Implementasi Metode Improved Adaptive Gaussian Mixture Model Background Subtraction
dan Haar - Like Features untuk menganalisis status kepadatan kendaraan yang melintas di suatu Jalur pada Lampu Lalu Lintas

Hamdy Nur Saidy

Informasi Umum

Kode

113100012

Klasifikasi

003 - Systems, Operation Research, System Theory, System Analysis, Simulation Technic

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

System Analysis

Dilihat

350 kali

Informasi Lainnya

Abstraksi

Metode analisis kepadatan kendaraan di suatu jalur pada persimpangan lampu lalu lintas menggunakan real time video stream mempunyai banyak kendala . Kendala seperti penanganan terhadap berbagai kondisi cuaca sehingga background tidak statis, bayangan yang bergerak yang juga dapat men gurangi keakurasian perhitungan sistem , serta tidak berjalannya sistem sesuai yang diinginkan ketika terjadi kemacetan. Sehingga diperlukan rancangan yang dapat menangani masalah ini.<br>Oleh karena itu pada Tugas Akhir ini dibangun si stem perh itungan jumlah kendaraan di suatu jalur pada persimpangan lampu lalu lintas berbasis real time video stream menggunakan penggabungan beberapa metode untuk mengangani masalah diatas . Sistem ini menggunakan kamera perekam yang dipasang pada suatu jalur dengan lokasi yang berdekatan dengan persimpangan lampu lalu lintas untuk menghitung jumlah k endaraan yang melintasi jalur tersebut . Pemrosesan gambar

dilakukan per

frame menggunakan met ode Improved Adaptive Gaussian Mixture Model Background Subtraction dan

Haar

Like Features . Tujuan utama metode tersebut ialah tracking secara

real

time objek bergerak pada background yang cenderung tidak statis yang disebaban karena cuaca serta pencahayaan yang

berubah

ubah kemudian

objek

objek yang telah berhasil

di

tracking tersebut kemudian dihitung jika melintasi virtual detector . Sementara , Metode

Haar

Like Features digunakan untuk mendeteksi terjadinya kemacetan yang terjadi pada jalur tersebut dengan cara mendeteksi objek pada background model yang dibentuk oleh sistem . Untuk tahapan akhir, jumlah kendaraan yang melintasi virtual detector ataupun dideteksi oleh mek anisme congestion detection diklasifikasikan kedalam 5 tingkat kepadatan untuk memberikan analisis terhadap tingat kepadatan untuk jalur tersebut untuk tiap state sekuens lampu lalu lintas.<br>Dengan menggunakan metode diatas, system dapat bekerja dengan opt imal untuk menganalisis kepadatan kendaraan di suatu jalur pada persimpangan lampu lalu lintas menggunakan real time video stream diberbagai kondisi cuaca ataupun pencahayaan. Real Time Video Stream, Improved Adaptive GMM Background Subtraction , Haar - like Features, congestion detection, classification, virtual detector.