IMPLEMENTASI OBJECT DETECTION UNTUK MELAKUKAN DETEKSI RAMBU LALU LINTAS di INDONESIA MENGGUNAKAN ARSITEKTUR FASTER R-CNN

Inayasari, Shania Septika (2024) IMPLEMENTASI OBJECT DETECTION UNTUK MELAKUKAN DETEKSI RAMBU LALU LINTAS di INDONESIA MENGGUNAKAN ARSITEKTUR FASTER R-CNN. Diploma thesis, UPN "Veteran" Yogyakarta.

	Text COVER.pdf Download (297kB)
	Text ABSTRAK.pdf Download (120kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (208kB)
	Text Halaman pengesahan penguji.pdf Download (144kB)
	Text DAFTAR ISI.pdf Download (190kB)
	Text DAFTAR PUSTAKA.pdf Download (196kB)
	Text SKRIPSI FULL TEXT.pdf Restricted to Repository staff only Download (11MB)

Abstract

Penelitian tentang deteksi rambu lalu lintas dilakukan dengan menggunakan metode
klasifikasi yang dapat mengenali rambu hanya terbatas pada gambar kondisi rambu tertentu
seperti gambar yang memiliki intensitas cahaya tinggi dan gambar yang hanya memiliki satu
objek rambu. Untuk mengenali rambu lalu lintas dengan lebih dari satu objek pada citra dan
mengenali rambu yang sudah rusak akibat aksi vandalisme maupun rambu yang tertutup oleh
benda lain, dibutuhkan suatu pendekatan yang dapat menemukan lebih dari satu objek pada
citra, yaitu dengan object detection. Arsitektur Faster R-CNN disebut sebagai arsitektur yang
efektif untuk melakukan object detection. Oleh karena itu, penelitian ini memanfaatkan
arsitektur Faster R-CNN untuk melakukan deteksi rambu lalu lintas di Indonesia.

Penelitian ini menerapkan object detection untuk gambar yang memiliki lebih dari satu
objek rambu, gambar rambu yang telah rusak atau tidak memenuhi standar, dan gambar pada
intensitas cahaya yang rendah. Tahapan yang dilakukan pada penelitian ini yaitu pengumpulan
data, data preprocessing, pelatihan model, dan evaluasi model. Dataset yang digunakan pada
penelitian ini berjumlah 540 data training yang terdiri dari 4 macam rambu lalu lintas di
Indonesia yang meliputi rambu dilarang parkir, dilarang berhenti, dilarang putar balik, dan
kecepatan maksikum 50km/jam. Proses training model dilakukan pada berbagai iterasi dengan
asrsitektur Faster R-CNN.

Dari proses training model yang dilakukan pada berbagai iterasi, ditemukan bahwa
pada iterasi di atas 10000 tidak terjadi penurunan nilai loss yang signifikan dan cenderung
naik turun dengan perubahan yang kecil. Kemudian dari evaluasi model, model terbaik
diperoleh pada iterasi ke 18900 (140 epoch). Pada iterasi tersebut diperoleh AP sebesar
74.487%, AP@50 sebesar 94.048%, dan AP@75 sebesar 85.362%.

Kata Kunci: rambu lalu lintas; obejct detection; Faster R-CNN

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	rambu lalu lintas; obejct detection; Faster R-CNN
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	12 Jun 2024 04:00
Last Modified:	12 Jun 2024 04:00
URI:	http://eprints.upnyk.ac.id/id/eprint/39739

Actions (login required)

View Item