JURTEKSI (Jurnal Teknologi dan Sistem Informas.
ISSN 2407-1811 (Prin.
Vol.
VII No.
Dec 2020, hlm.
67 Ae 74 ISSN 2550-0201 (Onlin.
DOI: https://doi.
org/10.
33330/jurteksi.
Available online at http://jurnal.
id/index.
php/jurteksi INTEGRATED SMART TRAFFIC CONTROL SYSTEM MENUJU PEKANBARU
SEBAGAI SMART CITY
Reny Medikawati Taufiq1*.
Sunanto1.
Yoze Rizki1 Teknik Informatika.
Universitas Muhammadiyah Riau email: *renymedikawati@umri.
Abstract: Pekanbaru still using conventional traffic light control system.
Pekanbaru as the capital of Riau Province is predicted udergo the increased of urban population by 54.
5% in 2025.
is important for Pekanbaru to immediately implement smart and efficient traffic management system, so that traffic congestion can be resolved quickly.
This research paper provides a design solution for smart traffic light management (Smart Traffic Control Syste.
, based on object detection technology that uses deep learning to detect the number and type of vehicles.
The number of vehicle is the basis for determining the green light timer automatically.
The Smart Traffic Control System (STCS) is integrated with a web based geographic information system .
mart ma.
that can display the current condition .
icture, the number of vehicle, congestion leve.
of each STCS location.
This integrated system has been tested on a traffic light prototype, using a mini computer and a miniature vehicle.
This integrated system is able to detect 9 out of 12 vehicles, and able to send data regularly to the smart map.
Keywords: deep learning.
smart mobility.
smart traffic control system Abstrak: Pengaturan lampu lalu lintas di Kota Pekanbaru masih dilakukan secara konvensional.
Pekanbaru sebagai ibukota Provinsi Riau diprediksikan akan mengalami peningkatan jumlah penduduk perkotaan sebesar 54,5% pada tahun 2025.
Dengan melihat predikisi ini, penting bagi kota Pekanbaru untuk segera memiliki tata kelola lalu lintas yang cerdas dan efisien agar kemacetan dapat ditanggulangi dengan cepat.
Penelitian ini memberikan rancangan solusi untuk tata kelola lampu lalu lintas cerdas (Smart Traffic Control Syste.
, berbasis teknologi object detection yang menggunakan deep learning untuk mendeteksi jumlah dan jenis kendaraan.
Jumlah kendaraan menjadi dasar penentuan timer lampu hijau secara otomatis.
Smart Traffic Control System (STCS) terintegrasi dengan sistem informasi geografis berbasis web .
mart ma.
yang secara kontinu menerima informasi kepadatan .
ambar terkini, jumlah kendaraan, level kepadata.
, kemudian menampilkannya diatas peta Kota Pekanbaru.
Solusi sistem terintegrasi ini telah diujikan pada sebuah prototipe lampu lalu lintas, menggunakan komputer mini dan miniatur kendaraan.
Sistem terintegrasi ini mampu mendeteksi 9 dari 12 kendaraan, dan mampu mengirimkan data secara berkala kepada smart map.
Kata kunci: deep learning.
smart mobility.
smart traffic control system kat menjadi 54,5% pada tahun 2025 .
Urbanisasi menyebabkan perkembangan kota, namun juga menimbulkan dampak negatif, seperti berkurangnya lahan, polusi, bencana alam, pencemaran sosial ekonomi dan merusak tata kota, juga berdampak terhadap kemacetan lalu PENDAHULUAN Lebih dari separuh populasi dunia saat ini tinggal di kawasan perkotaan .
Tren urbanisasi diproyeksikan akan terus Jumlah penduduk perkotaan di Provinsi Riau, diproyeksikan mening- JURTEKSI (Jurnal Teknologi dan Sistem Informas.
ISSN 2407-1811 (Prin.
Vol.
VII No.
Dec 2020, hlm.
67 Ae 74 ISSN 2550-0201 (Onlin.
DOI: https://doi.
org/10.
33330/jurteksi.
Available online at http://jurnal.
id/index.
php/jurteksi lintas .
Kota Pekanbaru sebagai ibukota Provinsi Riau juga mengalami dampak urbaniasi, terlihat dari kondisi Kota Pekanbaru yang mulai sering mengalami kemacetan lalu lintas pada waktu-waktu tertentu seperti di pagi hari .
aktu berangkat sekolah dan berangkat kerj.
, siang hari .
aktu istirahat sian.
dan sore hari .
aktu pulang kerj.
Tata kelola sistem pengaturan kepadatan lalu lintas .
raffic control syste.
di Pekanbaru saat ini masih menggunakan lampu lalu lintas dengan pengaturan waktu tetap .
ix time.
, tanpa mempertimbangkan kondisi kepadatan kendaraan.
Kondisi ini sering menjadi penyebab kemacetan di persimpangan.
Konsep smart city .
ota cerda.
dianggap dapat menjadi solusi dari permasalahan kemacetan dipersimpanganan Smart city dideskripsikan sebagai penggunaan teknologi komputasi cerdas untuk mengintegrasikan komponenkomponen penting dari infrastruktur dan layanan kota, seperti administrasi kota, pendidikan, kesehatan, keselamatan publik, real estate, transportasi, dan keperluan kota lainnya, dimana penggunaan keseluruhannya harus dilakukan secara cerdas, saling berhubungan, dan efisien .
Beberapa penelitian terdahulu yang relevan adalah deteksi kendaraan dengan menggunakan metode blob detection .
, realtime background substraction .
, edge detection .
Beberapa solusi pengaturan lampu lalu lintas cerdas menggunakan sensor sebagai alat deteksi kendaraan, seperti sensor infrared dan sensor ultrasonik .
Namun dengan menggunakan sensor, data yang didapat terbatas dan sulit untuk dilakukan perawatan alat .
Teknologi pengontrolan lampu lalu lintas menggunakan image processing merupakan solusi yang menghemat biaya penggunaan hardware .
Untuk memperbaiki sistem kontrol lalu lintas, penggunaan teknologi object detection dapat membuat lebih fleksibel dan lebih praktis .
Menuju Pekanbaru Kota Pintar.
Integrated Smart Traffic Control System (ISTCS) dapat digunakan sebagai solusi tata kelola lalu lintas kendaraan berbasis ISTCS merupakan solusi sistem deteksi dan kontrol otomatis yang terintegrasi dengan sistem informasi geografis.
Terdapat dua bagian pada ISTCS yang saling terintegrasi, yaitu Smart Traffic Control System (STCS) dan Smart Map.
STCS adalah processing unit yang terkoneksi dengan IP camera, diprogram menggunakan bahasa Python untuk mengatur timer lampu lalu lintas berdasarkan data jumlah kendaraan yang Jumlah dan jenis kendaraan didapat dari proses deteksi objek menggunakan deep learning dengan inputan video dari IP camera.
Jika antrian kendaraan berstatus padat, maka STCS akan mengatur lama menyala lampu hijau lebih panjang.
STCS juga mengirimkan informasi kepadatan lalu lintas tersebut ke smart map.
Smart map adalah sistem informasi geografis yang menampilkan peta dan lokasi lampu lalu lintas yang ada di Kota Pekanbaru.
Secara kontinu smart map menerima informasi kepadatan lalu lintas dari masing-masing STCS dan menampilkan informasi tersebut pada METODE Analisis Masalah Pengaturan durasi timer lampu lalu lintas secara tetap tanpa mempertimbangkan kondisi kepadatan kendaraan .
idak adapti.
pada titik lampu lalu lintas dapat memicu kemacetan.
Permasalah ini, dapat diatasi dengan menerapkan Sis- JURTEKSI (Jurnal Teknologi dan Sistem Informas.
ISSN 2407-1811 (Prin.
Vol.
VII No.
Dec 2020, hlm.
67 Ae 74 ISSN 2550-0201 (Onlin.
DOI: https://doi.
org/10.
33330/jurteksi.
Available online at http://jurnal.
id/index.
php/jurteksi tem Cerdas Pengatur Kepadatan Lalu Lintas (Smart Traffic Control System (STCS), yang dapat mengatur timer lampu hijau secara otomatis, sesuai dengan keadaan kepadatan antrian kendaraan.
hasil pemrosesan berupa jumlah dan jenis Jumlah kendaraan akan diterjemahkan menjadi informasi level kepadatan .
engang, sedang, pada.
Informasi jumlah dan jenis kendaran, serta level kepadatan kemudian akan dikirimkan ke smart map secara kontinu.
Modul kontrol menggunakan Raspberry Pi 4b , program kontrol dan object detection disusun dengan bahasa pemrogram Python.
Library OpenCV digunakan untuk pemrosesan image.
Framework deep learning menggunakan Tensorflow Lite.
Rancangan umum sistem prototipe ISTCS dapat dilihat pada Gambar 2.
Studi Literatur Dari hasil tinjauan beberapa referensi, pada penelitian ini akan menggunakan object detection yang menggunakan metode deep learning.
Langkah-langkah lengkap yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1.
Gambar 2.
Rancangan Sistem ISTCS Gambar 1.
Langkah Penelitian Pembangunan Prototipe STCS STCS adalah bagian yang melakukan kontrol lampu lalu lintas.
Perangkat keras yang ada pada STCS adalah sebuah Raspberry Pi yang terhubung dengan modul relay 3 channel dan lampu bohlam berwarna.
Pada ujicoba digunakan Raspberry PI 4B , 64-bit SoC dengan RAM 4GB dan memori 16 GB.
IP camera yang digunakan adalah Hikvision DS-2CD2021G1-I, terhubung dengan Raspberry PI melalui ethernet.
STCS dan Smart Map terhubung melalui jaringan wi-fi.
Untuk implementasi riil.
STCS dipasang pada setiap titik lampu lalu lintas.
Namun pada simulasi ujicoba yang dilakukan pada pembahasan penelitian ini.
STCS mengontrol nyala lampu bohlam berwarna merah, kuning, hijau yang merupakan prototipe lampu lalu lintas.
Skema lengkap rangkaian HASIL DAN PEMBAHASAN Perancangan Sistem Pada Integrated Smart Traffic Control System (ISTCS) terdapat dua bagian sistem yaitu Smart Traffic Control System (STCS) dan smart map.
STCS
kendaraan yang sedang mengantri di lampu lalu lintas.
Pada setiap STCS terdapat sebuah IP camera, modul kontrol .
bject detection dan logika pengaturan lamp.
dan rangkaian prototipe lampu lalu lintas.
Kamera akan melakukan streaming video keadaan lalu lintas kepada modul kontrol.
Oleh modul akan diproses menggunakan metode object detection.
JURTEKSI (Jurnal Teknologi dan Sistem Informas.
ISSN 2407-1811 (Prin.
Vol.
VII No.
Dec 2020, hlm.
67 Ae 74 ISSN 2550-0201 (Onlin.
DOI: https://doi.
org/10.
33330/jurteksi.
Available online at http://jurnal.
id/index.
php/jurteksi STCS dapat dilihat pada Gambar 3.
Untuk pengaturan lampu bohlam digunakan 3 pin GPIO yang terhubung ke modul relay dengan 3 channel.
Masing-masing pin GPIO mengirimkan sinyal untuk pengaturan lampu merah .
erhubung ke channel .
, kuning .
erhubung ke channel .
dan hijau .
erhubung ke channel Modul relay menjadi perantara GPIO untuk mengontrol lampu dengan membuka atau menutup arus listrik, jika GPIO mengirim sinyal HIGH maka relay akan membuka sehingga lampu menyala, sebaliknya ketika GPIO mengirim sinyal LOW maka relay akan menutup arus sehingga lampu padam.
Pin GPIO dan pin relay dihubungkan dengan kabel jumper female-female.
Pin GPIO yang digunakan pada skema rangkaian dapat dilihat pada Tabel 1.
Program pengontrol yang dijalankan pada Raspberry Pi dibangun menggunakan bahasa Python.
Setiap detik program ini mengambil frame dari streaming video IP camera.
Protokol yang digunakan untuk transfer video adalah Real Time Streaming Protokol (RTSP).
Terdapat beberapa protokol streaming, protokol standar yang sering digunakan adalah HTTP dan RTSP.
Rombe .
melakukan perbandingan QoS untuk dua protokol ini dan RTSP.
HTTP tidak direkomendasikan sebagai protokol streaming melalui internet karena berdasarkan analisis pada semua parameter yang diujikan memiliki Delay.
Packet Loss yang sangat tinggi dan Throughput-nya yang kecil .
Video akan diproses menggunakan metode object detection, sehingga menghasilkan data jumlah dan jenis kendaraan, lalu diterjemahkan menjadi informasi level kepadatan .
engang, sedang, pada.
Proses deep learning pendeteksian objek harus mempertimbangkan keterbatasan lingkungan implementasi STCS yaitu komputer mini Raspberry Pi.
Maka perlu ditentukan penggunaan interpreter dan model terlatih yang dapat bekerja pada lingkungan terbatas.
Pada penelitian ini digunakan interpreter Tensorflow Lite dengan model terlatih MobileNet-Single Shot Multibox Detector yang sudah dioptimasi dengan metode kuantisasi (Quantized MobileNet-SSD).
Terjadi penurunan ukuran model yang sudah dikuantisasi, sehingga membutuhkan lebih sedikit tempat penyimpanan dan penggunaan RAM, hal ini dapat berpengaruh pada performa dan stabilitas proses deteksi .
Setiap detik program pengontrol melakukan deteksi objek dan mendapatkan status level kepadatan, lalu me- Ground
VCC
Sinyal Channel 1 Sinyal Channel 2 Sinyal Channel 3 Gambar 3.
Skema Rangkaian STCS Tabel 1.
Penggunaan Pin Raspberry Pi
Pin
Koneksi
Relay pin
VCC
(GROUND)
Relay GND 16 (GPIO.
Relay CH1 18 (GPIO.
Relay CH2 40 (GPIO.
Relay CH3 Fungsi Power modul relay Ground modul relay Data relay lampu merah Data relay Data relay lampu hijau JURTEKSI (Jurnal Teknologi dan Sistem Informas.
ISSN 2407-1811 (Prin.
Vol.
VII No.
Dec 2020, hlm.
67 Ae 74 ISSN 2550-0201 (Onlin.
DOI: https://doi.
org/10.
33330/jurteksi.
Available online at http://jurnal.
id/index.
php/jurteksi manggil fungsi LightController dengan mengirimkan parameter jumlah kendaraan yang terdeteksi.
Fungsi LightController bertugas mengatur nyala lampu merah, kuning dan hijau secara bergantian.
Timer lampu hijau akan disesuaikan dengan level kepadatan.
Jika level kepadatan= AupadatAy maka lampu hijau akan menyala selama 20 detik.
Jika level kepadatan=AysedangAy maka lampu hijau akan menyala selama 10 detik.
Jika level kepadatan=AylengangAy maka timer akan mengikuti default yaitu 5 detik.
Penyesuaian timer lampu hijau hanya dilakukan 3 detik sebelum lampu merah padam .
idak setiap deti.
, namun deteksi kepadatan dan pengiriman data ke Smart Map dilakukan setiap detik.
daftar STCS beserta status kepadatannya.
STCS dengan status padat akan tampil pada urutan teratas.
Tampilan peta dan simbol pada Smart Map diperbaharui setiap detik agar dapat menampilkan kondisi terkini.
Pada Smart Map terdapat listener yang menangkap data yang dikirimkan oleh program kontrol STCS melalui protokol HTTP method POST.
Pengujian Sistem Terintegrasi Implementasi dan uji coba penelitiannya ini dilakukan pada sebuah prototipe sistem.
Prototipe STCS dapat dilihat pada Gambar 4.
Pembangunan Smart Map Smart Map adalah Sistem Informasi Geografis (SIG) berbasis web yang menampilkan peta lokasi lampu lalu lintas yang ada di Kota Pekanbaru dan informasi kepadatan pada titik lampu lalu Smart Map menggunakan bahasa pemrograman PHP.
Apache webserver sebagai penyedia layanan web dan menggunakan DBMS MySQL untuk menyimpan data lokasi STCS.
Smart Map menggunakan Google Maps API sehingga dapat mengambil peta yang disediakan oleh Google Maps untuk ditampilkan sebagai peta dasar pada Smart Map dengan parameter koordinat Kota Pekanbaru.
Simbol digunakan untuk menampilkan lokasi STCS pada peta.
Untuk memberikan peringatan .
kondisi kepadatan, digunakan simbol dengan tiga warna berbeda, yaitu warna simbol merah, kuning dan hijau yang menandakan kondisi padat, sedang dan lengang.
Terdapat informasi berupa teks pada posisi sebelah kanan peta yang menampilkan seluruh Gambar 4.
Protitipe STCS Terdapat beberapa ujicoba yang dilakukan pada STCS yaitu pengukuran frame rate per second .
, akurasi deteksi jumlah kendaraan pada kondisi terang dan kondisi redup.
Tabel 2 menampilkan hasil pengukuran nilai fps (S=Detik.
FR=Frame Rat.
Pengukuran frame rate dilakukan getTickCount getTickFrequency.
Fungsi getTickCount mengembalikan nilai jumlah clock-cycle pada suatu waktu.
getTickFrequency mengembalikan nilai jumlah clock-cycle per detik.
Fps didapat dengan menggunakan persamaan .
JURTEKSI (Jurnal Teknologi dan Sistem Informas.
ISSN 2407-1811 (Prin.
Vol.
VII No.
Dec 2020, hlm.
67 Ae 74 ISSN 2550-0201 (Onlin.
DOI: https://doi.
org/10.
33330/jurteksi.
Available online at http://jurnal.
id/index.
php/jurteksi Rata-rata jumlah fps yang mampu diolah oleh program pengontrol STCS adalah 4,56.
Nilai ini sudah mendekati fps minimum yang direkomendasikan oleh American Public Transportation Association .
yaitu 5 fps untuk kategori area low-traffic.
Antrian kendaraan pada lampu merah dapat dikatan sebagai low-traffic area karena kendaraan dalam kondisi berhenti/hampir berhenti pada saat lampu merah menyala.
Pengujian STCS menggunakan miniatur kendaraan dalam kondisi terang .
eolah pagi/siang har.
dan redup .
eolah kondisi malam har.
Gambar 5 menunjukkan skema ujicoba deteksi kendaraan.
Ketika dilakukan uji coba deteksi kendaraan, beberapa kali terjadi deteksi ganda, sehingga muncul multipe bounding box pada satu gambar kendaraan seperti yang terlihat pada Gambar 8.
Tabel 2.
Pengukuran FPS
4,11
5,06
5,16
3,92
4,70
3,62
5,05
4,16
5,22
5,21
Gambar 5.
Skema Uji Coba Deteksi Kendaraan Gambar 6.
Pengujian Kondisi Terang Dilakukan 2 uji coba dengan dengan sudut dan tinggi kamera yang berbeda, dan 2 uji coba dengan 2 jenis nilai jarak antar mobil.
Tabel 3 merupakan hasil uji coba deteksi kendaraan dengan pengaturan ketinggian kamera = 10 cm, jarak kamera dari kendaraan terdepan= 36 cm, sudut kamera = 65 A, jarak antar kendaraan .
e sampin.
= 4 cm, jarak antar kendaraan .
epan/belakan.
= 7 cm, jumlah miniatur kendaraan =12 unit, jumlah terdeteksi=9 Hasil deteksi dalam keadaan terang dan redup dapat dilihat pada Gambar 6 Dari hasil deteksi ini akurasinya adalah sebesar 75%.
Miniatur kendaraan tedeteksi sebagai mobil, miniatur yang berukuran lebih besar kadang terdeteksi sebagai truk atau bus.
Gambar 7.
Pengujian Kondisi Redup Gambar 8.
Multiple Bounding Box Uji coba dengan tinggi peletakan kamera 30 cm dan sudut kamera A 50A menunjukkan tidak ada kendaraan atau hanya maksimal 1 kendaraan yang JURTEKSI (Jurnal Teknologi dan Sistem Informas.
ISSN 2407-1811 (Prin.
Vol.
VII No.
Dec 2020, hlm.
67 Ae 74 ISSN 2550-0201 (Onlin.
DOI: https://doi.
org/10.
33330/jurteksi.
Available online at http://jurnal.
id/index.
php/jurteksi Hasil deteksi uji coba ini dapat dilihat pada Gambar 9.
Ketika uji coba dilakukan dengan jarak antar kendaraan diperkecil menjadi 1 cm.
STCS belum mampu mendeteksi dengan baik, terlihat dari beberapa nilai confidence nya yang kecil yaitu 30% hingga 16% dan terdapat banyak deteksi ganda seperti yang terlihat pada Gambar 10.
Gambar 10.
Jarak Kendaraan 1 Cm Tabel 3.
Hasi Deteksi Sudut Kamera 65A Detik Rata-rata Deteksi Kondisi Terang Deteksi Kondisi Redup Gambar 11.
Halaman Utama Smart Map
SIMPULAN
Implementasi object detection menggunakan deep learning pada Raspberry Pi 4B harus mempertimbangkan pemilihan algoritma yang ringan dan optimal.
Algoritma Quantized MobileNetSSD memberikan performa cukup baik yaitu 4,56 fps hampir mendekati rekomendasi minimal APTA yaitu 5 fps untuk area low-traffic.
Untuk mengatasi keterbatasan unit pemroses Raspberry Pi dapat menggunakan hardware accelerator dengan unit pemroses Visual Processing Unit/Graphic Processing Unit/Tensor Processing Unit, sehingga fps dapat ditingkatkan.
Akurasi deteksi dipengaruhi oleh sudut peletakkan kamera terhadap objek, jarak antar objek.
Menurut hasil pengujian, sudut .
optimal untuk mendeteksi objek adalah 65A.
Pada beberapa hasil deteksi terdapat multiple bounding box, yang dapat mempengaruhi akurasi, untuk memperbaikinya dapat digunakan metode non maximum superession.
Sistem ini tidak dapat mendeteksi dengan baik objek yang jaraknya terlalu dekat terbukti dengan nilai confidence yang rendah dan bounding box yang tidak akurat .
alam satu Smart Map menampilkan peta 30 lokasi lampu lalu lintas yang ada di Kota Pekanbaru.
Smart map telah dapat menangkap data yang dikirimkan oleh STCS melalui HTTP POST, juga telah dapat menampilkan kondisi terkini keadaan lalu lintas pada STCS dan jumlah kendaraan yang terdeteksi.
Fitur pengolahan data .
nput, update, delete, car.
juga disediakan pada Smart Map.
Tampilan halaman utama Smart Map dapat dilihat pada Gambar 11.
Gambar 9.
Pengujian Sudut Kamera 50A JURTEKSI (Jurnal Teknologi dan Sistem Informas.
ISSN 2407-1811 (Prin.
Vol.
VII No.
Dec 2020, hlm.
67 Ae 74 ISSN 2550-0201 (Onlin.
DOI: https://doi.
org/10.
33330/jurteksi.
Available online at http://jurnal.
id/index.
php/jurteksi bounding box terdapat lebih dari satu obje.
STCS terbukti dapat diintegrasikan dengan sistem informasi geografis .
mart ma.
berbasis web.
Informasi kepadatan lalu lintas ditampilkan oleh smart map dapat digunakan oleh pihak terkait untuk memantau dan mengambil keputusan atas kondisi kepadatan tersebut.
DAFTAR PUSTAKA