ABSTRAKSI: Pada Tugas Akhir ini dihitung kepadatan lalu lintas suatu ruas jalan di dalam video yang telah diambil sebelumnya secara offline. Video tersebut akan diekstraksi menjadi frame-frame yang kemudian dideteksi gerakan objeknya dengan menggunakan metode background subtraction, menghitung centroid, dan melakukan tracking centroid. Melalui penghitungan centroid dan tracking terhadap centroid-centroid objek, sistem dapat menghitung jumlah kendaraan, menghitung kepadatan lalu lintas (volume trafik), menghitung kecepatan rata-rata seluruh kendaraan yang ada di dalam video tersebut, dan menentukan atau menggolongkan ruas jalan tersebut ke jalan lengang, sedang, atau macet. Pengujian sistem dilakukan ke 3(tiga) video uji yaitu video yang pada pagi hari, siang hari, dan sore hari. Video diambil dengan menggunakan kamera digital yang ditempatkan di atas ruas jalan yang akan diteliti. Untuk menguji tingkat akurasi sistem yang telah dibuat, dilakukan perubahan nilai dari beberapa parameter. Yaitu perubahan nilai pada intensitas cahaya, threshold bwareaopen, lebar structuring element, dan threshold luas label.
Hasil yang diperoleh dari Tugas Akhir ini adalah sebuah sistem yang mampu menghitung kepadatan lalu lintas suatu ruas jalan. Setelah dilakukan pengujian terhadap sistem yang telah dibuat, dapat diambil kesimpulan bahwa pemilihan intensitas cahaya, nilai threshold bwareaopen, lebar structuring element, dan threshold luas label mempengaruhi tingkat akurasi sistem. Sistem bekerja secara optimal pada intensitas cahaya yang tinggi (siang hari), nilai threshold bwareaopen 750, lebar structuring element 7 piksel, dan nilai threshold luas label 700 piksel.Kata Kunci : background subtraction, centroid, jumlah kendaraan, kepadatan lalu lintas,intensitas cahaya, threshold bwareaopen, lebar structuring element, threshold luas label.ABSTRACT: In this final project, traffic density on offline-recorded video was counted.The video was extracted into frame, and then system detected motion of objects on the video by using background subtraction method, counted objects centroid, and tracked the centroid. By counting the centroid and tracking it, system can count total of vehicles, count average velocity of all vehicles on the video, road traffic density, and classify the road into low traffic road, medium traffic road, or heavy traffic road. System was tested on 3 (three) videos, i.e. videos that were recorded at morning, afternoon, and at evening. The videos were recorded by a digital camera that placed above the road. To get the system accuracy, parameter’s changings were done, i.e. changed light intensity, bwareaopen threshold, structuring element width, and label’s area threshold.
As the result of this final project, a traffic density counter system had been made. Based on the tests that had been done, system accuracy is affected by value of parameters, i.e. light intensity, bwareaopen threshold, structuring element width, and label’s area threshold. Highest accuracy system was reached on high light intensity (video that was recorded at afternoon), bwareaopen threshold on 750, structuring element width on 7 pixels, and label’s area threshold on 700 pixels.Keyword: background subtraction, centroid, total of vehicles, traffic density, light intensity,bwareaopen threshold, structuring element width, label’s area threshold.