GAUSSIAN MIXTURE MODEL UNTUK MENGESTIMASI KEPADATAN LALU LINTAS

Setiawan, Bayu (2019) GAUSSIAN MIXTURE MODEL UNTUK MENGESTIMASI KEPADATAN LALU LINTAS. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf
Download (1MB)
[img] Text (BAB I)
BAB I.pdf
Download (209kB)
[img] Text (BAB II)
BAB II.pdf
Restricted to Registered users only
Download (912kB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (1MB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (509kB)
[img] Text (BAB V)
BAB V.pdf
Download (50kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (78kB)
[img] Archive (SOURCE CODE)
Source Code_15.11.9183 Bayu Setiawan.zip
Restricted to Repository staff only
Download (3MB)
[img] Text (PUBLIKASI)
Publikasi_15.11.9183 Bayu Setiawan.pdf
Restricted to Repository staff only
Download (1MB)

Abstract

Kepadatan lalu lintas memiliki peranan penting dalam mengetahui kondisi lalu lintas. Dengan mengetahui data kepadatan lalu lintas, pihak berwajib dapat melakukan perencanaan lalu lintas dan melakukan pengambilan keputusan yang berkaitan dengan manajemen lalu lintas yang tepat. Salah satu cara yang dapat ditempuh adalah dengan melakukan penghitungan kepadatan lalu lintas dengan citra video Penelitian ini akan menggunakan background subtraction menggunakan pemodelan latar belakang gaussian mixture model untuk mendapatkan binary images, binary images akan disaring untuk memperhalus binary images yang dihasilkan, kemudian deteksi objek dilakukan dengan memanfaatkan kontur gambar untuk menghasilkan koordinat pusat setiap objek yang ada pada gambar. Setiap koordinat objek akan dibandingkan dengan bagian video yang digunakan sebagai titik referensi untuk menghitung jumlah kendaraan (titik keluar), kendaraan yang terdeteksi setelah melewati titik keluar akan dihitung. Sesuai percobaan yang dilakukan dengan video kondisi lalu lintas di Jalan Siliwangi, Kabupaten Sleman, Yogyakarta. Sistem memiliki rata-rata akurasi tertinggi yaitu 90.16% dengan ukuran structuring elements 4x4 dan urutan proses filtering closing-opening.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Astuti, Yuli
Uncontrolled Keywords: Background subtraction, Gaussian Mixture Model, OpenCV, Python, Deteksi Kendaraan
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus > 696 Animasi
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 26 Jul 2022 04:38
Last Modified: 05 Sep 2023 06:38
URI: http://eprints.amikom.ac.id/id/eprint/4031

Actions (login required)

View Item View Item