Implementasi Framework Tensorflow Object Detection API Dalam Mengklasifikasi Jenis Kendaraan Bermotor

Dufan Manajang, Sherwin Reinaldo Unsratdianto Aldo Sompie, Agustinus Jacobus

Abstract


Jenis kendaraan yang melewati suatu lalu lintas jalan sangat berpengaruh terhadap kepadatan lalu lintas jalan tersebut. Jika jumlah setiap jenis kendaraan yang melewati suatu lalu lintas jalan dapat diketahui, maka strategi lalu lintas yang baik dapat diatur oleh pihak yang berwenang. Dengan memanfaatkan perkembangan teknologi di dalam bidang computer vision dan deep learning, penelitian ini bertujuan untuk mendeteksi dan menghitung objek kendaraan yang melewati suatu lalu lintas jalan berdasarkan klasifikasi jenis kendaraan. Penelitian ini menggunakan Framework Tensorflow Object Detection API dan algoritma dari pretrained model object detection YOLO v3 untuk melakukan deteksi dan klasifikasi. Berdasarkan hasil pengujian pada kelima video uji coba, sistem yang dibangun berhasil menghasilkan suatu data yang berisi jumlah setiap jenis kendaraan yang lewat di suatu lintas jalan dengan tingkat akurasi deteksi objek rata-rata adalah 90.8%.

Keywords


Deep Learning, Deteksi Objek; Tensorflow; YOLO

Full Text:

PDF

References


Wijanarko, I., & Ridlo, M. A. (2019). Faktor-Faktor Pendorong Penyebab Terjadinya Kemacetan Studi Kasus : Kawasan Sukun Banyumanik Kota Semarang. Jurnal Planologi, 14(1), 63.

https://doi.org/10.30659/jpsa.v14i1.3859

Finnish Transport Agency. (2010). Road traffic management strategy.

Strategies of the Finnish Transport Agency, 3/2010, 16p.

http://alk.tiehallinto.fi/julkaisut/pdf3/lto_2010-

_road_traffic_web.pdf%0Ahttps://trid.trb.org/view/1097649

Lazaro, A., Buliali, J. L., & Amaliah, B. (2017). Deteksi Jenis Kendaraan di Jalan Menggunakan OpenCV. Jurnal Teknik ITS, 6(2).

https://doi.org/10.12962/j23373539.v6i2.23175

Janrao, A., Gupta, M., Chandwani, D., & A., U. (2017). Real Time Traffic Density Count using Image Processing. International Journal of Computer Applications, 162(10), 8–12. https://doi.org/10.5120/ijca2017913334

Al Kautsar, H., & Adi, K. (2016). Implementasi Object Tracking Untuk

Mendeteksi Dan Menghitung Jumlah Kendaraan Secara Otomatis

Menggunakan Metode Kalman Filter Dan Gaussian Mixture Model.

Youngster Physics Journal, 5(1), 13–20.

Tobi, M. D. (2015). Rancang Bangun Purwarupa Sistem Pendeteksi

Kendaraan Menggunakan Pustaka Opencv. Electro Luceat, 1(1).

https://doi.org/10.32531/jelekn.v1i1.3

Purnomo, G. A., Cholissodin, I., & Utaminingrum, F. (2018). Intellegence Vehicle Counting Menggunakan Metode Combination Value Saturation Pada Video Lalu Lintas. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(6), 2192–2199.

O’Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. December. http://arxiv.org/abs/1511.08458

Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature,

(7553), 436–444. https://doi.org/10.1038/nature14539

Wiley, V., & Lucas, T. (2018). Computer Vision and Image Processing: A Paper Review. International Journal of Artificial Intelligence Research, 2(1), 22. https://doi.org/10.29099/ijair.v2i1.42

Planche B & Andres E. (2019). Hands-On Computer Vision with TensorFlow 2

Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. http://arxiv.org/abs/1804.02767




DOI: https://doi.org/10.35793/jti.15.3.2020.29775

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Published by  Informatics Engineering Study Program, Sam Ratulangi University, Manado, p-ISSN : 2301-8364 dan e-ISSN : 2685-6131