You are on page 1of 8

103

Perhitungan Jumlah dan Jenis Kendaraan
Menggunakan Metode Fuzzy C-means dan
Segmentasi Deteksi Tepi Canny
Dimas Wahyu Wibowo, M. Aziz Muslim, M. Sarosa

 lebar jalan yang tetap dan semakin bertambahnya
Abstrak–-Pada Penelitian ini memungkinkan kita untuk jumlah kendaraan. Hal ini berarti panjang dan lebar
melakukan perhitungan kendaraan dengan cepat dan kendaraan berpengaruh pada luas dari jalan tersebut
mudah dengan menggunakan metode deteksi tepi Canny sehingga kedua faktor tersebut digunakan sebagai acuan
untuk proses segmentasi dan Fuzzy C-Means untuk pada penelitian ini.
menghitung kendaraan. Berdasarkan hasil penelitian
dapat disimpulkan bahwa sistem perhitungan jumlah dan
Berdasarkan dari acuan tersebut dapat digunakan
jenis kendaraan menggunakan metode Fuzzy C-means sebagai masukan Fuzzy C-Means untuk meng-Cluster-
dan Segmentasi menggunakan Deteksi Tepi Canny untuk kan jenis-jenis kendaraan berdasarkan pada panjang,
penerangan cahaya yang cukup didapatkan persentase lebar dan titik sudut yang terdapat pada kendaraan.
keberhasilan 87 persen tetapi untuk pencahayan yang Untuk mendapatkan ciri-ciri dari suatu kendaraan proses
kurang, belum mendapat hasil yang memuaskan. pertama yang harus dilakukan adalah proses ekstraksi
ciri menggunakan deteksi tepi canny.
Kata kunci penelusuran katalog, Fuzzy C-means,
Segmentasi, Deteksi Tepi Canny. Deteksi tepi dengan menggunakan metode Canny
merupakan deteksi tepi terbaik dikarenakan morfologi
I. PENDAHULUAN garis yang dihasilkan oleh deteksi tepi ini lebih halus
dan tidak terputus-putus dibandingkan deteksi tepi sobel

S EKARANG ini jumlah alat transportasi hampir
setiap hari bertambah, tetapi tidak diiringi dengan
perubahan volume (panjang dan lebar) jalan yang
dan LOG (Laplasian Of Gaussian). Karena alasan
tersebut, maka sebagian besar proses ekstraksi ciri suatu
citra menggunakan Metode Canny. Pada kasus
signifikan. Akibatnya dengan kondisi panjang maupun
lebar jalan yang tetap dan semakin bertambahnya segmentasi citra dan pengenalan obyek, deteksi tepi
jumlah kendaraan, maka terjadinya penumpukan jumlah dengan metode canny terbukti memiliki performa yang
kendaraan pada ruas jalan. Kondisi ini terjadi karena lebih baik daripada metode sobel, prewitt, roberts, dan
lokasi tujuan yang sama dan jika tujuan berbeda, LoG. Algoritma canny edge memiliki kelebihan dapat
meraka tidak mengetahui rute alternatif untuk mencapai memberikan hasil deteksi tepi yang optimal dan
lokasi yang dituju. Oleh karena itu, seringkali di jalan sekaligus juga memberikan fleksibilitas yang sangat
tertentu timbul kemacetan yang disebabkanpenumpukan tinggi dalam hal menentukan tingkat ketebalan tepi
kendaran. sesuai yang diinginkan. [2] [3] [4].
Untuk mencegah adanya penumpukan jumlah Clustering merupakan proses pengelompokkan objek
kendaraan dilokasi tertentu dibutuhkan suatu data atau data tidak berlabel kedalam suatu kelas atau
statistik tentang pertumbuhan kendaraan diwilayah Cluster dengan objek yang memiliki kesamaan.
tersebut tiap tahunnya [1]. Pertumbuhan kendaran ini Clustering dengan menggunakan metode Fuzzy C-
dapat dilihat dari seberapa banyak kendaraan yang Means dapat memunculkan beberapa Cluster data yang
melewati jalan tertentu. Dengan mengetahui dapat dianalisa lebih lanjut persamaan dan
pertumbuhan kendaraan di suatu kota dapat digunakan perbedaannya. Selain itu Fuzzy Clustering dapat
sebagai tolak ukur perlu tidaknya adanya penambahan digunakan dalam pengenalan karakter angka dan
fasilitas jalan raya atau jalan alternatif. didapatkan kesimpulan bahwa dengan metode Fuzzy
Dari pemaparan di atas dapat diketahui salah satu dapat mengenali dengan baik untuk data-data yang
penyebab kemacetan adalah kondisi panjang maupun perbedaannya terlihat dengan jelas.Pada pengenalan
karakter angka, tingkat pengenalan yang dicapai adalah
70% [5] [6].
DimasWahyu Wibowo adalah mahasiswa Program Magister
Ada beberapa pendekatan yang berbeda untuk
Jurusan Teknik Elektro Universitas Brawijaya, Malang, Indonesia.
(Kontak phone 08179646264, email, pengindentifikasian suatu kendaraan dengan
dimaswahyuwibowoster@gmail.com) menggunakan metode Hough Transform (HT) dan
M. Aziz Muslim adalah Dosen Jurusan Teknik Elektro Universitas Connected Component Labeling (CCL). Metode HT dan
Brawijaya, Malang, Indonesia, email : muh_aziz@ub.ac.id
M. Sarosa adalah Dosen Program Studi Jaringan Telekomunikasi CCL ini dapat digunakan untuk mendeteksi kendaraan
Digital Diploma 4 Jurusan Teknik Elektro, Politeknik Negeri Malang, pada jalan raya. Namun metode CCL mendeteksi dua
Malang, Indonesia, email : msarosa@yahoo.com kendaran yang berdekatan menjadi satu objek sehingga

Jurnal EECCIS Vol. 7, No. 2, Desember 2013

.. dan sebagainya.. region akan dapat dilihat bahwa pusat Cluster akan bergerak splitting. Algoritma Canny Deteksi tepi canny ini ditemukan oleh Marr dan  in1 (( ik ) w * X ij ) Hilderth yang meneliti pemodelan persepsi visual Vkj   in j ( ik ) w manusia. Dengan canny dimungkinkan dihasilkan jarak yang minimum antara tepi yang dideteksi II.m C. dan region merging.  Menghitung perubahan matriks partisi :  Melokalisasi dengan baik (criteria lokalisasi) Jurnal EECCIS Vol. Pangkat = w.  Respon yang jelas(kriteria respon) A. Algoritma yang digunakan pada metode Fuzzy C- B. Menghitung jumlah mempunyai bobot sendiri.. D. Konsep dasar FCM.. Segmentasi membagi citra ke dalam adalah menentukan pusat Cluster yang akan menandai daerah intensitasnya masing-masing sehingga bisa lokasi rata-rata untuk tiap-tiap Cluster. k=1.... Segmentasi adalah satu metode pengClusteran data yang mana keberadaan tiap-tiap penting yang digunakan untuk mengubah citra input ke data dalam suatu Cluster ditentukan oleh nilai dalam citra output berdasarkan atribut yang diambil dari keanggotaan [11]...c.. maka kriteria yang dimilikinya contohnya thresholding.. Maksimum Iterasi =MaxIter. DASAR TEORI dengan tepi yang asli. ik sedangkan banyaknya titik tetangga yang terlibat ik  (2) biasanya adalah 2x2. pusat Cluster ini masih belum akurat. Dengan cara memperbaiki pusat Cluster dan Pembagian citra berdasarkan kesamaan-kesamaan nilai keanggotaan tiap-tiap data secara berulang. berdasarkan nilai-nilai keabuhan dari titik-titik yang ada sebagai elemen-elemen matriks partisi awal di sekitarnya (tetangganya) yang masing-masing U. Gambar 1 Proses Deteksi Tepi Citra Error Terkecil yang diharapkan = ξ.. Ada bebearapa kriteria pendeteksian tepian (3) paling optimum yang dapat dipenuhi oleh algoritma Canny [9] :  Mendeteksi dengan baik (criteria deteksi)  Menghitung fungsi Obyektif pada iterasi ke=t. perubahan intensitas yang berbeda nyata dalam sebuah Iterasi awal = t=1.. Pt Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai dengan pemilihan n e  m   parameter-parameter konvolusi yang dilakukan.2. Fuzzy C-Means wilayah yang homogen. pertama kali citra tersebut [8].. Pada kondisi membedakan antara objek dan background-nya.. awal.n).. Segmentasi Citra Segmentasi citra bertujuan untuk membagi wilayah. Deteksi Tepi means adalah sebagai berikut:  Menginputkan data yang akan di Cluster X Berupa matriks berukuran n x m : n = jumlah sampel data m = atribut setiap data. Deteksi Tepi adalah proses untuk menentukan Fungsi Obyektif awal = 0. atribut ke-j (j=1. Bobot-bobot tersebut nilainya tiap kolom (atribut) : tergantung pada operasi yang akan dilakukan. Tiap-tiap Pembagian ini tergantung pada masalah yang akan data memiliki derajat keanggotaan untuk tiap-tiap diselesaikan.. menuju lokasi yang tepat. 2. Gambar Qj 1 menggambarkan bagaimana tepi suatu gambar  Menghitung pusat Cluster ke–k: Vkj.. dan j=1.2.2. Cluster... bidang citra [8]. yaitu sebuah operasi  Membangkitkan bilangan random  ik yang memodifikasi nilai keabuahan sebuah titik i=1.104 akurasi nilai kepadatan berkurang[7].2..n. k=1.2..2.dengan diperoleh. 3x3. (1)  Menentukan: Jumlah Cluster = c. 7.c. No. Desember 2013 ..m). X ij = data sampel ke-i (i=1. Sebuah operator deteksi tepi merupakan operasi bertetangga. Pt      ( X ik  Vkj ) 2  ik   w (4) Sekaligus juga memberikan fleksibilitas yang  i 1 k 1   j 1  sangat tinggi dalam hal menentukan tingkat   deteksi ketebalan tepi sesuai yang diinginkan. 3x4.

2. Database Insiasikan nilai pada Database Clustering ekstaksi fitur komponen-komponen Menghilangkan noise yang pada citra III. dan k=1.. ik    j 1 C.. = data pada 2 sehingga =2. Memperkecil garis tepi dengan menerapkan non Hitung fungsi maximum objektif pada iterasi suppression ke-iter binerisasi Gambar 3 Flowchart Proses Pengambilan Sample Image Data Training Gambar 3 merupakan flowchart dari proses Gambar 2 Ilustrasi pengambilan gambar Pengambilan Sample Image Data Training.  menghilangkan noise pada citra B. 7.2. Untuk pengambilan  pengambilan contoh gambar yang akan dijadikan gambar pada malam hari dilakukan dengan pencahayaan sebagai acuan. Data Primer tepi dengan menggunakan operator Bangkitkan bilangan acak end tepi sobel Data primer merupakan data yang didapatkan langsung dari subyek penelitian.c.. Jika tidak : t=t+1.. sore hari dan malam hari. Sehingga untuk panjang kendaraan dapat  Maksimum Iterasi ->maxIter =1 menggunakan rumus Y Untuk titik sudut Jurnal EECCIS Vol.. Menentukan matrix X berukuran i x j sebagai Gambar 3 proses ektraksi tempat dari data yang akan di-Cluster. ulangi langkah ke – 4.n. sedangkan untuk berada pada no 1 – banyaknya atribut dari data tersebut. sumbu y..lebar dan titik sudut) tempat dari data yang akan di-cluster. 105 1 kendaraan mengacu pada sumbu x. yang cukup. Adapun mekanisme Menentukan arah pengambilan gambar dilakukan pada pagi hari. lebar dan titik sudut pada suatu kendaraan. siang tepian Hitunglah pusat cluster hari. posisi awal angka 1 dan posisi akhir dari  Pangkat (pembobot) --> w =2 angka 1. proses ekstraksi ciri dan proses Clustering.2. METODE PENELITIAN Melakukan deteksi A.. Desember 2013 . 2. Proses Ektraksi Ciri  melakukan deteksi tepi dengan menggunakan operator sobel  menentukan arah tepian  memperkecil garis tepi dengan menerapkan non maximum suppression  binerisasi Proses selanjutnya adalah proses ektraksi fitur dimana proses ini mengacu pada hasil akhir dari proses canny yaitu binerisasi sehingga didapatkan panjang. posisi awal  2  X ik  Vkj   m w 1 angka 1 dan posisi akhir angka 1 pada masing-masing sumbu.. partisi U Jika (|Pt –Pt-1| < ξ) atau (t> MaxIter) maka Ambil sample image berhenti. Proses Pengambilan Sample Image untuk Data 1 w1 (5) training m 2   c   ik k 1  j 1 X  Vkj  Flowchart Proses Sample Image Data Training  Proses Canny Proses Ekstraksi Fitur Proses Clustering dengan : i=1. No. Pada dilakukan diatas sebuah jembatan penyemberangan proses canny terdapat beberapa proses yaitu : dengan sudut kemiringan 45derajat. Start Proses ekstraksi fitur Menentukan matrix X Perbaharui matrix berukuran i x j sebagai Cek kondisi berhenti : (panjang. Inisiasikan nilai pada komponen-komponen berikut Untuk mendapatkan panjang kendaraan mengacu pada  Banyaknya Cluster yang diinginkan --> c =2 sumbu y. Dengan demikian lebar kendaraan sampel ke dan atribut ke dapat diketahui dengan hasil pengurangan dan . Pada flowchart tersebut terdapat tiga proses yaitu proses Gambar 2 adalah ilustrasi pengambilan gambar yang canny. Hasil dari ekstraksi ciri dimasukkan ke dalam database ekstraksi ciri untukselanjutnya diproses dengan menggunakan Fuzzy Clustering means antara lain : 1. Di mana i Pada gambar 3 untuk berada pada no 1 – 4 merupakan banyaknya data i dan j merupakan sehingga = 4.

Pada input blok diagram terdapat 2 inputan berupa contoh gambar dan video. Untuk lebih jelasnya dapat dilihat pada Gambar 6 berikut ini. Hasil dari proses canny nantinya digunakan Jurnal EECCIS Vol. Proses Clustering digunakan sebagai acuan proses Fuzzy C-Means pada saat video dimainkan. Untuk lebih detailnya menggunakan rumus 3 dapat dilihat pada Gambar 5 berikut ini. Tahap-tahap perancangan sistem meliputi blok diagram sistem. kemudian sistem perhitungan jumlah dan sebuah image sehingga menghasilkan beberapa jenis kendaraan menggunakan metode Fuzzy C-Means data yang disimpan kedalam database ekstraksi dan segmentasi menggunakan deteksi tepi canny akan ciri. OUTPUT Database Database JUMLAH ekstraksi clustering KENDARAAN Ekstraksi ciri Perhitungan jumlah ciri kendaraan User Gambar 4 Blok Diagaram Sistem Gambar 4 merupakan gambar blok diagram sistem perhitungan jumlah dan jenis kendaraan menggunakan image video metode Fuzzy C-Means dan segmentasi menggunakan deteksi tepi canny. 5. Ekstraksi ciri menggunakan rumus 4 6. Masukan pada Level 0 proses training image. dimana banyaknya i kendaraan menggunakan metode Fuzzy C-Means dan sejumlah data dan k sejumlah Cluster segmentasi menggunakan deteksi tepi canny akan 4. Bangkitkan bilangan acak . Gambar 5 Context Diagram sistem perhitungan jumlah dan jenis kendaraan menggunakan metode Fuzzy C-Means dan segmentasi Blok diagram dapat dilihat pada gambar 6 sebagai menggunakan deteksi tepi canny berikut ini.01 memberikan hasil dari ekstraksi ciri dari suatu image  Fungsi Objektif awal -> P0 = 0 pada user.  Iterasi awal --> iter = 1. sehingga dengan Gambar 6 DFD Level 0 sistem perhitungan jumlah dan jenis dibuatnya DFD ini akan terlihat arus data yang mengalir kendaraan menggunakan metode Fuzzy C-Means dan segmentasi dalam sistem. No. menggunakan deteksi tepi canny 1) Context Diagram 3) DFD Level 1 Sub Proses Training Image dan Video Dalam context diagram dari sistem perhitungan Recognized jumlah dan jenis kendaraan menggunakan metode DFD Level 1 sub proses training image dan Video Fuzzy C-Means dan segmentasi menggunakan deteksi Recognized merupakan hasil decompose dari DFD tepi canny terdapat satu entity yaitu user. 7. Desember 2013 . Proses-proses tersebut yaitu proses training image dan video recognize. Video konsep antarmuka dan konsep pembuatan database. Jumlah kendaraan sistem. Hitunglah pusat Cluster dengan rumus memberikan jumlah kendaraan. Hitung fungsi objektif pada iterasi ke-iter.106  Error terkecil --> e =0. proses ekstraksi ciri dan proses Training image Video recognized Clustering. kemudian sistem perhitungan jumlah dan jenis 3. User memberikan masukan berupa  Proses canny merupakan proses ekstaksi ciri dari sample image. sistem perhitungan jumlah dan jenis kendaraan menggunakan metode fuzzy c-means dan segmentasi menggunakan deteksi tepi canny 2) DFD Level 0 DFD Level 0 dari sistem perhitungan jumlah dan CONTOH jenis kendaraan menggunakan metode Fuzzy C-Means INPUTAN VIDEO GAMBAR dan segmentasi menggunakan deteksi tepi canny adalah decompose dari context diagram yang menjelaskan DETEKSI FUZZY DETEKSI secara terperinci tentang proses yang ada di dalam PROSES EKSTRAKSI PLAY CLUSTERING TEPI TEPI CANNY FITUR CLUSTERING MEANS CANNY VIDEO sistem tersebut. 2. Jika user memberikan masukan video. Perbaharui matrix partisi U dengan menggunakan Sample image rumus 5 D.Pada Gambar 7 proses sistem tersebut serta hasil yang diperoleh user sebagai training image terdapat beberapa sub proses antara lain : entity berbeda. Data Flow Diagram (DFD) Data Flow Diagram (DFD) menggambarkan aliran data yang terjadi di dalam sistem. maka harus melalui tahap-tahap perancangan sistem. Dalam merancang sistem yang baik. Pada contoh gambar terdapat beberapa proses antara lain : proses 1 2 deteksi tepi canny. Desain Perancangan Sistem Perancangan sistem dilakukan untuk mengumpulkan sistem perhitungan jumlah dan jenis kendaraan menggunakan informasi yang berkenaan dengan aplikasi yang metode fuzzy c-means dan User segmentasi menggunakan deteksi dibangun serta memudahkan pemahaman terhadap tepi canny. Sehingga didapatkan output berupa jumlah kendaraan Database Ekstraksi ciri Database clustering E.

lebar dan titik sudut video Perhitungan image jumlah dari sebuah kendaraan Ekstraksi ciri kendaraan  Proses Clustering menggunakan FCM untuk memperoleh jumlah kendaraan berdasarkan jenisnya dari sebuah video 1. Untuk melakukan segmentasi Database clustering menggunakan deteksti tepi canny langkah-langkah yang harus dilakukan adalah sebagai berikut :  Menghilangkan noise yang ada pada citra dengan Gambar 7 DFD Level 1 Sub Proses Training Image dan Video mengimplementasikan Filter Gausian. Deteksi tepi canny akan mengekstraksi (6) gambar untuk mendapatkan ciri-ciri dari sebuah kendaraan berdasarkan data training yang diinputkan. Segmentasi menggunakan deteksi tepi canny 1. Akan tetapi merupakan suatu kesatuan utuh yang tidak dapat dipisahkan salah satunya untuk membangun sistem perhitungan jumlah dan jenis kendaraan. 2. No.1 2. diperlukan data training yang berupa jenis-jenis kendaraan seperti bus. adanya pengujian pada sisi aplikasi dengan Kernel dari gausian dengan standar deviasi σ = menggunakan sampel video.Jika terdapat kesalahan pada dari DFD Level 0 proses Video Recognized. truk dll. Hasil dari proses canny nantinya digunakan ke IV.2 FCM 1. Pada saat ditemukan Cluster ekstraksi ciri disimpan ke dalam database yang sama dengan salah satu jenis kendaraan yang Clustering tersimpan dalam database Clustering maka secara Pada DFD Level 1 sub proses training image dan otomatis jumlah kendaraan akan bertambah sesuai Video Recognized juga merupakan hasil decompose dengan jenis kendaraan. Hasil citra Recognized  akan tampak lebih buram. adapun Database Ekstraksi ciri penjelasannya sebagai berikut : 2. terdapat berberapa belum dapat digunakan untuk membantu dalam proses sub proses antara lain analisis dan perlu adanya perbaikan. Desember 2013 .3 Deteksi tepi canny dapat mendeteksi tepian yang FCM sebenarnya dengan tingkat error minimum dengan kata 1. 7.4 ditunjukkan dalam persamaan sampel video untuk pengujian. 107 ke dalam proses selanjutnya jenisnya menggunakan Fuzzy C-Means berdasarkan  Proses ambil data ekstraksi ciri adalah proses ciri-ciri kendaraan yang didapatkan dari ekstraksi ciri.2 lain. Bila tidak dilakukan maka garis- Untuk mendapatkan hasil yang maksimal maka perlu garis halus juga akan dideteksi sebagai tepian. Metode Pengujian sebenarnya. Sehingga didapatkan data berupa  Segmentasi menggunakan deteksi tepi canny jumlah kendaraan dari suatu video yang berdasarkan capture gambar setiap 1 detik dimainkan. sepeda motor. Adapun fungsi  Proses canny merupakan proses ekstaksi ciri dari dilakukan perbaikan aplikasi adalah untuk mendapatkan sebuah video sehingga menghasilkan beberapa hasil yang maksimal pada saat analisis. mengCluster data-data yang didapat dari Pada saat video dimainkan secara bersamaan Fuzzy database ekstraksi ciri yang nantinya hasil dari Clustering means berjalan. data yang disimpan sementara kedalam array. Pada aplikasi pada saat pengujian dengan video maka aplikasi Gambar 9 proses Video Recognized. HASIL DAN PEMBAHASAN dalam proses selanjutnya A. Sebelum menggunakan 1. operator canny didesain untuk menghasilkan citra Ambil data ekstraksi ciri tepian yang optimal. proses selanjutnya pengelompokkan kendaraan berdasarkan  Melakukan deteksi tepi dengan operator deteksi Jurnal EECCIS Vol. Setelah canny melakukan ektraksi gambar.  Ektraksi fitur berdasarkan hasil segmentasi dan diperoleh berupa panjang. menampilkan hasil dari ekstraksi ciri dari sebuah Setelah data training berhasil diinput proses selanjutnya image dengan menggunakan video rekaman kendaraan untuk  Proses FCM ( Fuzzy C-Means) adalah proses melihat permofance dari aplikasi tersebut. Hal ini dimaksudkan untuk mendapatkan tepian citra yang F. Representasi Pengetahuan  Proses FCM ( Fuzzy C-Means) adalah proses mengCluster data-data yang didapat dari Proses representasi pengetahuan dilakukan dengan ekstraksi ciri yang nantinya hasil dari ekstraksi cara mengumpulkan pengetahuan-pengetahuan pokok ciri disimpan sementara ke dalam sebuah dan aturan-aturan yang digunakan dalam pemanfaatan Clustering untuk dibandingkan hasilnya dengan aplikasi sebagai alat bantu untuk menghitung jumlah database Clustering yang didapat pada proses kendaraan yang disusun berdasarkan : training image.1 Hasil tersebut diatas merupakan blok-blok sub sistem Canny canny yang mempunyai perhitungan yang berdiri sendiri.

Dengan demikian lebar kendaraan dapat diketahui dengan hasil pengurangan dan .5 – 67. Untuk titik sudut tepi sobel kendaraan mengacu pada sumbu x. Pada gambar 12 untuk berada pada no 1 – 4 sehingga =4. posisi awal angka 1 dan posisi akhir angka1 pada masing-masing sumbu. Berikut angka 1.. Sehingga berdasarkan gambar 10 dapat diketahui Untuk mendapatkan panjang kendaraan mengacu pada panjang kendaraan MPV adalah 60. TABEL I TABEL BINER SEDAN X 0 0 1 1 0 0 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 Y 0 1 0 0 1 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Berdasarkan pada Tabel I dan Gambar 8 untuk mendapatkan lebar dari sebuah kendaraan digunakan sumbu x sebagai acuan dan posisi angka 1 dalam Tabel biner. Sehingga untuk panjang kendaraan dapat ini deteksi tepi menggunakan operator deteksi menggunakan rumus Y= . posisi awal angka 1 dan posisi akhir dari horizontal ( ) dan secara vertikal ( ).5 – 157. No. (7) Hasil dari kedua operator digabungkan untuk mendapatkan hasil gabungan tepi vertikal dan horizontal dengan menggunakan rumus .108 tepi sobel dengan melakukan pencarian secara sumbu y. sumbu y.5 – 180berwarna kuning  derajat 22. 2. Dimana dari citra biner tersebut akan digunakan untuk proses ektraksi fitur untuk mendapatkan informasi yaitu panjang kendaraan. Desember 2013 . Pembagiannya adalah :  derajat 0 – 22.5 berwarna merah Memperkecil garis tepi yang muncul dengan menerapkan non maximum suppression sehingga menghasilkan garis tepian yang lebih ramping  Melakukan binerisasi dengan menerapkan dua buah nilai ambang. 7. Ektraksi fitur berdasarkan proses segmentasi Berdasarkan pada Tabel 1 didapatkan hasil akhir dari sebuah citra adalah citra biner. Gambar 9 hasil ektrasi fitur lebar kendaran.5 dan 157. (8)  Menentukan arah tepian yang ditemukan dengan menggunakan rumus (9) Dan selanjutnya membagi ke dalam 4 warna sehingga Gambar 8 perhitungan jumlah dan jenis berdasarkan sumbu X dan sumbu Y garis dengan arah berbeda memiliki warna yang berbeda. lebar 45 dan titik Jurnal EECCIS Vol. sedangkan untuk berada pada no 1 – Gambar 10 Hasil dari ekstraksi ciri 2 sehingga =2.5 berwarna hijau dan  derajat 67. 2. dan titik sudut kendaraan.

109 sudut 8.5 total 52 40 49 37 18 6 presentase 90% 85% 49%  Hitunglah pusat Cluster dengan rumus Jurnal EECCIS Vol.751775 7.25 622.06654478 1 129 71 6 2 156 86 6 2 0.3123851 adalah hasil dari ektraksi ciri yang nantinya digunakan pada proses selanjutnya pada proses Clustering.6 truck 1 1 3 3 1 1 4 0.1273825 adalah melakukan proses Clustering. (1)Banyaknya Cluster yang diinginkan->c =2 B.456758 87.5 0.VI bus kecil. 7. Pada gambar 9 image yang digunakan sebagai menggunakan rumus 3 training berukuran 200x300 dan hasil dari ektraksi TABEL IV disimpan dalam database untuk dilakukan proses PUSAT CLUSTER selanjutnya yaitu proses Clustering.25 99.701 0.16 1. Untuk kasus ini dapat menjadi 1 Cluster yaitu 35.13561931 4 120 60 8 4 0. = data 396.836 0. 2.56001 Cluster bus. lebar dan titik sudut kendaraan.642133 0.287 0. fitur yaitu panjang.mpeg malam2. No.01 dilakukan oleh aplikasi(apl) sistem cerdas yang (5)Fungsi Objektif awal --> P0 = 0 dibandingkan dengan pengujian dengan perhitungan (6)Iterasi awal --> iter = 1.40545336  Inisiasikan nilai pada komponen-komponen Berdasarkan Tabel. vkj 1 2 3 4 3.9919311 3. Hal ini disebabkan FUNGSI OBJEKTIF karena ada beberapa jenis bus antara lain bus dengan kluster1 kluster2 ukuran kecil.3 0.mpeg sore1.64 22. Pada gambar 13 2 161.36 402. bus dengan ukuran sedang dan bus dengan ukuran besar dan memiliki informasi yang berbeda.3034552 9.62966 6 0.2 0.4 0.828 34.37103 73. manual(mn) TABEL VII  Bangkitkan bilangan acak .09 3.30483 pada sampel ke dan atribut ke Berdasarkan pada ukuran image yang digunakan berukuran 200x300 maka nilai dari i=200 dan j=300  Perbaharui matrix partisi U dengan menggunakan rumus 5 TABEL II MATRIK X YANG BERUKURANI=200 DAN J=300 TABEL VI Matrix partisi U atribut data ke -i i k1 k2 panjang lebar titik sudut 1 0. Perhitungan jumlah kendaraan (2)Pangkat (pembobot) --> w =2 (3)Maksimum Iterasi --> maxIter =1 Pengujian ini adalah pengujian perhitungan yang (4)Error terkecil --> e =0.8457174 5. Desember 2013 .222 1335. Di mana i 8. sedang dan bus besar berikut dapat menjadi 1 Cluster yaitu bus.5952 0.49 654.25756152 3 132 72 6 3 0.2193 0. Adapun langkah-langkah Clustering :  Menentukan matrix X berukuran i x j sebagai 620.04 24.804 0.0719 2489.8 sedan 1 1 0 0 1 0 3 0.dimana banyaknya HASIL PERHITUNGAN MANUAL DAN APLIKASI i sejumlah data dan k sejumlah Cluster Video Video Video mobil.2877 0. menggunakan rumus 4 sebagai contoh bus pada gambar 13 terdapat 4 bus TABEL V dengan karakterikstik yang berbeda.mpeg TABEL III BILANGAN ACAK mn apl mn apl mn apl i k1 k2 mpv 9 7 14 13 9 4 1 0. Clustering menggunakan FCM Setelah proses ektraksi dilakukan langkah selanjutnya 1 134.7 motor 40 30 34 23 6 0 bus 1 1 0 0 1 1 2 0.2941002 4. (Xij- uik p uik p Vkj)^2 Vkj)^2 beda.326 1117.170965 tempat dari data yang akan di-Cluster. Proses Clustering dilakukan berdasarkan keluaran dari ektraksi  Hitung fungsi objektif pada iterasi ke-iter.33426 merupakan banyaknya data i dan j merupakan banyaknya atribut dari data tersebut.342879 0. (Xij.

S. Computers & Geosciences . pp.. 2011. Character Recognition Using dalam deteksi kendaraan Fuzzy Clustering. E.. sama. [5] Luthfi. A Computational Approach to Edge pencahayan lampu kota.373. J. Segmentation And Object Recognition implementasi dan pengujian sistem maka dapat Using Edge Detection Techniques. [10] Sadaaki Miyamoto. 10. pp. Pada bermanfaat Tabel VII untuk kondisi di malam hari didapatkan presentase keakuratan aplikasi 49% hal ini disebabkan DAFTAR PUSTAKA dikarenakan pencahayaan yang kurang dan kendaraan [1] Abubakar. 1- menghasilkan tepi yang baik sedangkan pada 233. PAMI-8.1.Ramadevi.  Pengambilan gambar pada malam hari dengan [9] CANNY. warna cerah tepi pada kendaraan masih [11] BEZDEK. PERBANDINGAN METODE PENDETEKSI saran TEPI STUDI KASUS : CITRA USG JANIN. ISBN 978-3-540-78736-5. springer 2008.161.  Belum dapat mengukur kecepatan kendaraan pp..http://id. M.R.1-7. Desember 2013 . Dari hasil perancangan. pp.679 - 698. 7.110 TABEL VIII proses perhitungan dengan menggunakan Fuzzy HASIL PERHITUNGAN MANUAL DAN APLIKASI C-Means Video Video Video  Belum dapat mengenali kendaraan secara siang. Y. [4] Y. Teori Pengolahan Citra Digital. Vol. pp. 2011. [8] Sutoyo. sehingga dapat mempengaruhi dalam Jurnal Ilmiah Ilmu Komputer. Saran sedan 0 0 0 0 0 0 Berikut beberapa saran dalam penelitian ini truck 1 1 4 4 2 2 sehingga dapat lebih ditingkatkan hasil gunanya yaitu : total 55 44 64 52 73 50  Penelitian ini dapat ditingkatkan manfaatnya presentase 91% 89% 89% dengan cara penerapan metode Tsukamoto untuk mengenali jenis kendaraan lebih detail atau untuk Pada Tabel VII dan Tabel VIII tingkat keakuratan mengukur kecepatan kendaraan. IEEE TRANSACTIONS ON PATTERN ANALYSIS dengan warna cerah yang dapat terdeteksi AND MACHINE INTELLIGENCE. lebar dan sudut kendaraan. pp. aplikasi didapatkan dengan membagi total presentase  Metode Tsukamoto dapat diteliti lebih lanjut ketelitian software dengan jumlah tipe kendaraan yang untuk menghasilkan penemuan baru yang lebih diteliti dan tipe kendaraan yang ada pada video. pp. Yogyakarta : Andi. No.191-203. FCM: THE FUZZY c-MEANS dapatterlihatdenganbaik.mpeg spesifik berdasarkan pada merek hal ini man apl man apl man apl disebabkan ada beberapa jenis mobil mempunyai mpv 8 7 13 10 14 14 variabel yang sama. 2012. II. pp.org/wiki/Moda_ yang terekam berwarna gelap sehingga aplikasi tidak Trasportasi/Moda_Transportasi_Jalan. 2009. 2. 8 No.mpeg siang2..Sehingga mempengaruhi CLUSTERING ALGORITHM. analisis.2012. menentukan panjang.366 .mpeg siang1. Aplikasi Deteksi Tepi pada Realtime Video A.. Seminar Nasional Teknologi 2007 (SNT  Beberapa kendaraan memiliki nilai variabel yang 2007). [2] Indira.. S. [7] Hadi. No. KESIMPULAN DAN SARAN (KOMMIT 2008).kesimpulan dan Augustus 2012]. desain.I. 1986. J. Jurnal EECCIS Vol. E... Konferensi Nasional Sistem  Pencahayan dari sinar matahari pada siang hari Informasi (KNSI). 2008. 2. hanya kendaraan Detection. Hidetomo Ichihashi... 16.. Proceeding. sedangkan warna gelap tidak dapat terdeteksi.[Online] [Accessed 6 dapat mengenali kendaraan dengan baik.153 . & Samara. Seminar Ilmiah Nasional Komputer dan Sistem Intelijen V. FUZZY C-MEANS UNTUK CLUSTERING yang dapat terdeteksi oleh Fuzzy Clustering DATA (STUDI KASUS : DATA PERFORMANCE Means MENGAJAR DOSEN). Jurnal Teknologi Informasi DINAMIK. 1984.Studies in Fuzziness and soft computing 229. T. sehingga dapat menimbulkan kesalahan [6] Thiang.wikibooks. Katsuhiro Hal ini disebabkan karena pada saat proses canny Honda:Algorithms for Fuzzy Clustering methods in C-means pada kendaraan berwarna gelap tidak dapat Clustering with applications.44-49. 6.T. International Journal of disimpulkan hal-hal sebagai berikut: Computer Science & Information Technology (IJCSIT). No 2-3. Kesimpulan menggunakan Algoritma Canny Detection.1-4. DETEKSI OBJEK dapat menimbulkan bayangan pada kendaraan KENDARAAN PADA CITRA DIJITAL JALAN RAYA. NO.d. 2007. motor 45 35 45 36 55 32 bus 1 1 2 2 2 2 B.C. 2010. [3] Winarno.