Perhitungan Jumlah dan Jenis Kendaraan Menggunakan Algoritma Sum of Absolute Difference (SAD) dan Filter Gaussian Mixture Models (GMM) dan Klasifikasi Fuzzy C-Means (FCM) menggunakan MATLAB.
1. 2014
TESIS
PERHITUNGAN JUMLAH DAN JENIS KENDARAAN MENGGUNAKAN ALGORITMA SUM OF
ABSOLUTE DIFFERENCE (SAD) DAN FILTER GAUSSIAN MIXTURE MODEL (GMM)
24
NOV
amfitroh@gmail.com+62 8573 6000 985
Fitroh amaluddin - 126060300111018
2. Latar Belakang
Stauffer,
1999
GMM merupakan salah
satu model yang sangat
populer dan sering
digunakan pada kasus
Background Substraction
dan cocok digunakan pada
area Outdoor.
SAD
Gerakan kecil dari obyek
akan tetap dideteksi,
seperti pergerakan korden,
pantulan sinar, dan
bayangan noise yang terus
bergerak.
Berdasarkan hasil perancangan
dan penelitiannya di simpulkan
bahwa ada keterbatasan dalam
menghitung objek jika posisi
obyek yang bergerak berada di
tengah garis marka jalan.
Widyardini
2010
Dimas
2013
3. INPUT
Konsep Penelitian
SAD
I
• Deteksi Gerak
• Threshold
• Video Record
GMM
II
FCM
III
• Deteksi Foreground
• Binerisasi
• Segmentasi Blob
• Filter Morfologi
• Data Cluster
• Proses Kluster
• Klasifikasi
OUTPUT
• Video (*.avi) • Jumlah dan jenis
kendaraan
4. Mencari perbedaan nilai antar
frame pada waktu t dan t-1
SAD
I
“
”
10 75 8
30
.....nFrame > T
𝑆𝐴𝐷 =
𝑖
𝑛
|𝐼 𝑡𝑖 − 𝐼 𝑡𝑖−1 |
Frame 1 Frame 2
Diff
Sum
7. GMM
II
“prinsip dasar model dari warna RGB
adalah berdasarkan sistem koordinat
kartesian.”
Rahmadwati, 2012
” “setiap pixel akan mengalami perubahan intensitas
selama waktu t.”
Stauffer, 1999
Xt
𝜇 𝑘 − 2.5 ∗ 𝜎𝑘 < 𝑋𝑡 < 𝜇 𝑘 + 2.5 ∗ 𝜎𝑘
Pencocokkan nilai 𝑋𝑡 selama mixture ke-K pada waktu t
Pencocokkan Nilai
R,G,B
• Distribusi cocok
• Distribusi tidak cocok
𝑎 < 𝑋𝑡 < 𝑏
Mixture k=1
a < R/G/B < b
“Jika nilai RGB lebih besar dari
a dan lebih kecil dari b”
Mixture k=1
a < R/G/B < b
“Jika nilai RGB tidak memenuhi
kondisi seperti kondisi disamping.
Distribusi yang tidak cocok disebut
juga dengan distribusi “Foreground”
”
8. Pemilihan Distribusi Background
“Bobot terkecil dari sebuah
distribusi akan digunakan sebagai
model background”
Contoh:
Bobot = 0,4/0,5/0,6/0,7
• 0,4 > T = √
• 0,5 > T = √
• 0,6 > T = √
• 0,7 > T = X
Input diambil dari
file video (*.avi)
Mengambil sampel warna dari tiap
piksel untuk membuat model GMM
dari piksel tersebut
Ada model yang
cocok?
Mencocokkan tiap piksel dengan tiap
model GMM dari piksel tersebut
Normalisasi Bobot (Weight ≥
1)
Update parameter
Membuat model baru dengan
menggantikan model yang
mencerminkan background
Mengurutkan model
berdasarkan bobot (Weight)
Memilih distribusi
terkecil sebagai
background
11. FCM
III
Cara kerja FCM yaitu membentuk
fungsi keanggotaan yang
digunakan sebagai dasar klasifikasi
berdasarkan atribut.
“
” • Panjang kendaraan
• Lebar kendaraan
Atribut yang dipakai
ATRIBUT
13. HASIL & PEMBAHASAN
01. Perbandingan Input
Membandingakan data input dengan
data hasil proses SAD.
02. Perhitungan Jumlah
Menghitung jumlah kendaraan
berdasarkan hasil proses
menggunakan filter GMM, filter
Morfologi, dan segementasi Blob.
03. Klasifikasi Kendaraan
Mengelompokkan jenis kendaraan
berdasarkan data hasil ekstraksi ciri.
14. Kondisi Nama
Data Input Data SAD
Frame
(30fps)
Durasi
(s)
Ukuran
(Kb)
Frame
(12fps)
Durasi
(s)
Ukuran
(Kb)
Pagi
552 22 865 145 12 314
2 480 16 869 153 12 393
Siang
1 620 20 841 169 14 354
2 334 11 572 108 9 301
3 578 19 648 108 9 287
4 433 18 708 129 10 238
Sore
1 668 22 1437 317 26 1012
2 448 14 957 183 15 493
Malam
1 432 14 984 203 17 529
2 224 7 491 107 8 199
3 494 16 1133 241 20 227
4 392 13 884 194 16 382
1 01. Perbandingan Input
Membandingakan data input
dengan data hasil proses SAD.
“Durasi waktu hasil proses SAD lebih
cepat karena di dalam file video tidak
terdapat suatu informasi penting”
15. Kondisi
Jumlah Kendaraan
%
Manual Aplikasi Error
Pagi 10 10 0
88,00%
15 12 3
Siang 11 11 0
94,12%
8 9 1
6 6 0
9 8 1
Sore 29 33 4
90,48%
13 13 0
Malam 10 14 6
76,47%
6 6 0
4 4 0
14 11 2
“Tingkat keakuratan perhitungan jumlah kendaraan
pada malam hari hanya mencapai 76,47%, karena hasil
segmentasi obyek pada malam hari kurang sempurna”
02. Perhitungan Jumlah
Menghitung jumlah kendaraan
berdasarkan hasil proses
menggunakan filter GMM, filter
Morfologi, dan segementasi Blob.
3 2
4
8
PAGI
81,82%
SIANG
88,24%
SORE
91,3%
MALAM
76,47%
ErrorAplikasi
22
34
37
46
Data hasil segmentasi menggunakan aplikasi
16. Kondisi
Manual/Aplikasi
%
Spd.Motor Mobil Bus/Truk
PAGI 22 19 3 4 0 0 81,82%
SIANG 21 22 12 10 1 2 88,24%
SORE 33 36 9 10 0 0 91,30%
MALAM 18 22 14 14 2 1 86,49%
PAGI
81,82%
SIANG
88,24%
SORE
91,3%
MALAM
86,49%
Tingkat keakuratan hasil klasifikasi menggunakan aplikasi.
Data hasil klasifikasi menggunakan aplikasi
ErrorAplikasi
“Tingkat keakuratan klasifikasi jenis kendaraan pada
sore hari dapat mencapai 91,3%, dikarenakan hasil
segmentasi pada sore hari cukup bagus”
03. Klasifikasi Kendaraan
Mengelompokkan jenis kendaraan
berdasarkan data hasil ekstraksi ciri.
4 4 4
4
22
34
46
37
17. 𝟐
𝒙
Belum dapat mengukur kecepatan kendaraan
yang terdeteksi oleh deteksi gerak SAD
maupun Filter GMM.
Deteksi gerak SAD dapat beradaptasi
dengan baik pada iterasi ke-3. Sedangkan
pengujian deteksi foreground menggunakan
filter GMM dapat beradaptasi dengan baik
pada iterasi ke-30.
Pencahayaan sinar matahari dapat
mempengaruhi dimensi kendaraan baik
panjang maupun lebar kendaraan. Dikarenakan
bayangan kendaraan berubah bentuk dan
bergerak secara terus menerus sehingga
bayangan tersebut mengganggu foreground
yang dihasilkan
Hanya kendaraan yang berwarna cerah yang
dapat terdeteksi dengan baik. Sedangkan
kendaraan dengan warna gelap tidak dapat
terdeteksi dengan sempurna. Hal ini
disebabkan karena pada saat proses filter
dengan GMM warna foreground yang
dihasilkan mirip dengan warna background.
Tingkat kecerahan sorot lampu mobil pada
malam hari, menentukan jumlah dan dimensi
dari foreground yang dihasilkan, dikarenakan
cahaya tersebut berada pada satu cluster
dengan obyek.
Tingkat kerapatan jumlah kendaraan yang
bergerak, dapat mempengaruhi proses
segmentasi dan dimensi kendaraan sehingga
akan berpengaruh pula pada proses klasifikasi,
dikarenakan bayangan obyek yang saling
berdekatan akan membentuk satu cluster
Algoritma ini belum dapat mengenali jenis
kendaraan secara sepesifik berdasarkan
merek. Hal ini disebabkan karena ada
beberapa jenis mobil memiliki variabel sama.
KESIMPULAN
12
3 4
56
8Algoritma ini belum dapat mensegmentasi obyek
pada area tertentu. Sehingga seluruh obyek yang
bergerak pada area tangkapan kamera akan
tersegmentasi.
7
18. FITROH AMALUDDIN
126060300111018
MAGISTER TEKNIK ELEKTRO
SISTEM KOMUNIKASI DAN INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS BRAWIJAYA
OUR TEAM
TERIMA KASIH
MUHAMMAD AZIZ MUSLIM
19741203 200012 1 001
DOSEN PEMBIMBING I
AGUS NABA
197208061995121001
DOSEN PEMBIMBING II
I II