PARTICLE SWARM OPTIMIZATION DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI JENIS KENDARAAN PADA VIDEO BERGERAK

Abstract

Deteksi, pelacakan dan klasifikasi kendaraan merupakan tahap yang paling penting dari aplikasi visi komputer pada Sistem Transportasi Cerdas (Intelligent Transportation System). Pada saat ini penggunaan radar dan sensor magnetik mempunyai masalah dalam klasifikasi dan perhitungan jumlah kendaraan. Penelitian ini mengusulkan penggunaan kamera video untuk mendeteksi dan mengklasifikasikan jenis kendaraan. Data video dirubah ke dalam urutan bingkai citra, dan dilakukan penapisan untuk menghilangkain derau menggunakan Median Filter. Deteksi kendaraan dapat dilakukan menggunakan metode pengurangan latar belakang dengan latar belakang dimodelkan menggunakan frame differencing dan kontur sebagai model dari objek. Kemudian dilakukan operasi morfologi opening dan diikuti dilasi pada kontur yang terdeteksi untuk menghilangkan titik piksel yang tidak dibutuhkan dan mengisi piksel kosong pada kontur. Ekstraksi ciri geometri dari kontur kendaraan digunakan sebagai masukan Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) untuk mengklasifikasikan jenis kendaraan. Klasifikasi SVM sangat dipengaruhi oleh pemilihan parameter C dan fungsi kernel yang digunakan. Particle Swarm Optimization (PSO) digunakan untuk memilih parameter C dan gamma terbaik SVM. Diperoleh sensitivitas sebesar 79%, spesifisitas 41%, akurasi 68%, dan galat 32% dalam mengklasifikasikan jenis kendaraan dari data video. Dengan akurasi rata-rata untuk pelacakan objek adalah 87,5%. Kata Kunci : Sistem Transportasi Cerdas, Klasifikasi Kendaraan, Background Subtraction, Particle Swarm Optimization, Support Vector Machine Detection, tracking, and classification of vehicles is the most important stage of computer vision applications in Intelligent Transportation Systems (ITS). At present the use of radar and magnetic sensors has problems in the classification and calculation of the number vehicles. This research proposes the use of video cameras to detect and classify vehicle types. Video data is changed to the frame image sequence, and filtering is done using the Median Filter to remove noise. Vehicle detection is performed using a background subtraction method where the background is modeled using frame differencing and contours as models of objects. Then the opening morphology operation is followed by dilation performed on the detected contour to eliminate unnecessary pixel points and fill empty pixels on the contour. The extraction of geometric features from vehicle contour is used as input for Support Vector Machine (SVM) with the Radial Basis Function (RBF) kernel to classify vehicle types. SVM is influenced by the parameters selection of C and the kernel function used. Particle Swarm Optimization (PSO) is used to select the best C and gamma SVM parameters. Sensitivity of 79%, specificity of 41%, accuracy of 68%, and error of 32% is obtained in classifying types of vehicles from video data. With average accuracy for object tracking is 87.5%. Keywords : Intelligent Transport System, Vehicle Classification, Background Subtraction, Particle Swarm Optimization, Support Vector Machine.