Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Kemacetan merupakan salah satu masalah yang belum bisa terselesaikan di kota-kota besar di Indonesia. Salah satu cara untuk mengatasi masalah ini, yaitu dengan memanfaatkan teknologi yang dapat memantau lalu lintas secara otomatis, agar dapat dimonitor dan dianalisis untuk pengembangan fasilitas serta kebijakan guna menyelesaikan masalah ini. Teknologi yang dapat diterapkan untuk masalah ini, yaitu teknologi image processing yang dikolaborasikan dengan machine learning dan dengan bantuan library OpenCV. Pendeteksian objek menggunakan MobileNet-SSD dan Caffe model, objek yang dideteksi merupakan kendaraan yang melintas di jalan, pengambilan input menggunakan kamera CCTV yang diakses oleh publik. Kecepatan, performa, akurasi, dan kepadatan jalanan merupakan variabel yang dianalisis pada penulisan ini. Hasil dari pendeteksian memiliki akurasi yang tidak cukup baik sekitar 43% untuk keseluruhan, dan 68% untuk pendeteksian mobil. Terdapat penambahan fitur pada penelitian ini, yaitu pendeteksian motor yang memiliki akurasi 51%

---

Traffic jam is one of many problems that cannot be solved in various cities in Indonesia. One way to overcome this problem is to use technology that can monitor traffic automatically, so that traffic conditions can be monitored, and analyzed for the development of facilities and policies to solve this problem. One of the technologies that can be applied to this problem is image processing technology in collaboration with machine learning, and OpenCV. This research use Mobilenet-SSD and Caffe models for objects detection, objects detected are vehicles that cross the road, input is taken from CCTV cameras that can accessed by public. Speed, performance, accuracy, and road density are the variables analyzed in this paper. The results of the detection have an accuracy that is not good enough only about 43% for the whole detection, and 68% for the detection of the car, and 51% for the detection of the motorcycle

"

"ABSTRAKSkripsi ini berisi perancangan, pembuatan, dan analisis sistem pemantau lalulintas dengan teknologi computer vision menggunakan OpenCV. Sistemmemberitahukan kondisi kemacetan jalan yang dipantau dalam empat level(lengang, ramai lancar, padat merayap, dan macet). Penelitian dilakukanmenggunakan OpenCV sebagai library pemograman bahasa C++ denganalgoritma Canny dan Blob Detection untuk mendeteksi kendaraan menggunakankamera pemantau pada posisi vertikal dari samping. Berdasarkan pengujianmetode Blob Detection lebih unggul pada kondisi jalan lengang, namun ketikakondisi semakin ramai algoritma Canny lebih unggul. Sistem mendeteksikendaraan yang lewat dengan rata-rata kecepatan pendeteksian 9.8 ms per framedengan input video berukuran 320 x 240 pixel.

---

ABSTRACTThis thesis describes the design, making, and analysis of traffic monitoring systemby using computer vision technology with OpenCV. These systems notify the userabout the state of the monitored road congestion in four levels (quiet, crowded,dense crowded, and congested). The research was conducted using the OpenCVlibrary programming language C++ with the Canny algorithm and Blob Detectionto detect the vehicle using camera on the position of vertical side. Based from thetest results, the Blob Detection method is superior in the deserted road conditions,but when conditions are more crowded the Canny algorithm is superior. Thesystem can detect vehicle with average speed of 9.8 ms per frame with video inputsize 320 x 240 pixels."

"Perancangan sistem ini dibangun dengan bentuk aplikasi menggunakan kamera yang terdapat pada smartphone untuk mendapatkan citra digital lalu diolah dengan pustaka OpenCV. Pengolahan dilakukan dengan metode Haar Cascade Classifiers untuk mendapat daerah mata, lalu dengan menggunakan kontour, blur, tresholding, keadaan mata dilacak untuk mendeteksi tanda kantuk yang berupa mata tertutup. Aplikasi diuji kecepatan pengolahan dengan pengimplementasian pengembangan optimasi region of interest, nilai ambang HSV, pengaruh kondisi cahaya, dan karakteristik mata. Hasil yang didapatkan menunjukan bahwa dengan memberikan optimasi algoritma kepada sistem yang sudah ada dapat meningkatkan kecepatan pengolahan. Nilai ambang HSV optimal yang didapatkan bermulai dengan V=10 atau 20 dengan selisih tinggi 15 atau 20. Aplikasi memiliki tingkat kegagalan 11.11% pada kondisi pencahayaan dan gagal saat malam. Dari pengujian pengaruh kacamata, didapatkan tidak bahwa kacamata tidak berpengaruh besar dengan tingkat keberhasilan 94.44% untuk pengguna kacamata.

---

The development of this system is built as an application that uses the camera built in smartphones to get digital images which will be processed using the OpenCV library. In the process, Haar Cascade Classifier is used to find the region of interest of the eye, which will then be tracked using contour, thresholding, and blur to detect signs of drowsiness which are closed eyes. The application is tested based on the optimization made on the algorithm, the value for HSV thresholding, the effect of light on different times, and on the characteristic of the eye.

The results show that the optimization made has caused significant speed up on the processing in comparison to existing algorithm. The HSV threshold found to be the most effective is V=10 or 20 with a difference of 15 or 20 to the upper limit.  The effect of light causes 11.11% chance of failure especially when its night without lights. The characteristic of the eye, whether there are glasses or not, does not make a big difference and still has a 94.44% chance of success."

"Kamera digunakan oleh pengelola jalur lalu lintas kendaraan di jalan besar pada beberapa kota-kota di Indonesia untuk tujuan pengawasan, pengendalian, hingga pengambilan bukti pelanggaran atau kronologi kecelakaan pada ruas jalan tersebut. Namun, penggunaan kamera ini masih dalam tahap menerima data yang kemudian tindakan selanjutnya dilakukan secara manual. Sedangkan, banyak kebutuhan yang dapat dipenuhi dengan adanya perkembangan teknologi pada bidang komputasi. Salah satunya adalah penggunaan kamera tersebut dapat dimaksimalkan dengan mengimplementasikan algoritma pembelajaran mesin untuk menentukan jalur lalu lintas mana yang menjadi prioritas pada persimpangan dengan kuantifikasi kepadatan kendaraan pada ruas jalan. Pada penilitian ini sistem kuantifikasi kepadatan kendaraan melalui data gambar dikaji dengan menggunakan algoritma untuk mendeteksi objek kendaraan pada seperti YOLOv4 yang merupakan state-of-the-art dalam algoritma pendeteksian karena memiliki akurasi yang lebih baik dan juga lebih cepat dibandingkan dengan arsitektur deteksi objek lainnya. Selain itu, diimplementasikan juga algoritma pelacakan objek kendaraan seperti CSRT/KCF sehingga tidak perlu melakukan proses deteksi secara terus-menerus dan dapat mengurangi biaya komputasi. Hasil percobaan pada penilitian ini membuktikan bahwa kombinasi model deteksi dan pelacakan dapat digunakan secara real-time maupun interaktif. Walaupun nilai mAP dari model YOLOv4 mengalami penurunan sekitar 20.65%, namun perbedaan antara hasil kuantifikasi kepadatan kendaraan sistem dan nilai aktual masih tidak terlalu jauh yaitu sekitar 1-5%, tergantung dengan jenis model yang digunakan.

---

Cameras are used by traffic lane managers on major roads in several cities in Indonesia for the purpose of monitoring, controlling, and collecting evidence of violations or chronology of accidents on those roads. However, the use of this camera is still in the stage of receiving data, then further actions are carried out manually. Meanwhile, many needs can be met with the development of technology in the field of computing. One of them is that the use of the camera can be maximized by implementing machine learning algorithms to determine which traffic lanes are the priority at intersections by quantifying the density of vehicles on the road. In this study, the vehicle density quantification system through image data will be studied using an algorithm to detect vehicle objects such as YOLOv4 which is a state-of-the-art detection algorithm because it has better accuracy and is also faster than other object detection architectures. In addition, vehicle object tracking algorithms such as CSRT/KCF will also be implemented so that there is no need to carry out the detection process continuously and can reduce computational costs. To meet the needs of image data processing from the video as well as the configuration of the AI ​​model, one of the libraries, namely OpenCV, will be used to facilitate the creation and optimization of machine learning models/algorithms. This research proves that the combination of detection and tracking models can be used in real-time or interactively. Although the mAP value of the YOLOv4 model has decreased by about 20.65%, the difference between the system vehicle density quantification results and the actual value is still not too far away, around 1-5%, depending on the type of model used."

"Nelayan-nelayan kecil yang berada di tengah laut memiliki risiko besar karena tidak adanya saluran komunikasi yang dapat digunakan untuk mendapatkan informasi mengenai cuaca yang ada di lokasinya dan anomali cuaca yang dapat berubah secara tiba-tiba serta ekstrem. Salah satu solusi masalah tersebut adalah dengan sebuah sistem yang dapat memantau cuaca secara otomatis. Penelitian ini berfokus pada pembuatan perangkat lunak untuk sistem tersebut yang berbasis citra dari satelit NOAA dan menggunakan library OpenCV. Perangkat lunak yang telah dibuat dapat memberikan informasi keadaan cuaca di lokasi dan sekitar pengguna berada. Pada pengujian didapatkan hasil bahwa akurasi yang dimiliki adalah sebesar 91,25%. Dari segi waktu, lamanya waktu eksekusi rata-rata dari perangkat lunak ini adalah sebesar 0,211 detik. Pada pengujian ketahanan terhadap noise dengan menggunakan Gaussian noise μ = 0 dan σ yang divariasikan antara 26, 64, dan 128 didapatkan akurasi secara berturut-turut sebesar 82,5%, 60%, dan 52,5%. Uji fungsional serta tampilan antarmuka, mendapatkan nilai rata-rata sebesar 75%.

---

Traditional fishermen who are in the middle of the sea have great risk because of the absence of communication channels that can be used to obtain information about weather in the location and weather anomalies that may change suddenly and extreme. One solution to the problem is with a system that can monitor the weather automatically. This research will focus on the software development for the system based on imagery from NOAA satellites and it uses OpenCV library.

The software has been created to provide information about the weather conditions on the user’s location and around of its location. On testing, it showed that the accuracy is at 91.25%. In terms of time, the length of the average execution time of this software is at 0.211 seconds. In the resistance to noise testing by using a Gaussian noise μ = 0 and σ which varied between 26, 64, and 128 obtained accuracy in a row amounted to 82.5%, 60%, and 52.5%. Functional testing and interface, obtain an average value of 75%."

"ABSTRAKTeknik yang digunakan untuk Sistem Pemantau Lalu Lintas pada masa sekarangini banyak tergantung pada sensor-sensor yang mempunyai kemampuan yangterbatas, kurang fleksibel, dan seringkali mahal dan sulit untuk dipasang.Penggunaan kamera digabungkan dengan teknologi Computer Vision menjadialternatif yang menarik dari sensor yang ada saat ini. Sensor berbasis kamera inimempunyai potensi yang lebih besar untuk mengamati kondisi lalu lintas yangada dibanding sensor konvensional saat ini yaitu sensor ini lebih murah danmudah untuk dipasang.Di dalam penelitian ini dikembangkan sistem pemantaulalu lintas menggunakan metode Optical Flow dan Gaussian Mixture Model.Eksperimen dilakukan menggunakan handycam, berlokasi di salah satu tol dalamkota Jakarta. Kondisi pengambilan gambar adalah pada kondisi yang berbedabedayaitu pada saat pagi, siang, dan sore, cuaca cerah, dan mendung, sertakondisi arus lalu lintas padat dan lancar. Setelah pengujian dilakukan, algoritmaOptical Flow memberikan hasil yang lebih baik dibandingkan algoritma GaussianMixture Model yaitu dengan akurasi mencapai 92% dibanding Gaussian yanghanya mencapai 72%. Faktor-faktor yang mempengaruhi tingkat akurasi adalahkondisi waktu, cuaca, dan arus kendaraan serta lokasi pengambilan gambar.

---

AbstractCurrent techniques for Sistem Pemantau Lalu Lintas rely on sensors which havelimited capabilities, inflexible and often, costly and disruptive to be installed.Video camera, coupled with Computer Vision techniques offers an attractivealternative to current sensors which is portable and low cost . In this research, atraffic monitoring system using handy camera is developed using Optical Flowand Gaussian Mixture Model (GMM) methods. The experiment took place in oneof the Jakarta city highway. The condition of the experiment is when the time is inthe morning, afternoon, evening, when it is clear, and cloudy, and also when thetraffic is light and heavy. The experiments shows that Optical Flow algorithmgives better results regarding to accuracy rate, better than Gaussian MixtureModel Algorithm. The Optical Flow reach 92% accuracy while Gaussian Mixtureonly got to 72% accuracy. Some factors that influenced the accuracy rate of thesystem are time, weather, traffic and location."

"Sistem lalu lintas perkotaan (Urban Traffic System - UTS) adalah sistem yang kompleks yang terdiri dari jaringan jalan yang saling terhubung, aturan-aturan pada jalan, kendaraan dan entitas lain yang berada dalam jaringan jalan dan sistem manajemen serta pengaturan lalu lintas. Tujuan utama dari sistem ini adalah agar pengguna jalan dapat melalui perjalanannya dengan selamat dan dalam waktu yang wajar (reasonable). Sistem pengaturan lalu lintas perkotaan (Urban Traffic Control System) yang handal telah menjadi kebutuhan yang sangat mendesak. Dalam tesis ini dibahas strategi pengaturan sistem lalu lintas dan pengujian kinerjanya. Untuk merancang strategi pengaturan yang baik diperlukan model lalu lintas kendaraan bermotor. Model yang digunakan adalah hybrid petri net yang merepresentasikan dinamika makroskopik sistem lalu lintas. Dalam model hybrid petri net dinamika kendaraan dimodelkan dengan petri net kontinyu dan lampu lalu lintas dimodelkan petri net diskrit. Strategi pengaturan optimal dipakai untuk mengatur lama waktu lampu lalu lintas. Strategi ini didasarkan pada sistem pengaturan loop tertutup dan respon terhadap perubahan kondisi lalu lintas. Dari hasil simulasi, sistem pengaturan ini dapat menurunkan waktu antrian yang signifikan dibandingkan dengan pengaturan secara fix control.

---

Urban Traffic System (UTS) is a system consists of interconnected roads, traffic regulations, vehicles and other entities that belong in the road networking, systems management and traffic control system. This system has been created for the user in order to experience a safe journey in a reasonable time. For society, a reliable Urban Traffic Control System (UTCS) has become an urgent need. In this thesis discussed a control strategy for the traffic system and testing their performance. To design a good control strategy is required traffic model. The model used is hybrid petri net that represents the macroscopic dynamics of the traffic system. In hybrid petri net models, the vehicle dynamics are modeled by continuous petri net and traffic lights are modeled by discrete petri net. Optimal control strategy is used to set the length of time the traffic lights. This strategy is based on a closed loop control system and response to changing traffic conditions. From the simulation results, this control system can reduce the queuing time significantly compared to fixed control settings."

"Skripsi ini membahas mengenai sebuah rancang bangun simulasi pengolahan data radar dengan menggunakan sistem pemetaan Map server berbasiskan web. Aplikasi ini merupakan pengembangan teknologi yang ditujukan pada sistem monitoring lalu lintas udara. Pengembangan ini mempermudah kinerja sistem monitoring lalu lintas udara sehingga dapat dilakukan dengan mudah tanpa melihat batas lokasi. Dengan menggunakan pemetaan Mapserver berbasiskan web memudahkan sistem untuk dipetakan sesuai dengan standar koordinat yang terhubung pada web server dengan memanfaatkan teknologi jaringan komputer. Informasi monitoring data radar ini akan ditampilkan melalui web server dalam bentuk web yang dapat dengan mudah diakses oleh user-user tertentu.

---

This essay discusses the design of a wake simulation data processing system by using radar mapping of Map-based web server. This application is the development of technology aimed at the system of monitoring air traffic. Facilitate the development of this system of monitoring the performance of air traffic so it can be done easily without limit locations.

By using mapping Map server facilitate web-based system to be in accordance with the standards of coordinates that is connected to the web server by using computer network technology. Information monitoring radar data will be displayed through a web server in the form of web that can be easily accessed by certain users."

"Kemacetan menjadi masalah umum yang sering terjadi di kota besar di dunia. Apabila ditelaah lebih lanjut kita sering menemukan bahwa titik lokasi kemacetan banyak timbul pada persimpangan akibat tidak optimalnya durasi siklus sinyalnya sehingga membuat lampu lalu lintas tersebut tidak efisien. Sistem Pengendalian Lalu Lintas Otomatis ini dikembangkan dengan memanfaatkan Distance Matrix API dari Google Maps Platform sebagai masukan data untuk perhitungan durasi siklusnya. Distance Matrix API adalah layanan yang dapat digunakan untuk menghitung waktu tempuh antara satu lokasi dengan lokasi yang lainnya berdasarkan data historis maupun real-time. Sistem Pengendalian Lalu Lintas Otomatis dibuat menggunakan bahasa pemrograman Java dan algoritmanya diuji pada simulasi yang dibuat pada aplikasi perangkat lunak ProModel. Berdasarkan hasil pengujian, sistem dapat meningkatkan troughput dari sebuah persimpangan sebesar 4-5 dan dapat mengurangi total waktu tempuh yang dibutuhkan sebesar 1-7 jika dibandingkan dengan sistem lampu lalu lintas fixed timing.

---

Traffic congestion is a common transportation problem that occurs in big cities around the world. If we look further, we often found congestion is centered in an intersection caused by poor cycle time of traffic signal leading inefficiency of the traffic light. This Adaptive Traffic Control Systems used Distance Matrix API from Google Maps Platform as data input to calculate a more efficient cycle time. Distance Matrix API is a service that provides travel time between points based on historical and real time data. This system is built with the programming language Java and the algorithm is simulated within modelling software ProModel. Based on test result, the proposed system is able to increase the throughput of an intersection by 4 5 and can decrease total travel time by 1 7 compared to fixed timing traffic light system. "

"Sebuah survei yang dilakukan oleh National Highway Traffic Safety Administration NHTSA memperkirakan 5.895.000 kasus kecelakaan yang terkait dengan permasalahan kantuk maupun tidur saat berkendara di jalan jalan U.S.A pada tahun 2005-2009. Dari jumlah tersebut, 83.000 kasus setiap tahunnya merupakan kecelakaan fatal, bahkan pada tahun 2014, 846 orang meningga pada kecelakaan berkendara yang berkaitan dengan kantuk. Sistem pendeteksi kantuk dikembangkan untuk mengatasi hal ini. Sistem pendeteksi kantuk dibangun menggunakan pustaka OpenCV, dengan kombinasi dari beberapa algoritma, yaitu Haar Cascade Classifier, fungsi Blur, fungsi Canny dan fungsi Kontur. Algoritma Haar Cascade Classifier digunakan untuk mendeteksi area wajah dan area mata pada pengemudi. Sedangkan kombinasi antara fungsi color thresholding dan fungsi kontur digunakan untuk mendeteksi objek mata dan menganalisis sedang terbuka atau tertutupnya mata. Kinerja sistem deteksi kantuk diuji melalui empat variabel, yaitu mesin pengolah yang berbeda, nilai ambang batas, kondisi pencahayaan dan karakteristik mata yang berbeda. Berdasarkan hasil pengujian, nilai ambang batas Vlo dan VHi terbaik adalah Vlo = 10 atau 20 dengan perbedaan VHI 10-20. Selain itu, ditemukan bahwa setiap kecepatan setiap proses bergantung pada pengolahan mesh dimana semakin baik pengolahannya. Mesin semakin cepat waktu prosesnya. Perbedaan dalam kondisi pencahayaan pagi, siang, siang dan malam berpengaruh terhadap kinerja sistem deteksi kantuk dengan tingkat kesalahan 20 , yaitu saat kondisi malam hari. Karakteristik mata berkacamata dan tanpa kacamata berpengaruh pada kinerja sistem deteksi kantuk dengan deteksi 100 tingkat keberhasilan, yaitu bila kondisi mata tertutup pada orang dengan kacamata.

---

survey conducted by the National Highway Traffic Safety Administration NHTSA estimates 5,895,000 cases of accidents related to sleepiness and sleep problems while driving on the U.S.A roadway in 2005 2009. Of these, 83,000 cases each year are fatal accidents, even by 2014, 846 people die in a dormant driving accident. The drowsiness detection system was developed to overcome this. The sleepiness detection system is built using the OpenCV library, with a combination of several algorithms, the Haar Cascade Classifier, the Blur function, the Canny function and the Contour function. Haar Cascade Classifier algorithm is used to detect the facial area and eye area of the driver. While the combination of color thresholding function and contour function is used to detect the eye object and analyze the open or closed eyes.

The performance of the drowsiness detection system is tested through four variables, ie different processing machines, threshold values, lighting conditions and different eye characteristics. Based on the test results, the best Vlo and VHi threshold values are Vlo 10 or 20 with a VHI difference of 10 20. In addition, it was found that every speed of each process depends on mesh processing where the better the processing. The faster the machine the process time. Differences in lighting conditions morning, noon, day and night affect the performance of the drowsiness detection system with a 20 error rate, ie during nighttime conditions. Eye characteristics bespectacled and without glasses affect the performance of the drowsiness detection system with a 100 detection rate of success, ie when eye conditions are closed in people with glasses."