Algoritma Scale Invariant Feature Transform (SIFT) pada Deteksi Kendaraan Bermotor  di Jalan Raya

YUSUP MIFTAHUDDIN; NUR FITRIANTI FAHRUDIN; MOCHAMAD FACHRY PRAYOGA

doi:10.26760/mindjournal.v5i1.54-65

Algoritma Scale Invariant Feature Transform (SIFT) pada Deteksi Kendaraan Bermotor di Jalan Raya

YUSUP MIFTAHUDDIN, NUR FITRIANTI FAHRUDIN, MOCHAMAD FACHRY PRAYOGA

Sari

Abstrak

Proses perhitungan jumlah kendaraan yang masih dilakukan secara manual dan membutuhkan banyak operator dalam pendataan. Berdasarkan hal itu, diperlukan sistem yang mampu mendeteksi dan mengklasifikasi kendaraan yang melintas di jalan raya secara otomatis. Dalam mengidentifikasi citra kendaraan, sistem menggunakan algoritma SIFT. Hasil fitur akan dibandingkan dengan metode K-Nearest Neighbor (KNN). Sistem dibangun untuk mendeteksi jenis kendaraan berat dengan mengukur tingkat akurasi keberhasilan berdasarkan nilai pencahayaan, jumlah objek, perubahan rotasi, serta pada kondisi siang dan malam hari. Dataset yang digunakan berjumlah 100 citra kendaraan berat. Kinerja sistem pada kondisi siang hari mendapat nilai presisi rata-rata 100%, nilai recall 54%, dan nilai akurasi 78%. Hasil pengukuran presisi dan recall, diperoleh nilai f-measure sebesar 67 %.

Kata kunci: SIFT, kendaraan berat, K-Nearest Neighbour

Abstract

The process of collecting vehicles still done manually and requires a lot of human resources. Therefore, we need a system that can detect and classify vehicles passing on the highway automatically. SIFT is an algorithm for identification of an image. The features will be compared using the K-Nearest Neighbor (KNN) method. In this study,Â system will be designed to detect the type of heavy vehicle using the SIFT method to measure the accuracy of success based on the value of lighting, number of objects, changes in rotation, and day night conditions. Dataset used was 100 heavy vehicle images. The system performance during daytime conditions gets an average precision value of 100%, a recall value of 54%, and an accuracy value of 78%. From the results of precision and recall, the f-measure value is 67 %.

Keywords: SIFT, heavy vehicles, K-Nearest Neighbour

Teks Lengkap:

PDF

Referensi

DAFTAR RUJUKAN

Adistya, R., & Muslim, M. A. (2016). Deteksi dan Klasifikasi Kendaraan menggunakan Algoritma Backpropagation dan Sobel. Journal of Mechanical Engineering and Mechatronics, 1(2), 65â€“73.

Al Caruban, R., Sugiantoro, B., & Prayudi, Y. (2018). Analisis Pendeteksi Kecocokan Objek Pada Citra Digital Dengan Metode Algoritma Sift Dan Histogram Color Rgb. Cyber Security dan Forensik Digital, 1(1), 20-27.

Al Kautsar, H. V., & Adi, K. (2016). Implementasi Object Tracking Untuk Mendeteksi Dan Menghitung Jumlah Kendaraan Secara Otomatis Menggunakan Metode Kalman Filter Dan Gaussian Mixture Model. Youngster Physics Journal, 5(1), 13-20.

Husada, M. G., Utami, D. B., & Zar, I. (2019). Karakteristik Metode Sift dalam Aplikasi Sistem Pengenalan Motif Batik. MIND Journal, 4(2), 122-131.

Kadir, A., & Susanto, A. (2013). Teori dan aplikasi pengolahan citra. Yogyakarta: Andi.

Kementerian Pekerjaan Umum. (2014). Pedoman Kapasitas Jalan Perkotaan.

Lionnie, R., & Alaydrus, M. (2017). Sistem Pendeteksi Gambar Termanipulasi Menggunakan Metode SIFT. TechnÃ©: Jurnal Ilmiah Elektroteknika, 16(02), 133-140.

Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International journal of computer vision, 60(2), 91-110.

Susanto, A. (2019). Penerapan Operasi Morfologi Matematika Citra Digital Untuk Ekstraksi Area Plat Nomor Kendaraan Bermotor. Pseudocode, 6(1), 49-57.

Tarnoto, T., & Lussiana, L. (2014). Rancang Bangun Penghitung Kendaraan Secara Otomatis Berbasis Client Server. Jurnal Ilmiah Ilmu Komputer Program Studi Sistem Komputer.

Wibowo, D. W., Muslim, M. A., & Sarosa, M. (2014). Perhitungan Jumlah dan Jenis Kendaraan Menggunakan Metode Fuzzy C-means dan Segmentasi Deteksi Tepi Canny. Jurnal EECCIS, 7(2), 103-110.

DOI: https://doi.org/10.26760/mindjournal.v5i1.54-65