Penghitung Trafik Kendaraan Berbasis Object Recognition Studi Kasus Jalan Utama Universitas Tanjungpura

Agung Tuah Ananda, Yus Sholva, Rudy Dwi Nyoto

Abstract


Pertumbuhan penggunaan kendaraan bermotor untuk transportasi oleh masyarakat terus meningkat seiring waktu. Sebagai lembaga pendidikan tinggi dengan jumlah mahasiswa aktif mencapai angka 31 ribu orang maka Universitas Tanjungpura perlu menyadari bagaimana penggunaan jalan oleh pengendara kendaraan bermotor di Universitas Tanjungpura dalam bagian dari perencanaan pembangunannya untuk menghindari permasalahan yang mungkin timbul dikemudian hari. Penelitian ini bertujuan untuk menghasilkan suatu sistem yang dapat menghitung trafik kendaraan di jalan masuk utama Universitas Tanjungpura. Peneliti menggunakan pendekatan object recognition untuk mengetahui jenis kendaraan yang lewat apakah merupakan kendaraan sepeda motor atau mobil, dimana digunakan metode background subtraction dan pemrosesan morfologi dalam tugas deteksi objek, dan metode Haar cascade classifier dalam tugas klasifikasi jenis kendaraan dari objek yang terdeteksi. Pada penelitian ini dilatih model klasifikasi kendaraan sepeda motor (masuk dan keluar) dengan masing-masing 5000 data latih dan model klasifikasi kendaraan mobil (masuk dan keluar) dengan masing-masing 500 data latih. Evaluasi pendeteksi objek menunjukkan bahwa program dapat mendeteksi objek yang bergerak dengan akurasi dengan akurasi terendah sebesar 67% dan akurasi tertinggi sebesar 93%. Evaluasi model klasifikasi kendaraan menunjukkan nilai F1-score rata-rata 0.916 (sepeda motor masuk), 0.311 (mobil masuk), 0.965 (sepeda motor keluar) dan 0.427 (mobil keluar). Evaluasi menunjukkan tidak terdapat pengaruh yang signifikan mengenai perbedaan kondisi waktu dan kepadatan trafik kendaraan terhadap performa model klasifikasi kendaraan. Di mana nilai rata-rata f1-score pada pengujian pagi, siang dan sore adalah masing-masing 68%, 62% dan 67% dan rata-rata akurasi pada pengujian padat, sedang dan sepi adalah masing-masing 89%, 86% dan 88%. Hasil pengujian unit testing dan integration testing menunjukkan sistem ini dapat mendeteksi objek kendaraan yang lewat, mengetahui jenis kendaraan tersebut dan menghitung jumlahnya serta menyediakan cara untuk mendapatkan data trafik kendaraan yang dihasilkan. Secara keseluruhan penelitian dinilai berhasil dalam membuat sebuah sistem penghitung trafik kendaraan berbasis object recognition studi kasus jalan utama Universitas Tanjungpura.


Keywords


Object Recognition; Deteksi Objek; Klasifikasi; Haar Cascade Classifier; Penghitung Kendaraan

Full Text:

PDF

References


Badan Pusat Statistik, “Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis (Unit),2018-2020,” 2020. https://www.bps.go.id/indicator/17/57/1/perkembangan-jumlah-kendaraan-bermotor-menurut-jenis.html (diakses 23 Juli 2022).

Badan Pusat Statistik, “Panjang Jalan Menurut Tingkat Kewenangan (km), 2018-2020,” 2020. https://www.bps.go.id/indicator/17/50/1/panjang-jalan-menurut-tingkat-kewenangan.html (diakses 23 Juli 2022).

Universitas Tanjungpura, “PDDikti Untan,” 2022. http://pddikti.untan.ac.id/dashboard (diakses 23 Juli 2022).

A. Ajmal dan I. M. Hussain, “Vehicle detection using morphological image processing technique,” in MCIT’2010: International Conference on Multimedia Computing and Information Technology, 2010, hal. 65–68. doi: 10.1109/MCIT.2010.5444851.

S. Solihun, I. Ruslianto, dan U. Ristian, “IMPLEMENTASI PERHITUNGAN KENDARAAN MOBIL DI JALAN RAYA MENGGUNAKAN METODE BACKGROUND SUBTRACTION DAN TEKNIK MORFOLOGI CITRA,” Coding J. Komput. dan Apl., vol. 9, no. 03, hal. 424–435, Feb 2022, doi: 10.26418/CODING.V9I03.50865.

L. A. KURNIAWAN, I. P. A. BAYUPATI, dan K. SUAR WIBAWA, “Sistem Hitung Kendaraan Berdasarkan Jenis Menggunakan Metode Background Subtraction,” JITTER J. Ilm. Teknol. dan Komput., vol. 1, no. 2, hal. 265–273, 2021.

P. Viola dan M. J. Jones, “Robust Real-Time Face Detection,” Int. J. Comput. Vis., vol. 57, no. 2, hal. 137–154, Mei 2004, doi: 10.1023/B:VISI.0000013087.49260.fb.

P. Viola dan M. Jones, “Rapid object detection using a boosted cascade of simple features,” in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2001, vol. 1. doi: 10.1109/cvpr.2001.990517.

D. K. Ulfa dan D. H. Widyantoro, “Implementation of haar cascade classifier for motorcycle detection,” in 2017 IEEE International Conference on Cybernetics and Computational Intelligence, CyberneticsCOM 2017 - Proceedings, Mar 2018, vol. 2017-November, hal. 39–44. doi: 10.1109/CYBERNETICSCOM.2017.8311712.

I. P. Sinaga, I. Prasetya, D. Wibawa, dan E. Kuniawan, “Background Substraction Dan Haar Cascade People Counter and Face Identification System With Background,” e-Proceeding Eng., vol. 4, no. 2, hal. 1544–1551, 2017.

M. I. Ramadhani, A. E. Minarno, dan E. B. Cahyono, “Vehicle Classification using Haar Cascade Classifier Method in Traffic Surveillance System,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, hal. 57–64, Des 2017, doi: 10.22219/kinetik.v3i1.546.

A. Lazaro, J. L. Buliali, dan B. Amaliah, “Deteksi Jenis Kendaraan di Jalan Menggunakan OpenCV,” J. Tek. ITS, vol. 6, no. 2, Sep 2017, doi: 10.12962/j23373539.v6i2.23175.

P. Hartoto, “Sistem Deteksi Kecepatan Kendaraan Bermotor pada Real Time Traffic Information System,” Fak. Tek. Inst. Teknol. Sepuluh Novemb., 2011.

A. Kadir dan A. Susanto, Teori & Aplikasi Pengolahan Citra, 1 ed. Yogyakarta: Andi, 2013.

R. Lienhart dan J. Maydt, “An extended set of Haar-like features for rapid object detection,” in IEEE International Conference on Image Processing, 2002, vol. 1. doi: 10.1109/icip.2002.1038171.




DOI: http://dx.doi.org/10.26418/jp.v8i3.57136

Refbacks

  • There are currently no refbacks.