Deteksi Kemacetan Lalu Lintas dengan Menggunakan Algoritma Monte Carlo

Abstract

AbstrakSensor dan kamera telah digunakan sekian lama dalam montoring lalu lintas untuk mendeteksi kemacetan lalu lintas. Kemacetan lalu lintas disebabkan karena perkembangan infrastruktur yang lambat tidak sebanding dengan peningkatan jumlah kendaraan. Penelitian ini bertujuan untuk mendeteksi status lalu lintas berdasarkan citra lalu lintas dengan sudut pandang yang berbeda. Citra lalu lintas diolah dengan menggunakan pengolahan citra menjadi 3 kondisi lalu lintas yaitu lancar, ramai, dan padat. Pengolahan citra merupakan metode untuk mengolah citra. Pengolahan citra dilakukan untuk mengubah citra RGB menjadi citra biner sehingga Monte Carlo dapat diterapkan dengan cara menghitung luas dari area piksel putih. Luas area putih pada citra biner digunakan untuk menentukan status lalu lintas. Hasil testing 1 menunjukkan skenario 1 menghasilkan performa terbaik dengan precision ramai bernilai 44%, recall ramai bernilai 77%, precision lancar bernilai 92%, recall lancar bernilai 73%, dan akurasi bernilai 73%. Hasil testing 2 menunjukkan skenario 2 menghasilkan performa terbaik dengan precision padat bernilai 100%, recall padat bernilai 99%, dan akurasi bernilai 99%.Kata Kunci: grayscale, pengolahan citra, segmen gambar, algoritma Monte Carlo, kemacetan lalu lintas, status lalu lintas Abstract Sensors and cameras have been used for so long in montoring traffic to detect traffic congestion. Traffic congestion is caused due to the slow development of infrastructure is not proportional to the increase in the number of vehicles. This study aims to detect traffic status based on traffic images with different viewpoints. Traffic image is processed by using image processing into 3 traffic conditions that is smooth, crowded, and solid. Image processing is a method for image processing. Image processing is done to convert RGB image into binary image so that Monte Carlo can be applied by calculating the area of the white pixel area. The white area of the binary image is used to determine the status of traffic. The result of testing 1 shows scenario 1 gives the best performance with 44% crowded precision, 77% crowded recall, 92% smooth precision, 73% smooth recall, and the accuracy is 73%. Test results 2 show scenario 2 yields the best performance with 100% solid precision, 99% solid recall, and 99% accuracy.

Optimalisasi Prediksi Biaya Komisi Penjualan Mobil Menggunakan Metode Monte Carlo

“…Proses randomisasi mempunyai distribusi yang berasal dari berbagai variabel data yang dikelompokkan berdasarkan data histori [16], Metode Monte Carlo menggunakan generate probabilitas distribusi bilangan acak yang diolah, kemudian divalidasi dengan data fakta untuk memastikan kondisi simulasi relatif sama kondisi sebenarnya [17]. Monte Carlo merupakan salah satu metode numerik yang dideskripsikan sebagai metode simulasi statis [18] yang dapat diintegrasikan secara numerik oleh prosedur simulasi [19]. Proses probabilitas yang digunakan dalam simulasi Monte Carlo adalah proses distribusi probabilitas kumulatif, yaitu menjumlahkan distribusi probabilitas yang ditambahkan pada probabilitas kumulatif sebelumnya, kecuali untuk nilai distribusi probabilitas untuk kelas pertama, nilai untuk distribusi probabilitas komulatif untuk kelas pertama merupakan nilai dari probabilitas kelas itu sendiri [20].…”

Simulasi Monte Carlo dalam Memprediksi Tingkat Lonjakan Penumpang (Studi Kasus di PT. Tri Arga Travel)

“…Simulasi Monte Carlo dapat digunakan untuk berbagai bidang, contohnya penelitian tentang mendeteksi kemacetan lalu lintas dengan mengubah citra RGB menjadi citra biner dengan menerapkan algoritma Monte Carlo [10]. Selanjutnya, Monte Carlo digunakan dalam menyelidiki sifat magnetik dari Mn Bi dengan melakukan analisa terhadap efek dari jumlah lapisan pada sifat magnetik senyawa Mn Bi [11].…”

Prediksi Pendapatan Terbesar pada Penjualan Produk Cat dengan Menggunakan Metode Monte Carlo

“…Metode Monte Carlo adalah metode numerik yang dideskripsikan sebagai metode simulasi statistik. Metode ini telah diaplikasikan pada proses yang melibatkan perilaku acak dan untuk mengukur parameter-parameter fisik yang sulit bahkan tidak mungkin untuk kalkulasi dengan pengukuran eksperimental [6] [8].…”