TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
DOI
: 10.
34010/telekontran.
TELEKONTRAN,
VOL.
NO.
OKTOBER 2023
p-ISSN : 2303 Ae 2901 e-ISSN : 2654 Ae 7384 Aplikasi Penghitung Kecepatan Mobil dengan Akurasi Tinggi Menggunakan Yolo untuk Meminimasi Kecelakaan Application Highly Accurate Car Speed Monitor using Yolo to Minimize Accidents Henny1.
Muhammad Azhar Baiquni2.
Budi Mulyanti2.
Muhammad Fadli Nasution2.
Agus Heri Setya Budi 2* Program Studi Teknik Industri.
Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia Jl.
Dipatiukur 112-116 Bandung Program Studi Teknik Elektro.
Fakultas Pendidikan Teknologi dan Kejuruan Universitas Pendidikan Indonesia Jl.
Dr.
Setiabudi No.
Email*: agusheri@upi.
Abstrak - Salah satu penyebab terjadinya kecelakaan adalah kurangnya kewaspadaan pengendara dan pelanggaran laju kendaraan melampaui batas maksimal.
Salah satu cara untuk mengurangi tindak pelanggaran tersebut diperlukan pengawasan lalu lintas pada area jalan terutama di area yang rawan terjadi kecelakaan.
Tujuan dari penelitian ini yaitu membangun sistem deteksi laju dan plat nomor kendaraan berbasis video rekaman menggunakan YOLOv5-DeepSORT dan HyperLPR sebagai metode pengawasan lalu lintas di area rawan kecelakaan.
Sistem menggunakan YOLOv5 dan DeepSORT untuk mendeteksi dan melacak pergerakan kendaraan sehingga diperoleh perpindahan jarak kendaraan yang digunakan sebagai acuan deteksi laju Adapun HyperLPR digunakan untuk mendeteksi plat nomor dari kendaraan tersebut.
Metode yang digunakan dalam penelitian ini yaitu metode experimen dengan melakukan perekaman video pada ruas jalan tol Cipali yang digunakan sebagai masukan dari program deteksi laju dan plat nomor kendaraan.
Hasil pengujian deteksi objek kendaraan menggunakan YOLOv5 diperoleh nilai evaluasi metric Precision sebesar Pengujian deteksi laju kendaraan diperoleh nilai rata-rata persentase erorr sebesar 7,6% terhadap nilai Adapun dari deteksi plat nomor kendaraan diperoleh hasil akurasi karakter secara keseluruhan sebesar 91,82%.
Secara keseluruhan, sistem dapat menjalankan tiga proses yang menjadi fungsi utama yaitu deteksi dan tracking kendaraan, deteksi laju kendaraan dan deteksi plat nomor kendaraan.
Pengembangan penelitian kedepan diharapkan mampu mengurangi nilai error pada penelitian ini dan dapat dipertimbangkan untuk dipergunakan secara komersial untuk mencegah kecelakaan yang diakibatkan oleh laju kendaraan yang melebihi batas.
Kata kunci: Laju kendaraan, plat nomor kendaraan.
YOLOv5.
DeepSORT HyperLPR.
Abstract - One of the causes of accidents is the lack of vigilance by drivers and violations of vehicle speed One way to reduce such violations is the implementation of traffic surveillance in accident-prone areas.
The aim of this research is to develop a video-based vehicle speed and license plate detection system using YOLOv5-DeepSORT and HyperLPR as methods for traffic monitoring in accident-prone areas.
The system utilizes YOLOv5 and DeepSORT to detect and track vehicle movements, obtaining the displacement distance of vehicles as a reference for speed detection.
HyperLPR is employed to recognize license plates of the detected The research methodology involves experimental techniques, including video recording on the Cipali toll road section, as input for the vehicle speed and license plate detection program.
The evaluation of object detection using YOLOv5 yielded a Precision metric of 100%.
In the testing of vehicle speed detection, an average error percentage of 7.
6% was obtained compared to actual values.
The license plate detection results showed an overall character accuracy of 91.
Overall, the system successfully performs its three main functions: vehicle detection and tracking, vehicle speed detection, and license plate detection.
Future research development is expected to further reduce error values and may be considered for commercial use to prevent accidents caused by speeding vehicles.
Keywords: Vehicle speed, vehicle license plate.
YOLOv5.
DeepSORT.
HyperLPR.
TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
PENDAHULUAN
Meningkatnya kendaraan dan padatnya lalu lintas pada suatu daerah menyebabkan rawan terjadinya kecelakaan.
Salah satu penyebab utama kematian di seluruh dunia yaitu kecelakaan .
Berdasarkan data yang diberikan oleh PT Lintas Marga Sedaya, operator jalan tol CikopoPalimanan, tercatat ada 1.
075 kejadian kecelakaan pada tahun 2019.
Ruas jalan tol Cikopo-Palimanan memiliki kondisi geografis yang dominan lurus, sehingga banyak pengguna jalan yang melampaui batas laju maksimal yang ditetapkan untuk jalan tol tersebut .
Jalan tol yang digunakan untuk lalu lintas antar kota didesain berdasarkan laju rencana paling rendah 80 km/jam, dan jalan tol di wilayah perkotaan didesain dengan laju rencana paling rendah 60 km/jam .
Melalui rekaman video teknologi segmentasi citra dapat digunakan untuk mengawasi kawasan lalu lintas padat disuatu Segmentasi citra dapat digunakan untuk melakukan proses objek deteksi, diantaranya adalah deteksi plat nomor, jenis kendaraan, dan laju kendaraan .
DeepSORT adalah algoritma tracking visi komputer untuk melacak objek yang telah ditentukan dan menetapkan ID ke setiap objek.
DeepSORT dapat didefinisikan sebagai algoritma tracking untuk melacak objek tidak hanya berdasarkan laju, gerakan dan tampilan dari objek tersebut .
DeepSORT menggunakan pendekatan tracking objek dimana pendekatan dasar seperti filter Kalman dan algoritma Hungaria digunakan untuk melacak objek .
License Plate Recognition (LPR) merupakan sistem yang digunakan untuk mengidentifikasi kendaraan berdasarkan pengenalan plat nomor kendaraan .
Metode umum untuk pengenalan karakter pelat termasuk Convulational Neural Network (CNN).
Algoritma CNN memiliki kemampuan untuk mengekstrak fitur gambar secara otomatis, dan secara umum tampil lebih baik daripada metode lain dalam hal klasifikasi gambar .
HyperLPR menerapkan beberapa metode CNN yang masing-masing dipisahkan berdasarkan detektor plat nomor, pengumpulan karakter dan pengklasifikasian .
Berdasarkan penelitian terdahulu tersebut, peneliti berinisiatif untuk menggabungkan deteksi laju kendaraan dan plat nomor kendaraan dalam satu sistem dengan menggunakan algoritma tracking DeepSORT untuk melakukan proses tracking kendaraan dan library python HyperLPR untuk mendeteksi dan mengenali karakter pada plat nomor kendaraan.
Pada penelitian ini sistem segementasi dilakukan menggunakan video rekaman sebagai masukan segmentasi.
Pada proses melakukan tracking digunakan DeepSORT untuk melacak lokasi kendaraan dan menambahkan ID pada setiap kendaraan yang terdeteksi.
Selanjutnya akan diterapkan perhitungan perpindahan jarak berdasarkan piksel kendaraan yang terdeteksi untuk proses estimasi laju kendaraan melalui infromasi tracking DeepSORT berdasarkan lokasi sebelum dan sesudah kendaraan melintas.
Selain itu, untuk mendekteksi plat nomor dari setiap kendaraan yang tertangkap kamera menggunakan HyperLPR.
Pada penelitian yang dilakukan oleh Zulfikri dkk dilakukan sebuah perancangan sistem penegakan speed bump berdasarkan kecepatan kendaraan yang diklasifikasikan Haarcascade.
Penelitian tersebut mendapatkan akurasi deteksi sebesar 97,92% dan nilai kesalahan rata-rata dalam perbandingan antara hasil deteksi dengan kecepatan sebenarnya sebesar 2,88 .
Adapun penelitian yang dilakukan oleh Tsani dkk yaitu perancangan sistem deteksi kecepatan kendaraan menggunakan metode Frame Difference dimana dalam hal tersebut sistem akan membandingkan objek per-frame untuk mendeteksi adanya pergerakan pada objek kendaraan.
Penelitian tersebut menggunakan perhitungan Mean Squared Error (MSE) untuk mendapatkan nilai kesalahan rata-rata yaitu sebesar 12,632 .
Sedangkan metode yang digunakan untuk mendeteksi plat nomor kendaraan diantaranya menggunakan connected components dan Support Vector Machine (SVM) .
Learning Vector Quantization .
Optical Character Recognition (OCR) .
Namun dalam penelitian sebelumnya hanya melakukan proses deteksi laju maupun plat nomor kendaraan secara terpisah.
Berdasarkan penelitian terdahulu tersebut ini peneliti berinisiatif untuk menggabungkan deteksi laju kendaraan dan plat nomor kendaraan dalam satu sistem dengan menggunakan algoritma tracking DeepSORT untuk melakukan proses tracking kendaraan dan library python HyperLPR untuk mendeteksi dan mengenali karakter pada plat nomor kendaraan.
Tujuan Penelitian yang dilakukan adalah untuk mendesain dan melakukan perancangan sistem deteksi laju dan plat nomor kendaraan berbasis video menggunakan YOLOv5.
DeepSORT dan HyperLPR.
II.
METODOLOGI
Dalam penelitian ini digunakan metode eksperimen berbasis pemrosesan video dengan menerapkan serangkaian langkah pemrograman dengan menerapkan YOLOv5.
DeepSORT dan TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
HyperLPR.
Metode ini dipilih karena dapat diterapkan untuk melakukan deteksi pelanggaran batas laju dan plat nomor kendaraan dengan memanfaatkan kamera pengawas area jalan Tol.
Proses sistem secara umum ditunjukan pada Gambar 1 masukan yang digunakan adalah sebuah rekaman yang diambil pada area ruas jalan tol Cipali.
Masukan video dengan melakukan penggambilan video menggunakan kamera yang diposisikan sedemikian rupa sehingga kamera dapat menjangkau setiap kendaraan yang melintas dan dapat menjangkau bagian area plat nomor kendaraan dengan jelas.
Bahasa pemrograman yang digunakan dalam penelitian ini adalah bahasa Python.
Diagram Blok Pada penelitian ini, telah dirancang sebuah sistem yang menggunakan metode YOLOv5.
DeepSORT dan HyperLPR dalam melakukan keseluruhan sistem deteksi.
Ilustrasi dalam Gambar 1 memperlihatkan diagram blok dari sistem pendeteksian plat nomor pada kendaraan.
Sistem ini terdiri dari tiga blok utama.
Blok pertama berfungsi sebagai blok masukan yang memanfaatkan kamera sebagai sensor untuk menangkap gambar dari setiap kendaraan yang melintas dan dapat menjangkau area plat nomor kendaraan yang akan dianalisis.
Blok kedua merupakan blok Proses yang menggunakan Personal Computer (PC) sebagai perangkat pengolah data utama.
Sebagian besar proses sistem dijalankan pada blok kedua ini.
PC bertanggung jawab atas proses inti, yakni pengolahan citra yang diimplementasikan melalui perangkat lunak Pycharm.
Blok terakhir, yang merupakan blok keluaran, juga menggunakan PC sebagai antarmuka penghubung antara pengguna dengan Hasil keluaran dari sistem ini berupa rangkaian karakter yang diekstraksi dari gambar yang diambil oleh kamera pada tahap masukan Gambar 27.
Diagram blok sistem Bahan dan peralatan sistem Dalam penelitian ini terdiri dari perangkat keras dan perangkat lunak.
Perangkat keras yang yang digunakan dalam penelitian yaitu sebuah laptop dengan spesifikasi processor Ryzen 4600H.
NVIDIA GTX 1650.
RAM 8GB, sedangkan perangkat lunak yang digunakan adalah YOLO.
DeepSORT.
HyperLPR.
Pytorch.
Pycharm.
Pengumpulan Data Data yang dimaksud dalam penelitian ini merupakan sebuah video yang dijadikan sebagai masukan sistem.
Data video terdiri dari rekaman video kondisi jalan pada area ruas jalan tol dengan cakupan jarak area mobil melintas hingga mobil meninggalkan area perekaman video adalah 80 Area lokasi yang digunakan sebagai masukan dalam video pemrograman diperlihatkan pada Gambar 2.
Gambar 28.
Area lokasi tempat pengambilan video Metode Pendeteksian dan Pelacakan Objek Dalam tahapan ini terdiri dari dua proses yaitu deteksi kendaraan menggunakan YOLOv5 dan proses pelacakan menggunakan DeepSORT.
YOLOv5 melakukan pemrosesan memecah gambar menjadi bagian grid kecil, dan setiap grid bertanggung jawab untuk mendeteksi objek di YOLOv5 menggunakan jaringan saraf tiruan untuk mengklasifikasikan dan menghitung kotak pembatas .
ounding bo.
untuk objek kendaraan yang terdeteksi.
Hasil deteksi ini kemudian melewati proses Non-Maximum Suppression (NMS) untuk menghilangkan deteksi yang berlebihan atau tumpang tindih.
YOLOv5 bertanggung jawab atas deteksi awal objek dan menyaring informasi yang relevan.
DeepSORT memungkinkan pelacakan yang lebih canggih dan akurat terhadap objek yang bergerak di dalam DeepSORT menggunakan konsep ReID (Reidentificatio.
untuk mengidentifikasi dan melacak objek dari satu bingkai ke bingkai berikutnya.
TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
ReID adalah teknik yang membandingkan fitur visual dari objek untuk mengenali objek yang sama di berbagai bingkai.
Keluaran dari tahap ini adalah sistem mampu mendeteksi dan menandai setiap kendaraan yang terdeteksi- dengan ID tracking.
Dalam DeepSORT diperlukan pengaturan konfigurasi seperti max_dist, min_confidence, max_iou_distance Indeks IoU max_age.
Keluaran dari tahap ini adalah sistem mampu mendeteksi dan menandai setiap kendaraan yang terdeteksidengan ID tracking.
Metode Pendeteksian Laju Laju kendaraan dapat ditentukan berdasarkan deteksi dan pelacakan pada proses sebelumnya.
Prinsip utama dalam estimasi laju kendaraan secara real-time adalah dengan merekam perpindahan posisi piksel pada tracking ID kendaraan yang dilakukan pada tahap sebelumnya berdasarkan rumus perhitungan jarak pada persamaan .
ya = Oo.
cU2 Oe ycU1 )2 .
cU2 Oe ycU1 )2 A.
Pada persamaan .
nilai D adalah jarak dengan X1 menunjukkan posisi horizontal kendaraan keadaan awal.
X2 menunjukkan posisi horizonal keadaan akhir.
Perekaman perpindahan piksel dilakukan pada kondisi sebelum dan sesudahnya dilakukan berdasarkan setiap per 10 frame.
Konversi perhitungan antara jarak sebenarnya dengan jarak pada piksel diperlihatkan pada persamaan .
yaycaycycayco ycyceycayco = ya x ycOycnyccycEa x frame x 3,6 x 2 yceycyyc A.
Pada persamaan konversi antara jarak piksel ke jarak sebenarnya seperti yang ditampilkan pada persamaan .
, dimana D merupakan jarak piksel.
Width merupakan lebar kendaraan.
Frame merupakan jumlah persetiap frame yang digunakan untuk menentukan deteksi laju, konstanta 3,6 merupakan nilai konversi dari km/s menjadi m/s, dan fps merupakan frame per second yang didapatkan pada video masukan.
Metode Deteksi Plat Nomor Kendaraan Deteksi plat nomor kendaraan pada dasarnya bekerja dengan dua tahapan, yaitu tahap mendeteksi objek plat nomor kendaraan dan tahap mendeteksi karakter dari hasil deteksi plat nomor kendaraan tersebut.
Pada HyperLPR metode deteksi objek plat nomor kendaraan menggunakan cascade classifier sehingga dalam mendeteksi objek relatif cepat namun dalam hal akurasi tidak terlalu akurat.
Sedangkan dalam mendeteksi karakter pada plat nomor kendaraan HyperLPR melakukan proses training model dataset pengenalan karakter dengan menerapkan CTC Loss yang memungkinkan model untuk mempelajari pemetaan sekuensial tanpa pasangan masukan-keluaran yang sekuensial.
Ini dilakukan dengan menghitung probabilitas jalur pemetaan menggunakan forward-backward algorithm dan menggunakan backpropagation untuk mengoreksi HyperLPR akan mengganti karakter yang ditampilkan pada plat nomor pada ID tracking kendaraan akan mengalami pembaruan tergantung pada nilai confidence, jika nilai confidence plat nomor terdeteksi lebih besar dari confidence sebelumnya maka hasil yang ditampilkan akan diganti, hal ini bertujuan untuk mendapatkan hasil deteksi mendekati karakter plat nomor sebenarnya.
HASIL DAN PEMBAHASAN
Deteksi Kendaraan Perancangan deteksi dan tracking kendaraan terdapat beberapa proses seperti yang diperlihatkan pada diagram alur pada Gambar 3 objek deteksi dan tracking objek merupakan tahapan awal pada proses deteksi laju kendaraan pada sebuah masukan video.
Keluaran dari objek deteksi ini adalah menandai setiap kendaraan yang melintas dan menerapkan Bounding Box dan menetapkan ID pada setiap kendaraan yang terlihat pada kamera.
Keberhasilan sistem dalam mendeteksi dan melacak objek yang terdeteksi dalam video ditandai dengan Bounding Box yang tedapat pada kendaraan secara terus menerus pada setiap perubahan frame dan ditandai dengan tidak berubahnya ID pada masing-masing kendaraan sampai objek kendaraan tersebut menghilang dari frame pada video.
Berdasarkan diagram alur pada Gambar 3 proses awal yang dilakukan adalah menentukan sumber masukan load stream ditentukan jika sumber masukan adalah streaming melalui kamera secara langsung sedangkan load images digunakan jika sumber masukan adalah sebuah video Selanjutnya konfigurasi DeepSORT diantaranya adalah max_dist yang digunakan untuk menentukan jarak Min_confidence digunakan untuk menentukan nilai batas minimum kevalidan objek deteksi, max_iou_distance digunakan untuk menentukan jarak maksimum IOU untuk menghindari dua prediksi tracking yang sama, max_age berfungsi untuk menentukan rentang deteksi frame n_init menentukan batas frame yang harus terdeteksi TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
untuk membuat tracking baru.
Selanjutnya hasil deteksi objek yang telah diolah dan diadaptasi ke format DeepSORT akan diserahkan ke dalam algoritma DeepSORT untuk dilakukan tracking Pada bagian ini DeepSORT memberikan informasi berupa lokasi dan ID setiap objek yang sedang dilacak pada frame tersebut.
Langkah selanjutnya adalah proses deteksi.
Proses deteksi dilakukan dengan membuat fungsi loop untuk mendeteksi objek dalam sebuah gambar dan memproses hasil deteksi pada setiap frame.
Gambar 30 Contoh hasil deteksi kendaraan Gambar 29.
Diagram alur deteksi dan pelacakan kendaraan Berdasarkan Gambar 4 terlihat bahwa pada objek kendaraan terdapat sebuah bounding box yang mengelilingi kendaraan tersebut serta terdapat ID berupa angka pada masing-masing kendaraan yang telah terdeteksi tersebut.
Pengujian deteksi kendaraan dan tracking kendaraan dilakukan dengan menggunakan masukan video perekaman pada area ruas jalan tol Cipali dengan durasi video selama 2 menit dengan menerapkan fps 30 dan melakukan export 1 dari setiap 10 frame.
Hasil dari pengujian menunjukkan bahwa didapatkan sebanyak 361 frame dengan 48 model mobil yang berbeda satu sama lain.
Pada deteksi tetsebut, terdapat nilai DR .
etection rat.
yang mempresentasikan rasio antara kendaraan yang terdeteksi dengan objek sebenarnya.
Kendaraan dianggap terdeteksi jika setidaknya lokalisasi 30% dari seluruh waktu dalam video.
Dalam menghitung akurasi dalam deteksi objek kendaraan digunakan perhitungan evaluasi metric Precision.
Precision digunakan untuk menentukan nilai sejauh mana model mampu mengidentifikasi mobil dengan benar dari semua deteksi yang dilakukan Adapun untuk menentukan tingkat akurasi model dalam mengidentifikasi mobil dengan benar dapat dilihat pada persamaan .
ycNycE Precision = .
cNycE yaycE ) A.
Dimana TP adalah Jumlah mobil yang terdeteksi.
FP adalah Jumlah mobil yang salah terdeteksi.
Sehingga nilai Precision dan Recall dapat ditentukan yaitu Precision = Gambar 4 memperlihatkan sampel dari hasil deteksi dan pelacakan 48 0 ) = 1,0 = 100% Berdasarkan hasil tersebut sistem dapat mendeteksi objek kendaraan dengan akurat, dengan memiliki nilai Precision sebesar 100%.
Hasil tersebut didapatkan karena masukan yang digunakan pada pengujian berupa video yang memiliki kualitas yang baik serta fps yang memadai sehingga seluruh TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
objek yang dideteksi oleh algoritma dapat terbaca dengan jelas.
Selain itu, hasil dari precision yang penelitian yang menggunakan DeepSORT untuk menghitung kendaraan menggunakan YOLOv3 dengan Precision diatas 90% dan menggunakan YOLOv4 dengan akurasi lebih rendah yaitu .
Hasil Pengujian Kendaraan Deteksi piksel dari setiap kendaraan yang telah ditetapkan ID yang telah dilakukan pada proses tracking sebelumnya Perhitungan perpindahan posisi piksel ID dilakukan setiap per 10 frame sehingga hasil deteksi pada setiap kendaraan tertentu akan terus meninggalkan area deteksi atau ketika durasi video Percobaan penelitian dilakukan sebanyak 5 kali dengan menggunakan video yang berbeda.
Dalam masing-masing video terdapat perubahan kecepatan sebanyak 4 kali.
Sampel perbandingan antara hasil deteksi laju kendaraan dengan laju sebenarnya dapat dilihat pada Tabel I.
Laju Pengujian dilakukan dengan melakukan pengambilan video di area ruas jalan tol Cipali pada mobil yang lajunya telah ditentukan dan perekaman pada speedometer dari dalam mobil untuk dapat membandingkan antara hasil deteksi laju kendaraan dengan laju kendaraan sebenarnya.
Hasil dari sistem estimasi laju kemudian akan dibandingkan dengan laju sebenarnya.
Sistem deteksi laju kendaraan dilakukan berdasarkan banyaknya frame dalam video.
laju dilakukan dengan menghitung berdsarkan perpindahan posisi piksel dari setiap kendaraan yang telah ditetapkan.
laju kendaraan dengan laju kendaraan sebenarnya.
Hasil dari sistem estimasi laju kemudian akan dibandingkan dengan laju sebenarnya.
Sistem deteksi laju kendaraan dilakukan berdasarkan banyaknya frame dalam video.
laju dilakukan dengan menghitung berdsarkan perpindahan posisi Dalam mengukur keakuratan deteksi laju kendaraan dilakukan dengan menggunakan Mean Absolute Percentage Error (MAPE).
Perhitungan dengan menggunakan MAPE ditunjukan pada persamaan .
ya Oeya ycAyaycEya = Ocycuycn=1 | ycn yc.
x 100 % A.
ycu yaycn Dimana dengan menggunakan persamaan tersebut yaycn merupakan nilai laju kendaraan sebenarnya dan yaycn merupakan nilai hasil deteksi laju kendaraan.
Berdasarkan pengujian sistem deteksi laju kendaraan dengan menggunakan 5 masukan video rekaman yang berbeda didapatkan 20 laju yang terdeteksi dari keseluruhan masukan tersebut.
Hasil dari masing-masing deteksi laju tersebut ditunjukan pada Tabel II sampai dengan Tabel VI.
Tabel I.
Perbandingan deteksi laju dengan laju sebenarnya Deteksi Laju Laju sebenarnya Deteksi Laju Laju Sebenarnya TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
Tabel I.
Selisih kesalaan deteksi laju pada video 1 Video Hasil Deteksi m/ja.
Laju Sebenarnya .
m/ja.
Selisih
(%)
4,17
0,95
0,27
4,20
TabelII.
Selisih kesalaan deteksi laju pada video 2 Video Hasil Deteksi Laju Selisih Sebenarnya kesalahan .
m/ja.
m/ja.
(%) 4,17 0,95 0,27 4,20 Tabel i.
Selisih kesalaan deteksi laju pada video 3 Video Hasil Deteksi m/ja.
Laju Sebenarnya .
m/ja.
Selisih
(%)
4,17
0,95
0,27
4,20
Tabel V.
Selisih kesalaan deteksi laju pada video 4 Video Hasil Deteksi m/ja.
Laju Sebenarnya .
m/ja.
Selisih
(%)
4,17
0,95
0,27
4,20
Tabel VI.
Selisih kesalaan deteksi laju pada video 5 Video Hasil Deteksi m/ja.
Laju Sebenarnya .
m/ja.
Selisih
(%)
4,17
0,95
0,27
4,20
Berdasarkan data pada tabel, nilai MAPE dapat ditentukan dengan membagi jumlah selisih kesalahan antara hasil deteksi dan laju sebenarnya dengan total kecepatan yang muncul dalam keseluruhan video.
MAPE =
145,7784
x 100 %= 7,2 % Nilai MAPE pada sistem didapatkan sebesar 7,2%.
Semakin kecil persentase MAPE, maka performa dari sistem tersebut akan semakin baik.
Hasil error tersebut juga menunjukkan bahwa sistem yang dibangun menyerupai dengan metode lainnya seperti menggunakan BLOB (Binary Large Objec.
dengan rata-rata error 6,1% yang dilakukan oleh Gembong dkk .
Perbedaan hasil akurasi ini disebabkan oleh beberapa faktor diantaranya yaitu perbedaan jenis algoritma yang digunakan dan kualitas masukan video.
Pada penelitian Gembong dkk menggunakan algoritma BLOB dan data masukan video yang diambil berada di ketinggian 5 meter dari jalan sedangkan pada penelitian ini algoritma yang digunakan yaitu DeepSORT dengan pengambilan data video berada di ketinggian 80 meter.
Hasil Pengujian Deteksi Plat Nomor Kendaraan.
Terdapat beberapa proses dalam mendeteksi plat nomor kendaraan.
Diagram alur perancangan deteksi plat nomor kendaraan ditunjukan pada Gambar 5.
Langkah awal dalam deteksi plat nomor kendaraan adalah mengkoversi gambar dari format OpenCV menjadi citra PIL (Python Imaging Librar.
Hal ini bertujuan untuk dapat memanipulasi gambar dengan menggunakan fitur pada library PIL.
Bagian selanjutnya yaitu pemotongan gambar yang sesuai dengan B yang ditemukan pada each_keluaran.
Hal ini bertujuan untuk memfokuskan pada area plat nomor kendaraan yang terdeteksi.
Selanjutnya adalah deteksi plat nomor dan karakter pada plat nomor kendaraan pada bagian gambar yang telah dipotong.
Deteksi tersebut HyperLPR.
Hasil deteksi karakter pada plat nomor kendaraan tersebut akan diperbaharui berdasarkan nilai confidence dari hasil tersebut.
TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
dengan menggunakan metrik akurasi karakter (A.
Perhitungan akurasi karakter dilakukan dengan membagi jumlah total karakter yang terdeteksi dengan jumlah total karakter sebenarnya, kemudian hasilnya dikalikan dengan Mulai Menerapkan input each_output Konversi format gambar menjadi PIL (Python Imaging Librar.
Crop Image sesuai dengan kordinat batas pada each_output Deteksi plat nomer kendaraan pada bagian cropped image Tidak Apakah plat Gambar 32 Hasil deteksi plat nomor kendaraan Deteksi karakter pada plat nomer kendaraan dan update hasil berdasarkan nilai confidence Apakah Tidak Selesai Gambar 31 Diagram alur deteksi plat nomor kendaraan Dalam pengujian deteksi plat nomor kendaraan pengujian dilakukan dengan menjalankan program dengan masukan beberapa video area ruas jalan tol Cipali dan video yang diambil dari yang diambil dari Youtube.
Pengujian dilakukan pada 5 mobil yang terdeteksi secara acak berdasarkan masukan video yang diambil dari rekaman ruas jalan tol Cipali dan 5 mobil yang terdeteksi berdasarkan masukan video yang diambil dari Youtube.
Sampel hasil deteksi plat nomor kendaraan dapat dilihat pada Gambar 6.
dan Gambar 7.
Berdasarkan pengujian sistem deteksi plat nomor kendaraan pada 10 plat nomor kendaraan yang terdeteksi dari beberapa video masukan yang berbeda dari total 10 mobil pengujian pada Tabel 8 didapatkan hasil dengan total 71 karakter plat nomor, 6 mobil mendeteksi karakter dengan benar secara keseluruhan, 1 mobil mendeteksi plat nomor secara keseluruhan namun terdapat tambahan 1 deteksi karakter.
2 mobil mendeteksi dengan perbedaan 1 karakter, dan 1 mobil mendeteksi dengan perbedaan 2 karakter.
Perbedaan karakter pada sistem disebabkan oleh beberapa faktor seperti karakter huruf dan angka yang menyerupai.
Evaluasi keakuratan deteksi plat nomor kendaraan Gambar 33 Hasil deteksi plat nomor kendaraan Dari hasil pengujian perbandingan antara hasil deteksi plat nomor kendaraan dan plat nomor sebenarnnya yang telah dilakukan, didapatkan hasil perbandingan dan nilai akurasi yang didapatkan ditunjukan pada Tabel VII.
Tabel i.
Perbandingan dan akurasi deteksi plat nomor dengan plat
nomor sebenarnya Plat
Hasil
Deteksi
Akurasi
(%)
E 1518 LT
E1689DE
B 1912 UYT
E 8632 BE
AD 1631 OC
NAI3 NRU
APO5 JEO
AK64 DNV
NA54 KGJ
RO2 FKD
E1518LT
E1G89DE
B1912UMT
E18632BE
D1G31OC
NAI3 NRU
APO5 JEO
AK64 DNV
NA54 KGJ
RO2 FKD
85,71
TELEKONTRAN.
VOL.
NO.
OKTOBER 2023
Dalam Tabel Vi, jumlah karakter dan posisi yang sesuai dihitung sebagai jumlah karakter pada plat nomor yang terdeteksi dengan benar pada posisi yang benar dan total karakter plat nomor sebenarnya dihitung sebagai jumlah karakter sebenarnnya pada 10 mobil, sehingga nilai akurasi karakter pada plat nomor di masing-masing mobil dapat ditentukan.
Nilai akurasi karakter secara keseluruhan dapat dihitung dengan menjumlahkan hasil akurasi karakter pada masing-masing mobil lalu dibagi dengan jumlah mobil yang diuji lalu dikali 100%.
Berdasarkan Tabel Vi nilai akurasi karakter secara keseluruhan dapat dihitung sebagai yayco = Oc10 1 yaycoycycycaycycn ycu 100% yang terdeteksi pada beberapa masukan video area ruas jalan tol Cipali dan masukan video yang diambil dari youtube dan membandingkan hasil deteksi dengan hasil sebenarnya.
Hasil pengujian tersebut didapatkan hasil akurasi karakter secara keseluruhan sebesar 94.
Berdasarkan hasil pendeteksian karakter menggunakan algoritma HyperLPR dihasilkan nilai yang lebih baik dari CNN.
Optical Character Recognition (OCR) dan OCR dengan modifikasi Template Matching yang mendapatkan nilai akurasi sebesar 88% dan 90% .
DAFTAR PUSTAKA