Recognition Parking Spot
Pertambahan volume kendaraan menyebabkan kuota parkir disebuah tempat parkir berkurang dan terjadinya kepadatan pada slot tempat parkir yang menyebabkan kesulitan pengunjung dalam mencari slot tempat parkir kosong, yang akan membuat waktu dalam melakukan pencarian tempat parkir terbuang. Peneliti menggunakan metode Gamma Correction, Gaussian Blur, Local Binary Pattern Rotation Invariant Uniform dan Support Vector Machine dengan setelan parameter Gaussian Blur menggunakan tanpa kernel, Gamma Correction menggunakan nilai gamma = 15, Local Binary Pattern Rotation Invariant Uniform P=8 dan R=1 dan Support Vector Machine kernel RBF mendapatkan nilai akurasi sebesar 99.52% lebih baik dibandingkan jurnal [3] dengan metode 𝑳𝑷𝑸𝒖 akursi 98.90% dan 𝑳𝑩𝑷𝒓𝒊𝒖𝟐dengan akurasi 82.78% .
Parkir adalah keadaan dimana tidak bergeraknya kendaraan yang bersifat sementara karena ditinggalkan oleh pengemudinya. Meningkatnya pertambahan volume kendaraan berdampak pada kebutuhan akan sarana parkir, banyak pengemudi menghadapi kesulitan dalam menemukan tempat parkir yang tersedia pada saat berkunjung ke suatu tempat, pengemudi harus mengitari tempat parkir mobil untuk menemukan spot tempat kosong. Parkir juga dapat mempengaruhi perilaku seseorang dan perjalanan konsumen apabila tempat parkir memiliki kepadatan dan tidak tersedia banyak spot ruang kosong dapat berakibat terbuangnya efektifitas waktu dan berubahnya pilihan tujuan belanja seseorang [1]. Karena itu penulis merancang sistem untuk mendeteksi spot ruang kosong pada tempat parkir memanfaatkan CCTV sebagai media pembantu untuk melakukan image processing, sistem yang dibuat diharapkan dapat mempermudah dalam melakukan pencarian spot ruang kosong pada tempat parkir. Deteksi spot ruang kosong pada tempat parkir pada tahun 2012 dilakukan penelitian untuk mendeteksi tempat parkir kosong menggunakan dataset tempat parkir dalam ruangan dengan menggunakan metode System Initialization, Image Acquisition, Image Segmentation, Image Enhancement dan Image Detection Module menggunakan dataset simulasi tempat parkir dalam 2 ruangan menggunakan gambar untuk mendeteksi lingkaran coklat pada gambar dan menghasilkan keluaran berupa tersedianya spot ruang kosong atau tidak tersedia [2].
Pada Tahun 2015 dilakukan penelitian pencarian ruang kosong pada tempat parkir membandingkan kedua textural descriptors, dataset yang digunakan adalah PKLot (dataset tempat parkir luar ruangan), dataset PKLot memiliki 3 kondisi cuaca diantaranya cloudy, sunny dan rainy. metode yang digunakan pada LBP(Local Binary Pattern) yaitu 𝐿𝐵𝑃𝑢, 𝐿𝐵𝑃𝑟𝑖dan 𝐿𝐵𝑃𝑟𝑖𝑢2 dengan hasil terbaik adalah 𝐿𝐵𝑃𝑟𝑖 dengan akurasi sebesar 82.78%, sedangkan untuk metode LPQ(Local Phase Quantization) yaitu 𝐿𝑃𝑄𝑔, 𝐿𝑃𝑄𝑔𝑑,𝐿𝑃𝑄𝑢 dengan hasil terbaik adalah 𝐿𝑃𝑄𝑢 dengan nilai akurasi 98.90%, kesalahan deteksi pada spot tempat parkir dikarenakan terdapat bayangan pada spot tempat parkir dan kekurangan intensitas cahaya[3]. Oleh karena itu peneliti melakukan penelitian mendeteksi spot kosong menggunakan dataset PKLot yang memanfaatkan kamera CCTV sebagai media untuk melakukan Image Processing. Kesalahan deteksi pada dataset PKLot UFPR05 dikarenakan citra spot tempat parkir yang tertutup oleh bayangan sehingga menjadi rendahnya tingkat intensitas cahaya pada tempat parkir yang menjadikan citra gelap dan tempat parkir yang terhalang oleh kendaraan(tumpang tindih) dikarekan pengambilan citra menggunakan CCTV yang ditempatkan dipinggir atas lapangan tempat parkir. Oleh karena itu penulis menambahkan metode preprocessing Gamma Correction untuk membantu menaikan nilai intensitas cahaya pada citra karena terdapat 3236 spot yang kekurangan intensitas cahaya dan Gaussian Blur digunakan untuk membantu metode ekstraksi ciri dalam mendapatkan fitur edge objek dengan adanya pengaburan gambar maka noise pada citra akan berkurang. Ekstraksi fitur menggunakan 𝐿𝐵𝑃𝑟𝑖𝑢2 , alasan penggunaan 𝐿𝐵𝑃𝑟𝑖𝑢2 dikarenakan memiliki performa akurasi yang cukup baik dan bin yang paling rendah dibandingkan dengan metode Local Binary Pattern lain yang akan berpengaruh pada kecepatan komputasi, semakin banyak bin akan semakin lambat proses komputasinya. Penulis lebih menekankan untuk melakukan perbaikan akurasi pada 𝐿𝐵𝑃𝑟𝑖𝑢2 dengan menambahkan metode preprocessing karena pada jurnal PKLot a Robust Dataset 𝐿𝐵𝑃𝑟𝑖𝑢2 memiliki akurasi paling rendah dilihat dari ROC dengan nilai AUC sama dengan 0.9546 [3]. Metode klasifikasi yang digunakan adalah Support Vector Machine dengan kernel RBF dan Polynomial.
[1] P. Van Der Waerden, A. Borgers, and H. Timmermans, “The impact of the parking situation in shopping centres on store choice behaviour,” GeoJournal, 1998. [2] R. Paulo, S. Luiz, S. Alceu, J. Eunelson and L. Alessandro, “Intelligent Parking Space Detection System Based on Image Processing,” Expert System Application., 2015. [3] P. Almeida, L. S. Oliveira, E. Silva, A. Britto, and A. Koerich, “A robust dataset for parking lot classification,” in Proceedings - 2013 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2013, 2013. [4] S Riyadlus dan W Sri, “Analisis Karakteristik Parkir di Satuan Ruang Parkir Pasar Larangan Sidoarjo,” Engineering and Sains Journal, 2017. [5] Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Edisi Pertama. Yogyakarta: Graha ilmu. [6] K Tarun and V Karun, “A Theory Based on Conversion of RGB image to Gray image,” International Journal of Computer Applications, 2010. [7] W Andre, L Herlina dan S Yanolanda, “Analisa Perbandingan Metode Filter Gaussian , Mean dan Median Terhadap Reduksi Noise,” Jurnal Media Infotama Vol.12 No.1, 2016. [8] D. Huang, C. Shan, M. Ardabilian, Y. Wang, and L. Chen, “Local Binary Patterns and its application to facial image analysis: A survey,” IEEE Transactions on Systems, Man and Cybernetics Part C: Applications and Reviews. 2011. [9] S. R. Sain and V. N. Vapnik, “The Nature of Statistical Learning Theory,” Technometrics, 1996. [10] Bahal, Bhiwani, Haryana, “Data Classification Using Support VectorMachine,” Journal of Theoretical and Applied Information Technology, 2009. [11] Timo O, Matti P and Topi M, “Multiresolution Gray Scale and Rotation Invariant Texture Classification with Local Binary Patterns,” TPAMI 112278. [12] S. Anto, B. Arif dan H. Dwi “Support Vector Machine Teori dan Aplikasinya dalam Bioinformatika,” Ilmu Komputer, 2003. [13] Vapnik V.N., “The Nature of Statistical Learning Theory”, 2nd edition, Springer-Verlag, New York Berlin Heidelberg, 1999