The Developing of Dual Tires Detection Model of Two Axles Truck by Using 2D-PCA Feature Extraction and SVM as Classifiers
PENGEMBANGAN MODEL PENDETEKSIAN BAN GANDA (DUAL
TIRE) PADA KENDARAAN TRUK BERGANDAR DUA MENGGUNAKAN
PENGEKSTRAKSI CIRI 2D-PCA DAN SVM SEBAGAI
PENGKLASIFIKASI
BAMBANG WAHYUDI
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Pengembangan Model Pendeteksian Ban
Ganda (Dual Tire) Pada Kendaraan Truk Berganda Dua Menggunakan
Pengekstraksi Ciri 2D-PCA dan SVM Sebagai Pengklasifikasi adalah karya saya
dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa
pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain
telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian
akhir tesis ini.
Bogor, September 2012
Bambang Wahyudi
NIM G651090354
© Hak Cipta Milik IPB, tahun 2012
Hak Cipta dilindungi Undang-undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah dan pengutipan tersebut tidak merugikan kepentingan
yang wajar IPB.
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis
dalam bentuk apapun tanpa izin IPB.
PENGEMBANGAN MODEL PENDETEKSIAN BAN GANDA (DUAL
TIRE) PADA KENDARAAN TRUK BERGANDAR DUA MENGGUNAKAN
PENGEKSTRAKSI CIRI 2D-PCA DAN SVM SEBAGAI
PENGKLASIFIKASI
BAMBANG WAHYUDI
Tesis
Sebagai Salah Satu Syarat Untuk Memperoleh Gelar
Magister Komputer pada
Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
Penguji Luar Komisi pada Ujian Tesis: Boyke Nurhidayat, S.Kom., M.Kom.
Judul Tesis
Nama Mahasiswa
Nomor Pokok
Program Studi
: Pengembangan Model Pendeteksian Ban Ganda (Dual
Tire) Pada Kendaraan Truk Bergandar Dua
Menggunakan Pengekstraksi Ciri 2D-PCA dan SVM
Sebagai Pengklasifikasi
: Bambang Wahyudi
: G651090354
: Ilmu Komputer
Disetujui,
Komisi Pembimbing
Dr. Ir. Agus Buono, M.Si, M.Kom
Ketua
Mushthofa, S.Kom, M.Sc
Anggota
Diketahui,
Ketua Program Studi
Ilmu Komputer
Dekan Sekolah Pascasarjana
Dr.Yani Nurhadryani S.Si, M.T
Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Ujian:
Tanggal Lulus:
ABSTRACT
BAMBANG WAHYUDI. The Developing of Dual Tires Detection Model of
Two Axles Truck by Using 2D-PCA Feature Extraction and SVM as
Classifiers. Under direction of AGUS BUONO and MUSHTHOFA.
Two axles truck is devided into two types i.e truck that uses single tire and
dual tires at its back wheels. The use of dual tires at a truck will influnce its
classification, so that it is needed a system to detect the use of dual tires. In this
study, we develop a model to detect the occurance of dual tires at a two axels
truck by using two steps 2D-PCA technique as the feature extraction and SVM as
the classifier. In the feature extraction steps by using 2D-PCA, we use the values
of precentage 95 %, 90%, and 85 %. While SVM use linear kernel, quadratic,
cubic and RBF (sigma = 1, 5, 8, 10, 20, 30). By using the scenario, we obtain 81
models. We performed two phases of testing. The first testing phase measures the
accuracy of the detection process without sliding windows. The second testing
phase use sliding windows to detect the occurance of dual tires in an image. For
the first phase testing, we use a database that consists of 552 dual tires images and
1284 non dual tire images with 150 x 150 pixels, and for the second phase testing,
we used 30 images with 640 x 480 pixels. Based on the first phase testing, we
obtained 10 best models to be used for second phase testing. The two stage 2DPCA method successfully reduced the data from 22500 dimensions of image
vector to 36. The two phases testing conducted showed that the best kernels for
detecting dual tires using SVM is the quadratic and the RBF kernel with the best
accuracy of 93.3%.
Keyword : Truck Classification, Dual tire detection, 2D-PCA, SVM
RINGKASAN
BAMBANG .WAHYUDI. Pengembangan Model Pendeteksian Ban Ganda
(dual tire) Pada Kendaraan Truk Bergandar Dna Menggunakan
Pengekstraksi .Ciri Ｒｄｾｐｃａ＠
dan SVM Sebagai Pengklasifikasi. Dibimbing
oleh AGUS BUONO and MUSHTHOFA.
,
I
Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan
la1u Hntas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain.
Untuk menikmati layanan jalan tol, para pengguna hams membayar sesuai tarif
yang berlaku yang didasarkan pada golongan kendaraan. Proses penggolongan
kendaraan ini dilakukan oleh petugas di gerbang tol dengan mengandalkan
peng1ihatan. Beberapa hal yang harus diputuskan saat melakukan penggolongan
adalah jenis kendaraan bis atau bukan, jumlah gandar dan penggunaan ban ganda
pada kendaraan truk. Pekerjaan itu hams dilakukan dalam waktu yang cepat serta
dari sudut pandang yang sempit sebingga sangat menyulitkan terutama penentuan
jumlah gandar serta penggunaan ban ganda (dual tire). Dengan kondisi ini salah
penentuan tarif menjadi sangat potensial teIjadi. Untuk mengatasi hal ini
diperlukan sebuah sistem otomatis yang dapat membantu petugas gerbang tol
dalam menentukan tarifberdasarkan golongan kendaraan yang telah ditentukan.
Penggunaan teknik-teknik computer vision dan pengenalan pola yang
berkembang pesat saat ini memberikan salah satu altematif yang sangat potensial
untuk membangun sistem deteksi kendaraan di jalan raya tennasuk jalan tol
berbasis vision. Sistem berbasis vision ini memiliki kemudahan dalam instalasi
serta pemeliharaan yang tidak mmit.
Selama ini penelitian-penelitian yang berhubungan dengan pengumpulan
parameter-parameter laiu lintas seperti volume kendaraan, tipe kendaraan,
parameter antrian yang bebasis computer vision sudah banyak dilakukan. Tetapi
dalam penelitian-penelitian tersebut belum diteliti teknik untuk mendeteksi
penggunaan roda ganda (dual tire) oleh sebuah kendaraan beIjenis truk.
Sementara klasiflkasi kendaraan di jalan tol saat ini menggunakan parameter
penggunaan ban ganda (dual tire) pada truk bergandar dua sebagai pembeda kelas
tarif
Penelitian ini bertujuan membangun model sistem deteksi penggunaan ban
ganda (dual tire) pada citra kendaraan beIjenis truk bergandar dua menggunakan
metode 2D-PCA dua tahap sebagai pengekstraksi eiri dan SVM sebagai
pengklasifIkasi. Model sistem deteksi penggunaan ban gancla pada truk yang
diperoleh dapat digabungkan dengan sistem deteksi berbasis vision lain sehingga
data laiu lintas yang clapat diperoleh menjadi lebih lengkap. Bagi operator jalan
tol, model yang dibangun dapat dikembangkan menjadi sebuah sistem pendeteksi
penggunaan ban ganda pada truk untuk meningkatkan akurasi klasifikasi
kendaraan.
Untuk kepentingan pelatihan dan pengujian model diambial 165 citra truk
yang menggunakan ban ganda dan 315 citra non ban ganda. Citra-citra tersebut
diambil menggunakan kamera digital dengan resolusi 640 x 480 pixel. Kemara
ditempatkan pada posisi sekitar 45° terhadap as roda belakang dengan ketinggian
kamera dari tanahljalan 0.5 meter. Dari citra-citra yang diperoleb kemudian
,j
J
,I
ｾ＠
ｾｉ＠
"I:
diambil 15 citra truk: yang menggunakan ban ganda serta 15 citra non ban ganda
untuk keperluan pengujian model tahap kedua. Selanjutnya 150 citra truk yang
menggunakan ban ganda dan 300 citra non ban ganda yang tersisa dipakai untuk
pembuatan basis data untuk pelatihan model dan pengujian tahap pertama.
Basis data yang digunakan untuk pelatihan dan pengujian model tahap
pertama terdiri dati 552 citra ban ganda (positif) dan 1284 citra non ban ganda
(negati:t) berukuran 150x150 pixel. Citra-citra ban ganda (positif) diperoleh dari
pemotongan citra truk: yang menggunakan ban ganda hasil pengambilan data.
Pemotongan dilakukan di sekitar ban ganda dengan ukuran 15Ox150 pixel.
Kelompok citra negatif yang terdiri dari 1284 citra bukan ban ganda berukuran
150 x 150 pixel merupakan potongan dati 300 buah citra yang tidak mengandung
ban ganda balk kendaraan truk maupun non truk.. Seianjutnya duapertiga bagian
citra digunakan untuk proses pelatihan dan sepertiga sisanya digunakan untuk
pengujian model tahap 1.
Pada tahap pelatihan model, sebelum data citra digunakan untuk melatih
pengklasifikasi SVM, terlebih dahulu data diproses menggunakan metode 2DPCA. Langkah ini dimaksudkan untuk mereduksi dimensi dan mengambil
komponen ciri dari data. Pengambilan ciri dengan 2D-PCA dilakukan dalam dua
tahap. Data latih tereduksi yang diperoleh dari proses ekstraksi ciri ini kemudian
divektorkan dan digunakan untuk melatih pengklasifikasi SVM dengan
menggunakan kemellinear, polinamial dan RBF.
Pada pengujian tahap pertama, setiap citra uji diekstraksi menggunakan
matriks transformasi 2D-PCA dua tahap yang diperoleh dari proses pelatihan.
Fitur yang diperoleh kemudian divektorkan dan diklasifikasi menggunakan model
SVM yang diperoleh dari proses pelatihan, apakah termasuk kelas citra ban ganda
ataukah bukan. Akurasi masing-masing model kemudian dihitung berdasarkan
jumlah citra yang terklasiftkasi dengan baik.
Berdasarkan akurasi masing-masing model yang diperoleh dari pengujian
tahap satu, kemudian diambil beberapa model yang memiliki tingkat akurasi
paling baik. Model-model terbaik yang diperoleh selanjutnya diuji pada uji tahap
kedua untuk mendeteksi keberadaan ban ganda pada citra-citra truk: menggunakan
teknik sliding window.
Hasil penelitian ini menunjukkan bahwa penggunaan metoda 2D-PCA dua
tahap berhasil mereduksi data citra sampai 99.8%, dati vektor citra yang
berdimensi 22500 menjadi berdimensi 36. Pengujian dua tahap yang dilakukan
memperlihatkan bahwa kernel terbaik untuk pengklasifikasian citra ban ganda dan
bukan ban ganda menggunakan SVM adalah kernel kuadratik dan RBF. Akurasi
terbaik yang dicapai oleh model-model yang dikembangkan mencapai 93.3%.
'"
"
Kata kunci : klasifikasi truk, deteksi ban ganda,
ＲｄＭｾｃａＬ＠
SVM
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah SWT, atas berkat
rahmat dan hidayah-Nya penulis dapat menyelesaikan penelitian dan penulisan
tesis di Program Studi Magister Ilmu Komputer Sekolah Pascasarjana Institut
Pertanian Bogor ini. Tema yang dipilih dalam penelitian yang telah dilaksanakan
pada bulan Desember 2011 sampai dengan Agustus 2012 ini adalah
pengembangan model pendeteksian ban ganda pada kendaraan truk bergandar dua
menggunakan pengekstraksi ciri 2D-PCA dan SVM sebagai pengklasifikasi.
Trima kasih dan penghargaan yang tinggi penulis haturkan kepada Bapak
Dr. Ir. Agus Buono, M.Si, M.Kom dan Bapak Mushthofa, S.Kom, M.Sc. sebagai
komisi pembimbing yang telah memberi banyak arahan dan bimbingan dalam
pelaksanaan penelitian. Ucapan terima kasih juga penulis sampaikan kepada
Bapak Boyke Nurhidayat, S.Kom., M.Kom. selaku penguji pada sidang tesis.
Bagi istri dan putri-putri tersayang serta orang tua tercinta penulis menghaturkan
terima kasih atas semua dorongan moril dan pengorbana yang telah diberikan.
Terima kasih juga penulis sampaikan pada semua pihak yang telah mendukung
dan membantu baik secara langsung maupun tidak langsung.
Semoga penelitian yang telah dilakukan bermanfaat bagi kemajuan ilmu
pengetahuan dan teknologi di masa mendatang.
Bogor, September 2012
Bambang Wahyudi
RIWAYAT HIDUP
Penulis dilahirkan di Kuningan, pada tanggal 08 Mei 1971 dari ayah
bernama E. Sudrajat dan ibu bernama Zuchriyah. Penulis adalah putra ke tiga dari
enam bersaudara. Menikah dengan Dewi Asri dan dikaruniai satu orang putra
(alm) dan dua orang putri.
Tahun 1990 penulis lulus dari SMA Negeri 1 Kuningan, dan tahun 1991
melanjutkan pendidikan di jurusan Teknik Kimia Fakultas Teknik Universitas
Gadjah Mada Yogyakarta melalui jalur UMPTN. Pendidikan S1 diselesaikan pada
tahun 1998.
Sejak tahun 2003 sampai sekarang penulis tercatat sebagai dosen di program
studi Manajemen Informatika Fakultas Ilmu Komputer Universitas Kuningan.
Pada tahun 2005 penulis diangkat menjadi guru PNS untuk mata pelajaran
Teknologi Informasi dan Komunikasi di Deparetem Agama dan ditempatkan di
Madrasah Aliyah Negeri Ciawigebang.
RIWAYAT HIDUP
Penulis dilahirkan di Kuningan, pada tanggal 08 Mei 1971 dari ayah
bernama E. Sudrajat dan ibu bernama Zuchriyah. Penulis adalah putra ke tiga dari
enam bersaudara. Menikah dengan Dewi Asri dan dikaruniai satu orang putra
(alm) dan dua orang putri.
Tahun 1990 penulis lulus dari SMA Negeri 1 Kuningan, dan tahun 1991
melanjutkan pendidikan di jurusan Teknik Kimia Fakultas Teknik Universitas
Gadjah Mada Yogyakarta melalui jalur UMPTN. Pendidikan S1 diselesaikan pada
tahun 1998.
Sejak tahun 2003 sampai sekarang penulis tercatat sebagai dosen di program
studi Manajemen Informatika Fakultas Ilmu Komputer Universitas Kuningan.
Pada tahun 2005 penulis diangkat menjadi guru PNS untuk mata pelajaran
Teknologi Informasi dan Komunikasi di Deparetem Agama dan ditempatkan di
Madrasah Aliyah Negeri Ciawigebang.
PENDAHULUAN
Latar Belakang
Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan
lalu lintas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain.
Untuk menikmati layanan jalan tol, para pengguna harus membayar sesuai tarif
yang berlaku yang didasarkan pada golongan kendaraan. Penggolongan kendaraan
di jalan tol yang digunakan berdasarkan Keputusan Presiden nomor 36 tahun 2003
adalah sebagai berikut :
• Golongan 1 – aturan 1 : banyaknya gandar 2, dan tidak dual tires/roda ganda
(mobil) .
• Golongan 1 – aturan 2 : banyaknya gandar 2, dual tires/roda ganda , dan
kendaraan adalah bis.
• Golongan 2: banyaknya gandar 2, dual tires/roda ganda , bukan bis.
• Golongan 3: banyaknya gandar 3.
• Golongan 4: banyaknya gandar 4.
• Golongan 5: banyaknya gandar 5.
Proses penggolongan kendaraan ini dilakukan oleh petugas di gerbang tol
dengan mengandalkan penglihatan. Beberapa hal yang harus diputuskan saat
melakukan penggolongan adalah jenis kendaraan bis atau bukan, jumlah gandar
dan penggunaan ban ganda pada kendaraan truk bergandar dua. Pekerjaan itu
harus dilakukan dalam waktu yang cepat serta dari sudut pandang yang sempit
sehingga sangat menyulitkan terutama penentuan jumlah gandar serta penggunaan
ban ganda (dual tire) pada kendaraan berjenis truk bergandar dua, karena khusus
untuk kendaraan berjenis truk dengan dua gandar, penggunaan ban ganda pada
roda belakang menjdi pembeda kelas. Truk dua gandar dengan empat roda (single
tires) dimasukkan ke dalam golongan satu sedangkan truk dua gandar denga enam
roda (dual tires) digolongkan ke dalam golongan dua. Tetapi untuk kendaraan
berjenis bis penggunaan ban ganda (dual tires) tidak menjadi pembeda kelas
karena semua kendaraa bis bergandar dua dimasukkan ke dalam golongan satu.
Dengan kondisi ini salah penentuan tarif menjadi sangat potensial terjadi.
1
Untuk mengatasi hal ini diperlukan sebuah sistem otomatis yang dapat membantu
petugas gerbang tol dalam menentukan tarif berdasarkan golongan kendaraan
yang telah ditentukan.
Penggunaan teknik-teknik computer vision dan pengenalan pola yang
berkembang pesat saat ini memberikan salah satu alternatif yang sangat potensial
untuk membangun sistem deteksi kendaraan di jalan raya termasuk jalan tol
berbasis vision. Sistem berbasis vision ini memiliki kemudahan dalam instalasi
serta pemeliharaan yang tidak rumit (Frenze et al, 2002).
Selama ini penelitian-penelitian yang berhubungan dengan pengumpulan
parameter-parameter lalu lintas seperti volume kendaraan, tipe kendaraan,
parameter antrian yang bebasis computer vision sudah banyak dilakukan. Dalam
penelitian (Chen et al., 2009) telah menggunakan pengklasifikasi SVM dan
teknik-teknik pengolahan citra untuk deteksi kendaraan dan deteksi tipe
kendaraan. Dalam projeknya, Narayanan (Narayanan, 2009) telah berhasil
membangun sistem untuk pengumpulan data lalu lintas menggunakan kamera
pengintai yang tersedia. Beberapa algoritma berbasis computer vision telah
dikembangkan dan diterapkan untuk mengekstrak objek dari video, mendeteksi
keberadaan kendaraan, menghitung jumlah dan panjang kendaraan untuk proses
klasifikasi.
Dalam penelitian lain (Fung, Y. et al. 2006 ), (Frenze et al. 2002) telah
berhasil menggunakan kamera dan teknik-teknik computer vision untuk
mendeteksi jumlah gandar pada kendaraan. Penelitian-penelitian tersebut berhasil
mendeteksi keberadaan roda kendaraan secara real time mengunakan kamera
berbasis pada deteksi lingkaran dengan teknik Hough transform. Selanjutnya
dengan deteksi keberadaa roda tersebut dapat ditentukan jumlah as/gandar dari
sebuah kendaraan. Tetapi dalam penelitian-penelitian tersebut belum diteliti teknik
untuk mendeteksi penggunaan roda ganda (dual tire) oleh sebuah kendaraan
berjenis truk. Sementara klasifikasi kendaraan di jalan tol saat ini menggunakan
parameter penggunaan ban ganda (dual tire) pada truk bergandar dua sebagai
pembeda kelas tarif. Gambar 1 memperlihatkan dua jenis truk begandar dua
dengan kelas tarif berbeda berdasarkan penggunaan ban ganda.
2
a. Truk single tire
b. Truk dual tire
Gambar 1. Dua jenis truk bergandar dua
Principal Component Analisis (PCA) atau juga dikenal sebagai KarhunenLoeve merupakan sebuah teknik ekstraksi ciri yang banyak digunakan dalam
bidang pengenalan pola ataupun computer vision. Dalam penelitiannya (Sirovich
& Kirby, 1986), (Kirby & Sirovich, 1990) untuk pertama kali menggunakan PCA
guna merepresentasikan citra wajah manusia. Selanjutnya dalam penelitian lain
(Turk, 1991) mengemukakan metoda eigenface yang sangat terkenal untuk
pengenalan wajah. Sejak saat itu, penelitian-penelitian tentang penggunaan PCA
untuk pengenalan wajah (Khelil, M. et al, 2005)(Buono A. et al, 2010) banyak
dilakukan dan memberikan hasil yang bagus. Walaupun demikian PCA tidak
dapat menangkap semua variansi lokal karena adanya proses pem-vektoran citra
wajah. Untuk mengatasi masalah ini Jian Yang (Yang Jian et al, 2004)
mengemukakan metoda baru yang dinamakan 2D-PCA. Pada PCA konvensional
(1D-PCA) citra direpresentasikan sebagai sebuah vektor, sementara pada 2D-PCA
direpresentasikan sebagai sebuah matriks dua dimensi, sehingga variansi lokal
dari citra tidak hilang. Banyak riset yang sudah dilakukan untuk menguji metoda
2D-PCA dalam melakukan ekstraksi ciri, diantaranya (Le, TH., Bui L. 2011)
(Rashad A. et al, 2009) dan menunjukkan hasil yang bagus.
Pada tahun 1995, Vapnik dan Cortes mengemukakan teori-teori dasar untuk
3
Support Vector Machine (SVM). Sejak saat itu SVM berkembang menjadi metode
yang sangat baik dalam melakukan klasifikasi data. Riset-riset (Le, TH., Bui L.
2011), (Camargo A. et al, 2009), (Lu H. et al, 2011) telah menunjukkan bahwa
SVM merupakan pengklasifikasi yang sangat handal. Pada dasarnya SVM adalah
sebuah pengklasifikasi linear, artinya SVM hanya dapat digunakan pada kasusukasus yang linearly separable. Walaupun demikian kasus-kasus yang non
linearly separable pun dapat menggunakan SVM sebagai pengklasifikasi setelah
sebelumnya data ditransformasi ke ruang baru menggunakan sebuah fungsi
kernel.
Pada penelitian ini dibangun model sistem deteksi penggunaan ban ganda
(dual tire) pada citra kendaraan berjenis truk bergandar dua menggunakan metode
2D-PCA dua tahap sebagai pengekstraksi ciri dan SVM sebagai pengklasifikasi.
Model sistem deteksi penggunaan ban ganda pada truk yang diperoleh dapat
digabungkan dengan sistem deteksi berbasis vision lain sehingga data lalu lintas
yang dapat diperoleh menjadi lebih lengkap. Bagi operator jalan tol, model yang
dibangun dapat dikembangkan menjadi sebuah sistem pendeteksi penggunaan ban
ganda pada kendaraan truk bergandar dua untuk meningkatkan akurasi klasifikasi
kendaraan.
Tujuan
Membangun model sistem deteksi penggunaan ban ganda (dual tire) pada
kendaraan berjenis truk bergandar dua berbasis vision menggunakan metode 2DPCA sebagai pengekstraksi ciri dan pengklasifikasi SVM.
Masalah
Permasalahan yang diangkat pada penelitian ini adalah bagaimana
melakukan ektraksi dan pemilihan fitur dari ban ganda menggunakan 2D-PCA
dan bagaimana fitur tersebut bisa diklasifikasikan dengan metode SVM untuk
membangun model sistem pendeteksi penggunaan ban ganda (dual tire) pada
kendaraan berjenis truk bergandar dua berbasis vision.
4
Ruang Lingkup
Berikut adalah batasan-batasan dan ruang lingkup yang berlaku pada tulisan
ini :
1. Pengambilan citra dilakukan siang hari dari jam 10.00 sampai jam 14.00
dengan kondisi cuaca cerah.
2. Citra diambil dari sudut 45O terhadap as roda belakang
3. Pengambilan citra menggunakan kemera digital dengan ukuran 640 x 480
pixel
4. Kendaraan yang dijadikan objek berjenis truk bergandar dua dengan kondisi
factory default.
Manfaat
Model sistem deteksi penggunaan ban ganda pada truk bergandar dua yang
dikembangkan dapat digabungkan dengan sistem deteksi berbasis vision lain
sehingga data lalu lintas yang dapat diperoleh menjadi lebih lengkap. Bagi
operator jalan tol, sistem yang dikembangkan akan meminimumkan kesalahan
deteksi kelas kendaraan truk bergandar dua berdasarkan penggunaan dual tire.
5
TINJAUAN PUSTAKA
Citra Digital
Secara umum citra merupakan gambar pada bidang dua dimensi. Ditinjau
dari sudut pandang matematis, citra merupakan sebuah fungsi kontinu dari
intensitas radiasi pada bidang dua dimensi. Sumber radiasi mengeluarkan radiasi
yang kemudian mengenai objek, objek memantulkan kembali sebagian dari
radiasi tersebut, pantulan radiasi ini ditangkap oleh sensor pada alat-alat optik
seperti mata, kamera, pemindai (scanner) dan sebagainya. Akhirnya bayangan
objek tersebut direkam dalam suatu media tertentu. Citra semacam ini disebut
juga sebagai citra pantulan. Jika objek menghasilkan radiasi sendiri, maka citra
yang tertangkap oleh sensor disebut sebagai citra emisi. Sedangkan jika objek
bersifat transparan, sehingga citra yang dihasilkannya merupakan representasi dari
radiasi yang berhasil diserap oleh partikel-partikel dari objek tersebut, maka citra
tersebut adalah citra absorpsi. Untuk pembahasan selanjutnya pada seluruh bagian
dari riset ini, yang disebut sebagai citra adalah citra pantulan yang ditangkap oleh
sensor pada kamera.
Analisis terhadap sebuah citra dapat dilakukan dengan menggunakan
bantuan komputer melalui sebuah sistem visual buatan yang biasa disebut dengan
computer vision. Secara umum, tujuan dari sistem visual adalah untuk membuat
model nyata dari sebuah citra. Untuk itu citra yang ditangkap oleh sensor yang
masih dalam bentuk fungsi kontinu (analog) harus dirubah terlebih dahulu
menjadi fungsi diskret (digital) yang dapat dibaca oleh komputer. Proses ini
disebut sebagai digitasi, terdiri dari dua sub proses yaitu sampling dan
kuantifikasi. Sampling merupakan proses untuk mengubah sebuah sinyal dalam
ruang kontinu menjadi sinyal dalam ruang diskret, hasil dari proses ini adalah
citra yang terdiri dari piksel-piksel yang tersusun dalam kolom dan baris. Setiap
piksel merupakan hasil penggabungan dari beberapa sinyal yang saling
berdekatan. Sekali sebuah citra mengalami proses sampling, tidak dimungkinkan
untuk mengembalikannya kedalam bentuk kontinu. Setiap piksel biasanya akan
memuat nilai intensitas yang pada awalnya mempunyai range kontinu, artinya
sangat banyak kemungkinan nilai yang dapat dimuat oleh setiap piksel.
7
Sehubungan dengan keterbatasan kemampuan komputer untuk memproses
pengkodean nilai-nilai tersebut, dibutuhkan sebuah metode untuk membatasinya.
Kuantifikasi merupakan proses untuk mengubah range nilai intensitas yang
semula kontinu menjadi range nilai yang diskret sedemikian sehingga dapat
diakomodasi oleh sistem pengkodean biner pada komputer. Akhirnya, sebuah citra
yang telah melalui proses digitasi disebut sebagai citra digital.
Representasi Citra Digital
Citra digital biasa direpresentasikan sebagai sebuah fungsi dua dimensi
f(x,y), x dan y adalah koordinat spasial yang menunjukkan lokasi dari sebuah
piksel didalam sebuah citra dan amplitudo dari f pada setiap pasangan koordinat
(x,y) adalah intensitas dari citra pada piksel tersebut [Gonzales, 2004]. Untuk
kebutuhan pengolahan dan analisis, representasi tersebut ditampilkan dalam
bentuk matriks sebagai berikut :
…......................... (1)
Tipe-Tipe Citra Digital
Tiga tipe citra digital yang sering digunakan adalah citra intensitas, citra
biner, dan citra RGB. Citra intensitas dan citra biner merupakan citra monokrom
(lebih dikenal dengan citra hitam putih) sedangkan citra RGB merupakan citra
berwarna.
a. Citra Intensitas, merupakan sebuah matriks dua dimensi berukuran mxn yang
setiap selnya berisi nilai intensitas antara 0 sampai dengan 255. Intensitas 0
ditangkap sebagai warna hitam pekat, sedangkan intensitas 255 ditangkap sebagai
warna putih terang oleh mata manusia. Nilai intensitas yang ada diantaranya
merupakan gradasi dari warna hitam ke putih, atau lebih sering disebut warna
keabuan (grayscale).
b. Citra biner, merupakan sebuh matriks dua dimensi berukuran mxn yang setiap
selnya berisi kode 0 atau 1 yang merupakan representasi dari nilai logical "benar"
8
atau "salah", disebut juga tipe data boolean. Nilai 0 sering diasosiasikan dengan
warna putih terang (setara dengan nilai 255 pada citra intensitas) sedangkan nilai
1 sering diasosiasikan dengan warna hitam (setara dengan nilai 0 pada citra
intensitas). Namun bagaimanapun, asosiasi tersebut bisa berubah-ubah tergantung
dari asumsi yang digunakan oleh pengguna. Tidak ada kesepakatan baku yang
mengatur bagaimana nilai 0 dan 1 dihubungkan dengan warna hitam dan putih.
Umumnya, citra biner terbentuk dari citra intensitas yang mengalami proses
tresholding. Proses ini sangat sederhana, pertama-tama tetapkan sebuah nilai T
yang terletak diantara range nilai intensitas. Ubah nilai intensitas dari setiap piksel
dengan mengikuti aturan berikut:
0, jika f(n)≥T
….................................................. (2)
g(n) =
1, jika f(n)
TIRE) PADA KENDARAAN TRUK BERGANDAR DUA MENGGUNAKAN
PENGEKSTRAKSI CIRI 2D-PCA DAN SVM SEBAGAI
PENGKLASIFIKASI
BAMBANG WAHYUDI
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Pengembangan Model Pendeteksian Ban
Ganda (Dual Tire) Pada Kendaraan Truk Berganda Dua Menggunakan
Pengekstraksi Ciri 2D-PCA dan SVM Sebagai Pengklasifikasi adalah karya saya
dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa
pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain
telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian
akhir tesis ini.
Bogor, September 2012
Bambang Wahyudi
NIM G651090354
© Hak Cipta Milik IPB, tahun 2012
Hak Cipta dilindungi Undang-undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah dan pengutipan tersebut tidak merugikan kepentingan
yang wajar IPB.
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis
dalam bentuk apapun tanpa izin IPB.
PENGEMBANGAN MODEL PENDETEKSIAN BAN GANDA (DUAL
TIRE) PADA KENDARAAN TRUK BERGANDAR DUA MENGGUNAKAN
PENGEKSTRAKSI CIRI 2D-PCA DAN SVM SEBAGAI
PENGKLASIFIKASI
BAMBANG WAHYUDI
Tesis
Sebagai Salah Satu Syarat Untuk Memperoleh Gelar
Magister Komputer pada
Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
Penguji Luar Komisi pada Ujian Tesis: Boyke Nurhidayat, S.Kom., M.Kom.
Judul Tesis
Nama Mahasiswa
Nomor Pokok
Program Studi
: Pengembangan Model Pendeteksian Ban Ganda (Dual
Tire) Pada Kendaraan Truk Bergandar Dua
Menggunakan Pengekstraksi Ciri 2D-PCA dan SVM
Sebagai Pengklasifikasi
: Bambang Wahyudi
: G651090354
: Ilmu Komputer
Disetujui,
Komisi Pembimbing
Dr. Ir. Agus Buono, M.Si, M.Kom
Ketua
Mushthofa, S.Kom, M.Sc
Anggota
Diketahui,
Ketua Program Studi
Ilmu Komputer
Dekan Sekolah Pascasarjana
Dr.Yani Nurhadryani S.Si, M.T
Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Ujian:
Tanggal Lulus:
ABSTRACT
BAMBANG WAHYUDI. The Developing of Dual Tires Detection Model of
Two Axles Truck by Using 2D-PCA Feature Extraction and SVM as
Classifiers. Under direction of AGUS BUONO and MUSHTHOFA.
Two axles truck is devided into two types i.e truck that uses single tire and
dual tires at its back wheels. The use of dual tires at a truck will influnce its
classification, so that it is needed a system to detect the use of dual tires. In this
study, we develop a model to detect the occurance of dual tires at a two axels
truck by using two steps 2D-PCA technique as the feature extraction and SVM as
the classifier. In the feature extraction steps by using 2D-PCA, we use the values
of precentage 95 %, 90%, and 85 %. While SVM use linear kernel, quadratic,
cubic and RBF (sigma = 1, 5, 8, 10, 20, 30). By using the scenario, we obtain 81
models. We performed two phases of testing. The first testing phase measures the
accuracy of the detection process without sliding windows. The second testing
phase use sliding windows to detect the occurance of dual tires in an image. For
the first phase testing, we use a database that consists of 552 dual tires images and
1284 non dual tire images with 150 x 150 pixels, and for the second phase testing,
we used 30 images with 640 x 480 pixels. Based on the first phase testing, we
obtained 10 best models to be used for second phase testing. The two stage 2DPCA method successfully reduced the data from 22500 dimensions of image
vector to 36. The two phases testing conducted showed that the best kernels for
detecting dual tires using SVM is the quadratic and the RBF kernel with the best
accuracy of 93.3%.
Keyword : Truck Classification, Dual tire detection, 2D-PCA, SVM
RINGKASAN
BAMBANG .WAHYUDI. Pengembangan Model Pendeteksian Ban Ganda
(dual tire) Pada Kendaraan Truk Bergandar Dna Menggunakan
Pengekstraksi .Ciri Ｒｄｾｐｃａ＠
dan SVM Sebagai Pengklasifikasi. Dibimbing
oleh AGUS BUONO and MUSHTHOFA.
,
I
Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan
la1u Hntas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain.
Untuk menikmati layanan jalan tol, para pengguna hams membayar sesuai tarif
yang berlaku yang didasarkan pada golongan kendaraan. Proses penggolongan
kendaraan ini dilakukan oleh petugas di gerbang tol dengan mengandalkan
peng1ihatan. Beberapa hal yang harus diputuskan saat melakukan penggolongan
adalah jenis kendaraan bis atau bukan, jumlah gandar dan penggunaan ban ganda
pada kendaraan truk. Pekerjaan itu hams dilakukan dalam waktu yang cepat serta
dari sudut pandang yang sempit sebingga sangat menyulitkan terutama penentuan
jumlah gandar serta penggunaan ban ganda (dual tire). Dengan kondisi ini salah
penentuan tarif menjadi sangat potensial teIjadi. Untuk mengatasi hal ini
diperlukan sebuah sistem otomatis yang dapat membantu petugas gerbang tol
dalam menentukan tarifberdasarkan golongan kendaraan yang telah ditentukan.
Penggunaan teknik-teknik computer vision dan pengenalan pola yang
berkembang pesat saat ini memberikan salah satu altematif yang sangat potensial
untuk membangun sistem deteksi kendaraan di jalan raya tennasuk jalan tol
berbasis vision. Sistem berbasis vision ini memiliki kemudahan dalam instalasi
serta pemeliharaan yang tidak mmit.
Selama ini penelitian-penelitian yang berhubungan dengan pengumpulan
parameter-parameter laiu lintas seperti volume kendaraan, tipe kendaraan,
parameter antrian yang bebasis computer vision sudah banyak dilakukan. Tetapi
dalam penelitian-penelitian tersebut belum diteliti teknik untuk mendeteksi
penggunaan roda ganda (dual tire) oleh sebuah kendaraan beIjenis truk.
Sementara klasiflkasi kendaraan di jalan tol saat ini menggunakan parameter
penggunaan ban ganda (dual tire) pada truk bergandar dua sebagai pembeda kelas
tarif
Penelitian ini bertujuan membangun model sistem deteksi penggunaan ban
ganda (dual tire) pada citra kendaraan beIjenis truk bergandar dua menggunakan
metode 2D-PCA dua tahap sebagai pengekstraksi eiri dan SVM sebagai
pengklasifIkasi. Model sistem deteksi penggunaan ban gancla pada truk yang
diperoleh dapat digabungkan dengan sistem deteksi berbasis vision lain sehingga
data laiu lintas yang clapat diperoleh menjadi lebih lengkap. Bagi operator jalan
tol, model yang dibangun dapat dikembangkan menjadi sebuah sistem pendeteksi
penggunaan ban ganda pada truk untuk meningkatkan akurasi klasifikasi
kendaraan.
Untuk kepentingan pelatihan dan pengujian model diambial 165 citra truk
yang menggunakan ban ganda dan 315 citra non ban ganda. Citra-citra tersebut
diambil menggunakan kamera digital dengan resolusi 640 x 480 pixel. Kemara
ditempatkan pada posisi sekitar 45° terhadap as roda belakang dengan ketinggian
kamera dari tanahljalan 0.5 meter. Dari citra-citra yang diperoleb kemudian
,j
J
,I
ｾ＠
ｾｉ＠
"I:
diambil 15 citra truk: yang menggunakan ban ganda serta 15 citra non ban ganda
untuk keperluan pengujian model tahap kedua. Selanjutnya 150 citra truk yang
menggunakan ban ganda dan 300 citra non ban ganda yang tersisa dipakai untuk
pembuatan basis data untuk pelatihan model dan pengujian tahap pertama.
Basis data yang digunakan untuk pelatihan dan pengujian model tahap
pertama terdiri dati 552 citra ban ganda (positif) dan 1284 citra non ban ganda
(negati:t) berukuran 150x150 pixel. Citra-citra ban ganda (positif) diperoleh dari
pemotongan citra truk: yang menggunakan ban ganda hasil pengambilan data.
Pemotongan dilakukan di sekitar ban ganda dengan ukuran 15Ox150 pixel.
Kelompok citra negatif yang terdiri dari 1284 citra bukan ban ganda berukuran
150 x 150 pixel merupakan potongan dati 300 buah citra yang tidak mengandung
ban ganda balk kendaraan truk maupun non truk.. Seianjutnya duapertiga bagian
citra digunakan untuk proses pelatihan dan sepertiga sisanya digunakan untuk
pengujian model tahap 1.
Pada tahap pelatihan model, sebelum data citra digunakan untuk melatih
pengklasifikasi SVM, terlebih dahulu data diproses menggunakan metode 2DPCA. Langkah ini dimaksudkan untuk mereduksi dimensi dan mengambil
komponen ciri dari data. Pengambilan ciri dengan 2D-PCA dilakukan dalam dua
tahap. Data latih tereduksi yang diperoleh dari proses ekstraksi ciri ini kemudian
divektorkan dan digunakan untuk melatih pengklasifikasi SVM dengan
menggunakan kemellinear, polinamial dan RBF.
Pada pengujian tahap pertama, setiap citra uji diekstraksi menggunakan
matriks transformasi 2D-PCA dua tahap yang diperoleh dari proses pelatihan.
Fitur yang diperoleh kemudian divektorkan dan diklasifikasi menggunakan model
SVM yang diperoleh dari proses pelatihan, apakah termasuk kelas citra ban ganda
ataukah bukan. Akurasi masing-masing model kemudian dihitung berdasarkan
jumlah citra yang terklasiftkasi dengan baik.
Berdasarkan akurasi masing-masing model yang diperoleh dari pengujian
tahap satu, kemudian diambil beberapa model yang memiliki tingkat akurasi
paling baik. Model-model terbaik yang diperoleh selanjutnya diuji pada uji tahap
kedua untuk mendeteksi keberadaan ban ganda pada citra-citra truk: menggunakan
teknik sliding window.
Hasil penelitian ini menunjukkan bahwa penggunaan metoda 2D-PCA dua
tahap berhasil mereduksi data citra sampai 99.8%, dati vektor citra yang
berdimensi 22500 menjadi berdimensi 36. Pengujian dua tahap yang dilakukan
memperlihatkan bahwa kernel terbaik untuk pengklasifikasian citra ban ganda dan
bukan ban ganda menggunakan SVM adalah kernel kuadratik dan RBF. Akurasi
terbaik yang dicapai oleh model-model yang dikembangkan mencapai 93.3%.
'"
"
Kata kunci : klasifikasi truk, deteksi ban ganda,
ＲｄＭｾｃａＬ＠
SVM
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah SWT, atas berkat
rahmat dan hidayah-Nya penulis dapat menyelesaikan penelitian dan penulisan
tesis di Program Studi Magister Ilmu Komputer Sekolah Pascasarjana Institut
Pertanian Bogor ini. Tema yang dipilih dalam penelitian yang telah dilaksanakan
pada bulan Desember 2011 sampai dengan Agustus 2012 ini adalah
pengembangan model pendeteksian ban ganda pada kendaraan truk bergandar dua
menggunakan pengekstraksi ciri 2D-PCA dan SVM sebagai pengklasifikasi.
Trima kasih dan penghargaan yang tinggi penulis haturkan kepada Bapak
Dr. Ir. Agus Buono, M.Si, M.Kom dan Bapak Mushthofa, S.Kom, M.Sc. sebagai
komisi pembimbing yang telah memberi banyak arahan dan bimbingan dalam
pelaksanaan penelitian. Ucapan terima kasih juga penulis sampaikan kepada
Bapak Boyke Nurhidayat, S.Kom., M.Kom. selaku penguji pada sidang tesis.
Bagi istri dan putri-putri tersayang serta orang tua tercinta penulis menghaturkan
terima kasih atas semua dorongan moril dan pengorbana yang telah diberikan.
Terima kasih juga penulis sampaikan pada semua pihak yang telah mendukung
dan membantu baik secara langsung maupun tidak langsung.
Semoga penelitian yang telah dilakukan bermanfaat bagi kemajuan ilmu
pengetahuan dan teknologi di masa mendatang.
Bogor, September 2012
Bambang Wahyudi
RIWAYAT HIDUP
Penulis dilahirkan di Kuningan, pada tanggal 08 Mei 1971 dari ayah
bernama E. Sudrajat dan ibu bernama Zuchriyah. Penulis adalah putra ke tiga dari
enam bersaudara. Menikah dengan Dewi Asri dan dikaruniai satu orang putra
(alm) dan dua orang putri.
Tahun 1990 penulis lulus dari SMA Negeri 1 Kuningan, dan tahun 1991
melanjutkan pendidikan di jurusan Teknik Kimia Fakultas Teknik Universitas
Gadjah Mada Yogyakarta melalui jalur UMPTN. Pendidikan S1 diselesaikan pada
tahun 1998.
Sejak tahun 2003 sampai sekarang penulis tercatat sebagai dosen di program
studi Manajemen Informatika Fakultas Ilmu Komputer Universitas Kuningan.
Pada tahun 2005 penulis diangkat menjadi guru PNS untuk mata pelajaran
Teknologi Informasi dan Komunikasi di Deparetem Agama dan ditempatkan di
Madrasah Aliyah Negeri Ciawigebang.
RIWAYAT HIDUP
Penulis dilahirkan di Kuningan, pada tanggal 08 Mei 1971 dari ayah
bernama E. Sudrajat dan ibu bernama Zuchriyah. Penulis adalah putra ke tiga dari
enam bersaudara. Menikah dengan Dewi Asri dan dikaruniai satu orang putra
(alm) dan dua orang putri.
Tahun 1990 penulis lulus dari SMA Negeri 1 Kuningan, dan tahun 1991
melanjutkan pendidikan di jurusan Teknik Kimia Fakultas Teknik Universitas
Gadjah Mada Yogyakarta melalui jalur UMPTN. Pendidikan S1 diselesaikan pada
tahun 1998.
Sejak tahun 2003 sampai sekarang penulis tercatat sebagai dosen di program
studi Manajemen Informatika Fakultas Ilmu Komputer Universitas Kuningan.
Pada tahun 2005 penulis diangkat menjadi guru PNS untuk mata pelajaran
Teknologi Informasi dan Komunikasi di Deparetem Agama dan ditempatkan di
Madrasah Aliyah Negeri Ciawigebang.
PENDAHULUAN
Latar Belakang
Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan
lalu lintas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain.
Untuk menikmati layanan jalan tol, para pengguna harus membayar sesuai tarif
yang berlaku yang didasarkan pada golongan kendaraan. Penggolongan kendaraan
di jalan tol yang digunakan berdasarkan Keputusan Presiden nomor 36 tahun 2003
adalah sebagai berikut :
• Golongan 1 – aturan 1 : banyaknya gandar 2, dan tidak dual tires/roda ganda
(mobil) .
• Golongan 1 – aturan 2 : banyaknya gandar 2, dual tires/roda ganda , dan
kendaraan adalah bis.
• Golongan 2: banyaknya gandar 2, dual tires/roda ganda , bukan bis.
• Golongan 3: banyaknya gandar 3.
• Golongan 4: banyaknya gandar 4.
• Golongan 5: banyaknya gandar 5.
Proses penggolongan kendaraan ini dilakukan oleh petugas di gerbang tol
dengan mengandalkan penglihatan. Beberapa hal yang harus diputuskan saat
melakukan penggolongan adalah jenis kendaraan bis atau bukan, jumlah gandar
dan penggunaan ban ganda pada kendaraan truk bergandar dua. Pekerjaan itu
harus dilakukan dalam waktu yang cepat serta dari sudut pandang yang sempit
sehingga sangat menyulitkan terutama penentuan jumlah gandar serta penggunaan
ban ganda (dual tire) pada kendaraan berjenis truk bergandar dua, karena khusus
untuk kendaraan berjenis truk dengan dua gandar, penggunaan ban ganda pada
roda belakang menjdi pembeda kelas. Truk dua gandar dengan empat roda (single
tires) dimasukkan ke dalam golongan satu sedangkan truk dua gandar denga enam
roda (dual tires) digolongkan ke dalam golongan dua. Tetapi untuk kendaraan
berjenis bis penggunaan ban ganda (dual tires) tidak menjadi pembeda kelas
karena semua kendaraa bis bergandar dua dimasukkan ke dalam golongan satu.
Dengan kondisi ini salah penentuan tarif menjadi sangat potensial terjadi.
1
Untuk mengatasi hal ini diperlukan sebuah sistem otomatis yang dapat membantu
petugas gerbang tol dalam menentukan tarif berdasarkan golongan kendaraan
yang telah ditentukan.
Penggunaan teknik-teknik computer vision dan pengenalan pola yang
berkembang pesat saat ini memberikan salah satu alternatif yang sangat potensial
untuk membangun sistem deteksi kendaraan di jalan raya termasuk jalan tol
berbasis vision. Sistem berbasis vision ini memiliki kemudahan dalam instalasi
serta pemeliharaan yang tidak rumit (Frenze et al, 2002).
Selama ini penelitian-penelitian yang berhubungan dengan pengumpulan
parameter-parameter lalu lintas seperti volume kendaraan, tipe kendaraan,
parameter antrian yang bebasis computer vision sudah banyak dilakukan. Dalam
penelitian (Chen et al., 2009) telah menggunakan pengklasifikasi SVM dan
teknik-teknik pengolahan citra untuk deteksi kendaraan dan deteksi tipe
kendaraan. Dalam projeknya, Narayanan (Narayanan, 2009) telah berhasil
membangun sistem untuk pengumpulan data lalu lintas menggunakan kamera
pengintai yang tersedia. Beberapa algoritma berbasis computer vision telah
dikembangkan dan diterapkan untuk mengekstrak objek dari video, mendeteksi
keberadaan kendaraan, menghitung jumlah dan panjang kendaraan untuk proses
klasifikasi.
Dalam penelitian lain (Fung, Y. et al. 2006 ), (Frenze et al. 2002) telah
berhasil menggunakan kamera dan teknik-teknik computer vision untuk
mendeteksi jumlah gandar pada kendaraan. Penelitian-penelitian tersebut berhasil
mendeteksi keberadaan roda kendaraan secara real time mengunakan kamera
berbasis pada deteksi lingkaran dengan teknik Hough transform. Selanjutnya
dengan deteksi keberadaa roda tersebut dapat ditentukan jumlah as/gandar dari
sebuah kendaraan. Tetapi dalam penelitian-penelitian tersebut belum diteliti teknik
untuk mendeteksi penggunaan roda ganda (dual tire) oleh sebuah kendaraan
berjenis truk. Sementara klasifikasi kendaraan di jalan tol saat ini menggunakan
parameter penggunaan ban ganda (dual tire) pada truk bergandar dua sebagai
pembeda kelas tarif. Gambar 1 memperlihatkan dua jenis truk begandar dua
dengan kelas tarif berbeda berdasarkan penggunaan ban ganda.
2
a. Truk single tire
b. Truk dual tire
Gambar 1. Dua jenis truk bergandar dua
Principal Component Analisis (PCA) atau juga dikenal sebagai KarhunenLoeve merupakan sebuah teknik ekstraksi ciri yang banyak digunakan dalam
bidang pengenalan pola ataupun computer vision. Dalam penelitiannya (Sirovich
& Kirby, 1986), (Kirby & Sirovich, 1990) untuk pertama kali menggunakan PCA
guna merepresentasikan citra wajah manusia. Selanjutnya dalam penelitian lain
(Turk, 1991) mengemukakan metoda eigenface yang sangat terkenal untuk
pengenalan wajah. Sejak saat itu, penelitian-penelitian tentang penggunaan PCA
untuk pengenalan wajah (Khelil, M. et al, 2005)(Buono A. et al, 2010) banyak
dilakukan dan memberikan hasil yang bagus. Walaupun demikian PCA tidak
dapat menangkap semua variansi lokal karena adanya proses pem-vektoran citra
wajah. Untuk mengatasi masalah ini Jian Yang (Yang Jian et al, 2004)
mengemukakan metoda baru yang dinamakan 2D-PCA. Pada PCA konvensional
(1D-PCA) citra direpresentasikan sebagai sebuah vektor, sementara pada 2D-PCA
direpresentasikan sebagai sebuah matriks dua dimensi, sehingga variansi lokal
dari citra tidak hilang. Banyak riset yang sudah dilakukan untuk menguji metoda
2D-PCA dalam melakukan ekstraksi ciri, diantaranya (Le, TH., Bui L. 2011)
(Rashad A. et al, 2009) dan menunjukkan hasil yang bagus.
Pada tahun 1995, Vapnik dan Cortes mengemukakan teori-teori dasar untuk
3
Support Vector Machine (SVM). Sejak saat itu SVM berkembang menjadi metode
yang sangat baik dalam melakukan klasifikasi data. Riset-riset (Le, TH., Bui L.
2011), (Camargo A. et al, 2009), (Lu H. et al, 2011) telah menunjukkan bahwa
SVM merupakan pengklasifikasi yang sangat handal. Pada dasarnya SVM adalah
sebuah pengklasifikasi linear, artinya SVM hanya dapat digunakan pada kasusukasus yang linearly separable. Walaupun demikian kasus-kasus yang non
linearly separable pun dapat menggunakan SVM sebagai pengklasifikasi setelah
sebelumnya data ditransformasi ke ruang baru menggunakan sebuah fungsi
kernel.
Pada penelitian ini dibangun model sistem deteksi penggunaan ban ganda
(dual tire) pada citra kendaraan berjenis truk bergandar dua menggunakan metode
2D-PCA dua tahap sebagai pengekstraksi ciri dan SVM sebagai pengklasifikasi.
Model sistem deteksi penggunaan ban ganda pada truk yang diperoleh dapat
digabungkan dengan sistem deteksi berbasis vision lain sehingga data lalu lintas
yang dapat diperoleh menjadi lebih lengkap. Bagi operator jalan tol, model yang
dibangun dapat dikembangkan menjadi sebuah sistem pendeteksi penggunaan ban
ganda pada kendaraan truk bergandar dua untuk meningkatkan akurasi klasifikasi
kendaraan.
Tujuan
Membangun model sistem deteksi penggunaan ban ganda (dual tire) pada
kendaraan berjenis truk bergandar dua berbasis vision menggunakan metode 2DPCA sebagai pengekstraksi ciri dan pengklasifikasi SVM.
Masalah
Permasalahan yang diangkat pada penelitian ini adalah bagaimana
melakukan ektraksi dan pemilihan fitur dari ban ganda menggunakan 2D-PCA
dan bagaimana fitur tersebut bisa diklasifikasikan dengan metode SVM untuk
membangun model sistem pendeteksi penggunaan ban ganda (dual tire) pada
kendaraan berjenis truk bergandar dua berbasis vision.
4
Ruang Lingkup
Berikut adalah batasan-batasan dan ruang lingkup yang berlaku pada tulisan
ini :
1. Pengambilan citra dilakukan siang hari dari jam 10.00 sampai jam 14.00
dengan kondisi cuaca cerah.
2. Citra diambil dari sudut 45O terhadap as roda belakang
3. Pengambilan citra menggunakan kemera digital dengan ukuran 640 x 480
pixel
4. Kendaraan yang dijadikan objek berjenis truk bergandar dua dengan kondisi
factory default.
Manfaat
Model sistem deteksi penggunaan ban ganda pada truk bergandar dua yang
dikembangkan dapat digabungkan dengan sistem deteksi berbasis vision lain
sehingga data lalu lintas yang dapat diperoleh menjadi lebih lengkap. Bagi
operator jalan tol, sistem yang dikembangkan akan meminimumkan kesalahan
deteksi kelas kendaraan truk bergandar dua berdasarkan penggunaan dual tire.
5
TINJAUAN PUSTAKA
Citra Digital
Secara umum citra merupakan gambar pada bidang dua dimensi. Ditinjau
dari sudut pandang matematis, citra merupakan sebuah fungsi kontinu dari
intensitas radiasi pada bidang dua dimensi. Sumber radiasi mengeluarkan radiasi
yang kemudian mengenai objek, objek memantulkan kembali sebagian dari
radiasi tersebut, pantulan radiasi ini ditangkap oleh sensor pada alat-alat optik
seperti mata, kamera, pemindai (scanner) dan sebagainya. Akhirnya bayangan
objek tersebut direkam dalam suatu media tertentu. Citra semacam ini disebut
juga sebagai citra pantulan. Jika objek menghasilkan radiasi sendiri, maka citra
yang tertangkap oleh sensor disebut sebagai citra emisi. Sedangkan jika objek
bersifat transparan, sehingga citra yang dihasilkannya merupakan representasi dari
radiasi yang berhasil diserap oleh partikel-partikel dari objek tersebut, maka citra
tersebut adalah citra absorpsi. Untuk pembahasan selanjutnya pada seluruh bagian
dari riset ini, yang disebut sebagai citra adalah citra pantulan yang ditangkap oleh
sensor pada kamera.
Analisis terhadap sebuah citra dapat dilakukan dengan menggunakan
bantuan komputer melalui sebuah sistem visual buatan yang biasa disebut dengan
computer vision. Secara umum, tujuan dari sistem visual adalah untuk membuat
model nyata dari sebuah citra. Untuk itu citra yang ditangkap oleh sensor yang
masih dalam bentuk fungsi kontinu (analog) harus dirubah terlebih dahulu
menjadi fungsi diskret (digital) yang dapat dibaca oleh komputer. Proses ini
disebut sebagai digitasi, terdiri dari dua sub proses yaitu sampling dan
kuantifikasi. Sampling merupakan proses untuk mengubah sebuah sinyal dalam
ruang kontinu menjadi sinyal dalam ruang diskret, hasil dari proses ini adalah
citra yang terdiri dari piksel-piksel yang tersusun dalam kolom dan baris. Setiap
piksel merupakan hasil penggabungan dari beberapa sinyal yang saling
berdekatan. Sekali sebuah citra mengalami proses sampling, tidak dimungkinkan
untuk mengembalikannya kedalam bentuk kontinu. Setiap piksel biasanya akan
memuat nilai intensitas yang pada awalnya mempunyai range kontinu, artinya
sangat banyak kemungkinan nilai yang dapat dimuat oleh setiap piksel.
7
Sehubungan dengan keterbatasan kemampuan komputer untuk memproses
pengkodean nilai-nilai tersebut, dibutuhkan sebuah metode untuk membatasinya.
Kuantifikasi merupakan proses untuk mengubah range nilai intensitas yang
semula kontinu menjadi range nilai yang diskret sedemikian sehingga dapat
diakomodasi oleh sistem pengkodean biner pada komputer. Akhirnya, sebuah citra
yang telah melalui proses digitasi disebut sebagai citra digital.
Representasi Citra Digital
Citra digital biasa direpresentasikan sebagai sebuah fungsi dua dimensi
f(x,y), x dan y adalah koordinat spasial yang menunjukkan lokasi dari sebuah
piksel didalam sebuah citra dan amplitudo dari f pada setiap pasangan koordinat
(x,y) adalah intensitas dari citra pada piksel tersebut [Gonzales, 2004]. Untuk
kebutuhan pengolahan dan analisis, representasi tersebut ditampilkan dalam
bentuk matriks sebagai berikut :
…......................... (1)
Tipe-Tipe Citra Digital
Tiga tipe citra digital yang sering digunakan adalah citra intensitas, citra
biner, dan citra RGB. Citra intensitas dan citra biner merupakan citra monokrom
(lebih dikenal dengan citra hitam putih) sedangkan citra RGB merupakan citra
berwarna.
a. Citra Intensitas, merupakan sebuah matriks dua dimensi berukuran mxn yang
setiap selnya berisi nilai intensitas antara 0 sampai dengan 255. Intensitas 0
ditangkap sebagai warna hitam pekat, sedangkan intensitas 255 ditangkap sebagai
warna putih terang oleh mata manusia. Nilai intensitas yang ada diantaranya
merupakan gradasi dari warna hitam ke putih, atau lebih sering disebut warna
keabuan (grayscale).
b. Citra biner, merupakan sebuh matriks dua dimensi berukuran mxn yang setiap
selnya berisi kode 0 atau 1 yang merupakan representasi dari nilai logical "benar"
8
atau "salah", disebut juga tipe data boolean. Nilai 0 sering diasosiasikan dengan
warna putih terang (setara dengan nilai 255 pada citra intensitas) sedangkan nilai
1 sering diasosiasikan dengan warna hitam (setara dengan nilai 0 pada citra
intensitas). Namun bagaimanapun, asosiasi tersebut bisa berubah-ubah tergantung
dari asumsi yang digunakan oleh pengguna. Tidak ada kesepakatan baku yang
mengatur bagaimana nilai 0 dan 1 dihubungkan dengan warna hitam dan putih.
Umumnya, citra biner terbentuk dari citra intensitas yang mengalami proses
tresholding. Proses ini sangat sederhana, pertama-tama tetapkan sebuah nilai T
yang terletak diantara range nilai intensitas. Ubah nilai intensitas dari setiap piksel
dengan mengikuti aturan berikut:
0, jika f(n)≥T
….................................................. (2)
g(n) =
1, jika f(n)