KLASIFIKASI KENDARAAN PADA LALU LINTAS DI KOTA YOGYAKARTA DENGAN YOLOV4

Rahayu, Rifka Canalisa (2024) KLASIFIKASI KENDARAAN PADA LALU LINTAS DI KOTA YOGYAKARTA DENGAN YOLOV4. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK_RIFKA CANALISA RAHAYU_123180062.pdf Download (198kB)
	Text COVER_RIFKA CANALISA RAHAYU_123180062.pdf Download (177kB)
	Text DAFTAR ISI_RIFKA CANALISA RAHAYU_123180062.pdf Download (195kB)
	Text DAFTAR PUSTAKA_RIFKA CANALISA RAHAYU_123180062.pdf Download (226kB)
	Text PENGESAHAN PEMBIMBING_RIFKA CANALISA RAHAYU_123180062.pdf Download (693kB)
	Text PENGESAHAN PENGUJI_RIFKA CANALISA RAHAYU_123180062.pdf Download (696kB)
	Text SKRIPSI FULL_RIFKA CANALISA RAHAYU_123180062.pdf Restricted to Repository staff only Download (12MB)

Abstract

vii
ABSTRAK
Kemacetan lalu lintas adalah kondisi pada saat jalanan padat dan terhambat,
terkadang juga disebabkan oleh banyaknya jumlah kendaraan. Peningkatan jumlah
kendaraan yang tidak diimbangi dengan perluasan atau penambahan insfrastruktur jalan juga
dapat mengakibatkan kemacetan lalu lintas terlebih di kota-kota besar di Indonesia yang
sering mengalami kemacetan, yang salah satunya adalah Kota Yogyakarta. Salah satu tahap
awal dalam menganalisa kemacetan adalah deteksi dan klasifikasi kendaraan. Dengan
memanfaatkan sistem CCTV yang digalakkan oleh pemerintah Kota Yogyakarta,
pendeteksian dan pengklasifikasian kendaraan dapat dilakukan dengan memanfaatkan hal
tersebut.
Penelitian ini memilih model dari YOLOv4 karena memiliki beberapa kelebihan.
Beberapa kelebihannya adalah kecepatan, akurasi pendeteksian, dan deteksi objek kecil.
Kelebihan ini sudah diujikan pada beragam objek dari dataset Microsoft Common Objects
in Context atau yang biasa dikenal dengan MS COCO yang memiliki 80 kelas. Namun objek
utama dari penelitian ini adalah kendaraan dan objek utamanya tersebut merujuk pada
kendaraan yang biasa ditemui di Kota Yogyakarta yang kebanyakan adalah kendaraan motor
yang memang memiliki berbagai bentuk dan jenis. Merujuk dari dataset MS COCO itu
sendiri, kendaraan yang ada pada gambar dari dataset berasal dari luar negeri yang mana
tidak mencakup sejumlah jenis kendaraan yang umum ditemui di Yogyakarta. Oleh sebab
itu, Pre-trained model dari YOLOv4 yang sudah dilatih menggunakan dataset MS COCO
masih belum sesuai dengan kondisi yang ada di Kota Yogyakarta. Sehingga agar dapat
mendeteksi dan mengklasifikasi kendaraan di Kota Yogyakarta dengan baik, dilakukan
transfer learning pada pre-trained model YOLOv4 dengan dataset baru yang berisi
kendaraan yang umum ditemui di Kota Yogyakarta.
Hasil penelitian model YOLOv4 hasil transfer learning dapat mendeteksi dan
mengklasifikasi kendaraan di Kota Yogyakarta menjadi 4 kelas, yaitu bus, car, motorbike,
dan truck dengan baik. Berdasarkan pengujian di 3 persimpangan di Kota Yogyakarta
dengan 3 skenario waktu, yaitu pagi, siang, dan sore menunjukkan hasil akurasi mencapai
rata-rata 92.96% yang didapatkan dari perhitungan menggunakan metode confusion matrix.
Sehingga dapat disimpulkan bahwa sistem sudah berjalan dengan baik dalam mendeteksi
dan mengklasifikasikan kendaraan di Kota Yogyakarta.
Kata Kunci: Klasifikasi Kendaraan, YOLOv4, Transfer Learning
viii
ABSTRACT
Traffic congestion refers to the state of roadways being impeded and congested,
sometimes resulting from a high volume of vehicles. The lack of proportional growth in road
infrastructure in relation to the increasing number of cars can result in traffic congestion,
particularly in major Indonesian cities that frequently face congestion, such as Yogyakarta
City. The detection and classification of cars is one of the first steps in assessing congestion.
The government of Yogyakarta City is promoting the use of a CCTV system for the detection
and classification of cars.
The YOLOv4 model was selected for this investigation because to its numerous
advantages. Speed, detection precision, and the ability to identify small things are among its
advantages. This benefit has been evaluated using a diverse range of objects from the
Microsoft Common Objects in Context dataset, also referred to as MS COCO, which consists
of 80 distinct categories. Nevertheless, the primary focus of this study is on vehicles, namely
those typically encountered in Yogyakarta City, predominantly motorcycles that exhibit
diverse forms and classifications. Regarding the MS COCO dataset, the vehicles depicted in
the dataset's photos are sourced internationally and do not encompass many sorts of vehicles
usually seen in Yogyakarta City. Thus, the YOLOv4 pre-trained model, trained on the MS
COCO dataset, does not currently meet the requirements specific to Yogyakarta City. In
order to achieve accurate vehicle detection and classification in Yogyakarta City, we employ
transfer learning on the pre-trained YOLOv4 model. This involves training the model with
a fresh dataset specifically curated to include cars regularly encountered in Yogyakarta
City.
The YOLOv4 model research on transfer learning yields accurate detection and
classification of vehicles in Yogyakarta City, namely into four distinct classes: buses, cars,
motorbikes, and trucks. Through testing conducted at three crossings in Yogyakarta City,
utilizing three different time scenarios (morning, afternoon, and evening), the accuracy
results were found to have an average of 92.96%. These findings were acquired by
employing the confusion matrix approach for computations. Therefore, it may be inferred
that the system is now functioning effectively in identifying and categorizing automobiles in
Yogyakarta City.
Keywords: Vehicle Classification, YOLOv4, Transfer Learning

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Vehicle Classification, YOLOv4, Transfer Learning
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	16 Jan 2024 01:40
Last Modified:	16 Jan 2024 01:40
URI:	http://eprints.upnyk.ac.id/id/eprint/38683

Actions (login required)

View Item