2 m
2 45o
1.45 m 6,4 m 5,9 m 5,4 m
3 60o
1.45 m 8,5 m 7,9 m 7,3 m
Tabel 2. Hasil pengujian dengan ketinggian 1,95 meter
No Sdt Tinggi Panjang Lebar1 Lebar2
1 30o
1.95 m 5,7 m 5,2 m 4,8 m
2 45o
1.95 m 7,8 m 7,2 m 6,7 m
3 60o
1.95 m 10 m 9,4 m 8,9 m
IV. DATA DAN ANALISA DATA
4.1. Pengujian parameter tinggi dan sudut dalam
Penempatan Kamera
Pada gambar 9 menunjukkan pola coverage
kamera yang digunakan. Didapatkan nilai panjang
maksimum (L1) dan lebar minimum (L2). Kemudian
dilakukan pengujian terhadap parameter sudut dan ketinggian
dari penempatan kamera. Hasil pegujian seperti pada tabel 1
dan tabel 2. jika kamera dengan ketinggian 1,45 m dan sudut
30o mendapatkan luasan sebesar 13,94 m2
1,45m dan sudut 45o mendapatkan luasan sebesar 36,16 m
kemudian jika dengan sudut 45o dan tinggi 1,95
memperoleh luasan sebesar 54,21m2. Sehingga untuk
peningkatan tinggi 0,5 m dapat menaikkan luasan sebesar 1,5
kali dari luasan sebelumnya, dan setiap peningkatan sudut
15o dapat menaikkan luasan sebesar 1,8 kali.
parameter pengujian tersebut dapat mempengaruhi
kemampuan coverage area dari kamera untuk bisa lebih
efektif.
4.2. Pengujian Video yang direkam dengan
camera pada video di pintu masuk
parkir
(c)
GUI Sistem Pendeteksi Aktivitas Kendaraan
area oleh kamera
Hasil pengujian dengan ketinggian 1,45 meter
Lebar2 Luasan
3,2 m 13,94 m2
5,4 m 36,16 m2
7,3 m 64,6 m2
Hasil pengujian dengan ketinggian 1,95 meter
Lebar2 Luasan
4,8 m 28,5 m2
6,7 m 54,21m2
8,9 m 91,5 m2
Pengujian parameter tinggi dan sudut dalam
coverage area oleh
kamera yang digunakan. Didapatkan nilai panjang (p), lebar
(L2). Kemudian
dilakukan pengujian terhadap parameter sudut dan ketinggian
il pegujian seperti pada tabel 1
ketinggian 1,45 m dan sudut 2, untuk tinggi
mendapatkan luasan sebesar 36,16 m2,
dan tinggi 1,95 m bisa
. Sehingga untuk setiap
peningkatan tinggi 0,5 m dapat menaikkan luasan sebesar 1,5
dan setiap peningkatan sudut
dapat menaikkan luasan sebesar 1,8 kali. Sehingga
parameter pengujian tersebut dapat mempengaruhi
kamera untuk bisa lebih
Pengujian Video yang direkam dengan single-
video di pintu masuk dan keluar
Tabel 3. Pintu Masuk Tabel 4
No Objek
kndrn
yang
trdteksi
Jumlah
hasil
deteksi
Jmlah
riil
No Objek
kndrn
yang
trd
1
1 1 1
2
1 1 2
3
1 1 3
4
1 1 4
5
2 3 5
6
1 1 6
7 1 1
Pada hasil pengujian aktivitas kendaraan di p
seperti pada tabel 3, maka dapat disimpulkan bahwa
posisi kendaraan tidak berdekatan dengan kendaraan lain
dapat menghasilkan pendeteksian sesuai dengan jumlah riil
dengan persentase hasil deteksi 100%
video terdapat kendaraan yang berdekatan maka program
tidak dapat mendeteksi kendaraan sesuai jumlah riil dengan
persentase 66,67%. Begitu juga dengan hasil rekaman pada
video di pintu keluar seperti pada tabel
mampu mendeteksi kendaraan dengan persen
disaat pintu masuk, kecuali jika ada objek
persentase keberhasilan program sebesar 50%.
4.3. Pengujian Video yang direkam dengan
Dari gambar 10 maka dapat diketahui bahwa, desain
menggunakan 2 buah kamera dengan ketinggian dari lantai
setinggi 2 meter dan terdapat 2 buah ruangan.
dipantau oleh cam-1 yang ditandai dengan warna
untuk ruang II dipantau oleh cam-2
warna merah. Pada masing-masing kamera memiliki
jangkauan pemantauan yang sama yaitu sepanjang
tetapi pada gambar hanya terbatas 2,5 m
objek yang melewati ruang I, maka objek tersebut masuk
dalam area pemantauan pada cam-1.
melewati ruang II, maka cam-2 akan menangkap objek
tersebut. Tetapi jika objek memasuki area perpotongan antara
cam-1 dan cam-2, maka objek tersebut dapat ditangkap oleh
2 buah kamera secara bersamaan dengan hasil tampilan objek
yang berbeda sisi.
Pada tabel 5, terbagi menjadi tiga
objek terdeteksi dengan cam-1, terdeteksi dengan
terdeteksi cam-1 cam-2. Pada video pertama dengan total
152 frame dan waktu 302 detik, cam
objek pada frame ke 1-33 dengan durasi waktu 64 detik.
4. Pintu Keluar
Objek
kndrn
yang
trdteksi
Jumlah
hasil
deteksi
Jmlh
riil
1 1
1 1
1 1
1 2
1 1
1 1
Pada hasil pengujian aktivitas kendaraan di pintu masuk
, maka dapat disimpulkan bahwa jika
posisi kendaraan tidak berdekatan dengan kendaraan lain
dapat menghasilkan pendeteksian sesuai dengan jumlah riil
dengan persentase hasil deteksi 100%. Sedangkan jika pada
video terdapat kendaraan yang berdekatan maka program
endaraan sesuai jumlah riil dengan
%. Begitu juga dengan hasil rekaman pada
seperti pada tabel 4, program hanya
mampu mendeteksi kendaraan dengan persentase seperti
ada objek yang berdekatan
sebesar 50%.
Pengujian Video yang direkam dengan multi-camera maka dapat diketahui bahwa, desain
engan ketinggian dari lantai
setinggi 2 meter dan terdapat 2 buah ruangan. Untuk ruang I
yang ditandai dengan warna orange dan
2 yang ditandai dengan
masing kamera memiliki
jangkauan pemantauan yang sama yaitu sepanjang 7,8 m,
2,5 m. Sehingga jika ada
objek yang melewati ruang I, maka objek tersebut masuk
1. Sedangkan jika objek
akan menangkap objek
tersebut. Tetapi jika objek memasuki area perpotongan antara
, maka objek tersebut dapat ditangkap oleh
2 buah kamera secara bersamaan dengan hasil tampilan objek
, terbagi menjadi tiga hasil deteksi, yaitu
, terdeteksi dengan cam-2, dan
. Pada video pertama dengan total
cam-1 dapat menangkap
33 dengan durasi waktu 64 detik.
Gambar 10. Denah ruangan dengan pemantauan jaringan
multi-camera
Tabel 5. Hasil pengujian deteksi objek dengan multi-camera
Nama
video
Durasi (s) Frame ke Terdeteksi oleh
Cam-1 Cam-2
Multi-cam1 00:01 – 01:04 1 – 33 ok -
01:05 – 03:06 34 - 96 ok ok
03:07 – 05:02 97 - 152 - ok
Multi-cam2 00:01 – 01:24 1 – 54 ok -
01:24 – 04:29 55 - 149 ok ok
04:30 – 07:07 150 - 217 - ok
Sebaliknya untuk cam-2 dapat menangkap objek pada
frame ke 97-152 dan dengan durasi waktu 3,5 detik. Cam-1
cam-2 dapat menangkap objek dengan waktu yang
bersamaan pada frame ke 34-96 dan dengan durasi waktu 4
detik. Begitu juga untuk video yang kedua, objek mengalami
tiga kali pendeteksian yaitu, oleh cam-1, cam-2, dan cam-1
cam-2. Jika menggunakan single-camera, berarti hanya
menggunakan 1 buah kamera (cam-1/cam-2), maka
kemampuan sistem dalam mendeteksi objek hanya terbatas
pada jangkauan pemantauan kamera. Jumlah frame dan
durasi waktu yang ditangkap kamera lebih sedikit. Sehingga
dapat disimpulkan dari pengujian multi-camera tersebut
dapat digunakan sebagai salah satu metode untuk melakukan
perluasan pemantauan suatu ruangan (coverage area) dalam
hal semakin besar jumlah frame dan durasi waktu objek bisa
dipantau oleh kamera dengan ruangan yang semakin luas.
4.4. Pengujian Pengaruh Posisi Objek Pada Citra Pada gambar 11 terlihat sketsa background yang
menjelaskan tentang suatu citra background dengan ukuran
piksel sesuai dengan kamera yang digunakan yaitu 320 x 240
piksel. Pada pengujian ini bertujuan untuk dapat mengetahui
pengaruh dari posisi objek pada hasil deteksi.
Gambar 11. Sketsa Background
Tabel 6. Hasil Pengukuran Posisi Objek pada Citra
Nama video Frame
ke -
Parameter jarak(piksel) Hasil
deteksi X Y A B
Vertical_
atas
4 151 140 4 186 tidak
5 154 143 10 175 terdeteksi
65 150 138 144 13 terdeteksi
66 152 139 152 8 tidak
Horizont
al_kanan
29 9 244 92 94 tidak
30 10 242 90 95 terdeteksi
80 226 11 95 91 terdeteksi
84 230 6 93 92 tidak
Mtr_msk
1
55 269 8 148 71 tidak
59 265 10 150 70 terdeteksi
131 11 210 172 28 terdeteksi
135 6 220 170 25 tidak
Mbl_msk
1
31 196 5 130 40 tidak
32 185 9 128 39 terdeteksi
54 40 96 126 6 tidak
Dimana X, jarak terhadap panjang piksel antara objek
terluar dengan sisi tepi piksel bernilai 0 /noise, Y adalah
jarak terhadap panjang piksel antara objek terluar dengan sisi
tepi piksel bernilai 320 /noise, sedangkan untuk A, jarak
terhadap lebar piksel antara objek terluar dengan sisi tepi
piksel bernilai 0 /noise, dan B jarak terhadap lebar piksel
antara objek terluar dengan sisi tepi piksel bernilai 240
/noise.
Dari tabel 6 di atas maka dapat disimpulkan bahwa
objek akan dapat terdeteksi dengan program jika berada pada
posisi dengan jarak >= 10 piksel dari sisi tepi citra/noise
pada citra. Berdasarkan data di atas jika pada background
yang akan dideteksi tidak terdapat noise berupa pengaruh
lingkungan atau pencahayaan, maka urutan frame-frame
yang bisa dideteksi oleh program dapat ditentukan antara,
>= frame ke-5 dan <= (end_frame – 5) dengan syarat pada
frame ke-1 objek sudah memasuki background.
4.5. Pengujian program pendeteksi kekosongan area
parkir
Dikarenakan pengaruh posisi dan banyaknya noise yang
terdapat pada pengujian pertama seperti pada gambar 12 (a)
maka dilakukan perubahan tempat dalam perekaman video
parkir. Perekaman kedua dilakukan di ruangan laboratorium
komunikasi multimedia, background yang digunakan
memiliki ukuran yang lebih kecil dengan skala 1:20 dengan
background aslinya. Sedangkan untuk objek kendaraan yang
digunakan dengan skala 1:22,5 yaitu untuk ukuran kendaraan
panjang sebenarnya 4,5m dan lebar 1,8m, kemudian untuk
objek kendaraan mainan yang digunakan dengan panjang
20cm dan lebar 8cm seperti gambar 12 (b).
(a) (b)
Gambar 12. Sketsa objek yang diskalakan
320
240 X Y
A
B
40cm
60cm 1200cm
800cm
Tabel 7. Hasil pengujian program pendeteksi kekosongan
area parkir
Nama
video
Frame
ke-
Area
parkir
Kpsts
prkr
Hasil
deteksi
Jmlh
riil
Vid_pa
rkir1
40 3 1
Vid_pa
rkir2
30 3 2
Vid_pa
rkir3
35 3 2
Vid_pa
rkir4
20 3
3
Dengan tabel 7 di atas maka dapat ditarik kesimpulan
bahwa program hanya mampu mendeteksi kekosongan area
parkir jika posisi objek tidak berdekatan dan sisi terluar
objek berada >= 10 piksel dari sisi tepi citra/noise
objek memenuhi syarat-syarat tersebut maka kemampuan
program dalam mendeteksi bisa mencapai
keberhasilan 100%. Tetapi jika terdapat objek yang tidak
sesuai dengan syarat tersebut di atas. Maka
program hanya mampu mendeteksi sebesar 66,67
V. PENUTUP
5.1. Kesimpulan
1. Penempatan kamera berdasarkan tinggi dan besar sudut
pemantauan mempengaruhi dalam memaksimalkan
coverage Area kamera. Dengan ketinggian 1,45 m dan
sudut 30o mendapatkan luasan sebesar 13,94m
sedangkan dengan sudut 45o mendapatkan luasan
sebesar 36,16 m2. Kemudian jika dengan
dan sudut 45o bisa memperoleh luasan sebesar 54,21m
Sehingga untuk setiap peningkatan tinggi 0,5
menaikkan luasan sebesar 1,5 kali dari sebelumnya,
setiap peningkatan sudut 15o dapat menaikkan luasan
sebesar 1,8 kali.
2. Tidak semua frame pada video dapat dideteksi,
dikarenakan pada frame tersebut, kendaraan belum
atau sudah melewati background tetapi terekam pada
video dan kendaraan berada pada posisi < 10 piksel dari
garis tepi frame atau noise.
3. Bayangan yang muncul pada kendaraan divideo,
mempengaruhi bentuk kendaraan itu sendiri. Sehingga
dimensi kendaraan menjadi lebih besar. Hal ini
mengakibatkan penentuan tetapan luasan dimensi
(piksel) kendaraan menjadi sulit dalam pendeteksian.
4. Keberhasilan Progam pendeteksi aktivitas kendaraan
dan kekosongan area parkir pada saat kondisi kendaraan
tidak berdekatan dengan kendaraan lain memiliki
persentase sebesar 100%. Sedangkan video yang
terdapat kondisi berdekatan memiliki persentase
keberhasilan sebesar 66,67%.
5. Pada pengujian video dengan menggunakan metode
multi-camera objek dapat dipantau dengan
area semakin luas, sehingga jumlah
dipantau semakin banyak dan waktu semakin lama,
Hasil pengujian program pendeteksi kekosongan
Jmlh
Objk
trdtksi
Prkr
ksng
1 2
2 1
2 1
2 1
di atas maka dapat ditarik kesimpulan
bahwa program hanya mampu mendeteksi kekosongan area
parkir jika posisi objek tidak berdekatan dan sisi terluar
noise. Jika posisi
aka kemampuan
program dalam mendeteksi bisa mencapai persentase
100%. Tetapi jika terdapat objek yang tidak
sesuai dengan syarat tersebut di atas. Maka keberhasilan
66,67%.
Penempatan kamera berdasarkan tinggi dan besar sudut
pemantauan mempengaruhi dalam memaksimalkan
kamera. Dengan ketinggian 1,45 m dan
mendapatkan luasan sebesar 13,94m2,
mendapatkan luasan
emudian jika dengan tinggi 1,95m
bisa memperoleh luasan sebesar 54,21m2.
k setiap peningkatan tinggi 0,5m dapat
dari sebelumnya, dan
dapat menaikkan luasan
pada video dapat dideteksi,
endaraan belum
tetapi terekam pada
berada pada posisi < 10 piksel dari
yang muncul pada kendaraan divideo,
mempengaruhi bentuk kendaraan itu sendiri. Sehingga
kendaraan menjadi lebih besar. Hal ini
mengakibatkan penentuan tetapan luasan dimensi
(piksel) kendaraan menjadi sulit dalam pendeteksian.
pendeteksi aktivitas kendaraan
dan kekosongan area parkir pada saat kondisi kendaraan
tidak berdekatan dengan kendaraan lain memiliki
persentase sebesar 100%. Sedangkan video yang
terdapat kondisi berdekatan memiliki persentase
Pada pengujian video dengan menggunakan metode
objek dapat dipantau dengan coverage
semakin luas, sehingga jumlah frame objek
dipantau semakin banyak dan waktu semakin lama,
yaitu pada video multi-cam1
sebanyak 96 frame dan 3 detik, tetapi jika dengan
camera sebanyak 152 frame dan
5.2. Saran
Saran yang dapat digunakan untuk pengembangan
lanjut dari tugas akhir ini adalah:
1. Untuk sistem pendeteksi aktivitas kendaraan jika
diaplikasikan untuk perekaman video pada pintu masuk
dan keluar parkir, maka penempatan kamera hendaklah
membentuk sudut 45o dengan ketinggian 1,95 m. Hal
ini dikarenakan pada pengujian dengan sudut tersebut,
hasil dari luasan yang paling efektif tidak ter
dan besar.
2. Menambahkan template kendaraan yang bermacam
macam jenis model kendaraan dan menggunakan
metode pendeteksi yang lebih akurat.
3. Untuk sistem pendeteksi kekosongan area parkir jika
diaplikasikan secara langsung pada ruang parkir, maka
kondisikan ruangan dalam keadaan mendapatkan
pencahayaan dari berbagai arah agar cahaya dalam
ruangan rata dan bayangan muncul seminimal mungkin.
4. Agar dapat diaplikasikan sebagai
Surveillance, kamera yang digunakan harus dapat
dikenali oleh software Matlab.
DAFTAR PUSTAKA [1].Aghajan, H. and Cavallaro, A..
Networks Principles and Applications
Academic Press
[2].Review of Background Substraction Methodes
http://www.staff.it.uts.edu.au/~massimo/BackgroundSub
tractionReview-piccardi.pdf
[3].Robert M. Haralick and Linda G
Computer and Robot Vision,
Wesley, 316-317 pages
RIWAYAT PENULIS
Dodi Wahyu Budiarso, lahir di
Ngawi pada tanggal 2
1987, Pada tahun 2000
menamatkan pendidikan Sekolah
Dasar di SDN Keraskulon 1 Ngawi,
kemudian melanjutkan pendidikan
di SLTPN 2 Ngawi dan selesai pada
tahun 2003. Penulis menyelesaikan
Pendidikan Sekolah Menengah
Umum di SMUN 2 Ngawi pada
tahun 2006. Dengan anugerah A
SWT, penulis dapat melanjutkan studi di PTN Institut
Teknologi Sepuluh Nopember Surabaya
Jurusan Teknik Elektro. Penulis mengambil Bidang Studi
Telekomunikasi Multimedia dan aktif dalam kegiatan
Laboratorium Jaringan dan Laboratorim M
menjadi asisten Praktikum Dasar Sistem Telekomunikasi dan
menjadi Koordinator Praktikum Komunikasi Data dan
Pengolahan Sinyal Multimedia. Selain itu,
dalam kegiatan kemahasiswaan Himpunan Mahasiswa
Elektro ITS dan Badan Eksekutif Mahasiswa ITS.
dengan single-camera
detik, tetapi jika dengan multi-
dan 5 detik.
Saran yang dapat digunakan untuk pengembangan lebih
Untuk sistem pendeteksi aktivitas kendaraan jika
diaplikasikan untuk perekaman video pada pintu masuk
dan keluar parkir, maka penempatan kamera hendaklah
dengan ketinggian 1,95 m. Hal
ini dikarenakan pada pengujian dengan sudut tersebut,
hasil dari luasan yang paling efektif tidak terlalu kecil
kendaraan yang bermacam-
macam jenis model kendaraan dan menggunakan
metode pendeteksi yang lebih akurat.
Untuk sistem pendeteksi kekosongan area parkir jika
diaplikasikan secara langsung pada ruang parkir, maka
kondisikan ruangan dalam keadaan mendapatkan
pencahayaan dari berbagai arah agar cahaya dalam
yangan muncul seminimal mungkin.
Agar dapat diaplikasikan sebagai Real Time Video
, kamera yang digunakan harus dapat
2009. Multi-Camera
Networks Principles and Applications. United states :
traction Methodes http://www.staff.it.uts.edu.au/~massimo/BackgroundSubs
Linda G. Shapiro. 1992.
, Volume II,. Addison-
Dodi Wahyu Budiarso, lahir di
Ngawi pada tanggal 29 Agustus
1987, Pada tahun 2000 penulis
menamatkan pendidikan Sekolah
Dasar di SDN Keraskulon 1 Ngawi,
kemudian melanjutkan pendidikan
di SLTPN 2 Ngawi dan selesai pada
tahun 2003. Penulis menyelesaikan
Pendidikan Sekolah Menengah
Umum di SMUN 2 Ngawi pada
tahun 2006. Dengan anugerah Allah
, penulis dapat melanjutkan studi di PTN Institut
Surabaya dengan mengambil
Jurusan Teknik Elektro. Penulis mengambil Bidang Studi
Telekomunikasi Multimedia dan aktif dalam kegiatan
Laboratorium Jaringan dan Laboratorim Multimedia, seperti
menjadi asisten Praktikum Dasar Sistem Telekomunikasi dan
menjadi Koordinator Praktikum Komunikasi Data dan
Pengolahan Sinyal Multimedia. Selain itu, Penulis juga aktif
dalam kegiatan kemahasiswaan Himpunan Mahasiswa
n Eksekutif Mahasiswa ITS.
6