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


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

mailto:[email protected]

mailto:[email protected]


148

ISSN : 2503-2844



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


149

ISSN : 2503-2844



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


150

ISSN : 2503-2844



(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


151

ISSN : 2503-2844



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


152

ISSN : 2503-2844



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.

IMPLEMENTASI TEKNOLOGI LDWS PADA TRANSPORTASI SEBAGAI PENDUKUNG SARANA DAN KEAMANAN BEKENDARA

Data & Analytics

Transcript of IMPLEMENTASI TEKNOLOGI LDWS PADA TRANSPORTASI SEBAGAI PENDUKUNG SARANA DAN KEAMANAN BEKENDARA