ABSTRAKSI: Pada Tugas Akhir ini dilakukan analisis penggunaan proses pengolahan citra digital berbasis sensor visual untuk mendeteksi kepadatan rata-rata arus kendaraan (average density) pada ruas jalan tol. Data uji berupa 9 video yang direkam pada 3 waktu yang berbeda yaitu pagi hari, siang hari dan sore hari, menggunakan kamera dengan posisi rendah dan miring (low oblique) terhadap sisi depan kendaraan. Komponen utama dalam pendeteksian kepadatan ini adalah jumlah kendaraan (flow rate) dan kecepatan rata-rata kendaraan (average speed).
Beberapa proses pengolahan citra yang menjadi pokok bahasan adalah frame averaging untuk membentuk citra latar, frame differencing untuk mencari matrik selisih serta dilasi untuk menggabungkan titik latar dengan objek.
Ada 3 parameter yang diujikan pada Tugas Akhir ini, yaitu nilai ambang batas (threshold) antara latar dan objek, ukuran structure element (strel) sebagai pembentuk morfologi kendaraan dan open binary image (bwareaopen) untuk menghilangkan objek kecil selain kendaraan serta pengaruh intensitas cahaya terhadap akurasi.
Dari hasil pengujian pada Tugas Akhir ini menggunakan parameter terbaik threshold 40, strel 5 dan bwareaopen 600, sistem mampu mendeteksi jumlah kendaraan dengan error rate 0%, dan mampu mendeteksi kecepatan rata-rata dengan akurasi 91,7% untuk 9 data video yang diujikan. Sedangkan pengaruh intensitas cahaya terhadap akurasi terbaik adalah video yang direkam siang hari.
Kata Kunci : Kepadatan arus kendaraan, jumlah kendaraan, kecepatan rata-rata,ABSTRACT: In this final project, it’s made a system using digital image processing based on visual sensor for detecting average traffic density on highway. Data for testing are 9 videos that taken 3 times in a day, morning, daylight and afternoon, using a camera with low position on the front side of the vehicle. The main components for detecting traffic density are the number of vehicle (flow rate) and average speed of vehicle.
Some digital image processing that be a subject in this final project are frame averaging to form a background image, frame differencing to find the different matrix and dilation to merge point with object.
There are 3 parameters tested in this final project, (threshold) value between background and foreground object, size of structure element (strel) to forming the morphology of the vehicle and open binary image (bwareaopen) to remove small object and influence of light intensity toward system accuracy.
From the test result in this final project using the best parameter threshold 40, strel 5 and bwareaopen 600, the system is capable of detecting the number of vehicle with 0% error rate, and average speed was detected with an accuracy of 91,7% for 9 tested video. While the influence of light intensity on the best accuracy was detected in video that was recorded in daylight.
Keyword: traffic density, flow rate, average speed, frame averaging, frame