ABSTRAKSI: Salah satu solusi untuk menhindari kemacetan di gerbang tol adalah dengan penggunaan Electronic Toll Collection (ETC). ETC merupakan salah satu pelayanan secara otomatis yang dapat digunakan oleh pengguna jalan tol untuk membayar di gerbang tol. Pengguna ETC menggunakan Gardu Tol Otomatis (GTO).Penggunaan GTO hanya dapat digunakan untuk kendaraan golongan I non-bus.
Golongan kendaraan yang diklasifikasikan pada tugas akhir ini terdiri dari 3 golongan, yaitu golongan I, II, dan III. Citra yang digunakan berupa citra kendaraan yang melewati gardu jalan tol. Metode yang digunakan pada tugas akhir ini adalah Gabor Wavelet dan Linear Discriminant Analysis (LDA). Metode Gabor Wavelet digunakan sebagai proses ekstraksi ciri untuk mendapatkan ciri penting dari sebuah citra dan hasil proses tersebut akan menjadi inputan untuk klasifikasi LDA. Sebelum proses ekstraksi ciri, dilakukan proses preprocessing yaitu background subtraction untuk mendapatkan foreground. LDA memiliki waktu komputasi yang relative cepat. Proses training menggunakan 120 data latih, sedangkan untuk testing menggunakan 40 citra uji.
Hasil penelitian menunjukkan bahwa penggabungan metode Gabor Wavelet dan LDA pada klasifikasi jenis kendaraan memiliki akurasi pengenalan terbaik sebesar 70% pada citra uji.Kata Kunci : klasifikasi kendaraan, background subtraction, Gabor Wavelet, Linear Discriminant Analysis(LDA)ABSTRACT: One solution to avoiding congestion at toll gates is the use of Electronic Toll Collection (ETC). ETC is one of the services that can be used automatically by toll road users to pay at toll gates. ETC users using Gardu Tol Otomatis (GTO). GTO can only be used for vehicle class I non-bus.
Classes of vehicles that are classified in this thesis consists of three groups, namely group I, II, and III. The image is used in the form of images of vehicles passing through the toll road substation. The method used in this thesis is the Gabor Wavelet and Linear Discriminant Analysis (LDA). Gabor Wavelet is used as a method of feature extraction process to get the important characteristics of an image and process the results will be input for LDA classification. Before the process of feature extraction, preprocessing is performed background subtraction process to get the foreground. LDA has a relatively fast computation time. The process of data using 120 training practice, while for testing using 40 test images.
The results showed that the incorporation of Gabor Wavelet method and LDA in the classification of types of vehicles have the best recognition accuracy of 70% on the test images.Keyword: vehicle classification, background subtraction, Gabor wavelet, Linear Discriminant Analysis (LDA)