Implementasi Alat Pemantauan Kepadatan Lalu Lintas
DOI:
https://doi.org/10.34818/eoe.v9i6.18952Abstrak
Abstrak—Meningkatnya volume lalu lintas selama dekade terakhir menimbulkan tantangan besar pada penelitian lalu lintas dan perancanaan. Penyebab kemacetan diantaranya rambu lalu lintas yang tidak teratur serta kapasitas jalan yang tidak seimbang dengan kebutuhan masyarakat. Dengan adanya permasalahan tersebut menimbulkan tantangan pada peneliti untuk membuat sebuah sistem yang dapat melakukan perhitungan dan pencatatan pada lalu lintas. Perhitungan secara manual bisa dilakukan akan tetapi kurang efisien. Apalagi Sistem pendeteksi, hitung dan catat kepadatan lalu lintas secara realtime masih terbatas.Pada penelitian ini sebuah sistem pendeteksi kepadatan lalu lintas menggunakan metode Haar Cascade dengan menggunakan bahasa pemrograman python, penulis juga menggunakan komponen seperti modul kamera, raspberry pi, power supply. Komponen raspberry pi sebagai pengolahan data untuk memproses citra digital menjadi perhitungan jumlah kendaraan di jalan raya. Kemudia sistem akan menentukan apakah lalu lintas sedang lancar, ramai atau padat dengan parameter yang sudah penulis tentukan sebelumnya.Tugas Akhir ini menggunakan metode Haar Cascade dengan fitur Haar-Like Feature, Internal Image, Adaboost dan Cascade Classifier, dengan hasil pengujian deteksi objek tersebut mendapatkan tingkat akurasi tertinggi sebesar 88,02 % dengan parameter pemakaian RAM pada Raspberry pi sebesar 87,9MB dari 3827MB RAM yang tersedia di Raspberry pi dan didapatkan FPS pada sistem dari 20FPS hingga 30FPS. Kata Kunci— raspberry pi, haar cascade, traffic light, image processing, computer visionUnduhan
Referensi
[1] A. K. Dewantoro, I. Iwut, and E. Susatio, “Simulasi dan Analisis Sistem Penghitung Kepadatan Lalu Lintas dan Klasifikasi Kendaraan Berbasis Web Camera dengan Metode Background Subtraction,” Signal Processing, vol. 1, p. 2, 2015.
[2] M. J. Yuwono, B. Purnama, and F. Sthevanie, “Penghitungan Kepadatan Kendaraan Di Jalan Tol Menggunakan Metode Gaussian Mixture Model Dan Kalman Filter,” e-Proceedings Appl. Sci., vol. 3, no. 2, pp. 1–7, 2015, doi: 10.21108/indosc.2015.5.
[3] E. H. Mujahid Habibullah, Dedy Rahman Wijaya, “Aplikasi Pemantau Kepadatan Lalu Lintas Berbasis Web dengan Video Analisis Menggunakan Camlytics ( Dinas Kominfo Gunungkidul ),” e-Proceedings Appl. Sci., vol. 5, no. 2, pp. 1–10, 2019.
[4] M. I. HermaTelkomwan et al., “Pengaturan Lampu Lalu Lintas Berdasarkan Kepadatan Kendaraan Menggunakan Metode Yolo,” e-Proceeding Eng., vol. 8, no. 1, pp. 198–205, 2021.
[5] M. R. A. Pangestu, S. Sumaryo, and C. Setianingsih, “Real Time Cctv Deteksi Wajah Dengan Haar Cascade Classifiers Opencv,” e-Proceeding Eng., vol. 6, no. 2, pp. 1–8, 2019.
[6] S. Abidin, “Deteksi Wajah Menggunakan Metode Haar Cascade Classifier Berbasis Web Camera Pada Matlab,” J. Teknol. Elekterika, vol. 15, no. 1, p. 21, 2018, doi: 10.31963/elekterika.v15i1.2102.
[7] E. C. Rahmad, S. T. M. Kom, D. Rawansyah, M. Pd, and T. K. Rochastu, “Sistem Objek Deteksi Sebagai Alat Bantu Mendeteksi Objek Sekitar untuk Penyandang Tunanetra.,” e-Proceeding Eng., vol. 4, no. 1, pp. 81–88, 2018.
[8] M. R. Pratama, Rizal, and S. Sumaryo, “Desain Sistem Deteksi Objek Real Time Dengan Metode Haar Cascade Classifier,” e-Proceeding Eng., pp. 26–34, 2020.
[9] Dicoding Space, “Memulai Pemrograman Dengan Python,” Dicoding, 2020. https://www.dicoding.com/academies/86 (accessed Nov. 11, 2021).
[10] A. D. Yusyahnur, A. Virgono, and U. A. Ahmad, “Pengukuran Jarak Kendaraan Dengan Metode Haar Cascade Menggunakan OpenCV,” J. Teknol. Elekterika, vol. 1, pp. 2–12, 2022.
[11] I. P. Hadi et al., “Perancangan Sistem Deteksi Dan Pengenalan Wajah Menggunakan Metode Haar Cascade Classifier Dan Local Binary Pattern Histogram,” J. Teknol. Elekterika, vol. 3, no. 1, pp. 1–8, 2021.



