Blog Penerapan AI untuk Mengawasi Lalu Lintas

Penerapan AI untuk Mengawasi Lalu Lintas

Aviliani Maret 22, 2022 6 min read

Indonesia mulai menerapkan sistem tilang elektronik.

Sistem ini memungkinkan pelanggar aturan lalu lintas terdeteksi walaupun tidak ada polisi lalu lintas di tempat kejadian.

Dengan kecanggihan teknologi, pelanggar aturan lalu lintas dapat terdeteksi lewat CCTV.

Nantinya, potongan foto dari CCTV ini akan diproses oleh artificial intelligence dan terlihat siapa aja yang ngelanggar aturan lalu lintas.

Lalu bagaimana artificial intelligence memproses informasi dari kamera CCTV?

Cara AI Memproses Informasi dari CCTV

Sebelum membahas lebih lanjut, perlu diingat bahwa artikel ini hanya membahas pelanggaran swerving (keluar dari jalur) dan membloking jalur pejalan kaki.

Agar AI dapat membedakan mobil mana yang melanggar aturan lalu lintas, AI harus dapat membedakan objek mana yang disebut sebagai mobil dan objek mana yang disebut sebagai jalan.

Maka dari itu, AI perlu diberi tahu kondisi awal jalan tanpa mobil, contohnya seperti ini:

Jalanan Kosong untuk Training AI

Setelah AI mengetahui kondisi jalan tanpa mobil, langkah selanjutnya adalah memberitahu AI kondisi jalan yang ada mobil.

Contohnya seperti ini:

Jalanan dengan Mobil

Selanjutnya, AI bertugas untuk meng substraksi gambar jalanan tanpa mobil dengan gambar yang ada mobilnya sehingga AI dapat mengetahui objek mana yang disebut sebagai mobil.

Kemudian, AI siap untuk menjalankan tugasnya, yakni menentukan apakah sebuah mobil melakukan pelanggaran dengan menggunakan genetic algorithm (GA).

Mengenal Generic Algorithm (GA)

Nama algoritma ini mencerminkan sifat si algoritma itu sendiri.

GA terinspirasi dari proses evolusi alam, di mana individu individu yang dapat bertahan merupakan individu yang berevolusi dan lolos proses seleksi alam.

‘Seleksi alam’ di GA ini tercermin dari ‘fitness function’ yang menunjukkan seberapa layak suatu solusi terhadap suatu permasalahan.

Nantinya, individu atau kalau dalam GA disebut sebagai ‘kromosom’ dengan fitness function yang baik akan dijadikan sebagai referensi untuk proses GA selanjutnya.

Dalam kata lain, fitness function akan digunakan untuk membentuk generasi selanjutnya melalui proses crossover atau ‘reproduksi’.

GA akan terus memproduksi generasi baru hingga generasi terakhir yang dibentuk sudah layak dijadiin solusi permasalahan yang dicari.

Flowchart dari genetic algorithm dapat dilihat pada gambar di bawah ini:

Flowchart dari genetic algorithm

GA sama seperti proses evolusi manusia, di mana gen yang baik bakal diturunkan ke gen generasi manusia selanjutnya.

Lalu bagaimana dengan penerapan GA di kasus tilang elektronik?

Penerapan General Algorithm dalam Tilang Elektronik

Penerapan AI untuk mengawasi lalu lintas dilakukan dengan aplikasi GA, oleh karena itu AI harus memiliki generasi pertama terlebih dahulu untuk mencari generasi yang dapat menjadi solusi permasalahan.

Untuk membuat generasi pertama, gambar hitam putih dari CCTV akan dijadikan ‘kromosom’.

Populasi dari kromosom ini adalah potongan gambar mobil dengan dimensi yang sama.

Kemudian, kromosom akan dievaluasi menggunakan fitness function, di mana fitness function yang digunakan adalah sebagai berikut:

Fitness Function

Fitness function di atas digunakan untuk mencari rasio pixel berwarna putih dalam kromosom atau total pixel yang menunjukkan apakah area di bawah mobil yang sedang diamati mengandung garis putih atau tidak.

Garis putih ini melambangkan batas antar jalur atau jalur pejalan kaki.

Foto Jalan untuk Training AI

Proses seleksi menggunakan fitness function ini digunakan untuk mendeteksi kromosom mana saja yang mencapai batasan tertentu untuk bisa dikatakan melakukan pelanggaran lalu lintas.

Selanjutnya, kromosom-kromosom yang lolos fitness test ini akan dijadikan referensi untuk melakukan crossover/reproduksi untuk membentuk generasi baru.

Proses crossover/reproduksi dilakukan dengan mengkonversikan gambar kromosom tadi ke dalam bentuk stream 20 bits.

Penjelasan mengapa harus 20 bits dapat dibaca di sini:

Penjelasan proses crossover

Kemudian, setelah dikonversikan menjadi 20 bits, diambil bilangan bulat dari 1-20 secara acak untuk menentukan berapa bits yang akan diturunkan kromosom A ke generasi selanjutnya, dan sisanya diturunkan oleh kromosom B.

Contohnya, bila mengambil 13 sebagai bilangan bulat acaknya, kromosom A akan menurunkan 13 bits ke ‘anak’ atau kromosom yang baru, dan 7 bits sisanya diturunkan oleh kromosom B.

Ilustrasinya dapat dilihat pada gambar di bawah ini:

Sample Crossover

Setelah proses crossover/reproduksi ini selesai, generasi yang baru tercipta.

Lalu, sampai kapan proses crossover ini harus dilakukan dan kapan harus berhenti membuat generasi baru?

Crossover akan berhenti ketika sistem sudah dapat membedakan mana pelanggaran yang dianggap swerving dan mana yang dianggap blocking jalur pejalan kaki.

Pembedanya adalah rasio pixel berwarna putih dalam kromosom untuk pelanggaran block jalur pejalan kaki lebih besar dibandingkan swerving.

Hal ini dapat terjadi sebab garis putih di jalur pejalan kaki lebih banyak dibandingkan swerving yang hanya ditandai dengan satu garis.

Foto Jalan untuk Training AI

Rasio lebih dari 0,1 menunjukkan mobil yang diamati memblok jalur pejalan kaki, sedangkan rasio diantara 0,01 sampai 0,1 dikatakan melakukan swerving.

Bila disimulasikan dan AI memproses gambar di bawah ini, apakah ia bisa mendeteksi apakah ada mobil yang melakukan pelanggaran?

Street Image Captured by AI

Setelah 15,55 detik, AI dapat mendeteksi terdapat pickup berwarna silver yang memblok jalur pejalan kaki.

Output nya akan muncul seperti ini:

A Car Blocking the Pedestrian Lane Captured by AI

Pada awalnya, fitness value menunjukkan nilai yang sangat memuncak, namun mulai stabil pada iterasi/pengulangan ke 10, dan memiliki fitness value 0,127.

Hal ini membuktikan pelanggaran yang terjadi adalah ngeblock jalur pejalan kaki.

Best Fitness Plot and Crossover Performance

Di sisi lain, crossover performance menunjukkan konvergensi di generasi ke 587, artinya bila kromosom melakukan reproduksi/crossover lagi, hasil generasi selanjutnya akan sama seperti hasil ini.

Hasil konvergensi ini menunjukan bahwa solusi permasalahan didapatkan dari genetic algorithm, dalam kasus ini berupa foto pelanggaran dan keterangan jenis pelanggarannya.

Kelemahan dan Potensi Model

Walaupun dapat mendeteksi pelanggaran, eksperimen penerapan AI untuk mengawasi lalu lintas ini masih memiliki satu kelemahan yaitu waktu yang digunakan untuk mendeteksi pelanggaran cenderung lama.

Maka dari itu, perlu dilakukan penelitian lebih lanjut untuk mempercepat proses deteksi.

Dari sini, dapat dilihat kalau AI ternyata bisa diterapkan di berbagai bidang dan industri, bahkan hingga membantu polisi untuk mencari tahu siapa pelanggar aturan lalu lintas.

Bila tertarik untuk menggunakan AI dalam industri dan ingin mempelajari cara memanfaatkannya, Non-Degree Program Data Scientist Pacmann Academy dapat menjadi jawabannya!

Di kelas Non-Degree Program ini, peserta akan diajarkan dari konsep dasar matematika dan statistik yang dibutuhkan untuk menjadi seorang Data Scientist hingga praktik langsung melalui fasilitas project lab.

Untuk mengetahui informasi lebih lanjut, kunjungi halaman Non-Degree Program Data Scientist.

Reference:

Machine Vision for Traffic Violation Detection System Through Genetic Algorithm