PENGEMBANGAN MODEL PENDETEKSIAN BAN GANDA (DUAL TIRES) MENGGUNAKAN FITUR HAAR-LIKE DAN SVM SEBAGAI PENGKLASIFIKASI

(The Developing of Dual Tires Detection Model by Using Haar-Like Feature and SVM)

Fahmi Yusf, MMSI, Bambang Wahyudi, M.Kom, Fitra Nugraha,S.Kom

ABSTRAK

Saat ini terdapat dua jenis truk bergandar dua yaitu truk yang menggunakan ban tunggal dan menggunakan ban ganda pada roda belakangnya. Penggunaan ban ganda pada kendaraan berjenis truk ini akan mepengaruhi pengklasifikasian kendaran, sehingga diperlukan sebuah sistem yang dapat mendeteksi penggunaan ban ganda tersebut.

Pada penelitian ini dikembangkan sebuah model pendeteksi keberadaan ban ganda pada sebuah citra mobil truk bergandar dua menggunakan Haar-Like feature dan SVM sebagai pengklasifikasi. Untuk ekstarksi ciri menggunakan Haar-like feature, digunakan empat basis fitur Haar dasar dengan ukuran 60 x 60 pixel (fitur 1), 60 x 120 pixel (fitur 2), dan 120 x 60 pixel (fitur 3). Selain ketiga fitur tersebut, untuk mempertegas ciri vertikal dari citra ban ganda ditambahkan satu basis haar like jenis pertama dengan ukuran 80 x 40 pixel (fitur 4). Pengambilan fitur dilakukan dengan cara menggerakkan sebuah jendela berukuran sesuai dengan masing-masing fitur sejauh 10 pixel ke arah horizontal dan 10 pixel ke arah vertikal di seluruh area citra yang berukuran 150x150 pixel, sehingga akan diperoleh fitur sebanyak 400 (fitur 1) + 160 (fitur 2) + 160 (fitur 2) + 96 (fitur 4) = 816. Jumlah fitur yang diperoleh jauh lebih kecil dari jumlah pixel citra yang berukuran 22500 (150x150). Selanjutnya fitur-fitur yang diperoleh digunakan untuk melatih pengklasifikasi SVM.

Data hasil pengujian tahap pertama menunjukkan bahwa untuk pengklasifikasi SVM yang menggunakan kernel linear tidak konvergen sampai jumlah maksimum iterasi (15000 iterasi). Hal ini berarti bahwa klasifikasi data ban ganda dan non ban ganda adalah bukan kasus yang linear separable. Kernel kuadratik menunjukkan kinerja yang bagus, tetapi masih di bawah kernel-kernel RBF. Akurasi tertinggi yang dicapai oleh model dengan kernel RBF adalah 99%.

Pada pengujian tahap dua menggunakan data citra dari frame-frame video, model terbaik yang diuji berhasil mendeteksi keberadaan ban ganda pada semua video dengan kondisi jarak dan kecepatan standar. Tetapi model gagal mendeteksi keberadaan ban ganda pada video-video dengan truk yang berjarak lebih jauh dari standar. Hal ini menunjukkan bahwa model yang dibangun kurang robust terhadap ukuran ban yang dideteksi (scale variant). Kemampuan deteksi model juga dipengaruhi oleh kecepatan pergerakan kendaraan.

Keyword : Haar-Like, SVM, Dual-tires detection

PENDAHULUAN

Latar BelakangJalan tol merupakan 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.

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.

Penelitian lain juga telah dilakukan (Wahyudi B., 2012) untuk mendeteksi keberadaan ban ganda pada sebuah citra kendaraan truk. Dalam penelitian tersebut ciri ban ganda diambil menggunakan teknik 2D-PCA dua tahap dengan pengklasifikasi SVM. Akurasi yang diperoleh dengan teknik tersebut mencapai 93%. Dalam penelitian ini citra yang digunakan merupakan citra-citra hasil pemotretan kendaraan truk dalam kondisi tidak bergerak.

Gambar 1 memperlihatkan dua jenis truk begandar dua dengan kelas tarif berbeda berdasarkan penggunaan ban ganda.

a. Truk single tire b. Truk dual tire

Gambar 1: Dua jenis truk bergandar dua

Penggunaan haar-like feature untuk menangkap ciri dari sebuah objek sudah banyak diteliti. Dalam penelitiannya, Viola dan Jones (Viola, et al, 2001) menggunakan haar-like features dengan AdaBoost untuk membangun sebuah sistem deteksi wajah secara real time. Pada penelitian lain (Tan H., et al, 2009) juga telah mengkombinasikan Haar-like features dengan AdaBoost untuk untuk menangkap subtle structure dari plat nomor kendaraan pada sistem deteksi plat nomor kendaraan. Dalam bidang deteksi kendaraan, Haar-Like feature dikombinasikan dengan symetric features digunakan untuk mendeteksi mobil secara real time(Sungji, et al, 2009). Pada sistem kemanan kendaraan, Haar-Like feature dapat digunakan untuk mendeteksi zebra cross (Heselhoff A, 2008), deteksi rambu-rambu kendaraan secara real-time (Yoon C. et al, 2007).

Pada tahun 1995, Vapnik dan Cortes mengemukakan teori-teori dasar untuk 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 kasusu-kasus 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 Haar-Like features dan SVM sebagai pengklasifikasi. Model sistem deteksi ban ganda pada truk bergandar dua 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.

TujuanMembangun model sistem deteksi

penggunaan ban ganda (dual tire) pada kendaraan berjenis truk bergandar dua berbasis vision menggunakan haar like features dan pengklasifikasi SVM.

Ruang LingkupBerikut 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.

METODE PENELITIAN

Secara garis besar, tahapan pengembangan model pendeteksian ban ganda pada truk bergandar dua digambarkan sebagai berikut

\

Gambar 2: Tahap Penelitian

Pengumpulan Data Untuk kepentingan pelatihan dan pengujian

sistem diambial video dan foto dari truk bergandar

dua. Video diambil menggunakan handycam dengan resolusi 800 x 450 pixel, sedangkan foto diambil menggunakan kamera digital dengan resolusi sama. Kemara ditempatkan pada posisi sekitar 45O

terhadap as jalan seperti pada Gambar 3.

Gambar 3: Posisi kamera untuk pengambilan citra/videoKetinggian kamera dari tanah/jalan 0.5 meter (setinggi jari-jari roda). Dari rekaman video yang diperoleh kemudian diambil frame-frame video pada saat ban belakang truk berada pada posisi tertentu untuk keperluan pengujian tahap dua.

Pembuatan Basis DataBasis data yang digunakan untuk pelatihan

dan pengujian model tahap pertama terdiri dari 552 citra ban ganda (positif) dan 1284 citra non ban ganda (negatif) berukuran 150x150 pixel. Citra-citra ban ganda (positif) diperoleh dari pemotongan citra diam (foto) truk yang menggunakan ban ganda hasil pengambilan data menggunakan kamera digital. Pemotongan dilakukan di sekitar ban ganda dengan ukuran 150x150 pixel. Proses pemotongan citra dapat dilihat pada Gambar 4.

Gambar 4 : Pemotongan bagian citra ban ganda

Kelompok citra negatif yang terdiri dari 1284 citra bukan ban ganda berukuran 150 x 150 pixel merupakan potongan dari 300 buah citra yang tidak mengandung ban ganda baik kendaraan truk maupun non truk. Selanjutnya masing-masing kelompok citra (positif dan negatif) dibagi ke dalam tiga bagian secara random, bagian A, B dan C. Bagian A dan B dipakai sebagai citra pelatihan sedangkan bagian C dipakai sebagai citra uji. Dengan cara tersebut maka akan diperoleh 1224 citra pelatihan (368 citra latih positif dan 856 citra latih negatif) dan 612 citra uji (184 citra uji positif dan 428 citra uji negatif). Semua citra tersebut kemudian dijadikan citra intensitas (grayscale) dan dikenai proses histogram equalization untuk mengurangi pengaruh perbedaan pencahayaan.

Tahap Ekstraksi Ciri

Sebelum data diklasifikasi menggunakan pengklasifikasi SVM, terlebih dahulu dilakukan pengambilan fitur citra menggunakan empat basis fitur haar like. Teknik ekstraksi fitur ini dilakukan untuk mengekstraksi fitur dari 368 citra ban ganda dan 856 citra non ban ganda. Empat basis fitur haar like yang digunakan mengacu kepada paper Cuong Nguyen Khac et. al. (NK. Cuong et al., 2009) seperti terlihat pada Gambar 5 :

Gambar 5: Empat Basis fitur Haar-like yang digunakanDalam penelitian ini dipakai tiga ukuran basis

fitur haar like yaitu 60 x 60 pixel (fitur 1), 60 x 120 pixel (fitur 2), dan 120 x 60 pixel (fitur 3). Selain ketiga fitur tersebut, untuk mempertegas ciri vertikal dari citra ban ganda ditambahkan satu basis haar like jenis 1 dengan ukuran 80 x 40 pixel (fitur 4). Pengambilan fitur dilakukan dengan cara menggerakkan sebuah jendela berukuran sesuai dengan masing-masing fitur sejauh 10 pixel ke arah horizontal dan 10 pixel ke arah vertikal di seluruh area citra yang berukuran 150x150 pixel. Dengan cara seperti ini maka akan diperoleh fitur sebanyak 400 (fitur 1) + 160 (fitur 2) + 160 (fitur 2) + 96 (fitur 4) = 816. Jumlah fitur yang diperoleh jauh lebih kecil dari jumlah pixel citra yang berukuran 22500 (150x150). Selanjutnya fitur-fitur yang diperoleh digunakan untuk melatih pengklasifikasi SVM.

Pelatihan Pengklasifikasi Fitur data latih yang diperoleh dari proses

ekstraksi ciri kemudian divektorkan dan digunakan untuk melatih pengklasifikasi SVM dengan menggunakan kernel linear, polinamial dan RBF.

Pengujian modelPada tahap ini fitur setiap citra uji diekstraksi

menggunakan empat basis fitur Haar like. Fitur yang diperoleh kemudian divektorkan dan diklasifikasi menggunakan model pengklasifikasi SVM yang diperoleh dari proses pelatihan, apakah termasuk kelas citra ban ganda ataukah bukan. Akurasi masing-masing pengklasifikasi SVM kemudian dihitung berdasarkan jumlah citra yang terklasifikasi dengan baik. Pengukuran tingkat akurasi sistem dihitung menggunakan persamaan :

Selanjutnya hasil pengukuran yang diperoleh dicatat dan dianalisis.

Dari akurasi masing-masing model pengklasifikasi kemudian diambil model pengklasifikasi SVM yang memiliki tingkat akurasi paling baik. Model terbaik yang diperoleh kemudian

diuji pada uji tahap kedua untuk mendeteksi keberadaan ban ganda pada citra-citra truk menggunakan teknik sliding window.

Citra-citra uji yang dipergunakan pada uji tahap dua diambil dari frame-frame video dengan ukuran 800x450 pixel dengan skenario pengambilan seperti telah dipaparkan pada tahap pengambilan data. Video yang digunakan untuk uji tahap kedua ini merupaka rekaman video dari 20 truk bergandar dua yang menggunakan ban ganda dan lima truk ban tunggal. Dari 20 video truk tersebut, 15 merupakan video dari truk dalam konidisi ideal (dengan kecepatan lambat/<=10KM/jam dan jarak dari kamera 2 meter sampai 2.5 meter), 3 merupakan video dari truk dengan jarak lebih dari 2,5 meter dan 2 merupakan video dari truk yang bergerak dengan kecepatan lebih dari 15 KM/jam. Jumlah frame yang diambil dari masing-masing video berkisar antara 7 sampai dengan 23, tergantung dari kecepatan gerakan truk. Jumlah total citra (frame video) yang akan diklasifikasi oleh pengklasifikasi SVM terpilih berjumlah 373.

Alat yang digunakanUntuk pengambilan data video digunakan

handycam Sony DCR-SR21E dan untuk pengambilan foto digunakan kamera digital Panasonic 8.1 mega pixel. Sedangkan untuk pengolahan data digunakan perangkat keras komputer dengan processor intel Pentium Dual Core 1.6 GHz, memori DDR2 2GB menjalankan sistem operasi Ubuntu 10.4. Perangakat lunak yang digunakan untuk komputasi adalah Matlab R2009b, untuk pengolahan citra menggunakan aplikasi GIMP 2.6 dan pengolahan video menggunakan aplikasi VLC media player 1.1.4.

Waktu dan tempatPenelitian dilaksanakan dari bulan Oktober

2012 sampai dengan Desember 2012 bertempat di Laboratorium Kecerdasan Komputasional Fakultas Ilmu Komputer Universitas Kuningan. Data video dan foto diambil di jalan raya Ciawigebang dan beberapa lokasi penambangan pasir serta jalan raya di daerah Kuningan Jawa Barat.

HASIL DAN PEMBAHASAN

Pengujian Tahap PertamaPengujian dilakukan menggunakan perangkat

lunak Matlab serta library-library nya. Model yang dibangun mengklasifikasikan gambar ban ganda sebagai kelas negatif dan non ban ganda sebagai kelas positif. Semakin negatif nilai fungsi dari pengklasifikasi SVM menunjukkan bahwa model semakin yakin bahwa citra adalah ban ganda dan sebaliknya. Hasil pengujian dan pengukuran akurasi

Akurasi= jumlahcitra yang terklasifikasi dengan baikjumlah total citra yang diklasifikasi

yang telah dilakukan selengkapnya dapat dilihat pada Tabel 1.

Tabel 1. Hasil pengukuran akurasi sistem pendeteksi ban ganda Data hasil pengujian tahap pertama

menunjukkan bahwa untuk pengklasifikasi SVM yang menggunakan kernel linear tidak konvergen sampai jumlah maksimum iterasi (15000 iterasi). Hal ini berarti bahwa klasifikasi data ban ganda dan non ban ganda adalah bukan kasus yang linear separable. Kernel kuadratik menunjukkan kinerja yang bagus, tetapi masih di bawah kernel-kernel RBF.

Pengujian Tahap DuaPada pengujian tahap dua, salah satu

pengklasifikasi terbaik yang diperoleh dari pengujian tahap pertama kemudian dijalankan untuk mendeteksi keberadaan ban ganda pada citra-citra yang diambil dari frame-frame video dengan ukuran 800x450 pixel dengan skenario pengambilan seperti telah dipaparkan pada tahap pengambilan data. Pengklasifikasi yang dipilih untuk uji tahap dua adalah model yang menggunakan kernel RBF dengan sigma=15. Video yang digunakan untuk uji tahap kedua ini merupaka rekaman video dari 20 truk ban ganda dan lima truk ban tunggal. Dari 20 video truk tersebut, 15 merupakan video dari truk dalam konidisi ideal (dengan kecepatan lambat/<=10KM/jam dan jarak dari kamera 2 meter sampai 2.5 meter), 3 merupakan video dari truk dengan jarak lebih dari 2,5 meter dan 2 merupakan video dari truk yang bergerak dengan kecepatan lebih dari 15 KM/jam. Jumlah frame yang diambil dari masing-masing video berkisar antara 7 sampai dengan 23, tergantung dari kecepatan gerakan truk. Jumlah total citra (frame video) yang akan diklasifikasi oleh pengklasifikasi SVM terpilih berjumlah 373. Secara lebih lengkap rincian frame-frame video yang akan diklasifikasi dapat dilihat pada Tabel 2.

Tabel 2 : Rincian video yang dipakai sebagai citra uji tahap dua

Proses deteksi dilakukan menggunakan teknik sliding window, dimana sebuah jendela detektor berukuran 150 x 150 pixel digerakan di sekitar area titik fokus kamera membentuk sudut 45 derajat terhadap as roda. Dalam penelitian ini diambil posisi koordinat awal (280,95) dan posisi akhir di (400,145). Jendela detektor digerakkan sejauh 10 pixel, sehingga total detektor yang harus diklasifikasi oleh model berjumlah 78 jendela per citra. Pada Gambar 6 dapat dilihat area pencarian yang dilakukan pada setiap citra uji serta tampilan antar muka aplikasi yang dibangun.

Gambar 6 : Tampilan antar muka program

Hasil pengujian tahap 2 yang telah dilakukan disajikan dalam Tabel 3.

Tabel 3: Hasil pengujian tahap dua

Dari hasil pengujian terhadap frame-frame video truk roda ganda dalam kondisi standar

Kernel SVM Jml. Benar Jml. Data AkurasiPos Neg Total Pos Neg Total Pos Neg Total

Linear Tidak konvergen sampai 15000 iterasiKuadrat 181 410 591 184 428 612 0.984 0.958 0.966Kubik 156 330 486 184 428 612 0.848 0.771 0.794RBF (sigma = 10) 177 428 605 184 428 612 0.962 1.000 0.989RBF (sigma = 12) 181 427 608 184 428 612 0.984 0.998 0.993RBF (sigma = 13) 183 426 609 184 428 612 0.995 0.995 0.995RBF (sigma = 14) 183 426 609 184 428 612 0.995 0.995 0.995RBF (sigma = 15) 183 426 609 184 428 612 0.995 0.995 0.995RBF (sigma = 16) 183 426 609 184 428 612 0.995 0.995 0.995RBF (sigma = 17) 183 424 607 184 428 612 0.995 0.991 0.992RBF (sigma = 18) 183 423 606 184 428 612 0.995 0.988 0.990RBF (sigma = 19) 183 422 605 184 428 612 0.995 0.986 0.989RBF (sigma = 20) 183 422 605 184 428 612 0.995 0.986 0.989RBF (sigma = 23) 183 422 605 184 428 612 0.995 0.986 0.989RBF (sigma = 25) 182 422 604 184 428 612 0.989 0.986 0.987

Keterangan

T1 10 Truk ban ganda dalam kondisi standarT2 13 Truk ban ganda dalam kondisi standarT3 18 Truk ban ganda dalam kondisi standarT4 19 Truk ban ganda dalam kondisi standarT5 14 Truk ban ganda dalam kondisi standarT6 12 Truk ban ganda dalam kondisi standarT7 13 Truk ban ganda dalam kondisi standarT8 23 Truk ban ganda dalam kondisi standarT9 13 Truk ban ganda dalam kondisi standarT10 12 Truk ban ganda dalam kondisi jarak lebih jauh dari standarT11 9 Truk ban ganda dalam kondisi standarT12 15 Truk ban ganda dalam kondisi standarT13 21 Truk ban ganda dalam kondisi jarak lebih jauh dari standarT14 21 Truk ban ganda dalam kondisi jarak lebih jauh dari standarT15 11 Truk ban ganda dalam kondisi standarT16 19 Truk ban ganda dalam kondisi standarT17 22 Truk ban ganda dalam kondisi standarT18 12 Truk ban ganda dalam kondisi standarT19 8 Truk ban ganda dalam kondisi kecepatan diatas standarT20 7 Truk ban ganda dalam kondisi kecepatan diatas standarN1 24 Truk ban tunggal dalam kondisi standarN2 18 Truk ban tunggal dalam kondisi standarN3 13 Truk ban tunggal dalam kondisi standarN4 15 Truk ban tunggal dalam kondisi standarN5 11 Truk ban tunggal dalam kondisi kecepatan diatas standar

Kode Video

Jml. Frame

Video Frame1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

T1 + + + + + + + -0.35 + +T2 + + + + + + + + + + -0.56 -0.18 +T3 + + + + + + + + + + + + + -0.33 -0.48 + + +T4 + + + + + + + + + + + + + -0.66 -0.12 + + + +T5 + + + + + + + + -0.38 + + + + +T6 + + + + + + + + + -0.53 + +T7 + + + + + + + + + + -0.41 + +T8 + + + + + + + + + + + + + + + + + + + + -0.11 -0.01 +T9 + + + + + + + + + + -0.1 + +T10 + + + + + + + + + + + +T11 + + + + + -0.15 -0.25 -0.17 +T12 + + + + + + + + -0.8 -0.74 -0.69 -0.48 + + +T13 + + + + + + + + + + + + + + + + + + + + +T14 + + + + + + + + + + + + + + + + + + + + +T15 + + + + + -0.4 -0.5 -0.58 -0.49 + +T16 + + + + + + + + + + + + + + + + + + +T17 + + + + + + + + + + + + + -0.61 -0.58 -0.45 -0.48 -0.49 -0.51 + + +T18 + + + + + + + -0.22 -0.05 + + +T19 + + + + + -0.02 + +T20 + + + + + + +N1 + + + + + + + + + + + + + + + + + -0.57 -0.6 -0.7 + + + +N2 + + + + + + + + + + + + + + + + + +N3 + + + + + + + + + + + + +N4 + + + + + + + + + + + + + + +N5 + + + + + + + + + + +

(kecepatan dan jarak), sistem menunjukkan kinerja yang bagus. Dari 15 video truk (181 frame) dalam kondisi standar hanya satu truk yang tidak terdeteksi menggunakan ban ganda yaitu T16. Empat belas truk lain dapat terklasifikasi secara baik dengan tingkat keyakinan bervariasi antara -0.1 (T9) sampai -0.8 (T12). Untuk menganalisi faktor penyebab besar atau kecilnya tingkat keyakinan model, dapat dibandingkan frame video T9 dengan T12 seperti terlihat pada Gambar 7.

(a) T9 (b). T12Gambar 7: Perbandingan T9 dan T12

Dari Gambar 16 terlihat bahwa T12 yang diklasifikasi oleh model sebagai ban ganda dengan tingkat keyakinan lebih tinggi (-0.8) berjarak sekitar 0.5 meter lebih dekat ke kamera dibandingkan T9, walaupun dari citra frame video tersebut terlihat bahwa kecepatan truk T12 lebih cepat dibandingkan T9. Hal ini menunjukkan bahwa faktor posisi lebih dominan dari kecepatan pada tingkat tertentu.

Citra frame video T16 yang tidak terkelaskan secara baik dapat dilihat pada Gambar 8.

Gambar 8: Truk yang tidak terklasifikasi dengan baik

Salah satu kemungkinan penyebab tidak terdeteksinya ban ganda pada citra truk ini adalah kondisi truk yang sudah mengalami modifikasi pada bagian pinggir (adanya besi tambahan berwarna putih dan tulisan biru), sehingga ciri ban ganda tidak terambil dengan baik.

Untuk truk-truk yang menggunakan ban ganda dengan kondisi standar tidak terjadi false positif, artinya semua citra non ban ganda dapat dikelaskan secara baik sebagai citra non ban ganda. False positif terjadi pada video truk ban tunggal (single tire) N1, dimana ban tunggal dikelaskan sebagai ban ganda dengan nilai fungsi pengklasifikasi (tingkat keyakinan) -0.1. Kejadian

false positif ini dapat dilihat pada Gambar 9.

Gambar 9: Citra yang mengalami false positif

Model pendeteksi tidak berhasil mendeteksi ban ganda pada semua truk yang berada di posisi tidak standar (lebih jauh). Sementar dari dua truk dengan kecepatan diatas standar (T19 dan T20), model hanya berhasil mengklasifikasi satu truk dengan benar walaupun dengan tingkat keyakinan yang rendah (-0.02)

Rangkuman hasil uji tahap dua yang telah dilakukan slengkapnya dapat dilihat pada Tabel 3.

Tabel 3 : Rangkuman hasil uji tahap dua

SIMPULAN DAN SARAN

SimpulanDalam penelitian ini telah dikembangkan

model sistem pendeteksi ban ganda pada citra truk bergandar dua menggunakan fitur Haar-Like dan SVM sebagai pengklasifikasi. Fitur Haar-like diambil menggunakan empat basis fitur haar dasar. Dari hasil pengujian tahap pertama terlihat bahwa basis fitur yang digunakan dapat mengambil fitur ban ganda dengan baik dengan capaian akurasi 99%. Uji tahap pertama juga menunjukkan bahwa kernel RBF memberikan kinerja paling baik untuk klasifikasi ban ganda dan non ban ganda menggunakan pengklasifikasi SVM.

Pada uji tahap kedua menggunakan frame video, terlihat bahwa untuk kondisi jarak dan

Kode Keterangan Klasifikasi

T1 10 Truk ban ganda dalam kondisi standar BenarT2 13 Truk ban ganda dalam kondisi standar BenarT3 18 Truk ban ganda dalam kondisi standar BenarT4 19 Truk ban ganda dalam kondisi standar BenarT5 14 Truk ban ganda dalam kondisi standar BenarT6 12 Truk ban ganda dalam kondisi standar BenarT7 13 Truk ban ganda dalam kondisi standar BenarT8 23 Truk ban ganda dalam kondisi standar BenarT9 13 Truk ban ganda dalam kondisi standar BenarT10 12 Truk ban ganda dalam kondisi jarak lebih jauh dari standar SalahT11 9 Truk ban ganda dalam kondisi standar BenarT12 15 Truk ban ganda dalam kondisi standar BenarT13 21 Truk ban ganda dalam kondisi jarak lebih jauh dari standar SalahT14 21 Truk ban ganda dalam kondisi jarak lebih jauh dari standar SalahT15 11 Truk ban ganda dalam kondisi standar BenarT16 19 Truk ban ganda dalam kondisi standar SalahT17 22 Truk ban ganda dalam kondisi standar BenarT18 12 Truk ban ganda dalam kondisi standar BenarT19 8 Truk ban ganda dalam kondisi kecepatan diatas standar BenarT20 7 Truk ban ganda dalam kondisi kecepatan diatas standar SalahN1 24 Truk ban tunggal dalam kondisi standar SalahN2 18 Truk ban tunggal dalam kondisi standar BenarN3 13 Truk ban tunggal dalam kondisi standar BenarN4 15 Truk ban tunggal dalam kondisi standar BenarN5 11 Truk ban tunggal dalam kondisi kecepatan diatas standar Benar

Jml. Frame

kecepatan standar, model yang dibangun dapat mendeteksi ban ganda dengan baik. Kegagalan deteksi terjadi pada saat jarak kendaraan lebih jauh dari dari standar. Ini menunjukkan bahwa model yang dibangun tidak robust terhadap ukuran (scale variant). Kecepatan gerakan kendaraan juga mempengaruhi keberhasilan deteksi. Selain itu kondisi truk yang tidak standar (telah mengalami modifikasi) menurunkan akurasi deteksi model.

SaranPada penelitian selanjutnya model dapat

dimodifikasi agar lebih robust terhadap ukuran dengan teknik yang dilakukan dalam paper Viola-Jones. Penelitian lanjutan juga dapat dilakukan untuk menentukan kecepatan maksimum kendaraan.

DAFTAR PUSTAKA

Bai. H, Wu. J, Liu. C. 2006. Motion and haar-like features based vehicle detection. Multi-Media Modelling Conference Proceedings. 12th International

Camargo A., Smith JS. 2009. Image Pattern Classification For the Identification of Desease Causing Agent in Plants. Computers and Electrinics inAgriculture 66. pp : 121-125

Chen Z, Pears NE, Freeman M, Austin J. 2009 Road Vehicle Classification using Support Vector Machines. Proc. of IEEE Int. Conf. on Intelligent Computing and Intelligent Systems, Shanghai, China. pp. 214-218.

Duda RO, Hart PE, Stork DG. 2000 , “Pattern Classification”, 2nd edition. New York: John Wiley & Sons

Davies E.R. 1990. Machine Vision: Theory, Algorithms, Practicalities. London : Academic Press.

Fung Y, Lee H, and Ercan MF. 2006. Image Processing Application in Toll Collection. IAENG International Journal of Computer Science .

Frenze J.F. 2002. A Video-based Method for the Detection of Truck Axles. NIATT Report Number N02-05.

Gonzalez RC, Woods RE, and Eddins SL. 2004. Digital Image Processing Using MatLab. New Jersey: Prentice-Hall.

Haselhoff. A, Kummert. A, Schneider. G. 2007. Radar-Vision Fusion with an Application to Car-Following using an Improved AdaBoost Detection Algorithm. Intelligent Transportation Systems Conference IEEE, pages: 854-858, Sept 2007

Jolliffe IT. 2002. Principal Component Analysis. New York: Springer-Verlag.

Kecman V. 2001. Learning and Soft Computing. London : MIT Press.

Khelil M, Boudraa M, Kechida A, and Drai R. 2005. Classification of Defects by the SVM Method and the Principal Component Analysis (PCA). World Academy of Science, Engineering and Technology.

Kirby M. and Sirovich L. 1990. Aplication of the Karhunen-Loeve Procedure for the Characterization of Human Faces. IEEE Transactions On Pattern Analysis and Machine Intelligence. Vol. 12. No. 1

Lausser. L, Schwenker. F, Palm. G. 2008. Detecting zebra crossings utilizing AdaBoost, 16th European Symposium on Artificial Neural Networks, Bruges, Belgium

Le TH., Bui L. 2011. Face Recognition Based on SVM and 2DPCA. International Journal of Signal Processing, Image Processing and Pattern Recognition. Vol. 4 : No. 3.

Lu H, Zheng H, Hu Y, Lou H, Kong X. 2011. Bruise Detection on Red Bayberry (Myrica rubra Sieb. & Zucc.) Using Fractal Analysis and Support Vector Machine. Journal of Food Engineering 104. pp : 149-153.

Narayanan U. 2009. Vision Based Vehicle Counting and Classification System [project report]. Kerala : Indian Institute of Information Technology and Management-Kerala.

Negri. P, Clady. X, Prevost. L. 2007. Benchmarking Haar and Histograms of Oriented Gradients features applied to vehicle detection. Proceedings of the Fourth International Conference on Informatics in Control, Automation and Robotics

Peijin Ji, Lianwen Jin, Xutao Li. 2007. Vision-based Vehicle Type Classification Using Partial Gabor Filter Bank. Proceedings of the IEEE International Conference on Automation and Logistics, China : Jinan. pp.18 – 21.

Smith BT. 2004. Lagrange Multipliers Tutorial in the Context of Support Vector Machines. St. John's Canada : Faculty of Engineering and Applied Science Memorial University of Newfoundland.

Sabri M and Fieguth P. 2004. A New Gabor Filter Based Kernel for Texture Classification with SVM. ICIAR, LNCS 3212, pp. 314–322, 2004. Springer-Verlag Berlin Heidelberg

Shin W, Song D, and Lee C. 2006. Vehicle Classification by Road Lane Detection and Model Fitting Using a Surveillance Camera. International Journal of Information Processing Systems. Vol.2 : No.1

Sirovich L., Kirby M. 1986. Low-dimensional Procedure For Characterization of Human Face. Jurnal of the Optical Society of America A. Vol.4 : 519

Stanciulescu. B, Breheret. A, Moutarde. F. 2007. Introducing New AdaBoost Features for Real-Time Vehicle Detection, Proceedings of COGIS’07 conference on COGnitive systems with Interactive Sensors, held in Stanford University California.

Tan. H, Chen. H. 2009.Selecting Frequency Feature for License Plate Detection Based on AdaBoost. Proceedings of SPIE-IS and T Electronic Imaging-Visual Communications and Image Processing

Wahyudi, Bambang. 2012. Pengembangan Model Pendeteksian Ban Ganda (dual tire) Pada Kendaraan Truk Bergandar Dua Menggunakan Pengekstraksi Ciri 2D-PCA dan SVM Sebagai Pengklasifikasi [Tesis]. Bogor: Departemen Ilmu Komputer, FMIPA. Institut Pertanian Bogor.

Wang L. 2005. Support Vector Machines:Theory and Applications. New York : Springer Berlin Heidelberg.

Yoon. C, Cheon. M, Kim. E, Park. M, Lee. H. 2007. Real-time road sign detection using Adaboost and Multicandidate. International Symposium on Advanced Intelligent Systems, Sokcho, Korea