Jurnal METHODIKA.
Vol.
7 No.
1 MARET 2021 P-ISSN : 2442-7861 E-ISSN :2614-3143
DETEKSI JUMLAH KENDARAAN DENGAN ALGORITMA
GAUSSIAN MIXTURE MODEL DI AREA JALAN RAYA
Iklillurofi Akbar Nafiudin1.
Rahmat Tofik Hidayat2.
Ajeng Mustika Putri3.
Ahfas Reza Maulana4
1,2,3,4
Fakultas Ilmu Komputer.
Universitas Amikom Yogyakarta na@students.
id, 2rahmat.
1272@students.
pu@students.
id,4ahfas.
20@students.
ABSTRACT
Road safety monitoring systems are developing at this time.
The transportation sector is the object of research that continues to be developed and is always an interesting topic.
Not only for security purposes and for statistical purposes for the road widening process that supports road user infrastructure, the detection system is also useful for sales marketing statistics.
In this research, propose a vehicle detection system that is useful for widening roads in a certain area or area so that it can reduce traffic congestion and accident rates.
The proposed Gaussian Mixture Model method has several weaknesses, such as errors in background substitution with vehicles and failing to distribute the background with vehicle shadows.
However, using morphological operations can overcome these problems.
The results show a fairly good level of accuracy from the proposed It is only less effective when using video objects with poor lighting or at night because in the blob analysis process the detected vehicle objects do not match the actual object.
But if the traffic flow is smooth and unidirectional, the proposed method is still acceptable.
Keywords: Vehicle monitoring system.
Gauss Mixture Model.
Morphological operation and blob analysis PENDAHULUAN Kebutuhan sistem pemantauan diberbagai bidang saat ini sangat dibutuhan.
Sistem pemantauan ini bertujuan untuk produktifitas maupun keamanan suatu sector.
Penerapan sistem pemantauan biasanya didasarkan pada kebutuhan pengawasan.
Sistem pemantauan berdasarkan deteksi objek berupa gambar atau video.
Sistem pemantauan yang kami terapkan pada makalah ini bedasarkan kebutuhan pendeteksian kendaraan.
Sistem deteksi kendaraan diperlukan sebagai sistem cerdas dalam pengawasan udara untuk mengatasi kondisi lalu lintas yang padat .
Pendeteksian kendaraan menggunakann metode monucular vision memberikan hasil yang akurat dalam deteksi ganbar dinamis atau video.
Tetapi tidak memeiliki classifier yang kuat.
Sistem deteksi gambar atau video memerlukan data set dalam jumlah yang tidak sedikit sehingga untuk proses klasifikasinya agar efisien perlu memilih classifier yang tidak memakan resource memori yang berlebihan.
Pada .
metode yang digunakan tidak memerlukan jumlah data yang besar, sehingga tidak memakan banyak resource memori tetapi metode ini belum dapat mengklasifikasi jika terdapat beberapa factor wilayah yang tidak mendukung yang mengakibatkan algoritma mengalami pergeseran segmentasi warna.
Menggunakann metode .
mampu beradaptasi dengan beberapa varian pose bentuk kendaraan diberbagai cuaca, sehingga hasilnya tidak dipengaruhi oleh factor morfologi.
Tetapi dalam penggunaannya justu metode ini kurang akurat jika diperlukan untuk keperluan keamanan, perhitungan dan Pendeteksian menggunakann sensor magnet Anisotropic Magnetoresistive Sensor (AMR) dapat memberikan hasil yang akurat, proses instalasinya mudah sehingga beberapa penelitian dan survey kendaraan banyak yang menggunakann metode ini .
Metode tersebut juga dapat digunakan pada gambar dinamis, namun pada penggunaannya, pendeteksian ini harus dilakukan penyebaran skala besar untuk mendapatkan sampel objeknya, sehingga memerlukan penyimpanan yang besar dan biaya yang cukup mahal untuk pemasangan kamera video.
Metode klasifikasi beyesian sebenarnya mudah diaplikasikan untuk pengambilan keputusan .
Namun karena pada teori beyesian sendiri terdapat asumsi independence yang mana satu probabilitas saja belum cukup untuk Jurnal METHODIKA.
Vol.
7 No.
1 MARET 2021 P-ISSN : 2442-7861 E-ISSN :2614-3143
membuktikan atau mengukur seberapa tingkat Berdasarkan beberapa kajian diatas, dalam tulisan ini kami mengambil studi kasus deteksi penggolongan kendaraan berbasis pemrosesan citra dengan menggunakann objek gambar statis.
Manfaat yang dapat diambil untuk kepentingan statistik pengguna kendaraan, perlunya pelebaran jalan, dan Karena dengan bertambahnya jumlah kendaraan akan berimbas pula terhadap kualitas jalan yang semakin padat.
Dalam situasi ini, objek gambar statis .
idak bergera.
dapat mengalami kekeliuran menginterpretasikan sebagai background.
Untuk itu kami menerapkan metode Gaussian Mixture Model (GMM) yang digunakan sebagai pemodelan warna background dari tiap piksel yang memiliki peran penting terhadap restoriasi gambar .
Dalam GMM model gambar yang terbentuk dibagi menjadi 2 bagian, yaitu model background dan model non background.
Semakin banyak jumlah model gambar yang dipakai, semakin banyak juga background yang dimiliki oleh suatu piksel.
GMM memiliki kerangka kerja yang efisien .
, data set dikelompokkan mejadi beberapa patch .
Hasil klasifikasi dengan menggunakann metode gaussian mixture model (GMM) terbilang cukup tinggi .
, namun membutuhkan waktu komputasi yang lambat karena proses menyimpan inversi matriks yang cukup banyak .
Hasil klasifikasi dengan menggunakann metode gaussian mixture model (GMM) terbilang cukup tinggi .
, namun membutuhkan waktu komputasi yang lambat karena proses menyimpan inversi matriks yang cukup banyak .
Menggunakann algoritma GMM juga masih belum dikatakan sempurna karena masih terdapat noise pada deerah sekitar objek.
yakni background subration, filtering umumnya berdasarkan bentuk dan ukuran, segmentasi warna, dan ekstraksi fitur.
Untuk tahapan background subration dan segmentasi warna biasanya untuk mendeteksi keberadaan objek atau blob objek kendaraan.
Kemudian citra hasil subration disegmentasi untuk mendapatkan gambar berupa kendaraan saja.
Umumnya menghasilkan kesulitan atau bahkan gagal dalam mengenali pixel kendaraan sebagai background .
Proses filtering berrdasarkan ukuran menggunakann hasil jumlah pixel yang didapatkan pada blob kendaraan, dan yang kurang dari batas yang telah ditentukan tidak dapat dianggap sebagai kendaraan lalu blob yang dianggap sebagai kendaraan dapat menggunakann metode klasifikasi.
II.
KAJIAN LITERATUR DAN
PEGEMBANGAN HIPOTESIS
Kebutuhan managemen penggolongan kendaraan dewasa ini menjadi salah satu sector yang sering untuk di teliti.
Baik untuk kebutuhan studi karena terdapat beberapa metode yang lalu dan kurang ekfektif.
Mengingat jumlah kendaraan yang terus meningkat, sehingga metode yang digunakan pada sistem cerdas deteksi kendaraan dapat mengatasi masalah efektifitas pendeteksian dari beberapa metode lama.
Berbagai penelitian telah dilakukan utnuk mendeteksi kendaraan secara otomatis dijalan raya.
Penggolongan kendaraan umummya berdasarkan jenis dan dikenali melalui atau menggunakann metode klasifikasi.
Secara umum, algoritma yang dibangun memiliki beberapa tahap Gaussian Mixture model (GMM) Citra Citra (Imag.
merupakan kumpulan elemen gambar .
icture element = pixe.
yang secara keselurhan merekam suatu adegan .
melalui visual .
Citra intensitas ialah citra yang tiap pixel merekam intensitas cahaya yang dipantulkan dari setiap titik di objek, misalnya citra biner, graylevel, bewarna, dan banyak-alur .
ulti-chane.
Untuk pengolahan dengan komputer, citra disajikan dalam bentuk diskrit yang disebut citra digital.
Citra digital dapat disajikan oleh matriks e yang berukuran M x N .
Dengan bentuk :
yce11 yce12 yceycu yce = [ yce21 yce22 yce2ycu ] yceycA1 yceyco2 yceycoycu Merupakan algoritma yang popular dalam mengurangi kesalahan pengintrepetasikan latar belakang atau backround .
Tetapi karena sering melakukan update parameter per pixel dan frame waktu komputasi dalam GMM menjadi suatu kendala.
Pada penelitian ini GMM digunakan untuk memodelkan warna dari tiap piksel.
Setiap piksel memiliki GMMnya sendiri.
Hasil dari distribusi piksel tersebut dikelompokkan berdasarkan distribusi yang telah dianggap paling efektif sebagai model background.
Model distribusi GMM tersebut merupakan hasil adaptasi yang terjadi terhadap perubahan parameter weight, standar deviation dan Means.
Semakin besar nilai standar deviasi tiap pikel maka semakin lebar distribusi sistem perangkat lunak Jurnal METHODIKA.
Vol.
7 No.
1 MARET 2021 P-ISSN : 2442-7861 E-ISSN :2614-3143
Gaussian sehingga semakin kuat pula proses penghalusan pada citra .
Obyek filtering .
ubstrasi backgroun.
Seperti yang telah diketahui Gaussian Mixture Model (GMM) memiliki komponen fungsi Gaussian yang terdiri dari weight yang berbeda untuk nantinya menghasilkan multi- model density.
Pada proses ini objek berupa data video di filterisasi menggunakann Gaussian Mixture Model untuk membedakan bagian distribusi background dan distribusi foreground .
Pada penelitian ini, proses untuk mengenali foreground bertujuan untuk membandingkan objek frame video ke dalam model background.
Jadi untuk menentukan piksel manakah yang termasuk ke dalam distribusi background atau foreground.
Setiap piksel memiliki model GMMnya sendiri sehingga data yang diolah adalah warna piksel yang diperoleh dari input model GMM.
Semakin banyak jumlah model GMM yang didapat maka semakin besar pula model background yang dimiliki oleh suatu piksel.
Pada tahap pencocokan ditribusi suatu piksl dapat dikatakan cocok atau masuk dalam suatu model distribusi jika nilai pikselnya 2,5 dalam jarak standar deviasi sebuah distribusi.
yuNyco Oe 2.
5 O yuayco < yueyc 2.
5 O yuayco Dimana yueyc merupakan vector dari warna piksel (R,G,B) .
t sebagai waktu, yuNyco sebagai vector nilai mean (R,G,B) dan yuayco sebagai standar deviasi dari Gaussian ke k .
Jika piksel tidak ada yang cocok dengan semua distribusi yang ada piksel tersebut dianggap sebagai distribusi foreground.
Lalu dibuatkan model yang paling Model distribusi baru memiliki nilai mean sesuai dengan nilai piksel, varians yang tinggi dan nilai weight yang terkecil.
Pada tahap update parameter dilakukan ketika suatu piksel cocok terhadap nilai parameter GMM.
Ilia yang di update merupakan nilai weight, mean dan varians.
Untuk meng-update nilai weight digunakan rumus .
yuuyco,yc = .
Oe y.
yuuyco,ycOe1 yu .
yco,y.
yuNyc = .
Oe yuU)yuN ycOe1 yuUyc Dimana, yuU = yuyuC.
uNyco .
Ocyc.
Dimana Oc merupakan kovarian matriks, dan |O.
merupakan determinat dari kovarian.
Sedangkan T adalah transpose matriks, pangkat -1 adalah invers matriks, yce merupakan eksponen dan ycu adalah ukuran vector yue dimana kovarian didapat dari Dimana ya merupakan matriks identitas dan yua adalah varians dari Gaussian k.
Nilai standar deviasi suatu model distribusi model GMM di update dengan menggunakann rumus :
yua2 = .
Oe yuU)yua2 yuU.
ueyc Oe yuNy.
ycN(.
ueyc Oe yuNy.
Selanjuatnya pada tahap pemilihan background menggunakann rumus .
yca yaA = min yca (Oc yuiyco > ycN yco=yco .
Dimana B sebagai distribusi background pertama dan ycN adalah proposi data terkecil yang dihitung sebagai background .
Proses diatas ditunjukan oleh gambar Gambar 1.
Skema alur distribusi background & Jurnal METHODIKA.
Vol.
7 No.
1 MARET 2021 P-ISSN : 2442-7861 E-ISSN :2614-3143
Deteksi BLOB Deteksi blob digunakan untuk mengetahui posisi objek kendaraan sebelum dilakukan perhitungan jumlah objek pada suatu citra dari sebuah video.
Batas ambang atau Threshold pada deteksi Blob ini dapat ditenukan yaAyaycCyaA = ycoycnycuycaycyceyca O ycN Ou ycoycaycuycaycyceyca Setiap piksel yang terdeteksi pada blob dianggap sebagai piksel dari foreground.
Piksel yang memiliki nilai logika 1 akan dianggap sebagai background.
Operasi Morfologi Morfologi dapat dikatagorikan dalam fitur ekstraksi karena merupakan teknik pengolahan citra berdasarkan bentuk segmen citra yang diinginkan yang dapat dilakukan pada citra greyscale atau citra biner.
Pada operasi morfologi terdapat beberapa filter seperti erosion, dilation, opening, closing yang dilakukan .
Operasi morfologi berjujuan untuk mengurangi noise pada distribusi foreground yang terbentuk karena pengaruh pencahayaan pada citra .
Hasil operasi morfologi dapat memperhalus distribusi foreground yang dapat memperkecil bentuk dimensi kendaraan sehingga dapat mendekati bentuk sebenarnya dan untuk mengurangi shake atau gerakan kecil yang tidak perlu i.
METODE PENELITIAN
Proses penelitian dimulai dari men-input data berupa video kendaraan, hingga pada proses deteksi kendaraan menggunakan metode Gauss Mixture Model (GMM).
Gaussian Mixture Model(GMM) merupakan teknik untuk memodelkan tiap warna background dari setiap Untuk mendapatkan hasil yang akurat atau sistem pengolahan deteksi dapat dijalankan.
Pada gambar 2 kami sajikan skema pengambilan data berupa Gambar 2.
Skema proses input data Dengan rincian sebagai berikut :
Literature review, pada tahap ini dilakukan studi literature terhadap permasalahan untuk mendapatkan informasi mengenai teori metode Gaussian Mixture Model (GMM) yang digunakan melalui jurnal atau karya ilmiah yang telah terjamin Analisis kebutuhan sistem, dari masalah dan tujuan yang telah dianalisis, kami melakukan observasi terhadap objek data .
yang digunakan.
Setelah data diperoleh selanjutnya diolah menggunakann GMM.
Proses implementasi Pada tahap ini dilakukan implementasi program yang telah dibuat dengan menggunakann data berupa video yang telah ter-verifikasi .
olos syarat sebagai objek data dengan menggunakann batasan masalah yang ad.
Jika pada tahap ini berhasil atau tidak terjadi kendala, akan dilanjutkan ke tahap kesimpulan dan pembahasan Deteksi Blob Deteksi blob digunakan untuk mengetahui posisi objek kendaraan sebelum dilakukan proses perhitungan suatu citra dari sebuah objek video.
Proses ini dimulai dari background substraction.
Hasil dari subtrasi background berupa keluaran non background atau disebut Seperti yang diketahui menggunakann metode GMM memiliki komponen Gaussian yang digunakan untuk membedakan bagian distribusi background dan distribusi foreground.
Background substraction Merupakan awal dimana objek bergerak tersegmentasi dari background.
Detector foreground memerlukan Jurnal METHODIKA.
Vol.
7 No.
1 MARET 2021 P-ISSN : 2442-7861 E-ISSN :2614-3143
sejumlah frame video untuk menginisialkan model GMM.
Tiap frame video yang diambil masih berupa citra warna atau memiliki ruang warna RGB .
dikonversi menjadi citra grey scale atau keabuan.
Ditunjukkan oleh gambar 3.
pada program.
Setiap piksel yang tergabung pada blob memiliki nilai logika yang sama dan dianggap sebagai foreground .
Dengan menggunakann rumus :
yaAyaycCyaA = ycAycnycuycaycyceyca O ycN Ou ycAycaycuycaycyceyca Nilai threshold pada tiap piksel ditentukan oleh nilai batas minimal area dan batas maksimal area.
Gambar 3.
Ruang warna RGB .
Grey scale pada sample Gambar 3 merupakan hasil uji coba subtraksi menggunakann aplikasi pemrograman matlab.
Dari grey scale yang dihasilkan akan dikurangkan dengan frame citra RGB.
Segmentasi Proses pemisahan objek yang diinginkan dengan latar belakang .
Citra hasil subtraksi mendapatkan wilayah yang diinginkan berupa kendaraannya saja.
Untuk menentukannya dipilih menggunakann penentuan batas ambang atau thresholding dengan menggunakann kondisi if-else .
Gambar 4.
Foreground Noise .
Fore ground Clean pada sample 1 Gambar 4 merupakan hasil dari segmentasi berupa .
yang masih terdapat noise dan beberapa komponen yang menganggumenjadi .
komponen kecil yang dianggap bukan merupakan piksel kendaraan disegmentasi menggunakann nilai threshold antara titik piksel citra blob hasil aplikasi dan dengan citra blob Jurnal METHODIKA.
Vol.
7 No.
1 MARET 2021 P-ISSN : 2442-7861 E-ISSN :2614-3143
yang telah didefinisikan secara manual.
Proses segmentasi akan menghasilkan kesalahan berupa piksel kendaraan yang terdeteksi sebagai background.
Untuk .
meminimalisir kesalahan tersebut digunakan operasi morfologi sebagai filter yang digunakan untuk .
pembanding dengan memanfaatkan operasi logika andor antara piksel citra dengan piksel elemen .
Selanjutnya proses mencari kotak pembatas dari setiap komponen yang sesuai dengan kendaraan yang bergerak berupa centroid yang didapat dengan menolak blobs kendaraan yang mengandung kurang dari 150 piksel didapat melalui penyaringan keadaan jalan raya pada saat pagi- sore hari .
emiliki pencahayaan yang bai.
Data yang diambil berupa video keadaan lalu lintas satu Data yang diambil berupa video yang jelas .
ideo dalam kondisi bai.
Kerangka atau Desain Sistem Gambar 6.
Video frame objek data sample 1 Gambar diatas merupakan data video frame yang diambil dari video CCTV di sebuah jalan raya suatu daerah.
Data sample video tersebut diunduh melalui situs internet.
2 Hasil deteksi Proses deteksi Hasil deteksi menunjukkan bahwa metode Gaussian Mixture Model (GMM) tidak selalu dapat beradaptasi dengan gangguan yang disebabkan oleh faktor bayangan dan dan pencahayaan .
Maka dari itu kami mengambil objek data video di waktu siang hari.
Gambar 5.
Skema desain sistem Pada gambar 5 menyajikan proses sistem perancangan yang dibangun mulai dari input data hingga hasil deteksi jumlah kendaraan.
IV.
HASIL DAN PEMBAHASAN
Proses pengambilan Data Untuk mendapatkan hasil yang sesuai atau mendekati benar kami menggunakann objek video CCTV yang memiliki batasan masalah sebagai berikut :
Data yang diambil berupa video dengan kondisi cuaca yang normal Data yang diambil berupa gambar/video merupakan .
Jurnal METHODIKA.
Vol.
7 No.
1 MARET 2021 P-ISSN : 2442-7861 E-ISSN :2614-3143
Pada gambar 7 Menujukkan runtutan proses deteksi objek kendaraan menggunakann video CCTV sample 2 dengan katagori arus lalu lintas padat-lancar.
Hasil deteksi kendaraan Tabel 1.
Hasil analisa error dan akurasi .
Gambar 7.
Video frame atau citra objek data sample 2, .
Hasil deteksi foreground, .
Hasil deteksi clean foreground, .
Hasil deteksi centroid .
Skena
Durasi
Kategori Lancar
Tingkat Kepadatan Aplikas Aktual
Padat
Jumlah Error rate
59,02%
Accuracy 40,98% Selisih Data Pada table 1 didapatkan hasil validasi sistem terhadap jumlah kendaraan yang terdeteksi.
Pada penelitian ini, kami menggunakann 2 video cctv berdurasi 02.
19 dan 24 dengan katagori kendaraan ramai lancar dan Hasil menunjukan katagori lancar paling efektif digunakan pada penelitian ini.
Hal ini disebabkan, pada saat menggunakann data video dengan katagori padat refleksi bayangan kendaraan akibat kerapatan jarak menjadi kendala saat deteksi blob karena bayangan tersebut ikut terdeteksi.
Hal ini juga dapat mempengaruhi distribusi foreground kendaraan dan mempengaruhi hasil deteksinya pula.
Akibatnya centroid kadang juga mendeteksi bayangan tersebut dan menggolongkannya sebagai kendaraan.
KESIMPULAN
Berdasarkan hasil deteksi pengujian yang telah dilakukan metode Gaussian Mixture Model (GMM) rentan akan refleksi bayangan objek selain kendaraan.
Dikarenakan objek bayangan tersebut bergerak terusmenerus sehingga mempengaruhi hasil foreground yang Dan itu akan mempengaruhi proses selanjutnya dan berpengaruh juga terhadap hasil.
Pengambilan data video juga harus memperhatikan kepadatan dan laju kendaraan.
Semakin padat kendaraan semakin sulit algoritma melakukan deteksi objek karena pengaruh kerapatan antar objek, gaya atau pose kendaraan, dan bentuk kendaraan.
Tingkat kerapatan kendaraan yang bergerak juga dapat mempengaruhi proses segmentasi dan dimensi kendaraan sehingga akan mempengaruhi proses deteksi centroid kendaraan karena bayangan objek yang terbentuk antar kendaraan Jurnal METHODIKA.
Vol.
7 No.
1 MARET 2021 P-ISSN : 2442-7861 E-ISSN :2614-3143
akan membentuk suatu distribusi foreground.
SARAN
Perlu dilakukan deteksi kendaraan pada pencahayaan yang berbeda .
inim cahaya ) atau malam hari dan juga perlu melakukan testing terhadap data video yang laju kendaraannya bergerak cepat.
Algoritma yang dipakai juga belum dapat mendeteksi kendaraan secara spesifik .
erdasarkan mer.
hal ini disebabkan kurangnya filter ekstraksi yang kami gunakan.
Dan terdapat beberapa kendaraan yang jenisnya sama sehingga variabelnya juga sama.
Sistem ini perlu dilakukan pengembangan lebih lanjut sehingga memberikan hasil yang maksimal yang dapat berkontribusi untuk di sektor keamanan transportasi atau sejenisnya.
Untuk memaksimalkan kinerja dari pengujian ini, dapat dikembangkan dengan menggunakann metode Fuzzy Logic.
Metode ini dapat menangani konsistensi segmentasi objek yang rendah dan pelacakan atau deteksi pada video yang berkualitas disarankan pula untuk memngambangkan sistem deteksi pada arus lalu lintas yang padat dan dalam keadaan statis juga bagaimana jika faktor cuaca kurang mendukung.
Untuk permasalahan keadaan cuaca dapat menggunakann metode Beyesian karena metode tersebut tahan terhadap noise yang disebabkan oleh hujan atau mendung.
Pengujian ini juga dapat dikembangkan untuk deteksi kendaraan yang lebih spesifik berdasarkan merk kendaraan yang dapat berguna atau berkontribusi untuk marketing perusahaan transportasi
DAFTAR PUSTAKA