PROTOTIPE SISTEM PENGATUR ISYARAT LALU (1)

LAPORAN AKHIR PENELITIAN HIBAH BERSAING PROTOTIPE SISTEM PENGATUR ISYARAT LALU-LINTAS ADAPTIF TERKOORDINASI UNTUK RUAS JALAN SENOPATI DAN JALAN SULTAN AGUNG YOGYAKARTA

Tahun ke-2 dari rencana 3 tahun

Tim Pengusul:

Freddy Kurniawan, S.T., M.T. NIDN 0517037601 (Ketua) Haruno Sajati, S.T., M.Eng.

NIDN 0522078001 (Anggota 1) Okto Dinaryanto, S.T., M.M., M.Eng. NIDN 0504107202 (Anggota 2)

Dibiayai oleh:

Direktorat Penelitian dan Pengabdian Kepada Masyarakat Direktorat Jenderal Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan Sesuai dengan Surat Perjanjian Pelaksanaan Hibah Penelitian bagi Dosen Perguruan Tinggi Swasta Kopertis Wilayah V Tahun Anggaran 2015 Nomor: 030/HB-LIT/III/2015 tanggal 25 Maret 2015

SEKOLAH TINGGI TEKNOLOGI ADISUTJIPTO

Juni 2015

HALAMAN PENGESAHAN

RINGKASAN

Kemacetan lalu-lintas telah menyebabkan kerugian jutaan rupiah setiap jamnya. Kemacetan yang sering terjadi berupa antrian panjang pada setiap pengatur lalu-lintas. Salah satu penyebab kemacetan tersebut adalah tidak efektifnya pewaktuan pengatur lalu-lintas yang digunakan saat ini. Ketidakefektifan pengatur lalu-lintas yang digunakan di Indonesia disebabkan tidak dapatnya sebuah pengatur lalu-lintas mengikuti perubahan volume kendaraan.

Pada tahun pertama skim penelitian ini, telah dibuat sistem pengatur lalu-lintas dengan pengaturan waktu terjadwal dan terkoordinasi untuk persimpangan Kantor Pos, Gondomanan, dan Bintaran di Kota Yogyakarta. Sistem ini terdiri dari sebuah prototipe pengatur lalu-lintas master untuk persimpangan Gondomanan, dan pengatur lokal untuk persimpangan Kantor Pos dan Bintaran. Setiap pengatur lalu-lintas mempunyai jadwal pewaktuan pengaturan lalu-lintas yang telah disesuaikan dengan kepadatan harian dan mingguan di setiap persimpangan. Kerja kedua pengatur lokal telah dapat dikoordinasi oleh pengatur master sehingga pewaktuan keduanya telah dapat sinkron dengan pengatur master. Hasil analisis menunjukkan bahwa penggunaan sistem ini diperkirakan dapat menurunkan waktu tempuh kendaraan hingga 40 %.

Pada tahun kedua ini, sistem dikembangkan dengan menambah sifat adaptif. Sifat ini menjadikan sistem ini dapat menyesuaikan diri dengan perubahan kepadatan lalu-lintas. Waktu isyarat hijau semua arah di pengatur lalu-lintas mengikuti data kepadatan lalu-lintas kendaraan yang datang dari arah tersebut. Data kepadatan tersebut diambil dari data video streaming yang berasal dari empat kamera pemantau yang dipasang di setiap arah.

Pada penelitian ini dikembangkan metode baru untuk pendeteksian kepadatan lalu-lintas yang dapat mendeteksi semua jenis kendaraan. Pendeteksian dilakukan dengan menghitung simpangan baku histogram intensitas atas citra yang menggambarkan kondisi lalu-lintas. Citra didapat dengan mengekstrak frame video dari kamera pemantau kepadatan lalu-lintas.

Dari hasil analisis didapat bahwa nilai histogram intensitas atas citra pada area tersebut berubah dengan adanya perubahan intensitas cahaya. Namun nilai simpangan baku histogram intensitas mempunyai kecenderungan sebanding dengan kepadatan lalu-lintas dan tidak banyak terpengaruh oleh nilai intensitas cahaya yang ada. Metode pendeteksian ini dapat digunakan untuk mendeteksi kepadatan lalu-lintas dengan baik pada siang dan malam hari.

Kata Kunci: simpangan baku, histogram intensitas, mendeteksi kepadatan, pemrosesan citra.

iii

PRAKATA

Puji syukur kami panjatkan ke hadirat Allah swt atas nikmat dan karunia-Nya laporan penelitian hibah bersaing ini telah dapat kami selesaikan. Dengan telah tersusunnya laporan ini, berarti proses penelitian dosen hibah bersaing dengan judul “Prototipe Sistem Pengatur Isyarat Lalu-Lintas Adaptif Terkoordinasi Untuk Ruas Jalan Senopati dan Jalan Sultan Agung Yogyakarta ” untuk tahun kedua ini telah selesai dilaksanakan. Diharapkan penelitian ini dapat dilanjutkan pada tahun ketiga dengan target dapat menggunakan sistem berbasis mikrioprosesor sebagai pengganti komputer yang berfungsi utama untuk mendeteksi kepadatan lalu-lintas.

Peneliti menyadari bahwa laporan kemajuan penelitian ini masih jauh dari sempurna. Untuk itu segala kritik dan saran untuk kebaikan kita semua sangat kami harapkan. Semoga hasil penelitian ini dapat bermanfaat bagi pengembangan ilmu pengetahuan dan penentuan arah kebijakan pembangunan di Indonesia.

iv

LAMPIRAN: Instrumen Penelitian Personalia Tenaga Peneliti beserta Kualifikasinya Naskah Publikasi Ilmiah

vi

BAB 1 PENDAHULUAN

1.1 Latar Belakang dan Permasalahan

Kemacetan lalu-lintas di kota Yogyakarta telah menimbulkan kerugian jutaan rupiah (Basuki, 2008). Kemacetan biasanya berupa antrian panjang di persimpangan yang diatur oleh alat pengatur isyarat lalu-lintas (APILL). Sementara itu, pada tengah malam, beberapa kendaraan harus tetap menunggu di setiap pengatur lalu-lintas meskipun tidak ada kendaraan lain yang melewati persimpangan tersebut. Terjadinya fenomena kemacetan pada jam-jam sibuk dan adanya waktu terbuang pada malam hari disebabkan tidak dapatnya pengatur lalu-lintas menyesuaikan dengan volume kendaraan yang datang ke persimpangan tersebut.

Masalah tersebut telah mulai dapat diatasi dengan digunakannya sistem pengatur isyarat lalu-lintas terjadwal dan terkoordinasi. Prototipe sistem yang telah dibuat pada tahun pertama penelitian ini telah dapat mengatur isyarat lalu-lintas untuk persimpangan Kantor Pos, Gondomanan, dan Bintaran sesuai jadwal. Jadwal pewaktuan isyarat lalu-lintas yang berlaku untuk 7 × 24 jam tersebut didapat dari hasil analisis atas data survei kepadatan kendaraan. Dari diagram trayektori kendaraan hasil pengaturan lalu-lintas untuk ketiga persimpangan didapat bahwa sistem ini diharapkan dapat menurunkan waktu tempuh kendaraan dari persimpangan Kantor Pos ke Gondomanan, dan Bintaran dan sebaliknya hingga 40 %.

Dari hasil analisis atas kerja mikrontroler, pada saat menjalankan program pengaturan isyarat lalu-lintas, memori yang digunakan mikrokontroler masih di bawah

10 % dan waktu sibuk CPU baru mencapai 1 %. Dengan kondisi ini sistem masih dapat secara leluasa dikembangkan menjadi sistem pengatur isyarat lalu-lintas adaptif.

Pengembangan sifat adaptif didasarkan atas data jumlah kendaraan yang didapat dari sensor kamera. Hal ini merupakan metode yang paling banyak ditempuh oleh beberapa peneliti sebelumnya. Askerzade (2010) telah membuat implementasi pemrosesan citra dan logika kabur untuk menghitung jumlah kendaraan yang datang, dan mengirim data tersebut ke mikrokontroler. Selanjutnya mikrokontroler inilah yang mengatur isyarat lalu-lintas. Rachmadi dkk. (2012) juga telah dapat mendeteksi kepadatan kendaraan dari sensor kamera dengan mencari perbedaan data citra yang ada Pengembangan sifat adaptif didasarkan atas data jumlah kendaraan yang didapat dari sensor kamera. Hal ini merupakan metode yang paling banyak ditempuh oleh beberapa peneliti sebelumnya. Askerzade (2010) telah membuat implementasi pemrosesan citra dan logika kabur untuk menghitung jumlah kendaraan yang datang, dan mengirim data tersebut ke mikrokontroler. Selanjutnya mikrokontroler inilah yang mengatur isyarat lalu-lintas. Rachmadi dkk. (2012) juga telah dapat mendeteksi kepadatan kendaraan dari sensor kamera dengan mencari perbedaan data citra yang ada

Meskipun algoritma pendeteksian kendaraan telah banyak dikembangkan (Sulaeman, 2008; Primantari, 2010; Afif, 2011, Zaman, 2011; Khairdoost at. el., 2012, Rachmadi, 2012), namun tidak ada jaminan hasil pendeteksian kendaraan selalu akurat. Kesalahan tersebut dapat mengakibatkan kesalahan pengaturan lalu-lintas yang berujung pada kemacetan.

Di negara maju, sistem pengatur lalu-lintas adaptif telah banyak dikembangkan. Sistem tersebut dapat mengatur aliran kendaraan menurut kepadatan lalu-lintas saat itu. Sistem tersebut menggunakan beberapa sensor, di antaranya adalah kalang induktif (ILD, Inductive Loop Detector), inframerah, atau kamera. Keberadaan sensor tersebut untuk mendeteksi kepadatan lalu-lintas. Salah satu metode pendeteksian yang banyak dikembangkan adalah menggunakan pengolah citra (image processing). Metode ini menggunakan beberapa kamera sebagai sensor keberadaan kendaraan. Sistem yang sekarang banyak digunakan di negara maju ini efektif digunakan pada jalan yang diperuntukkan hanya bagi mobil atau kendaraan beroda empat atau lebih.

Sayangnya sistem tersebut tidak efektif digunakan di negara berkembang seperti di Indonesia. Di negeri ini, banyak ruas jalan yang diperuntukkan bagi semua jenis kendaraan dari bus, truk, mobil, sepeda motor, sepeda, becak, andong, dan kendaraan tidak bermotor lain. Untuk itu diperlukan suatu metode untuk mendeteksi semua kendaraan sehingga hasil pendeteksian kepadatan lalu-lintas dapat lebih akurat.

Salah satu keunikan penelitian ini dengan penelitian yang lain adalah digunakannya jadwal pewaktuan sebagai acuan utama pengaturan isyarat lalu-lintas. Data kepadatan lalu-lintas dari sensor dapat mengubah pewaktuan setiap isyarat lalu- lintas untuk waktu tertentu dan dalam batas tertentu pula. Jika terjadi kegagalan dalam menentukan jumlah kendaraan (misalnya karena cuaca buruk atau gangguan pada kamera) maka sistem menggunakan acuan jadwal pewaktuan sebagai dasar untuk menentukan waktu isyarat di setiap arah.

1.2 Perumusan Masalah

Penelitian ini dilakukan dengan mengembangkan prototipe sistem pengatur isyarat lalu-lintas terjadwal dan terkoordinasi untuk persimpangan Kantor Pos, Gondomanan, dan Bintaran yang telah dibuat di tahun pertama menjadi prototipe sistem pengatur isyarat lalu-lintas adaptif terkoordinasi. Sifat adaptif ini didasarkan dari data jumlah kendaraan yang ditangkap oleh sensor kamera.

Beberapa masalah yang dipecahkan dalam penelitian ini adalah sebagai berikut.

1. Bagaimana menentukan kepadatan lalu-lintas pada gambar yang ditangkap oleh kamera?

2. Begaimana menjalankan program pendeteksian kepadatan lalu-lintas pada sistem ini?

3. Bagaimana menambahkan sifat adaptif pada prototipe sistem pengaturan lalu-lintas terjadwal?

BAB 2 TINJAUAN PUSTAKA

Pendeteksian obyek mudah dilakukan oleh manusia tetapi merupakan tantangan tersendiri oleh sistem berbasis computer vision. Pada dasarnya pengembangan keilmuan computer vision adalah meniru bagaimana manusia melihat (human vision). Akan tetapi proses peniruan ini melibatkan studi yang sangat kompleks. Manusia melihat melalui mata yang kemudian dibawa ke otak untuk diterjemahkan atau dikenali (Pambudi & Simorangkir, 2012). Telah cukup banyak penelitian yang membahas mengenai sistem berbasis computer vision diantaranya pengolahan citra, neural network, statistik, pengenalan pola, anthropometry dan computer vision (Padilla, Filho, & Costa, 2002). Hasil pendeteksi ini dapat dikembangkan pada aplikasi-aplikasi yang lain. Sebagai contoh pengenalan wajah atau pola, menghitung jumlah pengunjung atau penghitung jumlah kendaraan di jalan raya yang kemudian dapat dilanjutkan sebagai pendukung keputusan terkait prosedur standar yang akan diterapkan.

Sejumlah penenelitian terkait telah dilakasanakan untuk pemroses citra untuk keperluan pengatur lalu-lintas adaptif. Pada awalnya deteksi obyek dilakukan menggunakan metode-metode deteksi tepi seperti Sobel, Prewitts atau Canni. Deteksi tepi dengan metode-metode tersebut sangat menguras sumber daya karena tingginya komputasi yang dilakukan picture element (pixel) demi pixel (Sajati & Astuti, 2013). Penggunaan deteksi tepi untuk pendeteksian obyek tidak efektif pada obyek bergerak seperti dalam format video dimana pergerakan frame dalam sebuah video dapat mencapai 20 frame per detik (fps). Metode deteksi tepi juga tidak efektif untuk diterapkan sebagai sistem pendeteksian obyek pada object tracking atau fast object tracking .

Hongjin Zhu telah memperesentasikan metode pendeteksian sisi horisontal atas kendaraan yang sedang bergerak. Dengan menggunakan auto korelasi, dapat dideteksi keberadaan setiap kendaraan meskipun dalam citra beberapa kendaraan terlihat saling tumpang tindih (Zhu H, at. al., 2013). Fazli (2012) telah dapat mebuat pengelompokkan kendaraan berdasarkan jaringan syaraf untuk keperluan pengatur lalu- Hongjin Zhu telah memperesentasikan metode pendeteksian sisi horisontal atas kendaraan yang sedang bergerak. Dengan menggunakan auto korelasi, dapat dideteksi keberadaan setiap kendaraan meskipun dalam citra beberapa kendaraan terlihat saling tumpang tindih (Zhu H, at. al., 2013). Fazli (2012) telah dapat mebuat pengelompokkan kendaraan berdasarkan jaringan syaraf untuk keperluan pengatur lalu-

Perkembangan terbaru untuk pendeteksian kendaraan adalah menggunakan Casacde Haar. Chirag dan Ripal telah mengimplementasikan hal ini menggunakan dengan 15 tingkat klasifikasi, 17 macam fitur Haar pada citra berukuran 35 × 20 titik. Hasil pendeteksian kendaraan dapat dijadikan lebih akurat dengan menambah jumlah sampel (Chrag dan Ripal, 2013). Kepadatan lalu-lintas dapat dihitung dengan membandingkan setiap frame citra video dengan citra acuan yang berupa latar belakang jalan (Abbas dkk., 2013). Lebih lanjut, pendeteksian kendaraan dan penelusuran arah kendaraan dapat dilakukan dengan mengekstraks citra pada setiap frame dari video tersebut (Chaple dan Paygude, 2013).

Beberapa penelitian yang difokuskan pada karakteristik lalu-lintas di Indonesia juga telah dilakukan. Jatmiko dkk. (2010) telah mempresentasikan arsitektur desentralisasi untuk pengatur lalu-lintas pada situasi nyata untuk persimpangan yang tidak terstruktur seperti di Jakarta. Sementara itu, di tahun pertama penelitian ini telah dapat terbentuk pengatur lalu-lintas yang dapat mengatur lalu-lintas sesuai jadwal (Kurniawan, 2014).

Di antara banyak penelitian yang telah dilakukan, tidak ada yang dapat digunakan untuk pendeteksian kendaraan di jalan yang diisi oleh bermacam-macam kendaraan. Hampir semua kendaraan yang ada dapat diklasifikasikan, tetapi hal ini membutuhkan sampel sangat banyak dan akan meningkatkan beban komputasi cukup signifikan. Sistem pengatur lalu-lintas adaptif berbasis pendeteksian kendaraan berbasis video real time yang telah diterapkan di negara maju sulit diterapkan di Indonesia. Di negeri ini, dibutuhkan sistem pengatur lalu-lintas yang dapat mendeteksi semua jenis kendaraan.

BAB 3

TUJUAN DAN MANFAAT PENELITIAN

3.1 Tujuan Penelitian

Penelitian ini dilakukan dengan tujuan sebagai berikut.

1. Membuat algoritma dan program untuk menentukan kepadatan lalu-lintas pada gambar yang ditangkap oleh kamera.

2. Menentukan perangkat keras yang dapat menjalankan program untuk menentukan kepadatan lalu-lintas.

3. Membuat algoritma dan subprogram adaptasi, dan menambahkannya pada program pengaturan lalu-lintas untuk persimpangan Gondomanan.

3.2 Manfaat Penelitian

Penelitian ini dibuat dengan beberapa manfaat sebagai berikut:

1. Produk ilmu pengetahuan dan teknologi, yaitu: prototipe sistem pengatur isyarat lalu-lintas adaptif untuk persimpangan.

2. Publikasi ilmiah dalam jurnal internasional Telkomnika (terindeks Scopus) dengan judul : “Adaptive Traffic Controller Based On Pre-Timed System”.

3. Prosiding seminar nasional RETII dengan tema: “Pendeteksian Kepadatan Lalu- lintas dengan Menggunakan Simpangan Baku Histogram Citra Jalan ”.

BAB 4 METODE PENELITIAN

Penelitian ini dilakukan dengan mengembangkan hasil penelitian tahun pertama. Peta jalan (road map) penelitian ketiga tahun dapat dilihat pada Gambar 4.1.

Penelitian tahun I Rencana penelitian

hibah bersaing

berikutnya

Prototipe SPILL Penggunaan kamera

Prototipe SPILL

terjadwal dan adaptif Penelitian pengatur

untuk mendeteksi

terjadwal dan

menggunakan SBC lalu-lintas dengan

terkoordinasi

kepadatan kendaraan

(tahun I: 2014)

(tahun III)

logika fuzzy

Prototipe Sistem Pengatur Lalu-Lintas Adaptif Terkoordinasi

Simulasi pengatur lalu-lintas adaptif sinkron (2008)

Prototipe SPILL

lintas terkoordinasi Prototipe dua APILL

Pengatur lalu-

terjadwal dan adaptif

terkoordinasi

(tahun II: 2015)

Penelitian yang

Penelitian yang telah dilakukan sebelumnya

dilakukan tahun ini

Gambar 4.1. Diagram fishbone penelitian

Pada tahun pertama telah berhasil dibuat prototipe sistem pengatur isyarat lalu-lintas (SPILL) terjadwal dan terkoordinasi untuk persimpangan Kantor Pos, Gondomanan, dan Bintaran. Sistem ini telah dapat mengatur lalu-lintas untuk ketiga persimpangan sesuai jadwal pewaktuan isyarat lalu-lintas yang disimpan setiap pengatur lalu-lintas. Jadwal yang diperoleh dari hasil analisis waktu hijau efektif untuk ketiga persimpangan tersebut berlaku selama 7 × 24 jam.

Sebuah program Traffic Management Centre dapat digunakan operator untuk mengubah jadwal pewaktuan ketiga pengatur lalu-lintas secara nirkabel. Program tersebut mengirim telemommand ke setiap pengatur lalu-lintas agar mengirim jadwal ke terminal, selanjutnya operator dapat mengedit jadwal, dan kemudian program mengunduh kembali jadwal pewaktuan ke setiap pengatur lalu-lintas.

Pada tahun kedua ini, sistem dikembangkan menjadi prototipe sistem pengatur lalu-lintas terjadwal dan adaptif. Di sini ditambahkan sensor kamera untuk mendeteksi jumlah kendaraan yang melintas di persimpangan Gondomanan. Diagram blok sistem ini dapat dilihat pada Gambar 4.2.

Prototipe pengatur lalu-lintas terjadwal dan terkoordinasi (telah dibuat pada tahun I)

Terminal Operator

Modul Komunikasi

Modul

Modul

Komunikasi Pengatur Lalu-

Komunikasi

Pengatur Lalu- lintas Lokal 1

Pengatur Lalu-

lintas Lokal 2 (Kantor Pos)

lintas Master

(Gondomanan)

(Bintaran)

Kamera USB

Gambar 4.2. Blok diagram sistem pengatur isyarat lalu-lintas adaptif terkoordinasi

Sistem dikembangkan dengan menambahkan empat kamera yang memantau kedatangan kendaraan di keempat arah. Kamera tersebut dihubungkan ke sebuah wi-fi router agar data video streaming dapat dimasukkan ke sebuah laptop. Data video tersebut diproses di sebuah laptop untuk dihitung jumlah kendaraan. Selanjutnya data junlah kendaraan dikirim ke pangatur lalu-lintas melalui sebuah port USB.

4.1 Masukan Penelitian

Penelitian tahun pertama telah menghasilkan beberapa luaran. Beberapa luaran tersebut yang menjadi masukan pada penelitian di tahun kedua ini adalah sebagai berikut.

1. Algoritma dan program pengatur isyarat lalu-lintas terjadwal dan adaptif.

2. Prototipe pengatur isyarat lalu-lintas terjadwal dan adaptif untuk persimpangan Gondomanan.

3. Perhitungan dan data penurunan waktu tempuh kendaraan yang diatur oleh sistem ini.

Untuk mewujudkan tujuan penelitian, urutan tahapan penelitian dibuat mengikuti diagram alir sebagaimana Gambar 4.3.

Masukan:

Masukan:

Algoritma dan program pengaturan Algoritma pendeteksian kendaraan isyarat lalu-lintas sinkron dan

terjadwal Mengembangkan algoritma penghitung kepadatan

lalu-lintas

Mengembangkan algoritma dan program pengatur isyarat lalu-lintas

Membuat program penghitung kepadatan lalu- agar dapat menerima data kepadatan

lintas

lalu-lintas. Mengembangkan program penghitung jumlah

kendaraan dari data streaming empat buah kamera Menambahkan algoritma dan

subprogram adaptasi pengatur lalu- lintas master

Menambah fasilitas pengiriman data jumlah kendaraan ke pengatur isyarat lalu-lintas.

Uji coba sistem Analisis kerja sistem

Luaran Tahun II:

1. Algoritma, program dan prototipe sistem pengatur isyarat lalu-lintas terjadwal dan adaptif. 2. Algoritma dan program penghitung kepadatan lalu-lintas.

Gambar 4.3. Diagram alir penelitian

4.2 Mengembangkan Perangkat Keras

Sistem ini merupakan pengembangan sistem yang telah dibuat pada tahun pertama. Sistem ini menggunakan mikrokontroler ATmega128A sebagai jantung dari pengaturan isyarat lalu-lintas sebagaimana Gambar 4.4. Sistem dimofifikasi untuk dapat beroperasi secara non-adaptif dan adaptif. Dalam kondisi non-adaptif, sistem menggunakan data pewaktuan isyarat lalu-lintas yang tersimpan di basis data. Sedangkan dalam kondoso adaptif, sistem tetap menggunakan data pewaktuan di basis data, namun sistem juga dapat mengubah lama isyarat hijau sesaat mengikuti kepadatan lalu-lintas pada setiap arah.

camera 1 camera 2

ATmega128A

Wi-Fi Router

Computer

Traffic controller

camera 4 Traffic light

Gambar 4.4 Skema alat penelitian

Untuk dapat mendeteksi kepadatan lalu-lintas dari keempat arah kedatangan, dipasanglah empat buah IP camera. Keempat kamera tersebut mengirim data video kondisi (video surveillance) lalu-lintas setiap arah ke komputer melalui sebuah wi-fi router . Untuk memperingan kerja CPU, lalu pengiriman frame ditetapkan 7 frame per detik. Di komputer, subprogram “penghitung kepadatan lalu-lintas” pada program “Traffic Management System” menghitung kepadatan lalu-lintas berdasar frame yang diterimanya.

4.3 Mengakomodasi Perubahan Kepadatan Lalu-lintas

Untuk dapat mengakomodasi perubahan kepadatan lalu-lintas, sistem dapat mengubah waktu hijau setiap arah (lane). Pada saat sebuah arah mendapat isyarat hijau, jika kepadatan lalu-lintas pada arah tersebut masih di atas ambang atas, maka waktu hijau dapat diperpanjang. Sebaliknya, jika kepadatan sudah di bawah ambang bawah, maka waktu tampilan hitungan mundur akan diisi dengan angka „lima‟ dan selanjutnya lima detik kemudian isyarat hijau diakhiri.

Dengan demikian, sistem mengakomodasi perubahan kepadatan lalu-lintas pada suatu arah pada saat hitungan mundur isyarat hijau pada arah tersebut bernilai di atas lima. Angka hitungan mundur sebuah arah akan ditampilkan pada saat hitungan mundur bernilai kurang dari lima.

Beberapa kasus umum dapat terjadi di sini. Kasus pertama (case 1) pada Gambar 4.5 merupakan kasus pada saat kepadatan lalu-lintas di suatu arah masih wajar, yaitu di atas ambang bawah dan di bawah ambang atas. Kasus kedua (case 2) pada Gambar 4.5 merupakan kondisi arah yang mendapat isyarat hijau mempunyai kepadatan lalu-lintas lebih tinggi dari ambang atas. Pada kondisi tersebut sistem berusaha memperpanjang waktu hijau untuk arah tersebut hingga kepadatan lalu-lintas bernilai di bawah ambang atas atau penambahan waktu hijau telah melampaui nilai maksimal.

r 15 e Case 1: Normal traffic density u mb

Case 2: Traffic density higher than high 10 n

Case 2

treshold

Case 3: Traffic density lower than low td n 5

Case 1

treshold

u Case 3 o

Countdown number shown C

Countdown number not shown 0 5 10 15 20 (detection in progress)

Time (s)

Gambar 4.5 Proses hitungan mundur

Kasus ke-3 (case 3) pada Gambar 4.5 merupakan kasus suatu arah mendapat isyarat hijau, dan kepadatan lalu-lintas bernilai di bawah ambang bawah. Ini dapat terjadi pada malam hari. Dalam kondisi ini, sistem akan langsung mengubah hitungan mundur isyarat hijau menjadi bernilai lima dan lima detik kemudian isyarat hijau segera berakhir.

Angka hitungan mundur isyarat hijau arah i didefinisikan sebagai g i , sedangkan angka hitungan mundur isyarat merah arah i didefinisikan sebagai r i . Ketika sistem mengubah nilai g i , sistem juga menyesuaikan nilai hitungan mundur isyarat merah untuk arah lain r i dengan i ≠j. Hal ini dilakukan agar hitungan mundur semua isyarat dapat tepat. Sebagaimana terlihat pada Gambar 4.6, pada saat g i > 5, nilai g i dan r i dengan dengan i ≠j tidak ditampilkan (countdown number not shown).

lane 1 Red time g 2 r 2 Yellow time

lane 2 Green time Detection in progress

Countdown number lane 3

shown r 4 g 4 Countdown number

lane 4 not shown

Gambar 4.6 Waktu pendeteksian dan angka hitungan mundur

4.4 Area Pendeteksian Kepadatan Lalu-lintas

Sistem mendeteksi keberadaan kendaraan pada jarak sekitar 40 meter dari marka depan lampu lalu-lintas. Dengan kecepatan rata-rata 30 km/jam, sebuah kendaraan di daerah tersebut akan tiba di marka dengan setelah waktu 5 detik. Inilah alasan penghitung mundur ditampilkan pada saat nilai hitungan bernilai di bawah lima.

Studi kasus dilakukan di sebuah persimpangan tersibuk di kota Yogyakarta, yaitu Gondomanan. Gambar 4.7 memperlihatkan area yang dideteksi (vehicle detection area ) beserta posisi kamera di setiap arah. Pada arah 2, 3, dan 4 terdapat prioritas “ke kiri jalan terus”, sehingga area pendeteksian kendaraan sedikit digeser ke tengah. Setiap kamera dapat menangkap gambar di area menunggu kendaraan namun program hanya aka mendeteksi keberadaan kendaraan pada titik-titik koordinat yang ada di dalam beberapa kotak pendeteksian.

bicycle waiting area vehicle waiting area

Lane 3

vehicle detection area camera

Gambar 4.7 Denah studi kasus

4.5 Pendeteksian Kepadatan Lalu-lintas

Sebuah program untuk penghitung kepadatan lalu-lintas telah dibuat menggunakan sebuah lingkungan pengembangan terpadu (IDE, Integrated Development Environment ) Borland Delphi 7. Program tersebut dapat menampilkan video pemantau keadaan (video surveillance) secara real time dari keempat arah kedatangan kendaraan dengan resolusi 320 × 240 dan laju frame 7 frame/detik.

Program menghitung deviasi standar dari histogram intensitas semua titik yang ada pada suatu area deteksi pada citra. Area tersebut dibatasi oleh sebuah kotak yang telah ditentukan oleh operator. Adanya kotak area deteksi ini digunakan untuk mengantisipasi adanya area yang terlihat pada video pemantau namun tidak boleh ikut dipertimbangkan karena bukan merupakan area kedatangan kendaraan. Area tersebut berada sekitar 20 meter dari marka depan dan akan dipergunakan untuk data bagi pengatur lalu-lintas adaptif pada penelitian selanjutnya. Tampilan video pemantau yang Program menghitung deviasi standar dari histogram intensitas semua titik yang ada pada suatu area deteksi pada citra. Area tersebut dibatasi oleh sebuah kotak yang telah ditentukan oleh operator. Adanya kotak area deteksi ini digunakan untuk mengantisipasi adanya area yang terlihat pada video pemantau namun tidak boleh ikut dipertimbangkan karena bukan merupakan area kedatangan kendaraan. Area tersebut berada sekitar 20 meter dari marka depan dan akan dipergunakan untuk data bagi pengatur lalu-lintas adaptif pada penelitian selanjutnya. Tampilan video pemantau yang

(a) pada siang hari (b) pada malam hari

Gambar 4.8 Tampilan pada video pemantau

Untuk menghemat beban komputasi, meskipun data video dari kamera berformat warna (RGB), tetapi citra hasil ekstraksi diubah dari berformat warna menjadi berformat keabuan (grey scale). Urutan kerja pemroses citra dapat dilihat pada Algoritma 1. Algoritma tersebut dieksekusi satu kali per detik.

Algoritma 1: Penghitungan deviasi standar histogram intensitas

Langkah pertama algoritma tersebut adalah menghitung histogram intensitas semua titik yang tercakup di dalam area deteksi, H (k ) . Notasi k mewakili tingkat keabuan (0..255) dan n k mewakili jumlah titik dengan nilai keabuan k. Langkah kedua adalah menentukan rerata nilai intensitas semua titik dalam area tersebut ( μ). Selanjutnya langkah terakhir, program menentukan deviasi standar histogram intensitas

atas semua titik yang ada di dalam kotak area deteksi tersebut,  H .

BAB 5 HASIL DAN PEMBAHASAN

5.1 Algoritma Adaptasi

Isyarat lalu-lintas dari keempat arah dapat dibuat adaptif. Sifat adaptif ini dilakukan dengan pendeteksian keberadaan kendaraan dari keempat arah kedatangan. Pendeteksian keberadaaan kendaraan pada suatu arah dilakukan pada saat arah tersebut mendapat isyarat hijau. Pada saat tersebut penampil penghitung mundur tidak menampilkan hitungan mundur karena nilai hitungan mundur kemungkinan dapat melompat ke nilai yang lebih kecil atau proses hitungan seakan berhenti. Dalam kondisi ini, penampil dapat dibuat menampilkan teks berupa pesan tertentu kepada pengguna jalan.

Subprogram adaptasi berjalan setiap detik pada saat hitungan mundur hijau dimulai hingga hitungan mundur hijau bernilai lima. Jika subprogram pendeteksian kendaraan memberikan hasil “tidak ada lagi kendaraan dalam antrian”, hitungan mundur hijau fase tersebut langsung diubah menjadi bernilai lima. Dengan demikian, lima detik kemudian isyarat pada arah tersebut berganti merah. Sebagai konsekuensi, hitungan mundur merah fase lain juga dikurangi dengan nilai pengurangan hitungan mundur hijau. Dalam kondisi ini waktu hijau dalam kenyataan lebih singkat daripada waktu hijau yang terdapat dalam basis data.

Jika subprogram pendeteksian kendaraan memberikan hasil “kendaraan dalam antrian masih padat ”, maka hitungan mundur hijau fase tersebut akan ditambah satu. Demikian pula dengan hitungan mundur merah isyarat lain, juga ditambah dengan satu. Dikarenakan dalam setiap detik, nilai hitungan mundur selalu dikurangi satu, maka pada kondisi ini, nilai hitungan akan terlihat tidak berubah. Dalam kondisi ini waktu hijau dalam kenyataan lebih panjang daripada waktu hijau yang terdapat dalam basis data.

Terdapat nilai maksimal penambahan waktu hijau setiap fase. Nilai maksimal penambahan waktu hijau untuk fase i adalah 𝑔 i . Nilai tersebut ditetapkan 𝑔 i = ½ 𝑔 i . Mekanisme adaptasi pada saat isyarat hijau fase i mengikuti algoritma sebagai berikut:

1. Deteksi keberadaan kendaaraan

2. Jika tidak ada kendaraan, maka: 2. Jika tidak ada kendaraan, maka:

b. Jadikan hitungan mundur hijau fase i menjadi lima, 𝑔 i = 5.

c. Tambahkan hitungan mundur merah fase selain i dengan 𝑔, r n =r n – 𝑔, dengan n ≠ i.

d. Selesai.

3. Jika kendaraan terlalu padat dan 𝑔 < 𝑔 i , maka:

a. Tambahkan hitungan mundur hijau fase i dengan satu, 𝑔 i = 𝑔 i + 1.

b. Naikkan nilai akkumulasi penambahan waktu hijau fase i, 𝑔 = 𝑔 + 1.

c. Tambahkan hitungan mundur merah fase selain i dengan satu, r n =r n + 1, dengan n ≠ i.

d. Selesai. Secara umum prototipe ini telah dapat berfungsi dengan baik. Pengatur lalu- lintas sudah dapat bekerja mengetur lalu-lintas dan juga menerima masukan dari komputer mengenai jumlah kendaraan yang akan melintas di setiap ruas. Program juga telah dapat menghitung jumlah kendaraan yang melintas. Hasil hitungan ini kemudian dikirim ke pengatur lalu-lintas untuk ikut menentukan waktu hijau di suatu arah.

5.2 Nilai Histogram Intensitas

Dari hasil percobaan didapat bahwa grafik histogram dapat selalu berubah. Hal ini tergantung dari intensitas setiap titik yang ada pada area deteksi yang telah ditentukan. Grafik histogram citra yang ditangkap setiap kamera dapat dilihat pada setiap jendela Monitoring untuk setiap arah.

A. Histogram pada Siang Hari

a. Saat Tidak Ada Kendaraan Gambar 5.1 memperlihatkan jendela Monitoring untuk arah kedatangan dari timur di persimpangan Gondomanan pada siang hari. Jendela tersebut menggambarkan keadaan di area deteksi dan grafik histogram intensitas semua titik yang tercakup di dalam kotak area deteksi.

Gambar 5.1 Grafik histogam saat tidak ada kendaraan di area deteksi pada siang hari Gambar 5.1 tersebut memperlihatkan kondisi lalu-lintas setelah arah tersebut mendapat isyarat hijau. Pada saat itu, hampir semua kendaraan dalam antrian telah berjalan sehingga tidak ada kendaraan di area deteksi. Pada jendela tersebut dapat dilihat tampilan video pemantau, grafik histogram dan beberapa nilai statistik penting histogram, yaitu: nilai minimum dan maksimum intensitas histogram, dan deviasi standar intensitas histogram.

Dari gambar tersebut terlihat bahwa pada saat tidak ada kendaraan di area deteksi, maka semua titik pada kotak tersebut cenderung mempunyai nilai intensitas hampir sama. Dari grafik histogram terlihat bahwa nilai intensitas sebagian besar titik di area deteksi berkisar dari 60 hingga 255, dan nilai deviasi standar adalah 23,0.

Grafik nilai histogram merupakan komposisi warna keabuan pada jalan aspal sebagai latar belakang. Warna aspal pada latar belakang yang cenderung hampir merata membuat nilai histogram menjadi hampir seragam dengan nilai sekitar 130 sampai 155. Sementara itu adanya marka jalan yang berwarna lebih cerah hingga putih membuat adanya sebaran nilai histogram hingga 255.

b. Saat Banyak Kendaraan Pada saat terdapat banyak kendaraan dalam antrian di area deteksi, nilai histogram menjadi lebih menyebar. Hal ini dapat dilihat pada Gambar 5.2. Gambar tersebut memperlihatkan kondisi lalu-lintas pada saat arah tersebut mendapat isyarat merah. Pada saat itu, semua kendaraan dari arah timur berhenti.

Gambar 5.2 Grafik histogam saat banyak kendaraan di area deteksi pada siang hari

Dari gambar tersebut terlihat bahwa pada saat banyak kendaraan di area deteksi, maka histogram intensitas cenderung mempunyai nilai menyebar. Nilai intensitas berkisar dari 11 hingga 255, dengan nilai deviasi standar adalah 52,6. Pada saat kondisi padat kendaraan, grafik nilai histogram intensitas merupakan komposisi nilai keabuan warna kendaraan yang tercakup di kotak area deteksi. Nilai tersebut cenderung lebih bervariasi daripada nilai keabuan jalan aspal tanpa kendaraan. Nilai variasi histogram intensitas juga dipengaruhi oleh adanya bayangan setiap kendaraan. Bayangan tersebut mempunyai warna lebih gelap dari warna sekitarnya. Variasi warna kendaraan dan adanya bayangan kendaraan pada jalan aspal menjadi penyebab adanya variasi nilai keabuan.

B. Histogram pada Malam Hari

a. Saat Tidak Ada Kendaraan Bentuk grafik histogram pada malam hari tidak jauh berbeda dengan grafik pada siang hari. Jendela monitoring pada Gambar 5.3 menggambarkan kondisi kedatangan kedatangan kendaraan dari arah timur di persimpangan Gondomanan pada malam hari. Pada saat itu, hampir semua kendaraan dalam antrian telah berjalan sehingga tidak ada kendaraan dalam area deteksi.

Gambar 5.3 Grafik histogam saat tidak ada kendaraan di area deteksi pada malam hari

Dari gambar histogram tersebut terlihat semua titik pada kotak tersebut cenderung mempunyai nilai intensitas hampir sama. Nilai intensitas berkisar dari 1 hingga 54, dengan nilai deviasi standar adalah 7,3. Sebagian besar titik yang menggambarkan warna aspal mempunyai nilai keabuan 3 hingga 15; sedangkan titik yang menggambarkan marka jalan mempunyai nilai keabuah lebih tinggi hingga 54. Bentuk grafik histogram pada saat tidak ada kendaraan pada malam hari (Gambar 5.3) menyerupai grafik histogram pada saat tidak ada kendaraan pada siang hari (Gambar 5.1). Salah satu perbedaannya adalah nilai intensitas semua titik pada malam hari lebih rendah daripada pada siang hari.

b. Saat Banyak Kendaraan Pada malam hari, citra yang ditangkap kamera didominasi oleh warna putih cahaya lampu kendaraan dan warna gelap selain lampu. Pada malam hari, warna kendaraan tidak akan terlihat dengan jelas sebagaimana Gambar 5.4. Pada keadaan ini histogram didominasi oleh warna putih dengan nilai 255. Nilai deviasi standar menjadi lebih besar daripada pada saat tidak ada kendaraan pada area deteksi.

Gambar 5.4 Grafik histogam saat banyak kendaraan di area deteksi pada malam hari

Nilai deviasi histogram mempunyai kecenderungan mengikuti kepadatan lalu- lintas. Dengan semakin tingginya kepadatan lalu-lintas, maka nilai deviasi standar histogram intensitas akan semakin besar. Program ini memang tidak dapat menghitung jumlah kendaraan pada area deteksi yang dideteksi, namun program ini dapat mendeteksi tingkat kepadatan lalu-lintas pada area deteksi tersebut dengan menghitung deviasi standar histogram intensitas.

5.3 Fluktuasi Nilai Deviasi Standar Histogram Intensitas

A. Pada Siang Hari

Persimpangan Gondomanan diatur oleh sebuah pengatur lalu-lintas dengan waktu hijau untuk arah utara, timur, selatan, dan barat adalah 30, 36, 43, dan 30 detik. Waktu kuning dan pengosongan untuk semua arah adalah 3 dan 5 detik. Pada saat suatu arah mendapat isyarat merah, kepadatan kendaraan terus meningkat hingga diberikannya isyarat hijau. Antrian kendaraan yang berhenti akan memenuhi area deteksi yang ada. Semakin lama isyarat merah yang diberikan, akan semakin banyak kendaraan yang ada pada kotak tersebut. Pada kondisi ini, nilai deviasi standar cenderung meningkat.

Gambar 5.5 memperlihatkan grafik fluktuasi nilai deviasi standar histogram intensitas atas citra kedatangan kendaraan dari setiap arah pada siang hari selama 8 menit (480 detik). Pada waktu tersebut, terdapat tiga siklus pengaturan lalu-lintas. Arah utara ditetapkan arah yang pertama mendapat isyarat hijau, diikuti dengan arah timur, selatan dan arah barat.

waktu (detik)

(a) dari arah utara (a) dari arah utara

(b) dari arah timur

waktu (detik)

(c) dari arah selatan

waktu (detik)

(d) dari arah barat

Gambar 5.5 Grafik nilai deviasi standar histogram intensitas pada siang hari

Dari grafik pada Gambar 5.5 tersebut terlihat bahwa, pada saat suatu arah yang mendapat isyarat merah, nilai deviasi standar cenderung konstan karena sebagian besar mobil atau kendaraan beroda empat lain dalam kondisi tidak bergerak. Hal ini disebabkan padatnya lalu-lintas pada siang hari sehingga begitu isyarat merah diberikan, kotak area deteksi langsung terisi oleh banyak kendaraan. Adanya sedikit fluktuasi nilai deviasi standar disebabkan adanya pergerakan beberapa motor di antara antrian mobil yang telah ada.

Peningkatan nilai deviasi standar pada saat isyarat merah pada siang hari disebabkan bertambahnya kendaraan yang berada pada area deteksi tersebut. Warna kendaraan pada saat terkena sinar matahari kebanyakan mempunyai nilai keabuan lebih tinggi daripada nilai keabuan latar belakang. Sementara itu, setiap kendaraan mempunyai bayangan. Warna bayangan kebanyakan mempunyai nilai keabuan lebih rendah daripada latar belakang. Dua fenomena tersebut merupakan faktor utama yang menyebabkan nilai deviasi standar menjadi lebih tinggi. Semakin banyak kendaraan pada antrian, nilai deviasi standar mempunyai kecenderungan semakin tinggi.

Pada saat isyarat merah diberikan, nilai deviasi standar dapat berbeda. Jika terdapat banyak motor dan sedikit mobil pada kotak area deteksi, maka nilai tersebut biasanya menjadi besar. Ini terjadi pada saat isyarat merah arah utara detik ke-30 hingga ke-150 pada Gambar 5.5(a). Namun jika pada kotak area deteksi terdapat beberapa mobil dengan ukuran besar dan hanya sedikit terlihat bayangan, maka nilai deviasi standar dapat menjadi kecil. Ini terjadi pada saat isyarat merah detik ke-190 hingga ke-300 pada Gambar 5.5(a).

Pada saat isyarat merah, nilai deviasi standar untuk beberapa saat dapat menurun, meskipun dalam kenyataannya kepadatan lalu-lintas tetap naik. Hal ini disebabkan adanya beberapa kendaraan yang terlihat tumpang tindih di kamera pemantau. Kondisi tumpang tindih kendaraan ini menyebabkan luas bayangan berkurang.

Sementara itu pada saat arah tersebut mendapat isyarat hijau, kepadatan kendaraan cenderung turun. Nilai deviasi standar cenderung turun. Penurunan tersebut cenderung lebih berfluktuasi. Hal ini disebabkan adanya pergerakan kendaraan yang sedang berusaha meninggalkan antrian. Pada saat-saat tertentu, nilai deviasi standar menjadi minimal karena tidak ada kendaraan yang berada pada area deteksi.

Pada siang hari, kepadatan lalu-lintas cukup tinggi. Di arah kedatangan utara, selatan dan timur, waktu isyarat hijau tidak cukup untuk dapat membuat semua kendaraan dalam antrian untuk berjalan. Di akhir waktu hijau, masih ada kendaraan dalam antrian yang belum berhasil meninggalkan antrian. Hal ini juga terlihat pada Gambar 5.5. Pada gambar tersebut nilai deviasi standar histogram tidak dapat turun cukup signifikan. Sementara itu, di arah kedatangan dari timur, waktu hijau dapat membuat semua kendaraan dalam antrian dapat berjalan. Dalam kondisi ini, pada akhir isyarat hijau nilai deviasi standar dapat turun cukup signifikan.

Dengan demikian dapat disimpulkan bahwa, nilai deviasi standar histogram pada siang hari di setiap arah kedatangan pengatur lalu-lintas berfluktuasi mengikuti kepadatan lalu-lintas. Pada saat diberikan isyarat merah, nilai tersebut cenderung konstan. Sementara itu pada waktu diberikan isyarat hijau, nilai deviasi standar cenderung lebih kecil. Hal ini disebabkan kepadatan pada waktu hijau lebih rendah daripada pada waktu merah. Pada saat isyarat hijau, nilai tersebut juga cenderung lebih bervariasi karena adanya perubahan jumlah kendaraan karena setiap kendaraan akan bergerak dan berusaha meninggalkan antrian.

B. Pada Malam Hari

Nilai deviasi standar histogam intensitas citra di keempat arah kedatangan di persimpangan Gondomanan dapat dilihat pada Gambar 5.6. Pola fluktuasi nilai deviasi standar histogam intensitas pada malam hari hampir sama dengan pada siang hari. Namun nilai tersebut cenderung lebih rendah karena variasi nilai keabuan pada malam hari lebih sedikit daripada siang hari. Secara visual hal ini tampak jelas pada gambar tampilan pada video pemantau untuk siang dan malam hari di Gambar 4.8(a) dan (b). Variasi warna citra pada siang hari lebih banyak daripada malam hari.

Pada malam hari, kepadatan lalu-lintas lebih rendah daripada siang hari. Pada saat diberikan isyarat merah, dapat dipastikan selalu ada pergerakan kendaraan, baik yang baru datang maupun kendaraan yang sedang antri. Hal ini terlihat dengan berfluktuasinya nilai deviasi standar pada saat isyarat merah. Hal ini jelas terlihat pada detik ke-275 hingga detik ke-310 arah utara di Gambar 5.6(a) dan detik ke 330 hingga 390 arah selatan di Gambar 5.6(c). Pada saat itu kendaraan baru datang beberapa detik setelah isyarat merah diberikan. Lain halnya untuk kedatangan kendaraan dari arah Pada malam hari, kepadatan lalu-lintas lebih rendah daripada siang hari. Pada saat diberikan isyarat merah, dapat dipastikan selalu ada pergerakan kendaraan, baik yang baru datang maupun kendaraan yang sedang antri. Hal ini terlihat dengan berfluktuasinya nilai deviasi standar pada saat isyarat merah. Hal ini jelas terlihat pada detik ke-275 hingga detik ke-310 arah utara di Gambar 5.6(a) dan detik ke 330 hingga 390 arah selatan di Gambar 5.6(c). Pada saat itu kendaraan baru datang beberapa detik setelah isyarat merah diberikan. Lain halnya untuk kedatangan kendaraan dari arah

Perlu diperhatikan di sini bahwa, program tidak menghitung nilai deviasi standar atas citra yanng mewakili semua kendaraan dalam antrian. Namun hanya citra yang ada dalam kotak area deteksilah yang dihitung. Pada beberapa kasus dapat terjadi sebuah kedatangan kendaraan yang telah terdeteksi akan menjadi tidak terdeteksi karena telah ada di posisi antrian paling depan dan tidak masuk ke kotak area deteksi.

waktu (detik)

(a) dari arah utara

waktu (detik)

(b) dari arah timur (b) dari arah timur

(c) dari arah selatan

waktu (detik)

(d) dari arah barat Gambar 5.6 Grafik nilai deviasi standar histogram intensitas pada malam hari

Pada malam hari, waktu isyarat hijau hampir selalu dapat menjadikan semua kendaraan dalam antrian untuk berjalan. Bahkan sesuai dengan grafik nilai deviasi standar untuk arah utara dan selatan pada Gambar 5.6(a) dan Gambar 5.6(b), waktu hijau untuk arah selatan dan barat cenderung terlalu lama. Pada kedua arah ini, antrian kendaraan telah habis 10 hingga 20 detik sebelum isyarat hijau berakhir. Fenomena ini akan lebih mudah dianalisis dengan melihat rekaman nilai deviasi standar daripada melihat rekaman video lalu-lintas secara langsung.

Dengan demikian, rekaman nilai deviasi standar histogram intensitas dapat dijadikan data kuantitatif yang dapat mencerminkan nilai kepadatan kendaraan. Data ini juga dapat dijadikan acuan untuk menentukan waktu hijau setiap arah pada pengatur lalu-lintas di persimpangan Gondomanan dan persimpangan-persimpangan lain. Lebih Dengan demikian, rekaman nilai deviasi standar histogram intensitas dapat dijadikan data kuantitatif yang dapat mencerminkan nilai kepadatan kendaraan. Data ini juga dapat dijadikan acuan untuk menentukan waktu hijau setiap arah pada pengatur lalu-lintas di persimpangan Gondomanan dan persimpangan-persimpangan lain. Lebih

BAB 6 RENCANA TAHAPAN BERIKUTNYA

6.1 Mengembangkan Program Pendeteksi Kepadatan Lalu-lintas

Pada penelitian di tahun kedua ini telah berhasil dibuat sebuah program yang adapat mendeteksi kepadatan lalu-lintas di jalan. Program ini dapat diterapkan untuk jalan raya yang berisi semua jenis kendaraan. Metode pendeteksian dilakukan dengan cara menghitung simpangan baku histogram intensitas keabuan semua titik di area deteksi. Metode ini telah dapat digunakan dengan baik pada siang dan malam hari.

Metode pendeteksian ini dilakukan dengan menganalisis citra jalan. Semua oyek yang ada di jalan akan dianalisis. Jika pada suatu saat jalan raya terisi obyek bukan berupa kendaraan tetapi orang atau benda lain, maka obyek tersebut akan juga dianalisis oleh program. Program juga belum diuji dengan adanya tambahan derau pada citra. Derau dapat berupa hujan atau kabut yang menghalangi pandangan kamera. Agar sistem ini dapat diterapkan dengan baik, maka sistem harus diuji dengan adanya oyek lain selain kendaraan dan derau.

Pada tahun ketiga penelitian ini, akan dilakukan penyempurnaan metode pendeteksian kepadatan sehingga obyek selain kendaraan tidak akan dianalisis oleh sistem. Dengan demikian sistem harus dapat membedakan obyek kendaraan baik bermotor maupun tidak bermotor dan obyek bukan kendaraan baik itu obyek di jalan atau derau dari hujan dan kabut. Pengembangan metode ini menggunakan perangkat lunak MATLAB.

6.2 Mengganti Komputer dengan Modul Komputer

Pada penelitian ini, program penghitung simpangan baku histogram intensitas dijalankan di sebuah komputer. Dalam aplikasi di lapangan, penggunaan komputer sebagai pemroses citra menjadikan adanya permasalahan baru dari segi keamanan. Untuk itu, pada penelitian selanjutnya, program tersebut akan dijalankan di sebuah modul komputer (SBC, Single Board Computer) sebagaimana Gambar 6.1.

Terminal Operator

Modul Komunikasi

Raspberry Pi

ATmega128A ATmega128A

B+

Pengatur Lalu-lintas

Pengatur Lalu-lintas Lokal 1 (Bintaran)

Pengatur Lalu-lintas

Master (Gondomanan)

Lokal 2 (Bintaran)

Kamera nirkabel 1

Kamera nirkabel 2

Kamera nirkabel 3

Wi-fi Router

Kamera nirkabel 4

Gambar 6.1 Skema alat penelitian

Modul komputer tersebut merupakan sebuah miniatur komputer. Modul ini terdiri dari prosesor, RAM, I/O dan media penyimpanan non-volatile berupa SD Card atau MMC. Modul ini diharapkan dapat menjalankan program pendeteksian kepadatan sebagaimana komputer. Lebih jauh lagi modul ini diharapkan dapat sekaligus menjalankan fungsi sebagai pengatur lalu-lintas secara sinkron dan terjadwal menggantikan mikrokontroler ATmega128A.

6.3 Target Luaran Tahun Ketiga

Target luaran tahun terakhir ini diharapkan merupakan suatu prototipe suatu sistem pengatur isyarat lalu-lintas yang dapat diterapkan di persimpangan Gondomanan dan atau persimpangan lain. Sistem tersebut mempunyai keunggulan sebagai berikut.

1. dapat dibuat sinkron dengan pengatur lalu-lintas di persimpangan sebelahnya,

2. dapat mendeteksi kepadatan lalu-lintas baik di siang maupun malam hari,

3. pengaturan lalu-lintas dapat dijadikan adaptif berdasar kepadatan lalu-lintas saat itu,

4. dapat menyimpan data kepadatan lalu-lintas agar data tersebut dapat dianalisis lebih lanjut.

BAB 7 KESIMPULAN DAN SARAN

7.1 Kesimpulan

Dari pembahasan yang telah dipaparkan di muka dapat diambil beberapa kesimpulan berikut:

1. Pengatur lalu-lintas adaptif dapat dibentuk dari mikrokontroler ATmega128A.

2. Nilai deviasi standar histogram intensitas akan cenderung semakin tinggi dengan naiknya kepadatan lalu-lintas.

3. Pola perubahan nilai deviasi standar saat diberikan isyarat merah dan hijau pada siang hari menyerupai pola perubahan nilai tersebut saat diberikan isyarat merah dan hijau pada malam hari.