DETEKSI KENDARAAN PADA PERSIMPANGAN JALAN UNTUK PERHITUNGAN DAN KLASIFIKASI DENGAN MENGGUNAKAN YOLOV3 DAN CROPPING IMAGE

Adrian, Reno Satya (2021) DETEKSI KENDARAAN PADA PERSIMPANGAN JALAN UNTUK PERHITUNGAN DAN KLASIFIKASI DENGAN MENGGUNAKAN YOLOV3 DAN CROPPING IMAGE. Other thesis, UPN Veteran Yogyakarta.

[thumbnail of Abstract_Reno Satya Adrian_Informatika_123150096.pdf]
Preview
Text
Abstract_Reno Satya Adrian_Informatika_123150096.pdf

Download (67kB) | Preview
[thumbnail of Cover_Reno Satya Adrian_Informatika_123150096.pdf]
Preview
Text
Cover_Reno Satya Adrian_Informatika_123150096.pdf

Download (171kB) | Preview
[thumbnail of Daftar Isi_Reno Satya Adrian_Informatika_123150096.pdf]
Preview
Text
Daftar Isi_Reno Satya Adrian_Informatika_123150096.pdf

Download (39kB) | Preview
[thumbnail of Daftar_Pustaka_Reno Satya Adrian_Informatika_123150096.pdf]
Preview
Text
Daftar_Pustaka_Reno Satya Adrian_Informatika_123150096.pdf

Download (89kB) | Preview
[thumbnail of Lembar_Pengesahan_Reno Satya Adrian_Informatika_123150096.pdf]
Preview
Text
Lembar_Pengesahan_Reno Satya Adrian_Informatika_123150096.pdf

Download (333kB) | Preview
[thumbnail of Skripsi-Full-Reno-Satya-Adrian-Informatika-123150096.pdf] Text
Skripsi-Full-Reno-Satya-Adrian-Informatika-123150096.pdf
Restricted to Repository staff only

Download (27MB)

Abstract

Machine learning sudah banyak dikembangkan untuk memcahkan permasalahan yang ada. Khususnya pada pendeteksian kendaraan, metode machine learning dikembangkan untuk menghitung kepadatan lalu lintas, otomasi lampu merah, maupun peningkatan performa dari metode tersebut. Penelitian ini menggunakan YOLOv3 karena metode ini memiliki kecepatan pemrosesan yang baik dari pada metode lainnya. Metode YOLOv3 menggunakan arsitektur Darknet-53 dalam proses ekstraksi fitur dengan penerapan Convolutional Neural Network (CNN). YOLOv3 juga menerapkan pendeteksian 3 skala untuk memaksimalkan hasil pendeteksian dari ukuran besar ke kecil. Dalam penelitian ini menggunakan pre-trained model dengan dataset COCO 2014 dalam proses pelatihan sebelumnya. YOLOv3 masih memiliki akurasi yang lebih rendah dari metode lainnya, maka dari itu diterapkan cropping image untuk meningkatkan akurasi dengan ukuran objek yang lebih besar dan meningkatkan waktu pemrosesan.
Terdapat empat parameter yang digunakan dalam proses pengujian, yaitu data original, zoom 1x, zoom 2x, dan zoom 3x. Dari masing - masing parameter tersebut diambil sepuluh sampel gambar. Hasil pengujian menunjukkan hasil akurasi pendeteksian naik berdasarkan ukuran objek. Semakin besar ukuran citra maka akurasi yang dihasilkan semakin tinggi. Akurasi rata – rata naik sebesar 1 - 3% pada data uji dengan empat parameter sebelumnya. Akurasi tertinggi didapat pada data uji zoom 3x dengan akurasi rata rata 75.6% tanpa penerapan cropping image. Hasil pengujian waktu pemrosesan data uji tanpa cropping image menghasilkan waktu rata – rata 0.995 detik, sedangkan dengan cropping image 0.996 detik Hal tersebut menunjukkan metode YOLOv3 memiliki akurasi pendeteksian yang baik pada ukuran objek yang besar. Namun penerapan cropping image kurang sesuai dikarenakan akurasi dan waktu pemrosesan yang menurun.
Kata Kunci : Deteksi Kendaraan, YOLOv3, COCO 2014, Cropping Image

Item Type: Thesis (Other)
Uncontrolled Keywords: Deteksi Kendaraan, YOLOv3, COCO 2014, Cropping Image
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User: Eko Yuli
Date Deposited: 02 Jun 2021 01:35
Last Modified: 14 Dec 2022 07:00
URI: http://eprints.upnyk.ac.id/id/eprint/25563

Actions (login required)

View Item View Item