IMPLEMENTASI TEKNOLOGI LDWS PADA TRANSPORTASI SEBAGAI PENDUKUNG SARANA DAN KEAMANAN BEKENDARA
-
Upload
teknik-informatika-politeknik-tedc-bandung -
Category
Data & Analytics
-
view
99 -
download
6
Transcript of IMPLEMENTASI TEKNOLOGI LDWS PADA TRANSPORTASI SEBAGAI PENDUKUNG SARANA DAN KEAMANAN BEKENDARA
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
147
ISSN : 2503-2844
Ari Purno Wahyu Wibowo, Ardiles Sinaga
Seminar Nasional Telekomunikasi dan Informatika 2016
IMPLEMENTASI TEKNOLOGI LDWS PADA TRANSPORTASI
SEBAGAI PENDUKUNG SARANA DAN KEAMANAN
BEKENDARA
Ari Purno Wahyu Wibowo, Ardiles Sinaga
Universitas Widyatama
Jl. Cikutra 204A, Bandung
[email protected], [email protected]
Abstrak
Keselamatan mengemudi adalah hal yang
sangat penting untuk diperhatikan di setiap negara di
dunia ini, khususnya di Indonesia. Di Indonesia
selama lima tahun terakhir, kecelakaan lalu lintas
telah menyebabkan hampir 800 ribu orang. Ironinya
jumlah ini, sekitar 17 persen dari angka kecelakaan
itu mengakibatkan banyak kematian, kecelakaan
terjadi akibat tabrakan pengemudi yang disebabkan
karena mengantuk, terganggu, atau lelah, sehingga
pengemudi tentu saja menyimpang dari jalan.
Pemerintah telah berusaha untuk mengurangi
jumlah kecelakaan ini, diantaranya perbaikan jalan
dan pemasangan rambu-rambu jalan yang lebih baik,
belajar pada pengemudi, dan banyak hal-hal lain
yang telah dilakukan dan beberapa dari usaha yang
dilakukan itu berhasil mengurangi jumlah
kecelakaan. Walaupun demikian kecelakan tetap saja
terjadi. Kecelakaan ini biasanya sering terjadi pada
pengemudi mobil. Oleh karena itu diperlukan sistem
cerdas pada kendaraan itu sendiri.
Sistem cerdas yang digunakan pada penelitian
ini adalah Lane Departure Warning System (LDWS),
yang merupakan sistem yang dapat memberi
peringatan kepada pengemudi secara visual. Sistem
ini akan bekerja ketika mobil akan meninggalkan
jalur yang seharusnya dilaluinya. Pada saat itu terjadi
maka computer akan menginstruksikan kepada sistem
untuk memberikan peringatan bagi pengemudi bahwa
kendaraan yang dia kemudikan sudah keluar dari
jalur dan kemudian mengarahkan pengemudi untuk
segera mengembalikan mobil ke trek dengan tertib.
Kata kunci: Computer Vision, Rambu-rambu lalu
lintas, Sistem LDWS
Abstract
Driving safety is a very important thing to
considere in every country in the world, especially in
Indonesia. In Indonesia over the past five years,
traffic accidents have caused nearly 800 thousand
people. The irony of this amount, approximately 17
percent of the number of accidents that resulted in
many deaths, accidents happen due to collisions
caused by driver drowsiness, impaired, or tired, so
the driver of course deviate from the road.
The government has attempted to reduce the number
of these accidents, including road repairs and
installation of road signs better, learning on the
driver, and many other things that have been done
and some of the work done was successful in
reducing the number of accidents. Nevertheless,
accidents do occur. These accidents usually common
to the driver. Therefore we need an intelligent system
on the vehicle itself.
Intelligent system used in this study is the Lane
Departure Warning System (LDWS), which is a
system that can warn the driver visually. This system
will work when the car will leave the path that should
be passed. By the time that happens, the computer
will instruct the system to give a warning to the
driver that the vehicle he was driving was out of line
and then direct the driver to immediately return the
car to the track in an orderly manner.
Keywords: Computer Vision, Road Markers and
LDWS System
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
148
ISSN : 2503-2844
Ari Purno Wahyu Wibowo, Ardiles Sinaga
Seminar Nasional Telekomunikasi dan Informatika 2016
I. PENDAHULUAN Transportasi perlu untuk mengatasi kesenjangan
jarak dan komunikasi antara tempat asal dan tempat
tujuan. Untuk itu dikembangkan sistem transportasi
dan komunikasi, dalam wujud sarana (kendaraan) dan
prasarana (jalan). Dari sini timbul jasa angkutan
untuk memenuhi kebutuhan perangkutan
(transportasi) dari satu tempat ke tempat lain. Di sini
terlihat, bahwa transportasi dan tata guna lahan
merupakan dua hal yang tidak dapat dipisahkan.
Kegiatan transportasi harus didukung dengan
keamanan berkendera yang baik pula. Dengan
keamanan berkendara yang baik dapat mengurangi
resiko terjadinya kecelakaan selama kegiatan
tranportasi berlangsung. Keamanan berkendara juga
penting untuk diterapkan di seluruh negara-negar di
dunia, termasuk di Indonesia. Di Indonesia sepanjang
lima tahun terakhir ini, kecelakaan lalu lintas telah
menelan korban hampir 800 ribu orang. Ironisnya
dari jumlah tersebut, sekitar 17 persen di antaranya
berujung pada kematian (WHO, 2009).
Kebanyakan kecelakaan kendaraan terjadi
dikarenakan pengemudinya mengantuk, tidak
konsentrasi, atau lelah. Sehingga kendaraan yang
dikendarain oleh pengemudi melenceng dari jalurnya.
Pemerintah telah berusaha untuk mengurangi jumlah
kecelakaan ini, diantaranya perbaikan jalan dan
pemasangan rambu-rambu jalan yang lebih baik, dan
banyak hal-hal lain yang telah dilakukan. Beberapa
dari usaha yang dilakukan itu berhasil mengurangi
jumlah kecelakaan. Walaupun demikian kecelakan
tetap saja terjadi. Kecelakaan ini biasanya sering
terjadi pada pengemudi mobil.
Karena banyaknya angka kecelakaan ini,
masyarakat mulai berpikir dalam memilih dan
membeli mobil yang lebih aman, seperti mobil yang
memiliki sistem peringatan untuk pengemudinya.
Maka dari itu diperlukan penelitian untuk
mengimplementasikan suatu sistem untuk memberi
peringatan pada sang pengemudi mobil untuk
mengelatui saat yang tepat untuk berpindah jalur
jalan dengan mengukur jarak kendaraan didepan
mobil, kecepatan kendaraan mobil yang dikemudikan
dan membaca marka jalan. Pada penelitian ini kami
mengusulkan untuk mengimplementasikan sebuah
sistem cerdas yang dapat memberikan peringatan
kepada pengemudi saat berkendara di jalan.
Sistem cerdas yang digunakan pada penelitian
ini adalah Lane Departure Warning System (LDWS),
yang merupakan sistem yang dapat memberi
peringatan kepada pengemudi secara visual. Sistem
ini akan bekerja ketika mobil akan meninggalkan
jalur yang seharusnya dilaluinya. Pada saat itu terjadi
maka komputer akan menginstruksikan kepada
sistem untuk memberikan peringatan bagi pengemudi
bahwa kendaraan yang dia kemudikan sudah keluar
dari jalur dan kemudian mengarahkan pengemudi
untuk segera mengembalikan mobil ke trek dengan
tertib.
II. KAJIAN LITERATUR
II.1 Lane Detection
Banyak teknik yang berbeda telah digunakan
untuk mendeteksi jalur jalan dalam 20 tahun terakhir
dan sulit untuk mengkategorikan teknik yang berbeda
karena mereka dipengaruhi oleh satu dengan yang
lainnya dan banyak juga kombinasi dari beberapa
teknik yang telah digunakan. Berikut berikut
pengenalan singkat beberapa teknik yang paling
sering digunakan.
Salah satu metode menggunakan top-view
image (A. Broggi, 1995) atau disebut Inverse
Perspective Mapping, IPM, yang dihitung dari
gambar yang diperoleh dengan kamera di dalam
mobil. Sebuah IPM memanfaatkan posisi dan sudut
kamera serta panjang fokus lensa untuk mengubah
gambar dari dunia gambar ke dunia nyata. Mengukur
jarak dan kualitas gambar sangat tergantung pada
data yang akurat mengenai posisi. Manfaat dari
metode ini adalah bahwa memungkinkan untuk
mendapatkan semua jarak dan bentuk dalam satuan
dunia nyata, seperti lebar jalur dalam meter dan sama
rata.
Menggunakan model dideformasi adalah satu
lagi teknik yang digunakan untuk deteksi jalur, di
mana jalur poin terdeteksi dipasang ke model
matematika. Model dapat menggunakan garis lurus,
kurva parabola atau berbagai jenis splines untuk
mewakili jalan, semua dengan pro dan kontra yang
berbeda. Model ini cenderung lebih lambat dan lebih
kompleks, yang merupakan kelemahan untuk aplikasi
ini. Namun dia memiliki potensi untuk
menggambarkan lekukan dan jalan non-lurus lainnya
sangat akurat.
Sebuah metode berbasis warna yang digunakan
dalam (K.-Y. Chiu & S.-F. Lin, 2005) untuk
menemukan jalur yang cepat dan efisien tapi
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
149
ISSN : 2503-2844
Ari Purno Wahyu Wibowo, Ardiles Sinaga
Seminar Nasional Telekomunikasi dan Informatika 2016
memiliki beberapa masalah ketika lampu tercermin
dalam jalur, atau bayangan menutupi bagian dari
gambar. Dalam (J. W. Lee, 2002) sebuah Edge
Distribution Function, EDF, digunakan untuk
memperkirakan arah jalur dan menentukan apakah
mobil meninggalkan jalur. EDF adalah salah satu
fungsi dimensi yang memperkirakan sudut batas-
batas jalur melalui pemilihan dalam gambar. Metode
ini didasarkan pada model linear dihitung dengan
algoritma Hough, yang datang dengan masalah yang
melekat dalam kurva, karena trek garis lurus saja.
Beberapa metode menggunakan hipotesis dari
jalur yang kemudian dikendalikan. Dua artikel yang
direferensikan menggunakan teknik yang berbeda
untuk model hipotesis, sebuah Neural Network (Z.
Kim, 2007) dan Haar-fitur seperti menyaring (H.
Jung, J. Min, & J. Kim, 2013). Untuk mencapai hasil
yang baik dengan metode ini sebuah fitur database
besar dibutuhkan bersama dengan periode pelatihan
yang lebih panjang dalam kasus jaringan saraf.
Kebanyakan implementasi memanfaatkan
Region Of Interest, ROI, untuk mempercepat
perhitungan. Pada dasarnya, ini berarti bahwa satu
membatasi bagian dari gambar yang akan dianalisis
untuk menghindari pengolahan seluruh gambar. Cara
yang lebih ekstrem untuk melakukan ini adalah
menentukan sebuah Lane Boundary Region Of
Interest, LBROI. Di sini, bagian diproses dari gambar
yang dipersempit ke daerah kecil dekat dengan di
mana batas jalur ini diharapkan akan ditemukan,
seperti yang disarankan oleh (C. R. Jung & C. R.
Kelber, 2005).
II.2 Canny Detection Atau Diteksi Tepi
Canny Detection atau diteksi tepi adalah
sebuah algoritma penghalusan citra gambar dari
noise, gambar yang dihasilhan dalam bentuk relief
Setelah dilakukan proses grayscale pada gambar,
maka langkah selanjutnya adalah melakukan proses
deteksi tepi dengan menggunakan algoritma Canny.
Deteksi Edge adalah deteksi tepi dari image
grayscale yang memiliki ketebalan 1 piksel dengan
mencari nilai gradien lokal dari sebuah citra (S
Nugroho, 2004). Metode egde detection terdiri dari
beberapa metode yaitu Sobel, Prewitt, Laplace,
Robert, & Canny.
Algoritma Canny pada dasarnya menemukan
titik tepi pada gambar grayscale dengan perubahan
nilai intensitas yang paling besar, daerah ini
ditemukan dengan menentukan gradien gambar.
Gradien pada setiap piksel gambar yang telah
diperhalus ditentukan dengan menerapkan operator
Sobel. Algoritma canny edge detection secara umum
(detilnya tidak baku atau bisa divariasikan)
beroperasi sebagai berikut (Christopher Danil, 2001):
1. Penghalusan untuk mengurangi
dampak noise terhadap pendeteksian edge
pada tahapan ini bentuk dari gambar citra
asli dalam bentuk blur dan akan
menghasilkan citra yang baru yang bisa
menetukan posisi dari gambar
2. Menghitung potensi gradien citra
3. non-maximal supression dari gradien citra
untuk melokalisasi edge secara presisi
4. Hysteresis Thresholding untuk melakukan
klasifikasi akhir
Gambar 1. Tahapan Algoritma Canny Detection
II.3 Algoritma Hought Tranform
Hough Transform (HT) merupakan suatu teknik
untuk menentukan lokasi suatu bentuk dalam citra.
HT dicetuskan pertama kali oleh P.V.C hough
(1862), dilihat potensinya sebagai salah satu
algoritma dalam pemrosesan citra oleh Rosenfeld
(1969), Dalam implementasinya, HT melakukan
pemetaan terhadap titik-titik pada citra ke dalam
parameter space (HT space) berdasar kan suatu
fungsi yang mendefinisikan bentuk yang ingin
dideteksi. HT umumnya dugunakan untuk melakukan
ekstrasi garis, lingkaran atau elips pada citra, namun
dalam perkembangnnya, HT juga telah dapat
dgunakan untuk melakukan ekstraksi bentuk-bentuk
yang lebih kompleks.
II.4 Klasifikasi Dengan Algoritma Cascade
Object Detector.
Penelitian mengenai deteksi dan pengenalan
wajah teknologi computer vision telah banyak
dilakukan, salah satunya adalah menggunakan Haar
like feature yang dikenal sebagai Haar Cascade
Classifier. Haar-like features merupakan rectangular
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
150
ISSN : 2503-2844
Ari Purno Wahyu Wibowo, Ardiles Sinaga
Seminar Nasional Telekomunikasi dan Informatika 2016
(persegi) features, yang memberikan indikasi secara
spesifik pada sebuah gambar atau image. Ide dari
Haar-like features adalah untuk mengenali obyek
berdasarkan nilai sederhana dari fitur tetapi bukan
face tracker Menggunakan Metode Haar merupakan
nilai piksel dari image obyek tersebut. Metode ini
memiliki kelebihan yaitu komputasinya sangat cepat,
karena hanya bergantung pada jumlah piksel dalam
persegi bukan setiap nilai piksel dari sebuah image
(Lienhart, Rainer, & Jochen Maydt, 2002)
II.5 Algoritma Viola Jones
Metode viola jones adalah algoritma yang
memiliki tingat pendeteksian yang sangat tinggi
metode ini pertama kali di buat oleh paul dan Viola
Jones (Jones M & Viola P, 2001). Teknik
pendeteksian objek atau wajah bisa ditentukan dan
skala pada lokasi tertentu (F. Fleuret & D. Geman,
2001). Proses face detection pada wajah atau objek
menjadi hal yang sangat penting dan sangat
berpengaruh pada bidang image processing (S
Nugroho, 2004). Metode Viola-Jones
menggabungkan empat kunci utama yaitu Haar Like
Feature, Integral Image, Adaboost learning dan
Cascade classifier (Andrianus Hendro Triatmoko,
Sholeh Hadi Pramono, & Harry S. Dachlan, 2014)
(M. Dwisnanto Putro, Teguh Bharata Adji, &
Bondhan Winduratna, 2012).
Gambar 2. Tahapan Algoritma Viola Jones
III. PENGUJIAN SISTEM LDWS
Penulis mengambil sample data berupa image
dan video yang di ambil dari beberapa sumber dari
internet yang biasa digunakan untuk penelitian
pengembagan system DAS (Driver Assitance
System). Penulis juga menggunakan library dan
toolbox yang disediakan matlab, para programmer
telah memberikan sumbgan ilmu yang luar biasa
dalam pengembangan sistem LDWS sehingga bisa
kita jadikan untuk referensi penelitian selanjutnya.
Tahapan implementasi sistem LDWS dapat
dilihat pada gambar dibawah ini.
Pre Processing Gambar
File Video
Deteksi Tepi(Canny Detection)
Identifikasi Marka Jalan
(Hought Transform)
Keputusan
Peringatan Visual Tidak Ada Peringaatan
Gambar 3. Tahapan Implementasi Sistem LDWS
Data Input
Untuk data latih penulis mengambil dari internet
dengan durasi 0:9:45 menit tinggi frame 560 x 360
pixel Pada gambar IV merupakan tampilan inputan
data secara offline menunjukan sebuah kendaraan
yang belum terintregrasi dengan sistem LDWS,
sedangkan inputan video pada gambar menunjukan
kendaraan yang sudah menggunakan LDWS system
dan mampu membaca makan jalan menggunakan
algoritma Hought Transform System memberikan
sinyal dan informasi secara visual pada saat mobil
berjalan.
Gambar 4. Video Masukan
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
151
ISSN : 2503-2844
Ari Purno Wahyu Wibowo, Ardiles Sinaga
Seminar Nasional Telekomunikasi dan Informatika 2016
Gambar 5. Hasil Implementasi Menggunakan Sistem
LDWS
Pembahasan Deteksi Tepi Dengan Menggunakan
Algoritma Canny Detection
Beberapa tahapan pembacaan data dengan
algoritma canny detection:
A. Sobel
Metode ini mengambil prinsip dari fungsi laplace dan
gaussian yang dikenal sebagai fungsi untuk
membangkitkan HPF, dan kelebihan dari metode
sobel ini adalah mengurangi noise sebelum
melakukan perhitungan deteksi tepi.
B. Prewitt Metode Prewitt merupakan pengembangan metode
robert dengan menggunakan filter HPF yang diberi
satu angka nol penyangga. Metode ini mengambil
prinsip dari fungsi laplacian yang dikenal sebagai
fungsi untuk membangkitkan HPF.
C. Laplace Metode Laplace adalah metode transformasi yang
digunakan untuk penyelesaian persamaan diferensial.
D. Robert Metode Robert adalah nama lain dari teknik
differensial pada arah horisontal dan differensial pada
arah vertikal, dengan ditambahkan proses konversi
biner setelah dilakukan differensial. Maksud konversi
biner adalah meratakan distribusi warna hitam dan
putih.
E. Canny Canny merupakan deteksi tepi yang optimal.
Operator Canny menggunakan Gaussian Derivative
Kernel untuk menyaring kegaduhan dari citra awal
untuk mendapatkan hasil deteksi tepi yang halus.
Gambar 6. Proses Pada Canny Detection
Keterangan Gambar 6 langkah pertama dari dengan
menghilangkan noise dengan filter Gaussian
sehingga gambar menjadi lebih buram langkah kedua
dilakukan diteksi tepi dengan teknik Roberts, Prewit
dan Sobel untuk mencari data secara horizontal.
Algoritma Hought Transform
Pengujian Algoritma Hought Transform
menggunakan beberapa gambar marka jalan.
Gambar Hought Algoritma
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) Bandung, 28 Mei 2016
152
ISSN : 2503-2844
Ari Purno Wahyu Wibowo, Ardiles Sinaga
Seminar Nasional Telekomunikasi dan Informatika 2016
Gambar 7. Hasil Pengujian Algoritma Hought
Transform Pada Marka Jalan
Keterangan gambar 7 merupakan hasil pengujian
dengan algortima Hought Tranform berfungsi untuk
mengenali pola pada marka jalan geometri seperti
garis lurus lingkaran atau persegi dengan rumus garis
lurus theta dan Rho dirubah ke dalam bentuk matrik
kemudian saat nilai dan jumlah segmentasinya sama
maka kedua garis lurus akan ditemukan dan
digabungkan.
IV. KESIMPULAN
Dari hasil pengujian yang telah dilakukan pada
penelitian ini maka dapat disimpulkan bahwa tenik
pembacaan marka jalan menggunakan LDWS (Lane
Departure Warning System) ternyata mampu
mendeteksi marka jalan dengan akurasi yang sangat
tinggi yaitu sekitra 85%-95%. Untuk melakukan
pengujian ini, kita dapat menggunakan data video
realtime ataupun data video yang dapat diunduh dari
sumber-sumber penelitian sebelumnya atau dapat
juga menggunakan data yang disediakan oleh toolbox
dan library pada perangkat lunak Matlab. Pada
pnelitian selanjutnya kami menyarankan untuk
dilakukan ujicoba dengan menggunakan data inputan
berupa video yang merekam kondisi jalan pada
malam hari atau pada kondisi cuaca hujan.
REFERENSI
Andrianus HendroTriatmoko; Sholeh Hadi Pramono ;
Harry S. Dachlan, Penggunaan Metode
Viola-Jones dan Algoritma Eigen Eyes
dalam Sistem Kehadiran Pegawai.
A. Broggi. A massively parallel approach to real-time
vision-based road markings detection.
English (1995), 84–89.
Christopher Danil, Edge Detection dengan Algoritma
Canny.: STMIK IBBI, 2001.
C. R. Jung and C. R. Kelber. Lane following and lane
departure using a linear-parabolic model.
English. Image and Vision Computing 23.13
(2005), 1192–1202.
F. Fleuret ;D. Geman, "Coarse-to-fine face
detection," Int, 2001.
H. Jung, J. Min, and J. Kim. “An efficient lane
detection algorithm for lane departure
detection”. English. IEEE, 2013, pp. 976–
981. isbn: 1931-0587.
Jones M. Viola P, "Robust Real-time Object
Detection," IJCV, 2001.
J. W. Lee. A Machine Vision System for Lane-
Departure Detection. English. Computer
Vision and Image Understanding 86.1
(2002), 52–78
K.-Y. Chiu and S.-F. Lin. “Lane detection using
color-based segmentation”. English. Vol.
2005. 2005, pp. 706–711. isbn: 0780389611;
9780780389618.
Lienhart; Rainer ; Jochen Maydt, "An extended set of
haar-like features for rapid object detection,"
IEEE ICIP 2002, p. 1, 2002.
M. Dwisnanto Putro;Teguh Bharata Adji;Bondhan
Winduratna, "Sistem Deteksi Wajah dengan
Menggunakan," Seminar Nasional “Science,
Engineering and Technology”, 2012.
S Nugroho,. Yogjakarta: UGM Ilmu Komputer
Jurusan MIPA, 2004.
WHO, 2nd Global Status Report On Road Safety,
2009.
Z. Kim. Robust Lane Detection and Tracking in
Challenging Scenarios. Intelligent
Transportation Systems, IEEE Transactions
on 9.1 (Mar. 2008), 16–26. issn: 1524-9050.
doi: 10.1109/TITS.2007.908582.